基于Landsat數據和DMSP/OLS夜間燈光數據的城市擴展提?。阂蕴旖蚴袨槔?/h1>
2016-08-10 07:38:50柴寶惠李培軍張瑞潔趙鵬北京大學地球與空間科學學院遙感與地理信息系統研究所北京100871通信作者Emailpjlipkueducn
北京大學學報(自然科學版) 2016年3期
柴寶惠 李培軍 張瑞潔 趙鵬北京大學地球與空間科學學院遙感與地理信息系統研究所北京100871； 通信作者E-mail：pjli@pku.edu.cn
?
基于Landsat數據和DMSP/OLS夜間燈光數據的城市擴展提?。阂蕴旖蚴袨槔?/p>
柴寶惠李培軍?張瑞潔趙鵬
北京大學地球與空間科學學院遙感與地理信息系統研究所北京100871；? 通信作者E-mail：pjli@pku.edu.cn
以天津市為例將多時相的Landsat TM/ETM+影像與DMSP/OLS夜間燈光數據結合起來提取城市建成區擴展信息并進行驗證和分析。首先利用DMSP/OLS夜間燈光數據得到城市建成區的大致范圍利用這個范圍內的Landsat TM/ETM+數據和多波段紋理進行圖像分類得到城市建成區的空間分布。然后利用分類后比較法得到城市建成區的變化信息將提取的建成區變化結果與利用 DMSP/OLS 數據得到的城市建成區擴展信息以及基于統計數據的城市建成區變化趨勢進行對比驗證方法的有效性。結果表明結合DMSP/OLS數據和 Landsat數據的光譜特征以及提取的多波段紋理特征可有效地減少裸土與城市建成區的混淆與只利用光譜信息的建成區提取及變化檢測相比得到更高的精度。因此結合 Landsat TM/ETM+數據和DMSP/OLS夜間燈光數據提供了一種進行大型城市建成區擴展檢測的有效方法。
城市擴展；Landsat TM/ETM+影像；DMSP/OLS夜間燈光數據；變化檢測；圖像分類
北京大學學報（自然科學版） 第52卷 第3期 2016年5月
Acta Scientiarum Naturalium Universitatis PekinensisVol. 52No.3（May 2016）doi：10.13209/j.0479-8023.2015.138
城市化水平是衡量一個國家和地區經濟、社會、文化、科技發展水平的重要標志而城市空間范圍的擴展是城市化的一個重要衡量指標。盡管城市區域只占地球表面很小的面積（約3%）然而其擴展變化對局地氣候、生態環境以及全球變化影響顯著［1］。
遙感是獲取城市范圍及其擴展信息的重要手段。國內外學者在利用遙感數據進行城市范圍提取和擴展研究方面開展了大量工作并且提出不少方法［2-4］。各種不同分辨率的圖像數據用于城市建成區的提取和變化分析［5-7］其中美國 Landsat系列衛星數據（MSSTMETM+和OLI）和美國軍事氣象衛星計劃（Defense Meteorological Satellite Program，DMSP）搭載的OLS （Operational Linescan System）傳感器提供的夜間燈光數據因獲取時間早（均自1972年開始獲取數據）、歷史數據豐富并免費開放獲取廣泛應用于城市范圍提取以及城市擴展研究［8-9］。
Landsat 系列衛星數據因其較高的空間分辨率（30
m）、較大的空間覆蓋范圍以及豐富的光譜信息和空間信息適合單個城市或區域城市范圍的提取和擴展分析［10］。但是利用 Landsat 系列數據進行城市建成區提取和擴展分析仍然存在許多問題。在30 m 分辨率尺度上城市內部不同地物類別（植被和人造地物）之間混合現象普遍導致混合像元大量存在。由于不同地物類別在像元尺度混合的比例在空間上變化顯著因此城市類別的光譜特征差異性很大［11］；同時城市類別與周圍的地物類別（如裸土）之間存在顯著的光譜特征相似性。這些因素給利用 Landsat 系列數據進行城市建成區的提取與變化分析帶來困難。因此只利用光譜信息提取城市建成區及探測城市擴展的精度有限。近年來不少研究者嘗試加入空間信息（如圖像紋理）以及綜合利用不同傳感器的數 據來改進城市建成區及其擴展信息的提取精度［12-14］。
DMSP/OLS 夜間燈光數據具有獨特的夜間低光探測能力和反映人類活動信息（尤其是城市區域的人類活動信息）的特點可以提供大范圍的城市用地信息因此廣泛應用于區域或全球尺度的城市范圍提取和變化分析研究［15-16］。但是夜間燈光數據的空間分辨率比較低（1km）并且存在溢出效應（overglow）［17-19］。
盡管Landsat TM/ETM+數據和DMSP/OLS夜間燈光數據提供了互補的信息但由于 DMSP/OLS夜間燈光數據的分辨率較低很少有研究者將夜間燈光數據與 Landsat TM/ETM+數據結合起來用于提取城市建成區范圍及擴展信息。許多研究利用DMSP/OLS 夜間燈光數據提取區域尺度的城市范圍并利用 Landsat TM/ETM+來驗證 DMSP/OLS夜間燈光數據的提取結果［15，20］。最近有研究利用DMSP/OLS夜間燈光數據對 Landsat 數據的城市提取結果進行后處理和優化進行區域城市擴展的提取和分析［21］但是后處理和優化的過程依賴于較高分辨率的 Landsat TM/ETM+數據的城市提取結果。本文的目的是結合 DMSP/OLS 夜間燈光數據和 Landsat TM/ETM+數據以及提取的多波段圖像紋理［12］提取城市擴展信息并進行比較分析。城市地區主要由具有不透水表面的建成區土地所組成。本文中城市建成區代表被特定的物理結構直接覆蓋的區域包括建筑物、街道和不透水層等一切人造結構［5，22］。
1 研究區及數據
1.1 研究區
本文以我國北方的超大城市天津市為研究區（圖 1）。天津市位于華北平原的東北部面積為11946.88 km2是中國第三大城市和直轄市區位優勢明顯。天津市是華北、西北廣大地區的出海口重要的國際港口城市以及生態城市是中國北方對內、對外開放兩個扇面的軸心是中國北方的經濟中心、環渤海地區經濟中心具有極其重要的社會、經濟、生態價值。由于經濟的快速發展天津市的城市范圍也顯著擴展。
1.2 數據及預處理
本文采用 LandsatTM/ETM+數據和 DMSP/ OLS夜間燈光數據提取和分析近 20年來天津市及其周邊的城市擴展信息。選取 1992 年7月、2001 年9月和2006年7月的Landsat TM/ETM+多光譜數據。上述3個時相的圖像數據的獲取時間均為夏季季相基本一致。同時選取天津地區上述3個年份的 DMSP/OLS 夜間燈光數據。此外本文還收集了天津市行政區圖和由《天津市統計年鑒》得到的3個年份的建成區面積統計數據。
首先對 3個年份的 Landsat TM/ETM+數據進行預處理。由于2001年的圖像有少量云霧覆蓋，對該圖像進行去霧霾處理（haze reduction）去除一部分薄云。對3個時相的TM/ETM+圖像進行幾何配準配準的均方根誤差（RMS）在0.4個像元以內。將3幅配準后的圖像均裁剪成為4435×2997像元大小裁剪后的圖像如圖2所示。該地區的主要地物類別包括建成區、農田、裸地、陸地水體、海洋、林地等 6類。對每個時相的 Landsat圖像分類所采用的訓練樣本和精度評價所用的檢驗樣本見表1。
由于DMSP/OLS傳感器沒有進行輻射校正，不同衛星的OLS燈光數據不能直接對比因此采用 Elvidge等［23］提出的相互校正（intercalibration）方法對不同衛星的 OLS燈光數據進行校正。為了便于對兩類圖像數據所得到的信息進行疊加與對比分析將夜間燈光數據重采樣為與 Landsat TM/ ETM+數據相同的30m像元大小并轉換為 UTM橢球坐標系統。天津地區 3個年份的 OLS夜間燈光圖像如圖3所示。
2 方法
本文的總體思路可以概括為：將 Landsat TM/ ETM+數據與DMSP/OLS數據結合起來提取多年的城市建成區范圍得到不同時間段的城市擴展情況。為了減少因裸土和城市建成區的光譜相似性導致的誤分首先利用 DMSP/OLS數據得到城市建成區的大致范圍并且利用這個范圍內的光譜數據以及圖像紋理信息提取城市建成區范圍。通過與只利用 Landsat TM/ETM+數據光譜信息和利用由DMSP/OLS 數據提取的建成區范圍和城市擴展信息以及統計數據中相應的建成區面積對比評價和驗證由 Landsat TM/ETM+數據得到的城市建成區擴展結果。總體流程如圖4所示。
表1 Landsat TM/ETM+圖像分類和精度評價所采用的樣本（像元數）Table1 Pixel numbers of the samples used in Landsat TM/ETM+ image classification and accuracy assessment
2.1 城市范圍提取與擴展檢測
本文采用分類后比較方法［24］從多時相數據提取城市擴展即首先分別對不同時相的圖像數據進行分類然后比較分類結果得到城市擴展結果。
盡管 Landsat TM/ETM+數據廣泛應用于城市范圍提取及擴展分析［10，13］但由于城市建成區光譜特征的復雜性［12］及與周圍地物類別（如裸土）的相似性只利用光譜信息來提取城市建成區范圍及擴展信息的精度有限因此將光譜信息與其他信息相結合是改進提取精度的重要策略［12-13］。為了改進基于 Landsat TM/ETM+數據的分類精度本文利用DMSP/OLS夜間燈光數據和紋理信息。利用燈光數據的目標是消除燈光區外裸土與城市建成區的混淆加入紋理信息是為了減少燈光區內裸土與建成區的混淆。
首先利用 DMSP/OLS 夜間燈光數據得到城市建成區的大致范圍然后對這個范圍內的 Landsat TM/ETM+圖像進行進一步分類。由于 DMSP/OLS夜間燈光數據反映的是人類活動的特征城市建成區和大型居民點等在 DMSP/OLS 夜間燈光圖像上具有較高的灰度值在圖像上表現為較亮的特征；裸土和植被等區域在 DMSP/OLS 夜間燈光圖像上的灰度值為零或很低在圖像上較暗。由于夜間燈光數據的分辨率不高范圍較小的村莊在圖像上基本上不顯示所以可以通過灰度的差異把城市區域與裸土和植被等區域區分開。因此采用一個較小的閾值從 DMSP/OLS 圖像上提取大致的城市區域。盡管由于 DMSP/OLS 燈光數據具有溢出效應，導致圖像上探測到的燈光區面積往往大于實際城市建成區范圍但對利用燈光數據提取的城市區域范圍內的Landsat TM/ETM+圖像進行分類可以消除燈光區域以外地區裸土與城市建成區的混淆在一定程度上改善分類精度。
為了減少燈光區范圍內的城市建成區與裸土的混淆將圖像的紋理特征與原始的光譜信息相結合進行地表覆蓋類別分類。由于城市建成區的光譜特征變異性大紋理特征比較顯著而裸土的光譜特征較均勻紋理特征并不明顯因此加入紋理信息可減少兩類地物間的混淆。
本文采用一種基于多元變差函數（multivariate variogram）的多波段紋理（multivariate texture）特征［12，25］。利用多波段紋理的一個優點是不需要進行波段選擇［12，25］即可以利用多光譜圖像的所有波段來計算圖像的紋理反映的是圖像灰度值的多元空間變化；而利用經典的單波段圖像紋理（如經典的基于灰度共現矩陣gray-level co-occurrence matrix，GLCM）［26］需要選擇一個合適的波段計算圖像紋理。多波段紋理特征成功地應用于地表覆蓋分類，尤其是城市地區的地表覆蓋分類［12，25］以及巖性識別和提?。?7］?；诙嘣儾詈瘮档亩嗖ǘ渭y理計算公式為
DN（x）是像元位置為x處的像元矢量DN（x+h）是像元位置為x+h處的像元矢量h是距離矢量；E是數學期望；M 為距離函數如歐氏距離、馬氏距離和光譜角距離等。本文采用光譜角距離來計算多元變差函數紋理特征因為該紋理在城市地區的地表覆蓋分類中的性能最好［12］?；诠庾V角距離的多元變差函數紋理計算公式為
其中dnk（x）是像元x的第k波段的灰度值dnk（x+h)是像元x+h的第k波段的灰度值p是圖像的波段數；N（h）是距離矢量為 h 的像元對數。多波段紋理計算中主要有兩個參數：窗口大小和距離矢量長度（步長）［12］本文通過試驗選出最佳參數。
為了有效地利用所得到的多波段紋理信息和光譜信息進行地表覆蓋分類本文采用支持向量機（SVM）作為分類算法得到不同年份的地表覆蓋分類圖。支持向量機是一種統計學習方法主要通過解算最優化問題在高維特征空問中尋找最優分類超平面解決分類問題可有效地處理小樣本和高維數據［28］。研究表明支持向量機方法能得到比最大似然法和決策樹等傳統分類方法更高的分類精度［28］。分類后將農田、裸地、陸地水體、海洋、林地等類別合并為“非城市”類這樣每個年份最終的分類結果只包括城市和非城市兩個類別。通過比較兩個不同年份的城市建成區提取結果得到相應時間段的城市建成區擴展信息。
2.2 結果評價與驗證方法
為了全面評價所提出的方法本文采用以下幾種方法。
1）比較本文提出的方法與只利用 Landsat TM/ ETM+光譜數據的城市范圍提取與變化檢測精度。通過選取檢驗樣本采用混淆矩陣計算分類精度及變化檢測精度。混淆矩陣通過逐像元比較分類結果與地表真實數據得到從中可計算總體分類精度、Kappa 系數和各類精度（生產者精度和用戶精度［29］。
2）采用閾值法從 DMSP/OLS夜間燈光數據提取城市建成區范圍以及城市擴展信息驗證本文提出的結合Landsat TM/ETM+數據與DMSP/OLS數據的城市范圍與擴展檢測方法。閾值法簡單容易操作并可在一定程度減少燈光的溢出問題［30-31］，是廣泛采用的城市建成區范圍提取方法［17，30-32］。通過對燈光影像設定不同的閾值將得到的建成區范圍與參考圖像中的城市范圍進行對比得到的建成區范圍與參考圖像最接近時的燈光數據閾值為最佳閾值［17］。本文采用從較高分辨率的 Landsat TM/ ETM+圖像提取的城市范圍作為參考數據。與已有研究［33］相同對多年的DMSP/OLS數據采用同樣的閾值提取城市范圍。在利用閾值法得到每個年份的城市建成區范圍之后通過比較不同年份的城市建成區范圍得到不同時間段的城市擴展情況。與Landsat TM/ETM+數據和 DMSP/OLS數據相結合得到的城市范圍與擴展檢測結果進行對比比較1992—2001年和2001—2006年兩個時間段的城市擴展區域分析城市隨著時間推移的空間分布變化信息。
3） 計算并比較不同方法得到的城市區域面積的年增長率。城市面積年增長率（annual growth rate，AGR）［34］表達城市在某一時段的面積變化情況計算公式為
研究時間跨度。本文分別對 Landsat TM/ETM+數據與燈光數據相結合所得結果、DMSP/OLS 夜間燈光數據所得結果及建成區面積統計數據計算 AGR，并做定量比較。
3 結果與討論
3.1 結合 Landsat TM/ETM+數據和 DMSP/ OLS數據的城市擴展結果
首先選取閾值為 15對 DMSP/OLS 數據提取3個時相天津市建成區的大致范圍。在結合紋理信息的分類中步長選為 1分別計算窗口大小為3×35×5和7×7的多波段紋理。通過試驗發現窗口大小為5×5時分類效果最好。對得到的城市建成區大致范圍內不同時間的 Landsat TM/ETM+圖像和相應的多波段紋理進行分類并合并后得到城市和非城市兩類。3個時相圖像的建成區提取精度見表2。
從表2可以看出與燈光數據結合的 3個時相圖像分類總體精度均在 93%以上Kappa 系數均在0.86以上顯著高于只利用Landsat TM/ETM+數據光譜信息的分類精度。例如在 1992 年的結果中，
表2 只利用Landsat TM/ETM+數據光譜信息以及本文方法的城市建成區提取精度Table 2 Accuracy assessment of Landsat TM/ETM+ image classification with and without DMSP/OLS nighttime light data and texture information
式中UEstart為在初始年份的城市面積范圍UEend為在末尾年份的城市面積范圍d 為以年為單位的總體精度（OA）從 87.11%提升到 94.51%Kappa 系數從 74.35%提升到 89.03%。從各類別的分類精度來看與只利用光譜數據的分類結果相比本文所提方法的結果中城市類別的用戶精度（UA）顯著提高生產者精度（PA）基本上保持不變；與此相對應，非城市類別的生產者精度顯著提高用戶精度基本不變。例如在1992年的分類結果中城市類別的用戶精度從 79.82%提高到 91.00%生產者精度均為 98.48%；非城市類別的生產者精度從 76.26%提高到 90.71%用戶精度基本上不變。這表明結合DMSP/OLS 夜間燈光數據和多波段紋理大大減少了非城市類別（裸土）與城市類別的混淆顯著提高了分類精度。
圖5為只利用 Landsat TM/ETM+數據光譜信息的分類結果與結合燈光數據和 Landsat TM/ETM+數據的分類結果的對比（以 1992 年圖像局部為例）。從圖5可以看出只利用Landsat TM/ETM+數據的光譜信息存在顯著的混淆（圖 5（b））；然而在結合了紋理信息和燈光數據的結果中（圖 5（c））燈光區域外裸土與建成區的混淆被消除。在燈光區內結合紋理信息的分類結果對裸土與建成區的混淆現象也有所減少（如圖 5（a）中紅圈區域在圖 5（b）中誤分為建成區的裸土區域在圖 5（c）中正確分為裸土），建成區范圍提取結果更加準確。其他兩個年份的結果與此相似。上述結果驗證了方法的有效性。
圖6為與燈光數據結合的分類結果。從圖6可看出天津市的范圍隨著時間變化顯著擴展：1992年時中心城區和濱海新區的面積均比較小且二者之間沒有明顯的連接區域；2001年分類結果顯示中心城區呈蔓延式擴展濱海新區已經顯著發展起來與中心城區顯示出互相連接的趨勢；2006年，中心城區進一步向周邊地區擴展濱海新區也有所擴大已經與中心城區沿著二者之間的海河連接帶明顯相連。
表3是只利用 Landsat TM/ETM+數據光譜信息與本文方法的城市擴展信息檢測精度評價對比。可以看出與只利用光譜數據的城市擴展檢測結果相比本文方法城市擴展檢測精度更高如 1992—2001 年的城市擴展檢測總體精度（OA）從 84.02%提高到88.40%Kappa系數從57.61%提高到67.33%；各類別的變化檢測精度也均有所提高。本文提出的方法在兩個時間間隔的城市變化檢測精度均為87%以上Kappa系數均大于67%。
圖7為結合3個時相的Landsat TM/ETM+數據和燈光數據得到的不同時間段天津的城市擴展結果。可以看出1992—2001年擴展的部分主要分布在天津市中心城區和濱海新區以二者為中心呈輻射式擴展并沿二者連接部分有一定擴展；2001—2006年中心城區和濱海新區進一步擴展呈現內部緊密擴展與外圍稀疏擴展相結合的趨勢。
表3 只利用Landsat TM/ETM+數據光譜信息以及本文所提出的方法的城市擴展檢測精度Table3Accuracy assessment of urban change detection with and without DMSP/OLS nighttime light data and texture information
3.2 結果對比
采用閾值法從 DMSP/OLS 數據提取不同時間的天津市城市范圍。通過試驗發現閾值為 60 的結果最好。圖8是由 DMSP/OLS 夜間燈光數據得到的不同時間段天津城市擴展情況。從圖8可以看出1992—2001年天津市主要圍繞中心城區和濱海新區擴展2001—2006 年在中心城區和濱海新區持續向外擴展的同時二者間的連接區域也逐漸加寬與結合燈光數據的Landsat TM/ETM+數據城市擴展提取結果一致。
表4是由 Landsat TM/ETM+數據結合燈光數據得到的建成區面積、由 DMSP/OLS 夜間燈光數據得到的建成區面積和建成區面積統計數據以及相應的年增長率。從年增長率來看利用本文提出方法提取的建成區面積年增長率與統計數據年增長率基本上一致由 DMSP/OLS 夜間燈光數據得到的城市年增長率則均偏大這可能是由 DMSP/OLS夜間燈光數據溢出效應導致的。我們可以看到由Landsat TM/ETM+數據結合燈光數據得到的建成區面積、DMSP/OLS 夜間燈光數據得到的建成區面積和建成區面積統計數據三者反映的城市擴展趨勢是一致的即 2001—2006 年的城市年增長率均高于 1992—2001 年表明 2001—2006 年城市的加速擴展。這些結果說明結合 Landsat TM/ETM+數據和燈光數據所得到的 1992—2006 年天津市城市范圍變化是可信的。從建成區面積來看本文提出的方法以及由燈光數據得到的城市建成區面積均高于建成區面積統計數據原因可能為建成區面積統計數據統計的只是市區面積本文方法提取的建成區以及夜間燈光數據提取的建成區包括天津市轄區范圍內的縣和鎮即大的居民點。
前面的分析驗證了本文提出方法的有效性。因此雖然本文以天津市為研究區但結合 Landsat TM/ETM+數據與 DMSP/OLS 夜間燈光數據的方法可以應用于其他大型城市建成區范圍提取和擴展檢測的研究中。
4 結論
表4 由Landsat TM/ETM+數據結合燈光數據得到的建成區面積、由DMSP/OLS夜間燈光數據得到的建成區面積和建成區面積統計數據以及相應的年增長率Table4 Areasexpansion areas and AGRs derived from Landsat TM/ETM+ data combining with DMSP/OLS nighttime light dataDMSP/OLS nighttime light data and urban built-up area data
本文將多時相的 Landsat TM/ETM+數據與DMSP/OLS夜間燈光數據相結合提取天津市的城市范圍與擴展信息并對結果進行了對比。結果表明與只利用 Landsat TM/ETM+的光譜數據相比，利用夜間燈光數據并加入多波段的圖像紋理可減少裸土與建成區的混淆情況有效提高城市建成區提取精度和擴展檢測的精度。通過與只利用 Landsat TM/ETM+數據光譜信息和利用 DMSP/OLS 夜間燈光數據提取結果及建成區面積統計數據對比，驗證了本文所提出方法的有效性。對天津地區來說1992—2006 年城市建成區面積逐漸增加且在大致 2000 年之后擴展速率明顯加快。從空間分布來看城市建成區的擴展主要分布在中心城區、濱海新區以及二者之間的連接地區。因此綜合利用Landsat TM/ETM+數據和DMSP/OLS夜間燈光數據提取和分析城市擴展可得到可靠的城市建成區擴展趨勢是一種大型城市建成區范圍提取和擴展信息研究的有效方法。
［1］ Small C. High spatial resolution spectral mixture analysis of urban reflectance. Remote Sensing of Environment200388（1）：170-186
［2］ Lu DWeng Q. Use of impervious surface in urban land-use classification. Remote Sensing of Environment2006102（2）：146-160
［3］ 龍玄耀李培軍. 基于圖像分割的城市變化檢測.地球信息科學200810（1）：121-127
［4］ Acqua F DGamba P. Texture-based characterization of urban environments on satellite SAR images. IEEE Transactions on Geoscience and Remote Sensing，200341（1）：153-159
［5］ Taubenb?ck HEsch TFelbier Aet al. Monitoring urbanization in mega cities from space. Remote Sensing of Environment2012117：162-176
［6］ Schneider AFriedl M APotere D. Mapping global urban areas using MODIS 500-m data：new methods and datasets based on “urban ecoregions”. Remote Sensing of Environment2010114（8）：1733-1746
［7］ Pu RLandry SYu Q. Object-based urban detailed land cover classification with high spatial resolution IKONOS imagery. International Journal of Remote Sensing201132（12）：3285-3308
［8］ 李旭文. 主成分變換和彩色變換在 TM圖像信息提取中的應用：以蘇州市為例. 環境遙感19927（4）：251-260
［9］ Elvidge C DSafran JTuttle Bet al. Potential for global mapping of development via a nightsat mission. Geojournal200769：45-53
［10］ 戴昌達唐伶俐陳剛等. 衛星遙感監測城市擴展與環境變化的研究. 環境遙感199510（1）：1-8
［11］ Small CLu J. Estimation and vicarious validation of urban vegetation abundance by spectral mixture analysis. Remote Sens Environ2006100：441-456
［12］ Zhang JLi PWang J. Urban built-up area extraction from Landsat TM/ETM+ images using spectral information and multivariate texture. Remote Sensing，20146（8）：7339-7359
［13］ Zhang QWang JPeng Xet al. Urban built-up land change detection with road density and spectral information from multi-temporal Landsat TM data. International Journal of Remote Sensing2002，23（15）：3057-3078
［14］ Griffiths PHostert PGruebner Oet al. Mapping megacity growth with multi-sensor data. Remote Sensing of Environment2010114：426-439
［15］ Gallo K PElvidge C DYang Let al. Trends in night-time city lights and vegetation indices associated with urbanization within the conterminous USA. International Journal of Remote Sensing2004，25（10）：2003-2007
［16］ Elvidge C DImhoff M LBaugh K Eet al. Nighttime lights of the world：1994-1995. ISPRS Journal of Photogrammetry and Remote Sensing200156（2）：81-99
［17］ Imhoff M LLawrence W TElvidge C Det al. Using nighttime DMSP/OLS images of city lights to estimate the impact of urban land use on soil resources in the United States. Remote Sensing of Environment，199759（1）：105-117
［18］ Small CPozzi FElvidge C D. Spatial analysis of global urban extent from DMSP-OLS night lights. Remote Sensing of Environment200596：277-291
［19］ Welch R. Monitoring urban population and energy utilization patterns from satellite data. Remote Sensing of Environment19809（1）：1-9
［20］ Liu ZHe CZhang Qet al. Extracting the dynamics of urban expansion in China using DMSP-OLS nighttime light data. Landscape and Urban Planning，2012106（1）：62-72
［21］ 陳征胡德勇曾文華等. 基于 TM 圖像和夜間燈光數據的區域城鎮擴張監測：以浙江省為例. 國土資源遙感201426（1）：83-89
［22］ Bagan HYamagata Y. Landsat analysis of urban growth：how Tokyo became the world's largest megacity during the last 40 years. Remote Sensing of Environment2012127：210-222
［23］ Elvidge C DZiskin DBaugh K Eet al. A fifteen year record of global natural gas flaring derived from satellite data. Energies20092（3）：595-622
［24］ Singh A. Digital change detection techniques using remotely-sensed data. International Journal of Remote Sensing198910（6）：989-1003
［25］ Li PCheng TGuo J. Multivariate image texture by multivariate variogram for multispectral image classification. Photogrammetric Engineering & Remote Sensing200975（2）：147-157
［26］ Haralick R MShanmugan KDinstein I. Textural features for image classification. IEEE Transactions on SystemsMan and Cybernetics，19733（6）：610-621
［27］ Li PYu HCheng T. Lithologic mapping using ASTER imagery and multivariate texture. Canadian Journal of Remote Sensing200935：S117-S125
［28］ Huang C. An assessment of support vector machines for land cover classification. International Journal of Remote Sensing200223（4）：725-749
［29］ Congalton R GGreen K. Assessing the accuracy of remotely sensed data：principles and practices. Boca Raton：Taylor & Francis1998
［30］ Henderson MYeh E TGong Pet al. Validation of urban boundaries derived from global night-time satellite imagery. International Journal of Remote Sensing200324（3）：595-609
［31］ Milesi C EChristopher DNemani R Ret al. Assessing the environmental impacts of human settlements using satellite data. Management of Environmental Quality200314（1）：99-107
［32］ Owen T W. Using DMSP-OLS light frequency data to categorize urban environments associated with US climate observing stations. International Journal of Remote Sensing1998. 19（17）：3451-3456
［33］ Ma TZhou CPei Tet al. Quantitative estimation of urbanization dynamics using time series of DMSP/ OLS nighttime light data：a comparative case study from China's cities. Remote Sensing of Environment，2012124：99-107
［34］ Seto K CFragkias MGüneralp Bet al. A metaanalysis of global urban land expansion. PLoS ONE，20116（8）：e23777
Urban Expansion Extraction Using Landsat Series Data and DMSP/OLS Nighttime Light Data: A Case Study of Tianjin Area
CHAI BaohuiLI Peijun?ZHANG RuijieZHAO Peng
Institute of Remote Sensing and Geographical Information SystemSchool of Earth and Space SciencesPeking University，Beijing 100871；? Corresponding authorE-mail：pjli@pku.edu.cn
By taking Tianjin urban area as an examplea method is proposed to extract urban expansion by combining multi-temporal Landsat TM/ETM+ images and DMSP/OLS nighttime light dataand validated and analyzed. Firstthe candidate built-up area extent were obtained from DMSP/OLS data. Multitemporal Landsat TM/ETM+ images and derived multivariate textures of the obtained urban extent were classified to extract built-up areas for different dates. Urban expansions for different time intervals were obtained by post-classification comparison method. In additionthe thresholding method was applied to multitemporal DMSP/OLS nighttime light data to extract urban extents for different years and urban expansions of different time intervals were produced. The urban expansion results from DMSP/OLS data and urban statistical data were used to verify the Landsat TM/ETM+ results. The results demonstrate that the combination of Landsat data and DMSP/OLS data effectively reduce the spectral confusion between bare land and urban area and thus produce higher accuracy than useing spectral data from Landsat TM/TM+ images alone in extraction of urban built-up area expansion. Combination of Landsat TM/ETM+ data and DMSP/OLS nighttime light data provides an effective method for urban expansion extraction in mega-city areas.
urban expansion；Landsat TM/ETM+ images；DMSP/OLS nighttime light data；change detection；image classification
P627
國家自然科學基金（41371329）資助
2015-02-08；
2015-07-23；網絡出版日期：2016-03-18
猜你喜歡
利用min{a，b}的積分表示解決一類絕對值不等式中等數學(2022年2期)2022-06-05 07:10:50 利用倒推破難點中學生數理化·七年級數學人教版(2021年11期)2021-12-06 05:38:48 分類算一算數學小靈通(1-2年級)(2021年4期)2021-06-09 06:25:56 垃圾分類的困惑你有嗎大眾健康(2021年6期)2021-06-08 19:30:06 利用一半進行移多補少小學生學習指導(低年級)(2020年6期)2020-07-25 02:31:36 分類討論求坐標中學生數理化·七年級數學人教版(2019年4期)2019-05-20 10:06:32 利用數的分解來思考小學生學習指導(低年級)(2018年9期)2018-09-26 05:59:44 Roommate is necessary when far away from home瘋狂英語·新讀寫(2018年2期)2018-09-07 09:32:10 數據分析中的分類討論中學生數理化·七年級數學人教版(2018年6期)2018-06-26 08:36:06 教你一招：數的分類初中生世界·七年級(2017年9期)2017-10-13 22:27:46
柴寶惠 李培軍 張瑞潔 趙鵬北京大學地球與空間科學學院遙感與地理信息系統研究所北京100871； 通信作者E-mail：pjli@pku.edu.cn
?
基于Landsat數據和DMSP/OLS夜間燈光數據的城市擴展提?。阂蕴旖蚴袨槔?/p>
柴寶惠李培軍?張瑞潔趙鵬
北京大學地球與空間科學學院遙感與地理信息系統研究所北京100871；? 通信作者E-mail：pjli@pku.edu.cn
以天津市為例將多時相的Landsat TM/ETM+影像與DMSP/OLS夜間燈光數據結合起來提取城市建成區擴展信息并進行驗證和分析。首先利用DMSP/OLS夜間燈光數據得到城市建成區的大致范圍利用這個范圍內的Landsat TM/ETM+數據和多波段紋理進行圖像分類得到城市建成區的空間分布。然后利用分類后比較法得到城市建成區的變化信息將提取的建成區變化結果與利用 DMSP/OLS 數據得到的城市建成區擴展信息以及基于統計數據的城市建成區變化趨勢進行對比驗證方法的有效性。結果表明結合DMSP/OLS數據和 Landsat數據的光譜特征以及提取的多波段紋理特征可有效地減少裸土與城市建成區的混淆與只利用光譜信息的建成區提取及變化檢測相比得到更高的精度。因此結合 Landsat TM/ETM+數據和DMSP/OLS夜間燈光數據提供了一種進行大型城市建成區擴展檢測的有效方法。
城市擴展；Landsat TM/ETM+影像；DMSP/OLS夜間燈光數據；變化檢測；圖像分類
北京大學學報（自然科學版） 第52卷 第3期 2016年5月
Acta Scientiarum Naturalium Universitatis PekinensisVol. 52No.3（May 2016）doi：10.13209/j.0479-8023.2015.138
城市化水平是衡量一個國家和地區經濟、社會、文化、科技發展水平的重要標志而城市空間范圍的擴展是城市化的一個重要衡量指標。盡管城市區域只占地球表面很小的面積（約3%）然而其擴展變化對局地氣候、生態環境以及全球變化影響顯著［1］。
遙感是獲取城市范圍及其擴展信息的重要手段。國內外學者在利用遙感數據進行城市范圍提取和擴展研究方面開展了大量工作并且提出不少方法［2-4］。各種不同分辨率的圖像數據用于城市建成區的提取和變化分析［5-7］其中美國 Landsat系列衛星數據（MSSTMETM+和OLI）和美國軍事氣象衛星計劃（Defense Meteorological Satellite Program，DMSP）搭載的OLS （Operational Linescan System）傳感器提供的夜間燈光數據因獲取時間早（均自1972年開始獲取數據）、歷史數據豐富并免費開放獲取廣泛應用于城市范圍提取以及城市擴展研究［8-9］。
Landsat 系列衛星數據因其較高的空間分辨率（30
m）、較大的空間覆蓋范圍以及豐富的光譜信息和空間信息適合單個城市或區域城市范圍的提取和擴展分析［10］。但是利用 Landsat 系列數據進行城市建成區提取和擴展分析仍然存在許多問題。在30 m 分辨率尺度上城市內部不同地物類別（植被和人造地物）之間混合現象普遍導致混合像元大量存在。由于不同地物類別在像元尺度混合的比例在空間上變化顯著因此城市類別的光譜特征差異性很大［11］；同時城市類別與周圍的地物類別（如裸土）之間存在顯著的光譜特征相似性。這些因素給利用 Landsat 系列數據進行城市建成區的提取與變化分析帶來困難。因此只利用光譜信息提取城市建成區及探測城市擴展的精度有限。近年來不少研究者嘗試加入空間信息（如圖像紋理）以及綜合利用不同傳感器的數 據來改進城市建成區及其擴展信息的提取精度［12-14］。
DMSP/OLS 夜間燈光數據具有獨特的夜間低光探測能力和反映人類活動信息（尤其是城市區域的人類活動信息）的特點可以提供大范圍的城市用地信息因此廣泛應用于區域或全球尺度的城市范圍提取和變化分析研究［15-16］。但是夜間燈光數據的空間分辨率比較低（1km）并且存在溢出效應（overglow）［17-19］。
盡管Landsat TM/ETM+數據和DMSP/OLS夜間燈光數據提供了互補的信息但由于 DMSP/OLS夜間燈光數據的分辨率較低很少有研究者將夜間燈光數據與 Landsat TM/ETM+數據結合起來用于提取城市建成區范圍及擴展信息。許多研究利用DMSP/OLS 夜間燈光數據提取區域尺度的城市范圍并利用 Landsat TM/ETM+來驗證 DMSP/OLS夜間燈光數據的提取結果［15，20］。最近有研究利用DMSP/OLS夜間燈光數據對 Landsat 數據的城市提取結果進行后處理和優化進行區域城市擴展的提取和分析［21］但是后處理和優化的過程依賴于較高分辨率的 Landsat TM/ETM+數據的城市提取結果。本文的目的是結合 DMSP/OLS 夜間燈光數據和 Landsat TM/ETM+數據以及提取的多波段圖像紋理［12］提取城市擴展信息并進行比較分析。城市地區主要由具有不透水表面的建成區土地所組成。本文中城市建成區代表被特定的物理結構直接覆蓋的區域包括建筑物、街道和不透水層等一切人造結構［5，22］。
1 研究區及數據
1.1 研究區
本文以我國北方的超大城市天津市為研究區（圖 1）。天津市位于華北平原的東北部面積為11946.88 km2是中國第三大城市和直轄市區位優勢明顯。天津市是華北、西北廣大地區的出海口重要的國際港口城市以及生態城市是中國北方對內、對外開放兩個扇面的軸心是中國北方的經濟中心、環渤海地區經濟中心具有極其重要的社會、經濟、生態價值。由于經濟的快速發展天津市的城市范圍也顯著擴展。
1.2 數據及預處理
本文采用 LandsatTM/ETM+數據和 DMSP/ OLS夜間燈光數據提取和分析近 20年來天津市及其周邊的城市擴展信息。選取 1992 年7月、2001 年9月和2006年7月的Landsat TM/ETM+多光譜數據。上述3個時相的圖像數據的獲取時間均為夏季季相基本一致。同時選取天津地區上述3個年份的 DMSP/OLS 夜間燈光數據。此外本文還收集了天津市行政區圖和由《天津市統計年鑒》得到的3個年份的建成區面積統計數據。
首先對 3個年份的 Landsat TM/ETM+數據進行預處理。由于2001年的圖像有少量云霧覆蓋，對該圖像進行去霧霾處理（haze reduction）去除一部分薄云。對3個時相的TM/ETM+圖像進行幾何配準配準的均方根誤差（RMS）在0.4個像元以內。將3幅配準后的圖像均裁剪成為4435×2997像元大小裁剪后的圖像如圖2所示。該地區的主要地物類別包括建成區、農田、裸地、陸地水體、海洋、林地等 6類。對每個時相的 Landsat圖像分類所采用的訓練樣本和精度評價所用的檢驗樣本見表1。
由于DMSP/OLS傳感器沒有進行輻射校正，不同衛星的OLS燈光數據不能直接對比因此采用 Elvidge等［23］提出的相互校正（intercalibration）方法對不同衛星的 OLS燈光數據進行校正。為了便于對兩類圖像數據所得到的信息進行疊加與對比分析將夜間燈光數據重采樣為與 Landsat TM/ ETM+數據相同的30m像元大小并轉換為 UTM橢球坐標系統。天津地區 3個年份的 OLS夜間燈光圖像如圖3所示。
2 方法
本文的總體思路可以概括為：將 Landsat TM/ ETM+數據與DMSP/OLS數據結合起來提取多年的城市建成區范圍得到不同時間段的城市擴展情況。為了減少因裸土和城市建成區的光譜相似性導致的誤分首先利用 DMSP/OLS數據得到城市建成區的大致范圍并且利用這個范圍內的光譜數據以及圖像紋理信息提取城市建成區范圍。通過與只利用 Landsat TM/ETM+數據光譜信息和利用由DMSP/OLS 數據提取的建成區范圍和城市擴展信息以及統計數據中相應的建成區面積對比評價和驗證由 Landsat TM/ETM+數據得到的城市建成區擴展結果。總體流程如圖4所示。
表1 Landsat TM/ETM+圖像分類和精度評價所采用的樣本（像元數）Table1 Pixel numbers of the samples used in Landsat TM/ETM+ image classification and accuracy assessment
2.1 城市范圍提取與擴展檢測
本文采用分類后比較方法［24］從多時相數據提取城市擴展即首先分別對不同時相的圖像數據進行分類然后比較分類結果得到城市擴展結果。
盡管 Landsat TM/ETM+數據廣泛應用于城市范圍提取及擴展分析［10，13］但由于城市建成區光譜特征的復雜性［12］及與周圍地物類別（如裸土）的相似性只利用光譜信息來提取城市建成區范圍及擴展信息的精度有限因此將光譜信息與其他信息相結合是改進提取精度的重要策略［12-13］。為了改進基于 Landsat TM/ETM+數據的分類精度本文利用DMSP/OLS夜間燈光數據和紋理信息。利用燈光數據的目標是消除燈光區外裸土與城市建成區的混淆加入紋理信息是為了減少燈光區內裸土與建成區的混淆。
首先利用 DMSP/OLS 夜間燈光數據得到城市建成區的大致范圍然后對這個范圍內的 Landsat TM/ETM+圖像進行進一步分類。由于 DMSP/OLS夜間燈光數據反映的是人類活動的特征城市建成區和大型居民點等在 DMSP/OLS 夜間燈光圖像上具有較高的灰度值在圖像上表現為較亮的特征；裸土和植被等區域在 DMSP/OLS 夜間燈光圖像上的灰度值為零或很低在圖像上較暗。由于夜間燈光數據的分辨率不高范圍較小的村莊在圖像上基本上不顯示所以可以通過灰度的差異把城市區域與裸土和植被等區域區分開。因此采用一個較小的閾值從 DMSP/OLS 圖像上提取大致的城市區域。盡管由于 DMSP/OLS 燈光數據具有溢出效應，導致圖像上探測到的燈光區面積往往大于實際城市建成區范圍但對利用燈光數據提取的城市區域范圍內的Landsat TM/ETM+圖像進行分類可以消除燈光區域以外地區裸土與城市建成區的混淆在一定程度上改善分類精度。
為了減少燈光區范圍內的城市建成區與裸土的混淆將圖像的紋理特征與原始的光譜信息相結合進行地表覆蓋類別分類。由于城市建成區的光譜特征變異性大紋理特征比較顯著而裸土的光譜特征較均勻紋理特征并不明顯因此加入紋理信息可減少兩類地物間的混淆。
本文采用一種基于多元變差函數（multivariate variogram）的多波段紋理（multivariate texture）特征［12，25］。利用多波段紋理的一個優點是不需要進行波段選擇［12，25］即可以利用多光譜圖像的所有波段來計算圖像的紋理反映的是圖像灰度值的多元空間變化；而利用經典的單波段圖像紋理（如經典的基于灰度共現矩陣gray-level co-occurrence matrix，GLCM）［26］需要選擇一個合適的波段計算圖像紋理。多波段紋理特征成功地應用于地表覆蓋分類，尤其是城市地區的地表覆蓋分類［12，25］以及巖性識別和提?。?7］?；诙嘣儾詈瘮档亩嗖ǘ渭y理計算公式為
DN（x）是像元位置為x處的像元矢量DN（x+h）是像元位置為x+h處的像元矢量h是距離矢量；E是數學期望；M 為距離函數如歐氏距離、馬氏距離和光譜角距離等。本文采用光譜角距離來計算多元變差函數紋理特征因為該紋理在城市地區的地表覆蓋分類中的性能最好［12］?；诠庾V角距離的多元變差函數紋理計算公式為
其中dnk（x）是像元x的第k波段的灰度值dnk（x+h)是像元x+h的第k波段的灰度值p是圖像的波段數；N（h）是距離矢量為 h 的像元對數。多波段紋理計算中主要有兩個參數：窗口大小和距離矢量長度（步長）［12］本文通過試驗選出最佳參數。
為了有效地利用所得到的多波段紋理信息和光譜信息進行地表覆蓋分類本文采用支持向量機（SVM）作為分類算法得到不同年份的地表覆蓋分類圖。支持向量機是一種統計學習方法主要通過解算最優化問題在高維特征空問中尋找最優分類超平面解決分類問題可有效地處理小樣本和高維數據［28］。研究表明支持向量機方法能得到比最大似然法和決策樹等傳統分類方法更高的分類精度［28］。分類后將農田、裸地、陸地水體、海洋、林地等類別合并為“非城市”類這樣每個年份最終的分類結果只包括城市和非城市兩個類別。通過比較兩個不同年份的城市建成區提取結果得到相應時間段的城市建成區擴展信息。
2.2 結果評價與驗證方法
為了全面評價所提出的方法本文采用以下幾種方法。
1）比較本文提出的方法與只利用 Landsat TM/ ETM+光譜數據的城市范圍提取與變化檢測精度。通過選取檢驗樣本采用混淆矩陣計算分類精度及變化檢測精度。混淆矩陣通過逐像元比較分類結果與地表真實數據得到從中可計算總體分類精度、Kappa 系數和各類精度（生產者精度和用戶精度［29］。
2）采用閾值法從 DMSP/OLS夜間燈光數據提取城市建成區范圍以及城市擴展信息驗證本文提出的結合Landsat TM/ETM+數據與DMSP/OLS數據的城市范圍與擴展檢測方法。閾值法簡單容易操作并可在一定程度減少燈光的溢出問題［30-31］，是廣泛采用的城市建成區范圍提取方法［17，30-32］。通過對燈光影像設定不同的閾值將得到的建成區范圍與參考圖像中的城市范圍進行對比得到的建成區范圍與參考圖像最接近時的燈光數據閾值為最佳閾值［17］。本文采用從較高分辨率的 Landsat TM/ ETM+圖像提取的城市范圍作為參考數據。與已有研究［33］相同對多年的DMSP/OLS數據采用同樣的閾值提取城市范圍。在利用閾值法得到每個年份的城市建成區范圍之后通過比較不同年份的城市建成區范圍得到不同時間段的城市擴展情況。與Landsat TM/ETM+數據和 DMSP/OLS數據相結合得到的城市范圍與擴展檢測結果進行對比比較1992—2001年和2001—2006年兩個時間段的城市擴展區域分析城市隨著時間推移的空間分布變化信息。
3） 計算并比較不同方法得到的城市區域面積的年增長率。城市面積年增長率（annual growth rate，AGR）［34］表達城市在某一時段的面積變化情況計算公式為
研究時間跨度。本文分別對 Landsat TM/ETM+數據與燈光數據相結合所得結果、DMSP/OLS 夜間燈光數據所得結果及建成區面積統計數據計算 AGR，并做定量比較。
3 結果與討論
3.1 結合 Landsat TM/ETM+數據和 DMSP/ OLS數據的城市擴展結果
首先選取閾值為 15對 DMSP/OLS 數據提取3個時相天津市建成區的大致范圍。在結合紋理信息的分類中步長選為 1分別計算窗口大小為3×35×5和7×7的多波段紋理。通過試驗發現窗口大小為5×5時分類效果最好。對得到的城市建成區大致范圍內不同時間的 Landsat TM/ETM+圖像和相應的多波段紋理進行分類并合并后得到城市和非城市兩類。3個時相圖像的建成區提取精度見表2。
從表2可以看出與燈光數據結合的 3個時相圖像分類總體精度均在 93%以上Kappa 系數均在0.86以上顯著高于只利用Landsat TM/ETM+數據光譜信息的分類精度。例如在 1992 年的結果中，
表2 只利用Landsat TM/ETM+數據光譜信息以及本文方法的城市建成區提取精度Table 2 Accuracy assessment of Landsat TM/ETM+ image classification with and without DMSP/OLS nighttime light data and texture information
式中UEstart為在初始年份的城市面積范圍UEend為在末尾年份的城市面積范圍d 為以年為單位的總體精度（OA）從 87.11%提升到 94.51%Kappa 系數從 74.35%提升到 89.03%。從各類別的分類精度來看與只利用光譜數據的分類結果相比本文所提方法的結果中城市類別的用戶精度（UA）顯著提高生產者精度（PA）基本上保持不變；與此相對應，非城市類別的生產者精度顯著提高用戶精度基本不變。例如在1992年的分類結果中城市類別的用戶精度從 79.82%提高到 91.00%生產者精度均為 98.48%；非城市類別的生產者精度從 76.26%提高到 90.71%用戶精度基本上不變。這表明結合DMSP/OLS 夜間燈光數據和多波段紋理大大減少了非城市類別（裸土）與城市類別的混淆顯著提高了分類精度。
圖5為只利用 Landsat TM/ETM+數據光譜信息的分類結果與結合燈光數據和 Landsat TM/ETM+數據的分類結果的對比（以 1992 年圖像局部為例）。從圖5可以看出只利用Landsat TM/ETM+數據的光譜信息存在顯著的混淆（圖 5（b））；然而在結合了紋理信息和燈光數據的結果中（圖 5（c））燈光區域外裸土與建成區的混淆被消除。在燈光區內結合紋理信息的分類結果對裸土與建成區的混淆現象也有所減少（如圖 5（a）中紅圈區域在圖 5（b）中誤分為建成區的裸土區域在圖 5（c）中正確分為裸土），建成區范圍提取結果更加準確。其他兩個年份的結果與此相似。上述結果驗證了方法的有效性。
圖6為與燈光數據結合的分類結果。從圖6可看出天津市的范圍隨著時間變化顯著擴展：1992年時中心城區和濱海新區的面積均比較小且二者之間沒有明顯的連接區域；2001年分類結果顯示中心城區呈蔓延式擴展濱海新區已經顯著發展起來與中心城區顯示出互相連接的趨勢；2006年，中心城區進一步向周邊地區擴展濱海新區也有所擴大已經與中心城區沿著二者之間的海河連接帶明顯相連。
表3是只利用 Landsat TM/ETM+數據光譜信息與本文方法的城市擴展信息檢測精度評價對比。可以看出與只利用光譜數據的城市擴展檢測結果相比本文方法城市擴展檢測精度更高如 1992—2001 年的城市擴展檢測總體精度（OA）從 84.02%提高到88.40%Kappa系數從57.61%提高到67.33%；各類別的變化檢測精度也均有所提高。本文提出的方法在兩個時間間隔的城市變化檢測精度均為87%以上Kappa系數均大于67%。
圖7為結合3個時相的Landsat TM/ETM+數據和燈光數據得到的不同時間段天津的城市擴展結果。可以看出1992—2001年擴展的部分主要分布在天津市中心城區和濱海新區以二者為中心呈輻射式擴展并沿二者連接部分有一定擴展；2001—2006年中心城區和濱海新區進一步擴展呈現內部緊密擴展與外圍稀疏擴展相結合的趨勢。
表3 只利用Landsat TM/ETM+數據光譜信息以及本文所提出的方法的城市擴展檢測精度Table3Accuracy assessment of urban change detection with and without DMSP/OLS nighttime light data and texture information
3.2 結果對比
采用閾值法從 DMSP/OLS 數據提取不同時間的天津市城市范圍。通過試驗發現閾值為 60 的結果最好。圖8是由 DMSP/OLS 夜間燈光數據得到的不同時間段天津城市擴展情況。從圖8可以看出1992—2001年天津市主要圍繞中心城區和濱海新區擴展2001—2006 年在中心城區和濱海新區持續向外擴展的同時二者間的連接區域也逐漸加寬與結合燈光數據的Landsat TM/ETM+數據城市擴展提取結果一致。
表4是由 Landsat TM/ETM+數據結合燈光數據得到的建成區面積、由 DMSP/OLS 夜間燈光數據得到的建成區面積和建成區面積統計數據以及相應的年增長率。從年增長率來看利用本文提出方法提取的建成區面積年增長率與統計數據年增長率基本上一致由 DMSP/OLS 夜間燈光數據得到的城市年增長率則均偏大這可能是由 DMSP/OLS夜間燈光數據溢出效應導致的。我們可以看到由Landsat TM/ETM+數據結合燈光數據得到的建成區面積、DMSP/OLS 夜間燈光數據得到的建成區面積和建成區面積統計數據三者反映的城市擴展趨勢是一致的即 2001—2006 年的城市年增長率均高于 1992—2001 年表明 2001—2006 年城市的加速擴展。這些結果說明結合 Landsat TM/ETM+數據和燈光數據所得到的 1992—2006 年天津市城市范圍變化是可信的。從建成區面積來看本文提出的方法以及由燈光數據得到的城市建成區面積均高于建成區面積統計數據原因可能為建成區面積統計數據統計的只是市區面積本文方法提取的建成區以及夜間燈光數據提取的建成區包括天津市轄區范圍內的縣和鎮即大的居民點。
前面的分析驗證了本文提出方法的有效性。因此雖然本文以天津市為研究區但結合 Landsat TM/ETM+數據與 DMSP/OLS 夜間燈光數據的方法可以應用于其他大型城市建成區范圍提取和擴展檢測的研究中。
4 結論
表4 由Landsat TM/ETM+數據結合燈光數據得到的建成區面積、由DMSP/OLS夜間燈光數據得到的建成區面積和建成區面積統計數據以及相應的年增長率Table4 Areasexpansion areas and AGRs derived from Landsat TM/ETM+ data combining with DMSP/OLS nighttime light dataDMSP/OLS nighttime light data and urban built-up area data
本文將多時相的 Landsat TM/ETM+數據與DMSP/OLS夜間燈光數據相結合提取天津市的城市范圍與擴展信息并對結果進行了對比。結果表明與只利用 Landsat TM/ETM+的光譜數據相比，利用夜間燈光數據并加入多波段的圖像紋理可減少裸土與建成區的混淆情況有效提高城市建成區提取精度和擴展檢測的精度。通過與只利用 Landsat TM/ETM+數據光譜信息和利用 DMSP/OLS 夜間燈光數據提取結果及建成區面積統計數據對比，驗證了本文所提出方法的有效性。對天津地區來說1992—2006 年城市建成區面積逐漸增加且在大致 2000 年之后擴展速率明顯加快。從空間分布來看城市建成區的擴展主要分布在中心城區、濱海新區以及二者之間的連接地區。因此綜合利用Landsat TM/ETM+數據和DMSP/OLS夜間燈光數據提取和分析城市擴展可得到可靠的城市建成區擴展趨勢是一種大型城市建成區范圍提取和擴展信息研究的有效方法。
［1］ Small C. High spatial resolution spectral mixture analysis of urban reflectance. Remote Sensing of Environment200388（1）：170-186
［2］ Lu DWeng Q. Use of impervious surface in urban land-use classification. Remote Sensing of Environment2006102（2）：146-160
［3］ 龍玄耀李培軍. 基于圖像分割的城市變化檢測.地球信息科學200810（1）：121-127
［4］ Acqua F DGamba P. Texture-based characterization of urban environments on satellite SAR images. IEEE Transactions on Geoscience and Remote Sensing，200341（1）：153-159
［5］ Taubenb?ck HEsch TFelbier Aet al. Monitoring urbanization in mega cities from space. Remote Sensing of Environment2012117：162-176
［6］ Schneider AFriedl M APotere D. Mapping global urban areas using MODIS 500-m data：new methods and datasets based on “urban ecoregions”. Remote Sensing of Environment2010114（8）：1733-1746
［7］ Pu RLandry SYu Q. Object-based urban detailed land cover classification with high spatial resolution IKONOS imagery. International Journal of Remote Sensing201132（12）：3285-3308
［8］ 李旭文. 主成分變換和彩色變換在 TM圖像信息提取中的應用：以蘇州市為例. 環境遙感19927（4）：251-260
［9］ Elvidge C DSafran JTuttle Bet al. Potential for global mapping of development via a nightsat mission. Geojournal200769：45-53
［10］ 戴昌達唐伶俐陳剛等. 衛星遙感監測城市擴展與環境變化的研究. 環境遙感199510（1）：1-8
［11］ Small CLu J. Estimation and vicarious validation of urban vegetation abundance by spectral mixture analysis. Remote Sens Environ2006100：441-456
［12］ Zhang JLi PWang J. Urban built-up area extraction from Landsat TM/ETM+ images using spectral information and multivariate texture. Remote Sensing，20146（8）：7339-7359
［13］ Zhang QWang JPeng Xet al. Urban built-up land change detection with road density and spectral information from multi-temporal Landsat TM data. International Journal of Remote Sensing2002，23（15）：3057-3078
［14］ Griffiths PHostert PGruebner Oet al. Mapping megacity growth with multi-sensor data. Remote Sensing of Environment2010114：426-439
［15］ Gallo K PElvidge C DYang Let al. Trends in night-time city lights and vegetation indices associated with urbanization within the conterminous USA. International Journal of Remote Sensing2004，25（10）：2003-2007
［16］ Elvidge C DImhoff M LBaugh K Eet al. Nighttime lights of the world：1994-1995. ISPRS Journal of Photogrammetry and Remote Sensing200156（2）：81-99
［17］ Imhoff M LLawrence W TElvidge C Det al. Using nighttime DMSP/OLS images of city lights to estimate the impact of urban land use on soil resources in the United States. Remote Sensing of Environment，199759（1）：105-117
［18］ Small CPozzi FElvidge C D. Spatial analysis of global urban extent from DMSP-OLS night lights. Remote Sensing of Environment200596：277-291
［19］ Welch R. Monitoring urban population and energy utilization patterns from satellite data. Remote Sensing of Environment19809（1）：1-9
［20］ Liu ZHe CZhang Qet al. Extracting the dynamics of urban expansion in China using DMSP-OLS nighttime light data. Landscape and Urban Planning，2012106（1）：62-72
［21］ 陳征胡德勇曾文華等. 基于 TM 圖像和夜間燈光數據的區域城鎮擴張監測：以浙江省為例. 國土資源遙感201426（1）：83-89
［22］ Bagan HYamagata Y. Landsat analysis of urban growth：how Tokyo became the world's largest megacity during the last 40 years. Remote Sensing of Environment2012127：210-222
［23］ Elvidge C DZiskin DBaugh K Eet al. A fifteen year record of global natural gas flaring derived from satellite data. Energies20092（3）：595-622
［24］ Singh A. Digital change detection techniques using remotely-sensed data. International Journal of Remote Sensing198910（6）：989-1003
［25］ Li PCheng TGuo J. Multivariate image texture by multivariate variogram for multispectral image classification. Photogrammetric Engineering & Remote Sensing200975（2）：147-157
［26］ Haralick R MShanmugan KDinstein I. Textural features for image classification. IEEE Transactions on SystemsMan and Cybernetics，19733（6）：610-621
［27］ Li PYu HCheng T. Lithologic mapping using ASTER imagery and multivariate texture. Canadian Journal of Remote Sensing200935：S117-S125
［28］ Huang C. An assessment of support vector machines for land cover classification. International Journal of Remote Sensing200223（4）：725-749
［29］ Congalton R GGreen K. Assessing the accuracy of remotely sensed data：principles and practices. Boca Raton：Taylor & Francis1998
［30］ Henderson MYeh E TGong Pet al. Validation of urban boundaries derived from global night-time satellite imagery. International Journal of Remote Sensing200324（3）：595-609
［31］ Milesi C EChristopher DNemani R Ret al. Assessing the environmental impacts of human settlements using satellite data. Management of Environmental Quality200314（1）：99-107
［32］ Owen T W. Using DMSP-OLS light frequency data to categorize urban environments associated with US climate observing stations. International Journal of Remote Sensing1998. 19（17）：3451-3456
［33］ Ma TZhou CPei Tet al. Quantitative estimation of urbanization dynamics using time series of DMSP/ OLS nighttime light data：a comparative case study from China's cities. Remote Sensing of Environment，2012124：99-107
［34］ Seto K CFragkias MGüneralp Bet al. A metaanalysis of global urban land expansion. PLoS ONE，20116（8）：e23777
Urban Expansion Extraction Using Landsat Series Data and DMSP/OLS Nighttime Light Data: A Case Study of Tianjin Area
CHAI BaohuiLI Peijun?ZHANG RuijieZHAO Peng
Institute of Remote Sensing and Geographical Information SystemSchool of Earth and Space SciencesPeking University，Beijing 100871；? Corresponding authorE-mail：pjli@pku.edu.cn
By taking Tianjin urban area as an examplea method is proposed to extract urban expansion by combining multi-temporal Landsat TM/ETM+ images and DMSP/OLS nighttime light dataand validated and analyzed. Firstthe candidate built-up area extent were obtained from DMSP/OLS data. Multitemporal Landsat TM/ETM+ images and derived multivariate textures of the obtained urban extent were classified to extract built-up areas for different dates. Urban expansions for different time intervals were obtained by post-classification comparison method. In additionthe thresholding method was applied to multitemporal DMSP/OLS nighttime light data to extract urban extents for different years and urban expansions of different time intervals were produced. The urban expansion results from DMSP/OLS data and urban statistical data were used to verify the Landsat TM/ETM+ results. The results demonstrate that the combination of Landsat data and DMSP/OLS data effectively reduce the spectral confusion between bare land and urban area and thus produce higher accuracy than useing spectral data from Landsat TM/TM+ images alone in extraction of urban built-up area expansion. Combination of Landsat TM/ETM+ data and DMSP/OLS nighttime light data provides an effective method for urban expansion extraction in mega-city areas.
urban expansion；Landsat TM/ETM+ images；DMSP/OLS nighttime light data；change detection；image classification
P627
國家自然科學基金（41371329）資助
2015-02-08；
2015-07-23；網絡出版日期：2016-03-18
猜你喜歡
中等數學(2022年2期)2022-06-05 07:10:50
中學生數理化·七年級數學人教版(2021年11期)2021-12-06 05:38:48
數學小靈通(1-2年級)(2021年4期)2021-06-09 06:25:56
大眾健康(2021年6期)2021-06-08 19:30:06
小學生學習指導(低年級)(2020年6期)2020-07-25 02:31:36
中學生數理化·七年級數學人教版(2019年4期)2019-05-20 10:06:32
小學生學習指導(低年級)(2018年9期)2018-09-26 05:59:44
瘋狂英語·新讀寫(2018年2期)2018-09-07 09:32:10
中學生數理化·七年級數學人教版(2018年6期)2018-06-26 08:36:06
初中生世界·七年級(2017年9期)2017-10-13 22:27:46
