鐘舒怡　李向新　柏葉輝

摘要 城市建成區(qū)空間分布對(duì)城市規(guī)劃和資源管理起著至關(guān)重要的作用。面向?qū)ο笥跋穹治龇苡行崛〕鞘薪ǔ蓞^(qū)圖像。以Landsat8為源數(shù)據(jù)，對(duì)深圳市建成區(qū)范圍進(jìn)行研究，結(jié)合光譜特征結(jié)果和NDBI指數(shù)派生出NDBIi指數(shù)。根據(jù)空間特征建立面向?qū)ο笠?guī)則集，運(yùn)用二次分割方法與分類(lèi)規(guī)則，高效獲取城市建成區(qū)數(shù)據(jù)，對(duì)2015年與2017年深圳市城市空間擴(kuò)張情況進(jìn)行分析，將多種分類(lèi)方法與面向?qū)ο笠?guī)則集方法進(jìn)行結(jié)果對(duì)比。結(jié)果表明，2015年與2017年總體精度分別為93.02%和90.45%，面向?qū)ο笠?guī)則集方法可以精確獲取建成區(qū)具體范圍，有效監(jiān)測(cè)不同時(shí)相城市擴(kuò)張情況。

關(guān)鍵詞

Landsat8；面向?qū)ο蠓诸?lèi)；二次分割；城市建成區(qū)；NDBIi

DOIDOI：10.11907/rjdk.182063

中圖分類(lèi)號(hào)：TP319

文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)文章編號(hào)：16727800（2018）009018005

英文標(biāo)題The Method of Extracting BuiltUp Areas Based on

MultiScale Segmentation and Spectral Features

——副標(biāo)題

英文作者ZHONG Shuyi1，2， LI Xiangxin1，BAI Yehui1，F(xiàn)ENG Jun1

英文作者單位（1.School of Land and Resources Engineering， Kunming University of Science and Technology ， Kunming 650093， China；

2.Shenzhen Institute of Advanced Technology，Chinese Academy of Sciences，Shenzhen 518055， China）

英文摘要Abstract：The spatial distribution of urban builtup areas plays a crucial role in urban planning and resource management. The objectoriented image analysis method can well extract the images of urban builtup areas. Using Landsat8 as the source data and studying the scope of the builtup area in Shenzhen， we obtain the NDBIi index from both the results of spectral signature and the NDBI index. Objectoriented rule sets are made according to the spatial characteristics establish ， and we use the methods of secondary segmentation and classification rules to effectively extract urban builtup areas. In addition，we analyze the urban spatial expansion of ShenZhen in 2015 to 2017years and use a variety of classification methods to compare the results with the objectoriented rule set method. The results show that the overall accuracy of 2015 and 2017 were 93.02% and 90.45%. The research method can accurately obtain the specific scope of builtup areas and effectively monitor the expansion of cities at different times.

英文關(guān)鍵詞Key Words：Landsat8； objectoriented classification； secondary segmentation； urban builtup area； NDBI

0引言

伴隨“一帶一路”倡議的提出，城市發(fā)展要素不斷聚集，城市體系更加完善，中心城市功能愈加凸顯，對(duì)城市發(fā)展影響巨大[1]。城市擴(kuò)張是城市發(fā)展必然結(jié)果。精確提取城市建成區(qū)有利于為城市規(guī)劃提供科學(xué)依據(jù)，減少或避免熱島效應(yīng)[24]、景觀格局被破壞等問(wèn)題[57]。利用遙感數(shù)據(jù)進(jìn)行城市研究還可提供歷史檔案，有助于繪制和了解隨時(shí)間推移不斷變化的城市擴(kuò)張情況[8]。

建成區(qū)是由一個(gè)集中連片、市政公共設(shè)施和公用設(shè)施基本具備的地區(qū)，以及由分散的、若干個(gè)已經(jīng)成片開(kāi)發(fā)建設(shè)且市政公用設(shè)施和公共設(shè)施基本具備的地區(qū)組成[9]。建成區(qū)提取情況影響城市用地狀況。目前常用建成區(qū)分類(lèi)方法有傳統(tǒng)的監(jiān)督分類(lèi)、面向?qū)ο蠓诸?lèi)方法、支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)法。面向?qū)ο蟮挠跋穹治黾夹g(shù)針對(duì)影像分割對(duì)象，利用各種空間特征，如紋理、形狀等提高數(shù)據(jù)自動(dòng)識(shí)別精度。金永濤[10]基于紋理體征提取典型地物。陳志強(qiáng)、楊智翔等[1112]提出運(yùn)用改進(jìn)的NDBI指數(shù)方法識(shí)別城鎮(zhèn)用地，該方法在eCognition中可以實(shí)現(xiàn)。姚君蘭[13]提出的基于矢量數(shù)據(jù)，結(jié)合密度分析和基于YIN原理的邊界提取建成區(qū)方法，對(duì)源數(shù)據(jù)質(zhì)量要求較高。陳建波[14]基于數(shù)據(jù)融合方法和信息熵提取城市建成區(qū)邊界，但對(duì)大比例尺邊界提取精度不夠。王帥[15]采用元胞自動(dòng)機(jī)模型，通過(guò)閾值分割、腐蝕、連通性檢測(cè)等一系列處理提取連續(xù)、穩(wěn)定的城市建成區(qū)圖像，但在模型中使用的因子獲取艱難，且受到模型本身的限制。Liu[16]提出城市區(qū)域歸一化綜合指數(shù)法（NUACI）并利用谷歌地球引擎獲取規(guī)模巨大的數(shù)據(jù)，促進(jìn)全球城市土地分類(lèi)陸地衛(wèi)星圖像的提取，但該方法計(jì)算過(guò)程過(guò)于繁瑣。

本文采用多尺度分割和光譜特征結(jié)合提取建成區(qū)的方法，并對(duì)2015年、2017年兩景Landsat8數(shù)據(jù)，以eCognition軟件為操作平臺(tái)，對(duì)深圳市進(jìn)行建成區(qū)提取方法的研究，對(duì)eCognition中提供的其它分類(lèi)方法進(jìn)行對(duì)比分析。

1研究區(qū)與數(shù)據(jù)預(yù)處理

深圳市位于廣東省南部、珠江口東岸，南邊毗鄰香港，海域廣闊，與南海及太平洋連接。由于其良好的自然生態(tài)環(huán)境和優(yōu)越的地理位置，2013年深圳市經(jīng)濟(jì)指數(shù)已超過(guò)澳門(mén)，位居粵港澳大灣區(qū)經(jīng)濟(jì)排名第二[17]。經(jīng)濟(jì)的發(fā)展推動(dòng)了城市化進(jìn)程，其中包括城市快速向外擴(kuò)張、鄉(xiāng)村城市化現(xiàn)象，大片農(nóng)田被推平[18]，致使其城市特征明顯。

研究區(qū)影像使用從美國(guó)地質(zhì)勘探局（United States Geological Survey，USGS）官網(wǎng)下載的2015年和2017年Landsat8 OLI影像，其行列編號(hào)為121044和122044兩景數(shù)據(jù)。Landsat8 OLI一共有9個(gè)波段，其中B8波段是分辨率為15m的全色波段，其它空間分辨率為30m。OLI傳感器與TM、ETM+、MSS傳感器有兩點(diǎn)區(qū)別：一是增加了應(yīng)用于海岸帶的藍(lán)色波段（B1）和用于云檢測(cè)的短波紅外波段（B9），二是調(diào)整了近紅外（B5）波段范圍。第二點(diǎn)對(duì)傳統(tǒng)的NDVI、NDBI指數(shù)計(jì)算有一定影響。

本文運(yùn)用ENVI5.3軟件對(duì)建設(shè)用地有提取價(jià)值的B2-B7波段進(jìn)行預(yù)處理，處理步驟包括：輻射校正、大氣校正（使用FLAASH模塊）、拼接、裁剪，最終獲取深圳市影像。研究區(qū)邊界為中科院提供的深圳市矢量邊界。研究區(qū)范圍如圖1所示。在經(jīng)過(guò)預(yù)處理的遙感影像中，利用ENVI對(duì)波段名稱(chēng)重新命名，B2-B7變成B1-B6，波段值范圍沒(méi)有改變。

2研究方法

面向?qū)ο蟮姆诸?lèi)突破了傳統(tǒng)基于像素的的分類(lèi)方法，不再以像元為最小單位，而是將影像分割成對(duì)象，綜合利用各對(duì)象之間的光譜及空間特征進(jìn)行分類(lèi)[19]。規(guī)則集則是以不同的方式使用變量，如設(shè)定某一波段閾值或者形狀特征實(shí)現(xiàn)規(guī)則運(yùn)算，可以利用某一類(lèi)別的特征，通過(guò)全面設(shè)定各種閾值或變量等多種規(guī)則達(dá)到最佳分類(lèi)效果。技術(shù)路線如圖2所示。

2.1影像分割方法

在eCognition中有多種分割方法，包括：棋盤(pán)分割、四叉樹(shù)分割、多尺度分割等。其中四叉樹(shù)分割和棋盤(pán)分割屬于自上而下的分割。自上而下的分割指將對(duì)象分割成更小的對(duì)象。

（1）棋盤(pán)分割。棋盤(pán)分割在眾多分割算法中屬于最簡(jiǎn)單的分割算法，即將影像對(duì)象分割為正方形圖像對(duì)象。按照設(shè)計(jì)的正方形網(wǎng)格大小，每個(gè)對(duì)象都沿著網(wǎng)格線進(jìn)行切割。

（2）四叉樹(shù)分割。四叉樹(shù)分割是基于四邊形的分割，類(lèi)似于棋盤(pán)分割，但創(chuàng)建的方塊大小不同。四叉樹(shù)結(jié)構(gòu)特點(diǎn)是每個(gè)正方形都有第一個(gè)可能的最大大小，第二個(gè)正方形滿足模式和比例參數(shù)定義的同質(zhì)性標(biāo)準(zhǔn)。

（3）多尺度分割。多尺度分割是一種自下而上的方法，通過(guò)合并相鄰像素或小的分割對(duì)象，在保證對(duì)象與對(duì)象之間平均異質(zhì)性最小、對(duì)象內(nèi)部像元之間同質(zhì)性最大的前提下，基于區(qū)域合并技術(shù)實(shí)現(xiàn)影像分割[20]。多尺度分割最大優(yōu)點(diǎn)是可設(shè)定尺度參數(shù)值，可在任何應(yīng)用技術(shù)鄰域中提取和成型。

2.2提取方法

2.2.1地物光譜特征分析

根據(jù)研究區(qū)情況，把地物分為水體、植物、建成區(qū)、裸地4大類(lèi)。水體細(xì)分為河流、湖泊、養(yǎng)殖場(chǎng)。植物細(xì)分為林地、草地。建成區(qū)細(xì)分為建筑物、道路。

在ENVI中建立地物波普庫(kù)，對(duì)預(yù)處理后的影像進(jìn)行地物光譜分析。分析地物光譜總體變化趨勢(shì)，以便確定規(guī)則集閾值，如圖3所示。

地物輻射值趨勢(shì)分析：①Built-up：B4>B5>B6>B3>B2>B1；②Vegetation：B4>B5>B6>B2>B1>B3；③Water：B2>B1>B3>B4>B6>B5；④Land：B5>B4>B6>B3>B2>B1。

圖3地物光譜特征

通過(guò)光譜特征圖分析發(fā)現(xiàn)植物與建成區(qū)的波普band4和band5沒(méi)有明顯可分性。由于在TM影像上NDBI是使用近紅外（NIR）和中紅外（MIR）提取城鎮(zhèn)用地，其中對(duì)應(yīng)的波段是TM4和TM5，其波長(zhǎng)范圍分別是0.75～0.9μm和1.55～1.75μm。OLI影像相對(duì)應(yīng)的近紅外是B5波段和中紅外是B6波段，波長(zhǎng)范圍分別是0.845-0.885μm和1.560–1.660μm。OLI使用較窄的波長(zhǎng)范圍獲取近紅外和中紅外數(shù)據(jù)，造成同樣的NDBI、NDVI指數(shù)提取的效果有所差別。若單一使用NDBI指數(shù)提取建成區(qū)，精度不高，反而band3、band2兩個(gè)波段表現(xiàn)出對(duì)建成區(qū)與植物之間的可分離性。因此由NDBI指數(shù)派生出NDBIi指數(shù)，本文對(duì)此特征定義NDBIi公式為：

NDBIi=（Band3-Band2）/（Band3+Band2）（1）

歸一化建筑指數(shù)（NDBI）、歸一化植被指數(shù)（NDVI）為：

NDBI=（Band5-Band4）/（Band5+Band4）（2）

NDVI=（Band4-Band3）/（Band4+Band3）（3）

2.2.2建成區(qū)提取

（1）建成區(qū)首次提取。eCognition軟件提供了基于分類(lèi)的影像對(duì)象分割技術(shù)，可以合并非均質(zhì)的地區(qū)。城市建成區(qū)中通常有稀疏城市綠地出現(xiàn)，因此城市用地同時(shí)擁有植被和城市光譜特征，這種非均質(zhì)現(xiàn)象在eCognition中可以得到解決。佟彪[21]利用合并非均質(zhì)地區(qū)的特性，采用二次分割方法將建成區(qū)集中連片地提取出來(lái)。本文借鑒二次分割方法對(duì)影像進(jìn)行分割，并經(jīng)過(guò)實(shí)驗(yàn)尋找影像最佳分割尺度。首次分割尺度選擇70，再對(duì)L70對(duì)象層進(jìn)行140尺度的二次分割。多尺度分割是指基于調(diào)整顏色、形狀的均質(zhì)和異質(zhì)性標(biāo)準(zhǔn)生成影像對(duì)象。shape權(quán)重越大，形狀因子影響分割越大，顏色對(duì)分割影響越??；compactness權(quán)重越大，影響圖像目標(biāo)越大。本文把shape權(quán)重設(shè)置為0.2，compactness權(quán)重為0.5。對(duì)對(duì)象層作二次分割后提取的建成區(qū)集中連片，零碎圖斑減少。分割情況如圖4所示。