基于多源数据融合的城市建成区提取方法
2023-10-11江丽钧
王 恒,江丽钧
(1.丽水市建设技术管理中心,浙江 丽水 323000)
城市建成区是指城市行政区内实质已成片开发建设、市政公用设备和公共设备基本具备的地区[1],其范围是衡量城市化发展水平的重要指标。我国城市建成区的提取和划分主要依据政府统计年鉴和规划文件,而城市建成区是动态变化的,研究城市扩张需要持续监测建成区的变化,但无法从《中国城市统计年鉴》中获得城市建成区的准确时间序列[2]。虽然近年来卫星遥感、兴趣点(POI)等社会大数据开放程度大大提高,但由于城市建成区的复杂性,准确获取动态建成区仍是一项具有挑战性的工作。
城市建成区提取方法主要包括两种:①基于单一数据源的提取,如参考文献[3]~[6]根据城市建成区灯光亮度值明显高于其他地区这一特征,利用夜光遥感数据提取城市建成区范围,但城市中心夜光遥感数据存在明显的光饱和[3],导致提取区域大于实际范围,且存在开花效应,影响提取精度,参考文献[7]、[8]利用POI在城市与农村边界处的密度突然变化这一特征提取城市建成区,但受限于本身数据质量和阈值选择,城市建成区提取精度不高;②多源数据融合提取,如参考文献[9]~[14]通过融合POI 与灯光数据,利用阈值法提取城市建成区,该方法能在一定程度上实现数据互补,但仍存在边界溢出、阈值选取受人为主观因素影响等问题,参考文献[15]通过融合POI 与不透水面指数来提取建成区,在局部可获得较好效果。上述方法在提取建成区方面都具有合理性,但也有自身缺陷,参考文献[16]~[18]利用深度神经网络来解决遥感数据提取道路、土地覆盖分类等问题,结果优于传统方法。目前尚无研究利用多源数据融合结合深度学习提取建成区,因此本文提出一种融合夜光、POI 数据并结合深度学习的城市建成区提取方法,以弥补传统方法的不足,提高城市建成区提取的准确性。
1 数据来源与处理方法
1.1 数据来源
夜光数据采用2018年7月珞珈一号影像,空间分辨率为130 m,幅宽为260 km。POI数据来源于2018年高德地图数据,包括餐饮、购物、文化、生活、公园等。由于Sentinel-2 的B2、B4、B6、B11 和B12 波段对建筑用地提取有积极影响[19],因此本文采用这5 个波段数据的合成影像,空间分辨率为10 m。《2018 年城乡建设统计年鉴》数据来源于住房和城乡建设部。
1.2 数据处理方法
1.2.1 夜光数据处理方法
为减少光饱和的影响,对珞珈夜光遥感数据进行辐射校正,采用数据分发网站提供的公式:
式中,L为绝对辐射较正后的辐射亮度值,单位为W/(m2∙sr∙μm);DN为图像灰度值。
为消除珞珈数据的地理参考误差,本文参照遥感影像进行几何校正,通过阈值分割获取目标数据。
1.2.2 POI数据处理方法
本文采用核密度估计分析POI 数据,通过阈值分割获取目标数据。估算公式为:
式中,n为样本数量;h为带宽;K为核函数;x为计算函数的向量;Xj为样本向量。
本文使用的核函数基于四次核函数,即
1.2.3 ResUNet深度学习方法
参考文献[19]利用深度残差ResUNet,基于遥感影像提取道路网,并取得了良好效果。本文利用ResUNet方法对哨兵2号卫星遥感影像进行深度学习提取建设用地数据。具体训练步骤为:①首先下载目标区域哨兵2号遥感影像,利用ENVI软件合成目标波段,裁剪兴趣区域,形成训练影像数据,再通过ArcGIS软件提取Esri Land Cover 2020 10 m土地覆盖数据中的建设用地作为训练标签数据;②由于深度学习框架不能直接使用现有的样本数据,因此采用滑动窗口方法将样本数据制作成256×256 大小的图片,步长为128 像素,对图像进行90°、180°、270°旋转增强处理,对切片数据在0~1 范围内进行归一化处理;③随机选取90%样本数据作为训练集,10%样本数据作为验证集;④采用Keras框架进行ResUNet学习模型的数据训练,网络迭代次数为50,以二分类交叉熵作为损失函数来评估训练性能,采用Adam 优化器调整学习率,初始学习率为0.000 1,训练损失值连续5个迭代次数不降低时,学习率衰减一半,保存基于验证损失的最优模型;⑤对目标区域遥感影像进行预测。
1.2.4 数据归一化处理方法
由于各因子核密度的数量级不同,因此本文对夜光遥感数据、POI 数据、深度学习提取数据进行归一化处理。根据数据标准化原理,本文采用最小—最大值归一化方法进行标准化,消除因子大小差异对精度的影响。
式中,xi为第i个因子的值;minxi、maxxi分别为xi的最小、最大值。
1.2.5 数据融合方法
几何平均可在图像融合中有效消除图像极值的影响,保留图像的原始信息,因此得到了广泛应用[20],融合后的数据可消除密度分析值过大造成的数量级差异,且在一定程度上消除了夜光图像的背景噪声,减少了光线溢出的影响。本文采用几何平均数融合ResUnet学习数据、夜光数据和POI数据,计算公式为:
式中,IUrban 为综合指数;Pi为POI 核密度灰度值;Ri为ResUNet 学习数据灰度值;Ni为夜光数据灰度值。
1.2.6 精确度评估
本文以实际建成区为参考进行精确度评估,通过统计分类评价指标[21]精确率(precision)、召回率(recall)、F1分数进行定量评估。
式中,TP为模型提取结果为建成区,实际也是建成区的面积;FP为模型提取结果为建成区,实际不是建成区的面积;FN为模型提取结果不是建成区,实际是建成区的面积。
1.3 多源数据融合处理流程
数据处理流程包括夜光数据提取建成区、POI数据提取建成区、遥感影像提取建成区和多源数据融合提取建成区等内容,具体工作流程见图1。
图1 数据处理流程图
2 实验与结果分析
本文选取浙江省杭州市和丽水市数据进行城市建成区提取研究,分别利用夜光数据、POI 数据以及本文提出的多源数据融合方法提取建成区,并对3 种方法的提取结果进行比较分析。
2.1 基于POI数据提取建成区
杭州市采用2018 年高德POI 数据(23 大类,约84 万个点)进行核密度分析,采用阈值分割法提取建成区边界;丽水市采用2018 年天地图POI 数据(10大类,约18万个点)进行核密度分析,采用阈值分割法提取建成区边界;对公园POI数据进行单独处理,提取范围后再融合到最后的成果中,提取结果见图2,可以看出,POI 数据提取城市建成区边界较平滑,周围小图斑较少,采用合适的阈值可有效去除周边的村庄、集镇,但POI数据进行核密度分析后边界数据溢出问题较突出(图中红色框部分)。
图2 POI数据提取建成区结果
2.2 基于夜光数据提取建成区
利用夜光数据对杭州市和丽水市进行了建成区提取,并对提取结果进行图斑综合,结果见图3,可以看出,夜光遥感影像提取建成区范围能反映城市的轮廓、边界清晰,但周边存在很多分散的小区域,且建成区范围线内存在不少面积较大的空洞,图中标记1、2、3、5位于学校附近,由于影像获取时间正是学校暑假时间,因此夜光暗淡,使城市建成区提取产生较大偏差;标记6、7 为建成区内公园,公园夜光较暗,容易因阈值选取而被剔除;标记8 为河面,部分区域夜光明亮,存在光溢现象。
图3 夜光遥感影像建成区提取
2.3 基于深度学习提取建设用地
本文选取2020 年12 月南京市区及其周边范围的哨兵2 号影像以及Esri Land Cover 2020 10 m 土地覆盖中的建设用地(Built Area)数据作为训练的输入数据,按照数据处理流程进行深度学习,训练曲线见图4,曲线网络的训练损失(TrainLoss)和验证损失(ValLoss)随训练次数的增加而减小并收敛;训练精度(TrainAccuracy)和验证精度(ValAccuracy)随训练次数的增加而提高并收敛。模型选取验证损失最小值时的模型用于后续数据的预测。
图4 ResUNet网络训练
利用训练好的模型对目标遥感影像进行预测提取,并对图斑进行综合处理获取建设用地范围,提取数据为地面上有建筑物的地块,结果见图5,可以看出,提取范围中包括很多分散的小区块,主要为城市周边的村庄、小镇,其中丽水城区遥感影像部分区域存在云层(图中a、b区域),影响建设用地提取。
图5 深度学习建设用地提取
2.4 多源数据融合提取建成区
本文按照数据处理流程和方法进行数据融合,提取杭州市和丽水市的建成区,并对图斑数据进行综合,结果见图6,可以看出,标记1、3 为学校区域,在采用夜光数据提取时被剔除;利用POI或夜光数据提取城市建成区时存在数据溢出现象(标记2、4),导致边界范围不准确,但采用数据融合后能有效弥补单一数据源的不足。
图6 杭州、丽水市区融合后建成区成果
以丽水市为例,本文分别比较了3 种方法的提取精度,计算结果见表1,可以看出,多源数据融合方法的整体精度最优。以2018年杭州市地理国情公报数据和丽水市住房和城乡建设厅2018 年城乡建设统计年鉴为检查数据,与融合后的数据进行比较,结果见表2,其中杭州市统计数据不包含临安区、富阳区数据,可以看出,基于多源数据融合提取建成区与实际数值基本一致。
表1 多源数据融合提取建成区精度评定
表2 提取建成区面积与实际建成区面积比较
从3 种提取方法结果来看,多源数据融合方法能更准确地反映城市建成区的实际范围,充分实现多源数据的互补,集中表现在:①城乡分界明显,采用POI 和夜光数据提取的建成区范围,在城市和非城市区域界限非常明显,该方法充分利用这一优势,消除了城市周边的噪声,减少了人工判读工作量,提高了提取效率;②融合互补,多源数据融方法能实现数据互补,图6的实际提取结果说明了这一点。
3 结语
本文分别采用POI 数据、夜光数据、多源数据融合提取建成区,并与已知的建成区数据进行比较,以评价各方法的提取精度。结果表明,多源数据融合方法的提取精度最高,能克服单一数据提取方法建成区内部数据空洞、溢出效应问题,所用遥感影像获取周期短、POI 数据获取便捷、方法操作相对简单,可保证城市建成区提取的时效性。在未来研究中将继续朝多源数据融合方向发展,充分利用深度学习工具进一步简化提取流程,提高自动化提取程度。