国土资源遥感, 2019, 31(4): 227-234 doi: 10.6046/gtzyyg.2019.04.29

技术应用

基于Sentinel-2A与NPP-VIIRS夜间灯光数据的城市建成区提取

刘智丽1, 张启斌1, 岳德鹏,1, 郝玉光2, 苏凯1

1. 北京林业大学林学院,北京 100083

2. 中国林业科学研究院沙漠林业实验中心,巴彦淖尔 015200

Extraction of urban built-up areas based on Sentinel-2Aand NPP-VIIRS nighttime light data

LIU Zhili1, ZHANG Qibin1, YUE Depeng,1, HAO Yuguang2, SU Kai1

1. College of Forestry, Beijing Forestry University, Beijing 100083, China

2. Experimental Center of Desert Forestry, Chinese Academy of Forestry, Bayannur 015200, China

通讯作者: 岳德鹏(1963-),男,博士,教授,主要从事3S技术在资源环境中的应用研究。Email:yuedepeng@126.com。

责任编辑: 张仙

收稿日期: 2018-09-20   修回日期: 2018-11-27   网络出版日期: 2019-12-15

基金资助: 中央级公益性科研院所基本科研业务费专项资金项目“干旱区荒漠化治理效益与生态安全格局构建技术研究”.  CAFYBB2017MB026
国家自然科学基金项目“荒漠绿洲区景观格局与生态水文耦合及调控”共同资助.  41371189

Received: 2018-09-20   Revised: 2018-11-27   Online: 2019-12-15

作者简介 About authors

刘智丽(1998-),女,硕士研究生,主要从事3S技术在资源环境中的应用研究。Email:seeitomorrow@163.com。 。

摘要

利用夜间灯光数据(nighttime light data,NTL)与光学遥感影像提取城市建成区是当今的一个研究热点,其中基于植被校正的城市夜间灯光指数(vegetation adjusted NTL urban index,VANUI)被学者广泛利用,但它容易混淆城市边缘的建筑、水体,空间分辨率较低。对VANUI做出改进,提出基于建筑校正的城市夜间灯光指数(building adjusted NTL urban index,BANUI)。利用该指数对包头市南部的城市建成区进行提取,首先,借助Sentinel-2A遥感影像数据提取研究区的归一化建筑指数; 然后,将其与NTL数据结合得到BANUI(空间分辨率为20 m),并由此得到空间分辨率更高、建筑信息更丰富的BANUI图像; 最后,利用分水岭分割算法从BANUI,VANUI和NTL中提取出城市建成区并进行对比。结果表明,由BANUI提取的城市建成区总体精度可达93.61%,Kappa系数为0.793 4,用户精度为81.34%,生产者精度为85.34%,提取结果与实际城市建成区的分布较吻合、提取精度较高,且优于另外2种数据。此方法可为NTL在城市建成区提取的研究中提供参考意见,也可用于对城市规划发展的监测。

关键词： 夜间灯光数据 ; Sentinel-2A数据 ; 城市建成区 ; BANUI ; 分水岭分割算法

Abstract

Recently, the utilization of nighttime light data and optical remote sensing images to extract urban built-up areas has become a research hotspot, and the vegetation adjusted nighttime light data (NTL) urban index (VANUI) is widely used. However, it may easily lead to confusion of buildings and water bodies at the edge of the city, and the spatial resolution is relatively low. Therefore, some improvements were made on this index in this paper, and the building adjusted NTL urban index was proposed. The means was used to extract urban built-up areas in Baotou City in this paper. Firstly, normalized difference build-up index (NDBI) was extracted from Sentinel-2A image data and it was combined with NTL to obtain building adjusted NTL urban index BANUI with the spatial resolution of 20 m, which has higher spatial resolution and more information about the building. Finally, the watershed segmentation algorithm was applied to the extraction of urban built-up area of Baotou City from BANUI, VANUI and NTL, and the results were comparatively studied. The extraction results show that the overall precision of the urban built-up area extracted by BANUI could reach 93.61%, the Kappa coefficient is 0.793 4, the user accuracy is 81.34%, and the producer accuracy is 85.34%. The extraction results are consistent with the distribution of actual urban built-up area, and the accuracy is high. The result is better than the area extracted by the other two kinds of data. This method could provide some reference for the study of the extraction of urban built-up area from NTL, and could also be used to monitor the development of urban planning.

Keywords： nighttime light data ; Sentinel-2A data ; urban built-up area ; BANUI ; watershed segmentation

PDF (4232KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

刘智丽, 张启斌, 岳德鹏, 郝玉光, 苏凯. 基于Sentinel-2A与NPP-VIIRS夜间灯光数据的城市建成区提取. 国土资源遥感[J], 2019, 31(4): 227-234 doi:10.6046/gtzyyg.2019.04.29

LIU Zhili, ZHANG Qibin, YUE Depeng, HAO Yuguang, SU Kai. Extraction of urban built-up areas based on Sentinel-2Aand NPP-VIIRS nighttime light data. REMOTE SENSING FOR LAND & RESOURCES[J], 2019, 31(4): 227-234 doi:10.6046/gtzyyg.2019.04.29

0 引言

近年来,中国的城市化水平大幅度提升。经国家统计局统计(http: //www.stats.gov.cn/tjsj/),2017年中国的城市化率已达58.52%,相比2010年增长了11.93%。然而快速城市化在提升人类生活水平的同时,也给城市带来了一系列环境及社会问题,如生态恶化、热岛效应、环境污染、交通拥挤等[1]。城市建成区是一片具有建成环境的连续区域,包括城市用地(道路、建筑及工业设施)及其周边的生态用地(公园绿地、行道树、水体等),作为衡量城市发展的一个重要指标,其范围及空间分布不仅可以反映城市发展的规模及趋势,如城市扩张水平、人口密度等[2],还对城市发展规划起着重要作用。因此,对城市建成区的提取得到越来越多的关注[3]。

随着遥感技术的不断发展,城市建成区提取的自动化程度与精度都在不断提升[4,5]。夜间灯光数据(nighttime light data,NTL)能够直接反映城市建成区的夜间亮度,分布连续[6],但受城市边缘亮度影响较大,因而提取准确度不高。因此,许多研究将NTL与光学遥感影像结合起来提取城市建成区,例如Zhang等[7]将NTL与归一化植被指数(normalized difference vegetation index,NDVI)相结合,得出基于植被校正的城市夜间灯光指数(vegetation adjusted NTL urban index,VANUI),有效丰富了城市边缘信息[8],但VANUI会放大水体的反射率,混淆城市边缘地带的水体与城市建成区,且空间分辨率不够高,提取结果仍无法满足更高精度的研究需求。

欧洲航天局发射的Sentinel-2A光学遥感卫星覆盖了可见光、近红外以及短波红外范围内的13个波段,空间分辨率最高可达10 m[9],能够准确识别城市建成区的边界,可为城市边界提取提供良好的数据支持。但目前将Sentinel-2A数据应用于城市建成区识别、提取的研究较少,因此,本文对VANUI指数加以改进,基于Sentinel-2A与NTL数据提出基于建筑校正的城市夜间灯光指数(building adjusted NTL urban index,BANUI),以包头市南部为研究区,进行城市建成区的提取。

1 研究区概况与数据源

1.1 研究区概况

包头市位于内蒙古自治区中西部,总面积约为27 768 km2,平均海拔为2 000 m,中部地势较高,由中部向南北两侧地势逐渐变低,横贯其中部的阴山山脉将包头市分成中部山区、北部高原草场与南部平原地区3个部分,其中南部地区包括包头市中心城区与土默特右旗。近年来,包头市经济发展迅速,南部平原地区城市规模不断扩张,在2000—2016年间,包头市城区面积增长了71.10%。但当地气候干燥、地形起伏较大,生态环境脆弱,而城市的不断扩张又加剧了对生态环境的破坏,由此引发了一系列环境问题。包头市南部地区聚集了全市89.69%的人口,城市分布密集,具备进行城市建成区遥感监测的基础,而中部和北部地区大多为高原山地和草原,人口稀疏、城市数量屈指可数,缺乏城市遥感监测的条件,因此将包头市南部平原地区作为本次研究的研究区(图1)。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   研究区遥感影像

Fig.1   Image of study area


1.2 数据源

本文所使用的数据有Sentinel-2A遥感影像数据、NPP-VIIRS NTL数据以及研究区2016年土地利用数据。遥感影像选用处理后的2016年6月份研究区Sentinel-2A Level-2A数据,来源于欧洲航天局网站(https: //scihub.copernicus.eu/),经Sen2Cor模型处理,包含12个波段。

目前使用较多的NTL数据有DMSP-OLS和NPP-VIIRS 2种,其中,NPP-VIIRS数据的空间、时间分辨率都比较高,并已经过辐射定标,更适宜应用于分析与研究[12]。因此,本文选用2016年6月份包头NPP-VIIRS数据,下载自美国国家海洋大气局网站(https: //www.ngdc.noaa.gov/eog/viirs/download_dnb_composites.html)。数据预处理时将亮度值小于0的异常像元赋值为0。

研究区2016年土地利用调查数据来源于包头市环境保护局,但其中缺少城市建成区的地面实况数据,因此基于此数据通过手动标注来获取城市建成区的范围,作为本次研究的验证数据。

本文中使用的所有地理空间数据投影均为WGS1984 UTM投影。

2 研究方法

2.1 技术路线

本文提出BANUI指数用于研究区城市建成区的提取。首先,基于Sentinel-2A数据得到研究区的归一化建筑指数(normalized difference build-up index,NDBI),将其与NPP-VIIRS数据结合得到BANUI数据; 然后,基于BANUI利用分水岭分割算法提取包头市城市建成区; 最后,对提取结果进行对比分析和精度验证。技术路线如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   技术路线

Fig.2   Technology roadmap


2.2 VANUI

为了将城市与农村更好地区分开来,增大两者亮度值的差异,Zhang等[14]根据DMSP/OLS数据与NDVI提出VANUI指数,计算公式为

VANUI=(1-NDVI)NTL,

式中NDVI为归一化植被指数。当VANUI接近0时,区域植被覆盖较好; VANUI的值较大时,植被相对稀疏。但是计算NDVI时使用的MODIS数据空间分辨率仅为500 m,NTL数据中的细节信息无法加以利用; 且在VANUI中,非植被覆盖地区的亮度值会被过度放大,水体反射与其他异常亮度点也会对提取精度有所影响。

2.3 BANUI

2.3.1 NDBI的提取

由TM影像中提取的NDBI可以准确描述城市建筑用地信息,计算公式为

NDBI=TM5-TM4TM5+TM4,

式中TM4和TM5分别为TM影像的近红外和短波红外波段的反射率。一般情况下,NDBI=0时,为耕地或林地; NDBI<0时,为水体; NDBI>0时,为建筑用地。

处理后的Sentinel-2A数据包含12个波段,不同波段的组合会导致城市建成区范围有所差异,因此分析不同地类(建筑、植被、水体、未利用地)上的光谱特征并确定最佳波段组合具有重要意义。本文利用感兴趣区(region of interest,ROI)工具选取研究区各地类的代表性像元,并利用ArcGIS10.2软件进行分区统计,结果如图3所示。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   Sentinel-2A数据各波段的平均亮度值

Fig.3   Mean brightness of each band in Sentinel-2A


参照式(2)中所使用波段的波长,本文从Sentinel-2A数据的第8、第11与第12波段中选出合适的波段进行组合。由图3可知,在第11和12波段上,建筑用地的像元亮度值较高,水体和植被的亮度值远小于建筑用地; 在第8波段上,植被的亮度值达到极值,水体与建筑的亮度值相对较小; 在第11、第8波段或第12、第8波段的亮度差值中,建筑为正数,植被为负数,水体为接近于0的负值。利用这3个波段的组合构建了2个NDBI,分别记作NDBI11和NDBI12,公式为

NDBI11=S11-S8S11+S8,
NDBI12=S12-S8S12+S8,

式中: S8,S11,S12分别为Sentinel-2A数据中第8、第11与第12波段的反射率。

为了直观地对比NDBI11与NDBI12在不同地物上的表达差异,选取涵盖了建筑、植被、水体与未利用地4种类型的矩形区域,并截取对应的NDBI图像,结果如图4所示。图4显示,NDBI11和NDBI12都能够较好地反映建筑用地的范围,建筑的亮度值明显高于图中其他2种地类,水体的亮度值在图中并不高,植被的亮度值也明显低于建筑,且植被覆盖程度越高的地方亮度值越低。此外,2幅图植被亮度差异不明显,NDBI12中建筑的亮度略高,因此NDBI12中建筑与植被更容易区分; 但NDBI12中水体的DN值略高于NDBI11的水体,这在一定程度上会干扰建筑用地的提取。为定量分析2种波段组合所获取的NDBI的优劣,本文计算出各种地类的NDBI概率分布并绘制其正态分布曲线,结果如图5所示。由图5可知,2幅图中建筑用地的NDBI值最高,水体次之,植被的NDBI值最低,其值远小于0。2幅图像中建筑用地与植被的差别都比较明显,但在图5(b)中,建筑与水体有较多重叠区域,此外建筑用地与未利用地在2幅图中都难以区分。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   NDBI11和NDBI12的代表性区域

Fig.4   Representative areas of NDBI11 and NDBI12


图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   不同地类在NDBI中的概率分布及其正态分布曲线

Fig.5   Probability distribution and normal distribution curves of different land types in NDBI


基于上图中正态分布曲线以及色谱分离分析理论可以计算建筑与其余各种地类之间的分离度R,目前该指数被广泛应用于色谱柱中2个相邻元素间分离程度的计算。一般当R<1时,2波峰有部分重叠; R=1时,其分离程度可达98%; R=1.5时,分离程度接近99.7%,此时2个相邻元素完全分离; R=2时,2波峰从基线起就完全分离。通常情况下,利用色谱峰的保留时间以及基线上的峰宽可计算分离度R,本文则借助各地类正态曲线峰值所对应的NDBI值计算分离度,公式为

R=BR1-BR212(W1+W2),

式中: BR1和BR2分别为2条正态曲线的峰值所在NDBI的值; W1和W2分别为2条正态曲线在基线上的峰宽。计算结果如表1所示。

表1   NDBI11与NDBI12中建筑与各地类之间的分离度R

Tab.1  R between buildings and the other land types in NDBI11 and NDBI12

类别植被水体未利用地
NDBI11建筑2.061.640.03
NDBI12建筑2.470.560.24

新窗口打开| 下载CSV


由表1计算结果可知,建筑与植被的分离度均大于2,表明2种地类的正态曲线完全分离,在NDBI中差异明显,但NDBI12中两者的分离度更高; 建筑与水体在NDBI11中的分离度高于NDBI12中的分离度,因此NDBI11中建筑与水体差别明显; 建筑与未利用地的分离度都比较低、不易区分。由此可以推断,除了建筑与未利用地,其他地类信息在NDBI11中都得到了不同程度的抑制,而NDBI12对水体信息的抑制作用并不明显,NDBI11与NTL数据的结合可以有效消除噪声的影响、并增强建筑信息的表达。因此本文选择Sentinel-2A数据中第8波段和第11波段来提取NDBI。

2.3.2 BANUI的提取

在VANUI中,水体的值相对偏离正常范围,且空间分辨率较低。为解决这一问题,本文利用NDBI与NPP-VIIRS数据构建了BANUI指数,公式为

BANUI=(1+NDBI)VNTL,

式中VNTL为NPP-VIIRS数据的亮度值。经过重采样后的NPP-VIIRS数据的空间分辨率为20 m,最终BANUI的分辨率同样为20 m。为检验BANUI的提取效果,同样利用Sentinel-2A与NPP-VIIRS数据计算得到VANUI,其空间分辨率为10 m。

选取E109.35°~110.85°范围内一横截面,该横截面可以最大程度地经过包头市南部城市建成区,信息丰富,基于此可检验BANUI中建筑信息的表达。横截面上VANUI与BANUI的值如图6所示。由图6可知,两者变化趋势比较相似; 横截面经过包头市一公园,公园内部植被覆盖度较高,且因NDVI对植被更敏感,导致VANUI的值要比BANUI更低些。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   横截面上VANUI与BANUI的值

Fig.6   Values of VANUI and BANUI on the cross section


表2数据为研究区内VANUI和BANUI的像元亮度值范围、像元亮度均值、像元亮度值标准差,以及水体、植被、建筑的像元亮度均值。由于未利用地距离城区较远,其面积只有153.47 km2(研究区总面积为4 965.78 km2),对于城市建成区的提取影响甚微,因此未利用地的数据并未包含在其中。

表2   VANUI和BANUI的统计数据

Tab.2  Statistical data of VANUI and BANUI

指数像元亮度值范围像元亮度均值像元亮度值标准差水体像元亮度均值植被像元亮度均值建筑像元亮度均值
VANUI343.701.618.042.120.0131.51
BANUI389.012.069.741.770.0138.97

新窗口打开| 下载CSV


从表2可以看出,BANUI像元亮度值覆盖范围较广、标准差更高,其变化幅度更大,所涵盖的信息更多; 水体在BANUI中的像元亮度均值较低,建筑在BANUI中的像元亮度均值较高,表明BANUI更好地凸显了建筑信息。

图7为包头市城市建成区边缘地带,包含了水体、植被以及连续分布建筑等信息,因此将其作为检验BANUI区分建筑用地效果的典型区域。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   典型区域

Fig.7   Typical area


该区域水体、建筑、植被的概率分布以及正态分布情况如图8所示。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8   典型区域内不同地类在VANUI与BANUI中的概率分布及正态分布曲线

Fig.8   Probability distribution and normal distribution curves of different land types of VANUI and BANUI in the typical area


图8显示,BANUI中建筑与植被的像元亮度值要高于VANUI中建筑与植被的亮度值,水体的亮度值在两幅图像中相差不大,导致图8(b)中建筑与水体距离更远,二者更容易区分。

计算VANUI和BANUI中建筑与其他地类的分离度,结果显示,建筑与植被的分离度都超过了1.5(1.76和1.52); 而BANUI中建筑与水体的分离度(0.63)明显高于VANUI中二者的分离度(0.29),表明BANUI相比VANUI能够更好地将建筑与水体区分开来。由此可见,BANUI可以丰富NPP-VIIRS的信息、更好地抑制水体反射造成的影响,并增强建筑信息的表达,因此将其视作提取城市建成区的有效数据。

2.4 分水岭分割算法

为检验BANUI在城市建成区提取应用中的优势,本文利用分水岭分割算法从NPP-VIIRS与VANUI数据中提取城市建成区。

分水岭分割算法是一种基于区域进行影像分割的有效方法,可用于城市建成区范围的提取[15]。BANUI数据的像元被视作地形表面,每个像元的亮度值为地形表面上相应像元的高程值,亮度值高的像元为高地,亮度值低的像元为低地,城市建成区的边界为地形中集水盆地的边界即分水岭[16]。

主要步骤如下: ①首先,对影像进行平滑处理,去除BANUI影像中椒盐噪声的影响,自适应加权中值滤波方法可在去除噪声的同时保留更多信息,而高斯滤波、中值滤波等常用方法则无法满足这一需求; ②利用形态重构提高影像中同类物体的同质性,并降低不同物体之间的异质性,由此得到形态重构影像; ③计算影像的形态梯度,通常情况下像元亮度值变化程度较高的地区,影像梯度较大; ④借助形态重构影像求得局部极大值并标记为前景对象,通过欧氏距离倒数法标记背景影像; ⑤利用分水岭分割算法划分标有前景与背景对象的待处理影像,提取出城市建成区。

2.5 对比分析与精度验证

为了检验本文提取城市建成区所采取方法的有效性,选取包头市2016年的土地利用调查数据作为对照,通过人机交互方式在其基础上绘制出城市建成区的范围作为验证数据,此范围具有高精度、连续性高等特点。

通过实验结果与验证数据之间逐像元的对比建立混淆矩阵,进而计算总体精度、Kappa系数、生产者精度和用户精度等指标进行精度检验[17]。此外,需借助景观指数来描述结果空间结构上的特征,包括总面积(total area,TA)、景观形状指数(landscape shape index,LSI)和聚集指数(aggregation index,AI)等。

LSI可衡量整个景观的形状与面积相同的正方形或圆形之间的偏差程度,以此来表示该景观整体形态的复杂程度[18],取值范围为[1,+∞)。LSI值越大,该景观形状与正方形的偏差越大。公式为

LSI=0.25EA,

式中: 0.25为正方形校正常数; E为景观中所有斑块的边缘总长度,100 m; A为景观总面积,hm2。

AI表示景观内部斑块之间相临的格网单元数目与在这些数中的最大值的比值,它反映了景观的聚集程度与连续性[19]。公式为

AI=gimaxgi×100%,

式中gi为景观内斑块i相邻的格网单元数。AI的取值范围为(0,100%],当景观内部斑块无限分散时,AI的值趋向于0; 随着斑块的逐渐集聚,AI的值也随之增加。

3 成果分析与检验

3.1 提取结果

利用分水岭分割算法由不同数据中提取的城市建成区(图9)。由图9可知,利从BANUI中提取的城市建成区与验证数据相似度较高,而从VANUI和NPP-VIIRS中提取的城市建成区相比于验证数据范围较大。由BANUI中提取的城市建成区包括城市用地,以及水体、公园等其他地类,空间分布连续、成分完整,与上文对城市建成区的定义相吻合。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9   由不同数据提取的城市建成区

Fig.9   Extracted urban built-up areas from different data


3.2 对比分析与精度验证

通过上文所述精度验证方法得到不同数据的提取精度,如图10所示。从图10可以看出,由BANUI提取出的城市建成区总体精度最高,为93.61%,Kappa系数为0.793 4,城市建成区的生产者精度与用户精度分别为85.34%和81.34%,总体上提取的精度较高; VANUI位列其次,NPP-VIIRS精度最低。

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10   不同数据源提取的城市建成区的精度对比

Fig.10   Accuracy comparison of urban built-up areas extracted by different data sources


表3为不同数据源提取的城市建成区景观格局指数对比,其中,TA.Diff,LSI.Diff,AI.Diff分别表示TA,LSI,AI与验证数据的误差。由表4可知,BANUI提取结果的景观指数与验证数据十分接近,提取的城市建成区总面积比验证数据多了4.91%,LSI和AI的差距也较小,提取效果最佳; 而其余2个数据源所提取结果与验证数据相差较大,面积分别多出了24.12%和16.55%,精度较低。

表3   不同数据源提取的城市建成区景观格局指数对比

Tab.3  Comparison of landscape pattern indexes of urban built-up areas extracted by different data sources

数据TA/km2TA.Diff/%LSILSI.Diff/%AI/%AI.Diff/%
NPP-
VIIRS		1 149.0124.123.7328.1791.68-3.62
VANUI1 079.0016.553.3916.4998.353.39
BANUI971.254.912.43-16.4997.662.66
验证数据925.7502.91095.130

新窗口打开| 下载CSV


4 结论

1)基于Sentinel-2A与NPP-VIIRS数据,对传统的VANUI进行改进,提出了用于提取城市建成区的BANUI指数。

2)通过对Sentinel-2A数据各个波段的特征进行分析,选择Sentinel-2A影像的第8和第11波段计算研究区NDBI,从而构建BANUI指数

3)实验结果表明,由BANUI所提取的研究区城市建成区的面积为971.25 km2,相比验证数据仅相差4.91%,总体精度高达93.61%,Kappa系数为0.793 4,明显优于由VANUI和NPP-VIIRS数据的提取结果。

4)BANUI在城市建成区的提取上具有结果完整、覆盖范围广、提取精度高等优点,应用前景广阔,可为进一步研究NTL数据对城市建成区的提取提供思路,也可用于城市发展的规划与监测。

参考文献

罗媞, 刘艳芳, 孔雪松 .

中国城市化与生态环境系统耦合研究进展

[J]. 热带地理, 2014,34(2):266-274.

Magsci     [本文引用: 1]

<p>城市化过程与生态环境变化之间的相互联系、相互作用，是面向可持续发展的人文过程与自然过程综合研究的重要课题。基于系统耦合理论，文章将具有城市化特征的各类城市人文要素的集合与组成生态环境的各类自然要素的集合视为<span>2个相互独立又彼此影响的系统，分别从理论与方法的角度梳理并总结了当前中国城市化过程与生态环境变化之间关系的研究进展。中国学者不仅在城市化与生态环境耦合关系和演化规律认识上取得了成果，而且在定量评价与测度两大系统各要素及系统之间的耦合机制方面积累了经验，也提出了实现城市化发展与生态环境维护相互协调的对策。综合而言，目前国内研究在内容上的多维性特征、方法上的多元化特征和研究对象上的区域性特征明显，但同时还存在理论基础薄弱、定量评价指标体系缺乏以及研究的滞后性和被动性等问题，今后应围绕城市化与生态环境系统耦合理论框架和方法体系、系统作用观测与评价指标体系及预警机制、城市生态空间扩展与优化的模式与方法等方面展开深入研究。</span></p>

Luo T, Liu Y F, Kong X S .

System coupling between urbanization and eco-environment:Research progress in China

[J]. Tropical Geography, 2014,34(2):266-274.

Magsci     [本文引用: 1]

李海江, 刘耀林, 谭荣辉 , 等.

一种新的基于高分辨率全色影像的城市建成区边界提取算法

[J].测绘通报,2015(7):36-41.

[本文引用: 1]

Li H J, Liu Y L, Tan R H , et al.

A new algorithm of urban built-up area boundary extraction based on high-resolution panchromatic image

[J].Bulletin of Surveying and Mapping,2015(7):36-41.

[本文引用: 1]

邓刘洋, 沈占锋, 柯映明 .

城市建成区遥感影像边界提取与扩张分析

[J]. 地球信息科学学报, 2018,20(7):996-1003.

DOI:10.12082/dqxxkx.2018.170571      Magsci     [本文引用: 1]

<p>针对城市建成区提取过程中,仅依赖单一数据源导致精度不够的问题,本文基于面向对象分类方法和利用土地类型信息标准差统计变量,实现遥感影像中城市建城区边界的提取,并以该建成区为依据对河南省虞城县的城区空间扩张特征作了分析。实验中首先采用均值漂移分割算法对高分一号遥感影像实现分割,然后利用决策树分类算法实现土地利用类型分类,最后基于0.1 km &#x000D7; 0.1 km窗口统计土地利用类型标准差信息,获取建成区边界。面向实际应用,以河南省虞城县为例,采用高分一号影像获得虞城县2017年建成区数据,并基于该数据采用多个TM影像提取城区其他年份的建成区边界,实现河南省虞城县城区空间扩张特征分析。结果表明,本文方法获取的建成区边界精度较一般的监督分类提取边界有进一步的提高,精度达到89%。进而说明结合高分辨率影像提取多个年份的建成区数据的可靠性,在城市扩张研究中,对仅利用低空间分辨率提取精度不够问题和仅利用高分辨影像提取效率低等问题提供了较好的解决方案。</p>

Deng L Y, Shen Z F, Ke Y M .

Built-up area extraction and urban expansion analysis based on remote sensing images

[J]. Journal of Geo-Information Science, 2018,20(7):996-1003.

Magsci     [本文引用: 1]

李治, 杨晓梅, 孟樊 , 等.

城市建成区多源遥感协同提取方法研究

[J]. 地球信息科学学报, 2017,19(11):1522-1529.

DOI:10.3724/SP.J.1047.2017.01522      Magsci     [本文引用: 1]

<p>城市建成区边界是城市研究重要的基础信息,也是落实城市功能空间布局、实施界限管控的前提。DMSP/OLS夜间灯光数据已被广泛应用于城市建成区的提取,但由于受饱和、扩散及低分辨率问题的影响,导致仅依靠DMSP/OLS NTL映射城市建成区仍然是一个巨大的挑战。本文以京津冀为例,采用MODIS NDVI和DMSP / OLS夜光数据相结合解决NTL影像的饱和及扩散问题,提取城市建成区潜在范围,并辅以Landsat NDVI数据,采用本文提出的最大自相关双阈值方法进行自适应修正,最后采用目视解译对结果进行验证。实验结果表明,多源遥感协同方法提取城市建成区的总体精度和kappa系数分别为92.9%和0.88,在空间分布和统计数据中均有较高的有效性和可靠性。</p>

Li Z, Yang X M, Meng F , et al.

The method of multi-source remote sensing synergy extraction in urban built-up area

[J]. Journal of Geo-Information Science, 2017,19(11):1522-1529.

Magsci     [本文引用: 1]

李欣 .

南昌市城市建成区遥感监测及模拟研究

[D]. 南昌:东华理工大学, 2017.

[本文引用: 1]

Li X .

Remote Sensing Monitoring and Simulation Study of Urban Built-up Area in Nanchang City

[D]. Nanchang:East China University of Technology, 2017.

[本文引用: 1]

刘璐 .

基于夜间灯光数据的城市群蔓延指标

[J]. 国土资源遥感, 2018,30(2):208-213.doi: 10.6046/gtzyyg.2018.02.28.

[本文引用: 1]

Liu L .

Urban sprawl metrics based on night-time light data for metropolitan areas

[J]. Remote Sensing for Land and Resources, 2018,30(2):208-213.doi: 10.6046/gtzyyg.2018.02.28.

[本文引用: 1]

Zhang Q L, Schaaf C, Seto K C .

The vegetation adjusted NTL urban index:A new approach to reduce saturation and increase variation in nighttime luminosity

[J]. Remote Sensing of Environment, 2013,129(2):32-41.

[本文引用: 1]

Meng X, Han J, Huang C .

An improved vegetation adjusted nighttime light urban index and its application in quantifying spatiotemporal dynamics of carbon emissions in China

[J]. Remote Sensing, 2017,9(8):829.

[本文引用: 1]

毕恺艺, 牛铮, 黄妮 , 等 .

基于Sentinel-2A时序数据和面向对象决策树方法的植被识别

[J].地理与地理信息科学, 2017, 33(5):16-20, 27, 127.

[本文引用: 1]

Bi K Y, Niu Z, Huang N, et al.

Identifying vegetation with decision tress model based on object-oriented method using multi-temporal Sentinel-2A images

[J].Geography and Geo-Information Science , 2017, 33(5):16-20, 27, 127.

[本文引用: 1]

杨斌, 李丹, 王磊 , 等.

基于Sentinel-2A岷江上游地表生物量反演与植被特征分析

[J]. 科技导报, 2017,35(21):74-80.

Yang B, Li D, Wang L , et al.

Retrieval of surface vegetation biomass information and analysis of vegetation feature based on Sentinel-2A in the upper of Minjiang River

[J]. Science and Technology Review, 2017,35(21):74-80.

李旭文, 侍昊, 张悦 , 等.

基于欧洲航天局“哨兵-2A”卫星的太湖蓝藻遥感监测

[J]. 中国环境监测, 2018,34(4):169-176.

Li X W, Shi H, Zhang Y , et al.

Cyanobacteria blooms monitoring in Taihu Lake based on the Sentinel-2A satellite of European Space Agency

[J]. Environmental Monitoring in China, 2018,34(4):169-176.

李峰, 米晓楠, 刘军 , 等.

基于NPP-VIIRS夜间灯光数据的北京市GDP空间化方法

[J]. 国土资源遥感, 2016,28(3):19-24.doi: 10.6046/gtzyyg.2016.03.04.

Magsci     [本文引用: 1]

<p>为了分析像素级社会经济活动的空间分布状况,以Landsat8和NPP-VIIRS夜间灯光影像为数据源,分别对北京市第一产业和第二、三产业GDP进行空间化操作。利用分类回归树(classification and regression tree,CART)算法,通过Landsat8影像生成北京市的土地利用图,在分析第一产业GDP与土地利用类型面积相关性的基础上,构建了第一产业GDP与耕地面积的线性回归模型。建立了5种灯光指标与第二、三产业GDP的数学关系,通过相关性和回归分析确定第二、三产业GDP与综合灯光指数呈明显的幂函数关系。根据以上2种模型分别生成对应2类产业的像素级GDP密度图,再分别对其进行线性纠正并求和后制作出北京市500 m格网尺寸的GDP密度图。误差分析发现,第一产业GDP、第二、三产业GDP和GDP总量与实际统计值的平均相对误差分别为0.86%,0.61%和1.37%。结果表明,结合土地利用数据的NPP-VIIRS夜间灯光GDP空间化方法可以精确估算北京市GDP产值,反映北京市经济空间分布特征。</p>

Li F, Mi X N, Liu J , et al.

Spatialization of GDP in Beijing using NPP-VIIRS data

[J]. Remote Sensing for Land and Resources, 2016,28(3):19-24.doi: 10.6046/gtzyyg.2016.03.04.

Magsci     [本文引用: 1]

唐敏 .

基于对数变换的NPP-VIIRS夜间灯光遥感影像在城市建成区提取中的应用

[D]. 上海:华东师范大学, 2017.

Tang M .

Urban Built-up Area Extraction From Logarithm Transformed NPP-VIIRS Nighttime Light Composite Data

[D]. Shanghai:East China Normal University, 2017.

Zhang Q L, Seto K C .

Mapping urbanization dynamics at regional and global scales using multi-temporal DMSP/OLS nighttime light data

[J]. Remote Sensing of Environment, 2011,115(9):2320-2329.

[本文引用: 1]

Yu B L, Tang M, Wu Q S , et al.

Urban built-up area extraction from log-transformed NPP-VIIRS nighttime light composite data

[J]. IEEE Geoscience and Remote Sensing Letters, 2018,15(8):1279-1283.

[本文引用: 1]

蔡红玥, 姚国清 .

基于分水岭算法的高分遥感图像道路提取优化方法

[J]. 国土资源遥感, 2013,25(3):25-29.doi: 10.6046/gtzyyg.2013.03.05.

Magsci     [本文引用: 1]

<p>针对高分辨率遥感图像城市道路提取中存在的问题,在面向对象方法和数学形态学等理论基础上,提出了一种基于改进的分水岭分割算法的道路提取方法。在图像预处理基础上,首先使用改进的分水岭算法分割影像,提取基本的道路信息; 然后利用面向对象方法提取道路基元,完善道路信息; 最后将道路信息二值化,并采用数学形态学等方法进行优化,去除和修补不完善的道路。结果表明,该方法能有效地提取出城市地区的道路信息,对较复杂的道路环境也有较好的效果。</p>

Cai H Y, Yao G Q .

Optimized method for road extraction from high resolution remote sensing image based on watershed algorithm

[J]. Remote Sensing for Land and Resources, 2013,25(3):25-29.doi: 10.6046/gtzyyg.2013.03.05.

Magsci     [本文引用: 1]

Lewis H G, Brown M .

A generalized confusion matrix for assessing area estimates from remotely sensed data

[J]. International Journal of Remote Sensing, 2001,22(16):3223-3235.

[本文引用: 1]

郭玉静, 王妍, 郑毅 , 等.

滇西北高原湖泊剑湖流域景观时空演变特征

[J]. 浙江农林大学学报, 2018,35(4):695-704.

[本文引用: 1]

Guo Y J, Wang Y, Zheng Y , et al.

Temporal and spatial evolution of landscapes in Jianhu Lake basin of northwestern Yunnan Province

[J]. Journal of Zhejiang A & F University, 2018,35(4):695-704.

[本文引用: 1]

郭莎莎, 胡守庚, 瞿诗进 .

长江中游地区多尺度耕地景观格局演变特征

[J]. 长江流域资源与环境, 2018,27(7):1637-1646.

[本文引用: 1]

Guo S S, Hu S G, Qu S J .

Multi-scale analysis of farmland landscape dynamic pattern in the middle reaches of the Yangtze River

[J]. Resources and Environment in the Yangtze Basin, 2018,27(7):1637-1646.

[本文引用: 1]

/

〈 〉

京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编：100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发