基于多源数据夜光遥感的长沙市建成区提取

2022-08-10梅汉检黄登山

西北水电 2022年3期

梅汉检,黄登山

(湘潭大学土木工程与力学学院，湖南湘潭 411100)

0 前言

20世纪70年代改革开放以来，中国城镇化程度飞速发展，从1980年的19.4%增长到2019年的63.4%。城市的空间格局变化体现了人类的空间活动方向，是人类活动的缩影。城镇化的发展变化给人类带来了诸多益处，例如土地资源被高效利用、解决了大量的农村多余劳动力、改变了产业结构，将大量的第一产业剩余的劳动力转化为第二产业和第三产业、协调周围区域发展等。城市化飞速发展的同时在改善我们生活质量，也显露了一系列急需解决的生态、资源、环境、人口等问题。为了解决这些问题，采用城市建成区面积提取的手段来反映一个城市的空间区域规划、管理、经济、城市动态化和城市驱动力因素。因此，对城市建成区的提取对于城市的发展具有很大的指导意义。

夜光遥感影像与人类的夜间活动具有紧密的联系，与建设用地的提取高度耦合，是城市建成区提取的有效数据源。最早专业的夜光遥感数据是美国军事气象卫星搭载的线性业务扫描传感器(Operational Linescan System，OLS)所拍摄的(DMSP/OLS)。2011年，美国国家海洋局和大气局发射了Suomi-NPP(National Polar-orbiting Partnership)卫星，拍摄了NPP/VIIRS夜光遥感数据。上述主流的两种夜光遥感数据在精度上都有相应的缺陷。2018年，武汉大学带头研发的珞珈一号卫星(Luojia1-01)，珞珈一号卫星在空间和光谱分辨率上都有更高的精度，在城市建成区的提取具有更精确的范围，让研究学者们有更多的选择。自1976年Croft 首次运用DMSP/OLS夜光遥感数据应用于城市化研究，明确指出夜光遥感数据可以反馈人类活动强度。国内外许多学者就对夜光遥感数据进行深入的研究。何春阳等人于2005年通过研究DMSP/OLS数据，以国家统计数据为基础，提取了渤海三角洲地区的城市群空间面积和信息，该方法对时空性上缺乏准确度。厉飞等人利用POI核密度对NPP/VIIRS数据和Luojia1-01数据构建NIL&POI指数，通过指数影像和原始影像进行显示对比分析，发现Luojia1-01数据比NPP/VIIRS数据精度更好。

本文先对2013年DMSP/OLS、2015年和2018年NPP/VIIRS、2019年Luojia1-01夜光遥感数据进行去噪处理，与landsat8数据运用SVM监督分类法提取出城市建成区，对3种夜光遥感数据提取出的城市建成区进行对比精度分析，验证珞珈一号夜光遥感数据在城市建成区提取的优势，可为多源夜光遥感数据城市建设区提取理想数据。

表1 3种灯光数据主要参数对比

1 研究区概况

本文研究区选取湖南省长沙市，作为湖南省省会，长沙地处中国华中地区、湘江下游、长浏盆地西缘、湖南东部偏北，总面积11 819 km2，常住人口为1 004万人。研究区范围如图1所示。

图1 长沙市行政区划

2 数据预处理和研究方法

2.1 夜光遥感数据预处理

选择2013年DMSP/OLS、2015年和2018年NPP/VIIRS、2019年Luojia1-01夜光遥感数据。分别将它们进行重投影，投影为兰伯特等角圆锥投影，再重采样为1 000 m，然后在根据长沙市行政区划矢量数据进行裁剪，得到三幅夜间灯光遥感影像。Luojia1-01的数据将原有的浮点型数据放大拉伸存储为DN值，因此使用前需要进行辐射校正。公式如下：

(1)

公式(1)中：L为校正后的辐射值，w/(m2·sr·μm);DN为原始影像灰度值。

2.2 landsat8遥感影像处理

将下载好的2013、2015、2018、2019年的Landsat8遥感影像进行辐射定标和大气校正，对于Landsat8遥感影像使用长沙市行政区划进行裁剪，再对裁剪好的图像进行重采样至1KM×1KM。Landsat8 OLI数据的数据特点和光谱特征，对其使用GS变换(Gram-Schmidt变换)，形成全新的6个空间分辨率为15 m的全新波段。分别求出归一化植被指数(NDVI)、归一化水体指数(NDWI)、归一化建筑指数(NDBI)，对遥感影像进行波段合并。

2.3 夜光遥感数据的去噪方法

图像中存在广泛的背景噪声，所以在处理图像时候需要处理杂乱的图像噪声。本文选择双阈值去除噪声，选择图像中水体中的特征DN值，再将采集完成特征点的平均值为低阈值，将低于此阈值的背景噪声抹除。对于图像上的雷电，高能粒子等，采集夜光遥感影像中心城市的高辐射值，将这些区域的辐射值进行均值化，将均值化结果设置为阈值，将高于此阈值的DN值去除掉。

运用掩膜提取法提取NPP/VIIRS和Luojia1-01夜光遥感数据，无噪影像上存在灯光的栅格赋值为1，不存在灯光的栅格赋值为0，得到一个灯光区域为1而非灯光区域为0的掩膜，然后将对应掩膜值为0的NPP/VIIRS影像栅格上的灯光值剔除，而提取对应值为1的灯光区域，并保留其亮度值大小，从而达到提取有效灯光和去除噪声的目的。

2.4 支持向量机方法

支持向量机(Support Vector Machine, SVM)是一种基于统计学习的分类方法。SVM的基本思想是根据样本训练区构建需要识别要素的特征集(如形状指数、纹理特征)然后用一个最优曲面，将输入影像的像素单元矩阵划分为符合特征集和不符合特征集两类，使得两类像素的分类间隔最大。最优曲面的求解过程可以转化成函数的最大值：

(2)

(3)

2013年DMSP/OLS、2015年和2018年的NPP/VIIRS、2019年的Luojia1-01夜光影像作为第八波段分别加入处理好的landsat8 OLS遥感图像。在卫星影像上均匀选取建成区、水体、植被、耕地、裸土，五种土地覆盖类型的训练样本，运用支持向量机分类器来进行监督分类，将监督分类后的城市建成区提取出结果，单独输出结果。

2.5 精度评价

混淆矩阵又称误差矩阵，是一种精度评价的标准格式，用矩阵的几行几列来表示具体像元位置，混淆矩阵能够很清楚地看到每个地物的像元被正确分类的个数和被错误分类的个数。

混淆矩阵的指标有总体分类精度(Overall Accuracy，OA)、卡帕系数(Kappa Coefficient，KC)、制图精度(Product Accuracy，PA)和用户精度(User Accuracy，UA)。总体分类精度是指被正确分类的像元个数与总体像元个数的比值；制图精度是指城市建成区像元被正确识别的概率；用户精度是指被识别城市建成区的像元为真实城市面积的概率；卡帕系数是指一种衡量分类精度的指标，是用来衡量总体的提取精度。计算公式如下：

(4)

(5)

(6)

(7)

公式(4)～(7)中:N是所有生成随机点的总数;xkk是正确识别像元的点的数量;xy是标记城市像元的点的数量;xz是识别为城市像元的点的数量。

图2 技术路线

3 结果和分析

2013年的DMSP/OLS数据来说，影像的空间分标率的提升，使得城市边缘周围的破碎斑块稍微变多，2015年和2018年的NPP/VIIRS夜光遥感数据的提取结果相似。由于加入了遥感影像，对于贯穿于城市的湘江、城市内的湖泊、城市内的公园和城市内的山体来看，都能看到空白区域。2019年的Luojia1-01夜光遥感数据提取效果的改善更加明显。城市的建成区的提取效果比前两种方法和数据更为贴合。整体轮廓上更为符合，城市的整体范围上有略微的缩小。内部的破碎斑块更多，除了能看到城市内部的水体、湖泊和山体外，还能直观地看到城市的内部主干道。两种遥感数据的加入让各自的优势互补，能更好地对建成区进行提取。

图3 DMSP、NPP、Luojia1-01数据SVM监督分类法城市建成区提取结果

建立混淆矩阵来对城市建成区提取结果的精度进行定量化的评价。谷歌卫星地图中下载高分辨率的长沙市行政区划，以长沙市为矩形中心，生成一个评价范围，在区域范围内随机生成1 000个点，通过人工的目视判别每个点是否为城市建成区或非城市建成区。统计好建成区每个点的数量和相关属性，运用总体分类精度、卡帕系数、制图精度和用户精度来评价多源数据夜间灯光遥感建成区结果的精度。

本文通过建立传统的统计数据比较法和SVM监督分类法的混淆矩阵来进行精度对比。

采用SVM监督分类法2019年的Luojia1-01夜间灯光遥感数据的总体分类精度、制图精度、用户精度和卡帕系数都是最高的，分别为0.961、0.862、0.853和0.856。总体分类精度和制图精度最低的是2013年DMSP/OLS夜间灯光遥感数据的0.923和0.623。用户精度最低的是2018年NPP/VIIRS夜间灯光遥感数据的0.789。卡帕系数最低的是2015年NPP/VIIRS夜间灯光遥感数据的0.767。在总体分类精度上，全部都达到0.92以上。

实验结果表明，传统的统计数据比较法进行建成区提取时，往往不能达到很好的结果。统计数据比较法和支持向量机监督分类法中，3种类型的数据进行比较。两种方法中效果最好的都为2019年Luojia1-01，统计数据比较法的总体精度最高为0.910，卡帕系数最高为0.734。SVM监督分类法总体精度为0.961，卡帕系数为0.856。空间分辨率最差的2013年的DMSP/OLS夜光遥感数据，总体分类精度都达到了0.923，卡帕系数为0.785。说明经过添加了遥感信息的夜间灯光遥感数据在提取建成区方面精度得到了较大的提升。