一種基于遙感指數的城市建筑用地信息提取新方法

馬紅

(重慶市勘測院，重慶 400020)

1 引言

隨著人口的急劇增多和經濟的快速發展，城市化進程逐步加快，城市空間范圍不斷擴大，使得城市建筑用地急劇增加，導致城市熱島效應增強、城市景觀格局破壞等一系列問題。因此全面掌握城市建筑用地信息，能夠為國土、規劃等部門的用地規劃等政策提供科學支持。

傳統人工測量的土地利用監測方法很難滿足城市建筑面積快速擴展的監測需要［1］。結合計算機技術和圖形圖像處理技術，實現基于遙感影像提取的建筑用地計算機解譯是目前城市建筑用地監測主流方法。Ridd提出城市的“植被－不透水面－土壤”模型用于研究城市建筑用地［2］，楊存建等人利用邏輯樹判別提取建筑用地信息［3］，査勇等提出仿歸一化植被指數研究城鎮空間形態信息提取［3］，王光彥等利用歸一化建筑指數提取城市建筑用地信息［4］，徐涵秋提出基于壓縮數據提取城市建筑用地［1］并利用建筑用地指數(IBI，index－based built－up index)實現了城市建成區的界定［5］。

基于以上方法的建筑用地信息提取所采用的影像均需有中紅外波段，但部分衛星影像(如資源三號衛星影像、QuickBird衛星影像、ALOS衛星影像、IKONOS衛星影像等)沒有中紅外波段，無法利用其IBI指數提取建筑用地信息。針對這種情況，本文提出一種基于仿建筑用地指數(SIBI，similar index－based built－up index)的城市建成區提取的新方法，彌補了缺乏中紅外波段影像的建筑用地信息提取，該方法不需要依賴其他數據。利用資源三號衛星綠波段、紅波段和近紅外波段的多光譜影像進行了實驗驗證，實驗證明本文方法的精度可達89.5%，適用于多種沒有中紅外波段的影像分析。

2 基本原理與方法

2.1 建筑用地指數(IBI)

IBI是徐涵秋提出的采用指數波段構建的指數［1，6］，很大程度上提高了建筑用地提取精度。IBI由3個波段專題指數(土壤調節植被指數SAVI［7］，歸一化建筑指數NDBI［3］以及改進歸一化水體指數MNDWI［8］)計算得到，3個專題波段計算公式如下:

其中，MIR、NIR、red、green分別代表中紅外波段、近紅外波段、紅光波段和綠光波段，參數α為0～1之間的土壤調節因子。

建筑指數IBI［10］(index based built－up index)可以基于3個指數波段構建，公式如下:

2.2 仿建筑用地指數(SIBI)

IBI指數雖能較好地提取建筑用地信息，但是沒有中紅外波段的影像卻無法獲得NDWI指數和NIBI指數，進而無法獲得IBI指數。鑒于此，本文提出利用SIBI指數來獲取城市的建筑用地信息的新方法。在軍事遙感中通常利用近紅外波段和綠波段來區分軍事目標和綠色植物［9］，本文借鑒MNDWI計算中引入綠波段的方法［10］，利用綠波段代替近紅外波段，近紅外波段代替中紅外波段，構建仿歸一化建筑指數(SNDBI: similar normalized difference built－up index)，以便提取建筑物信息。計算公式如下:

進一步分析發現，由于水體在可見光到近紅外波段的反射呈逐漸下降的趨勢，與植被和建筑的反射特性區別較大［11］。計算得到的SNDBI指數中水體很容易區分，呈負值。而原本NDBI中水體呈正值，對照NDBI影像中水體提取結果，可直觀發現水體的SNDBI值非常小，故對SNDBI指數進行改進，引入參數β(β為水體的SNDBI值，通常為負值)構建SNDBI的表格式如下:

圖1 重慶市資源3號衛星影像

根據SNDBI指數(式(5)、(6))，再結合NDWI和SAVI指數，本文提出構建SIBI指數的方法，公式如下:

式(7)中，NDWI為歸一化差異水體指數［12，13］，計算公式如下:

經過SIBI指數增強后建筑用地信息呈正值，植被信息為負值，水體信息接近零值，如圖1所示(其中(a)為原始影像，(b)為SIBI影像)。采用合適的分割閾值對SIBI影像進行分割，可以快速獲取建筑用地信息。

2.3 城市建筑用地信息提取

圖2 城市建筑用地信息提取流程圖

由于得到的SIBI影像能夠較好地區分建筑物、水體和植被。但是所提取到的建筑用地信息包含了農村建筑用地和城市建筑用地信息，兩者在光譜信息方面沒有較大區別，但在像元大小方面有明顯區別［1］;因此，可以通過去除小面元的方法去除農村建筑用地信息，從而獲得城市建筑用地信息，最后采用合并面元的方法聚合城市建筑用地信息。具體步驟如圖2所示。

3 實驗分析與精度評定

實驗數據為2012年4月獲取的重慶市資源三號衛星多光譜影像(如圖1(a)所示)。影像的空間分辨率為 5.8 m，包含藍波段(0.45μm～0.52μm)、綠波段 (0.52μm ～0.59μm)、紅 波 段 (0.63μm～0.69μm)和近紅外波段(0.77μm～0.89μm)4個波段信息(影像來源的網站為 http://www.cresda.com/n16/index.html )。SIBI結果如圖1(b)所示，將SIBI影像拉伸到 8 bit影像進行影像分割，經過反復實驗，式(1)中α參數取值為0.5，式(2)中β參數取值為－0.45，分割閾值為60較好，輸出建筑用地信息(如圖3(a)所示)。根據輸出的結果統計分析，去掉小面元的部分(農村建筑用地信息)并將設定閾值進行合并處理，即得到城市建筑用地信息，如圖3(b)所示。

圖3 基于SIBI的建筑用地信息提取結果

精度驗證通常用外業驗證或利用更高分辨率影像或者其他相關材料完成，本文選取更高分辨率的影像進行精度驗證。選用2012年獲取的該地區空間分辨率為 0.1 m(比原始影像分辨率高出58倍)的正射影像進行精度驗證。采用隨機抽樣法抽取200個樣本，計算他們的總精度和Kappa系數。表1所示的計算結果表明，利用該方法提取的城市建筑用地信息提取精度達到89.5%。

精度評定結果 表1

4 結論

通常情況下，通過SAVI、NDBI和MNDWI指數構建的IBI影像將建筑用地信息增強，可以很好的將其分為建筑、植被和水系三個大類，但在缺乏中紅外波段的情況下無法構建IBI指數。本文提出仿歸一化建筑指數SNDBI，結合歸一化水體指數NDWI和土壤抑制植被指數SAVI可以構建仿建筑用地指數SIBI的新方法。因為在SNDBI中水體呈現與NDBI一樣的高亮度部分，進而構建的SIBI同樣能夠很好地增強建筑用地信息。只要選擇合理的閾值對SIBI影像進行分割，就能準去提取建筑用地信息。

準確提取建筑用地信息之后，通過去除小面元和合并相鄰面元處理，可以除去農村建筑用地信息并聚合城區各種建筑用地，通過簡單的程序設計既可實現，便于城區建筑用地信息自動提取。實驗結果證明:①本文方法與IBI指數方法精度相差不大;②在沒有中紅外波段的情況下本文方法仍然適用。

［1］ Han－Qiu X.Remote Sensing Information Extraction of Urban Built－up Land Based on a Data－dimension Compression Technique［J］.Journal of Image and Graphics，2005，10 (2):223～229.

［2］ Ridd M K.Expbring a VIS(vegetation－in pervious surfacesoil)model for urban ecosystem analysis through re－mote sensing comparative anatomy for cities［J］.International Journal of Remote Sensing，1995，15(16):2165～5185.

［3］ Zha Y，Gao J，Ni S.Use of normalized difference built－up index in automaticallymapping urban areas from TM imagery［J］.International Journal of Remote Sensing，2003，3(24): 583～594.

［4］ Guang－Yan W，Pei L.Extracting Urban Land Use Based on Remote Sensing［J］.Bulletin of Soil and Water Conservation，2007，3(27):121～123.

［5］ Han－Qiu X，Du Lin－ping，Xiao－Dan S.Index－based definition and auto－extraction of the urban built－up region from remote sensing imagery［J］.Journal of Fuzhou University (Natural Science Edition)，39(5):706～712.

［6］ Hanqiu X，Dongfeng L，Fei T.The change detection of impervious development on land surface temperature in a subtropical city:Xiamen，China［J］.Internation journal of Chimatology，2012，10(19):1～6.

［7］ Huete A R.A soil－adjusted vegetation Index(SAVI)［J］.Remote Sensing of Environment，1988，3(25):295～309.

［8］ Han－Qiu X.Extraction of urban built－up land features from Landsat imagery using a thematic－oriented index combination technique［J］.Photogrammetric Engineering and Remote Sensing，2007，12(73):1381～1392.

［9］ Martin A，Boutin J，Hauser D.Remote sensing of sea surface salinity from CAROLS L－band radiometer in the Gulf of Biscay［J］.Geoscience and Remote Sensing，IEEE Transactions on，2012，5(50):1703～1715.

［10］ Reiche M，Funk R，Zhang Z.Application of satellite remote sensing for mapping wind erosion risk and dust emissiondeposition in Inner Mongolia grassland，China［J］.Grassland Science，2012，1(58):8～19.

［11］ Varshney A.Improved NDBI differencing algorithm for built－up regions change detection from remote－sensing data: an automated approach［J］.Remote Sensing Letters，2013，5 (4):504～512.

［12］ Pan JH，Li X X，WangW G.Mariculture Zones Extraction Using NDWIand NDVI［J］.Advanced Materials Research，2013(659):153～155.

［13］ Liu Y.Why NDWI threshold varies in delineating water body from multitemporal images［C］.2012.