EN中文

地球信息科学学报 >

2019 , Vol. 21 >Issue 9: 1455 - 1466

DOI: https://doi.org/10.12082/dqxxkx.2019.190020

遥感科学与应用技术

基于三指数合成影像的西北地区城市建筑用地 遥感信息提取研究

  • 唐璎 1, 2, 3, 4 ,
  • 刘正军 , 2, * ,
  • 杨树文 1, 3, 4
展开
  • 1. 兰州交通大学测绘与地理信息学院,兰州 730070
  • 2. 中国测绘科学研究院摄影测量与遥感研究所, 北京 100830
  • 3. 地理国情监测技术应用国家地方联合工程研究中心, 兰州 730070
  • 4. 甘肃省地理国情监测工程实验室,兰州 730070
*刘正军（1974-）,男,湖南湘潭人,研究员,主要从事遥感影像信息提取与生态环境遥感监测、突发事件应急地理信息技术等方面研究工作。E-mail:

唐 璎（1993-）,女,广西桂林人,硕士生,主要从事遥感影像的处理与应用研究。E-mail: tyingty12@163.com

收稿日期: 2019-01-15

  要求修回日期: 2019-04-29

  网络出版日期: 2019-09-24

基金资助

国家重点研发计划项目(2017YFB0504201)

受兰州交通大学优秀平台支持(201806)

国家重点研发计划项目(2018YFB0504500)

国家自然科学基金项目(41701506)

国家自然科学基金项目(41671440)

国家自然科学基金项目(41330750)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Mapping Urban Built-Up Land in Northwest China based on Three-Index Synthetic Remote Sensing Imagery

  • TANG Ying 1, 2, 3, 4 ,
  • LIU Zhengjun , 2, * ,
  • YANG Shuwen 1, 3, 4
Expand
  • 1. Faculty of Geomatics, Lanzhou Jiaotong University, Lanzhou 730070, China
  • 2. Institute of Photogrammetry and Remote Sensing, Chinese Academy of Surveying and Mapping, Beijing 100830, China
  • 3. National-Local Joint Engineering Research Center of Technologies and Applications for National Geographic State Monitoring, Lanzhou 730070, China
  • 4. Gansu Provincial Engineering Laboratory for National Geographic State Monitoring, Lanzhou 730070, China
*LIU Zhengjun, E-mail:

Received date: 2019-01-15

  Request revised date: 2019-04-29

  Online published: 2019-09-24

Supported by

The National Key Research and Development Program of China(2017YFB0504201)

Funded by LZJTU EP(201806)

The National Key R&D Pr-ogram of China(2018YFB0504500)

National Natural Science Foundation of China(41701506)

National Natural Science Foundation of China(41671440)

National Natural Science Foundation of China(41330750)

Copyright

Copyright reserved © 2010. Office of Journal of Geo-information Science All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.
Fold

摘要

随着西部大开发战略的实施以及“一带一路”战略的影响,西北地区的城市发展也发生着巨大变化,利用遥感影像更加准确地提取西北地区城市建筑用地信息对分析城市扩张趋势、规划城市建设具有重要意义。本文以2000年兰州市主城区和2003年西宁市主城区的Landsat 7 ETM +影像为数据源,结合压缩数据维的方法,通过构建三指数合成影像并利用该影像来提取城市建筑用地信息。实验首先根据兰州市主城区的影像光谱特征,创建了归一化差值裸地指数（NDBLI）。然后将该指数与比值居民地指数（RRI）、修正型归一化水体指数（MNDWI）合成为一个包含3个波段的新型三指数合成影像NRM（NDBLI、RRI、MNDWI）;同时,根据集成学习思想,为增强城市建筑用地信息,将主成分分析的第一波段（PC1）、归一化差值建筑用地指数（NDBI）和比值居民地指数（RRI）合成为一个包含3个波段的新型三指数合成影像PNR（PC1、NDBI、RRI）;最后分别将三指数合成影像NRM和三指数合成影像PNR作最大似然分类提取城市建筑用地信息,将其提取结果与由归一化差值建筑用地指数（NDBI）、修正型归一化水体指数（MNDWI）和土壤调节植被指数（SAVI）所创建的NMS（NDBI、MNDWI 、SAVI）影像得到的最大似然分类结果作精度比较,并利用西宁市主城区影像对本文方法进行了相应验证。结果表明,利用三指数合成影像PNR提取城市建筑用地的总精度和Kappa系数最高,其总精度达到了90%以上,适合于提取西北地区含裸地较多的城市建筑用地。

关键词： 遥感; 西北地区; 城市建筑用地; 提取; 三指数合成影像（NRM; PNR）; 归一化差值裸地指数（NDBLI）

本文引用格式

唐璎 , 刘正军 , 杨树文 . 基于三指数合成影像的西北地区城市建筑用地 遥感信息提取研究[J]. 地球信息科学学报, 2019 , 21(9) : 1455 -1466 . DOI: 10.12082/dqxxkx.2019.190020

Abstract

With the implementation of the Great Western Development Strategy and the Belt-Road Initiative, urban development in northwest China has undergone tremendous changes. Extracting built-up land information in northwest China more accurately by remote sensing imagery is important for sustainable urban planning. By using Landsat TM/ETM + imagery, this paper proposed a new method for extracting built-up land information in the urban districts in Lanzhou City and Xining City. By detailed spectral signature analysis of the image, the Normalized Difference Bare Land Index (NDBLI) was calculated, which was then synthesized with the Ratio of Residential area index (RRI) and the Modified Normalized Water Index (MNDWI). In so doing, a new type of three-index synthetic image NRM (NDBLI, RRI, MNDWI) was generated. Meanwhile, following the idea of ensemble learning, the first band of principal component analysis(PC1), the Normalized Difference Built-up Index (NDBI), and the Ratio of Residential area Index (RRI) were synthesized to enhance urban built-up land information, which formed another three-index synthetic image PNR (PC1, NDBI, RRI). Then, the maximum likelihood based supervised classification was performed on the new synthesized image NRM (NDBLI, RRI, MNDWI) and the new synthesized image PNR (PC1, NDBI, RRI). Finally, the urban built-up land was extracted by masking out non-built-up land classes. These classification results were compared with the results of the maximum likelihood classification based on the three-index synthetic image NMS (NDBI, MNDWI, SAVI) synthesized by the three indexes of the Normalized Difference Built-up Index (NDBI), the Modified Normalized Water Index (MNDWI), and the Soil Adjustment Vegetation Index (SAVI). Under different spatiotemporal conditions, the three-index synthetic image NRM (NDBLI, RRI, MNDWI), three-index synthetic image PNR (PC1, NDBI, RRI), and three-index synthetic image NMS (NDBI, MNDWI, SAVI) were used to extract the urban build-up land information of Lanzhou City and Xining City. Results show that the overall accuracy and kappa coefficient of classification using the three-index synthetic image PNR (PC1, NDBI, RRI) were higher than those based on the three-index synthetic image NRM (NDBLI, RRI, MNDWI) and three-index synthetic image NMS (NDBI, MNDWI, SAVI). The urban built-up land information was thus extracted by the three-index synthetic image PNR (PC1, NDBI, RRI), with the overall accuracy above 90%. Our findings suggest that the three-index synthetic image PNR (PC1, NDBI, RRI) is suitable for extracting urban built-up land in northwest China.

Key words： remote sensing; Northwest China; urban built-up land; extraction; three-index synthetic image (NRM; PNR); Normalized Difference Bare Land Index (NDBLI)

1 引言

西部大开发战略的实施和经济全球化以及如今“一带一路”战略的影响,给西北城市的发展带来了源源不断的动力,大大加快了西北地区城市建筑用地发展的步伐。利用遥感影像更加准确地提取西北地区城市建筑用地信息有着十分重要的意义。目前,利用遥感影像提取建筑用地信息的方法主要分为3类：① 基于典型地物光谱特征或谱间关系的相关知识等,利用监督分类法、逻辑判别法或决策树法提取建筑用地信息[1,2,3,4,5,6]。这类方法虽然能够去除裸地,提取建筑用地信息,但由于谱间关系特征在不同区域或不同图像间存在较大差异,制约了建筑用地信息提取的效率和模型的普适性[7]; ② 基于分类技术提取建筑用地信息[8,9,10]。因建筑用地的光谱异质性使得该方法的提取精度往往不高,需要进行后续处理来提高精度[11];③ 通过建立遥感指数模型自动提取建筑用地信息。该方法因原理简单、易用性较强而越来越受到重视[11]。查勇等[12]提出并利用归一化差值建筑用地指数（Normalized Difference Built-up Index, NDBI）自动提取了无锡市城镇用地信息。自从该指数提出后,诸多学者在此基础上进行了改进;樊风雷等[13]通过分析建筑用地、植被和水体在NDBI、NDVI和MNDWI这3个指数上的分布规律,提出在3个指数中,满足NDBI最大即为建筑信息,并建立逻辑运算提取了广州地区的城市建筑用地信息;Varshney等[14,15]讨论和对比了利用遥感数据提取城市建筑的因子算法,指出了修改NDBI算法的必要性和重要性,并利用TM影像设计了自动NDBI提取算法;Masek等[16]利用无监督分类和NDVI指数提取了美国华盛顿特区1973-1996年的城市扩展和变化信息;Guindon等[17]基于遥感影像的空间和光谱特征,利用逻辑判别法对城市建筑用地进行了分类研究;Jun等[18]结合TM/ETM+影像,提出了一种将光谱信息和多元纹理相结合的新方法,提取了城市建成区;陈洁丽等[19]在提取居民地信息时,在TM4、TM5光谱值差异的基础上加入了TM3波段,建立了新的居民地建筑指数（NBI）,提取了常州市的居民地信息;吴志杰等[7]利用归一化差值裸地与建筑用地指数（NDBBI）、增强型裸土指数（EBSI）、改进型归一化差值水体指数（Modified Normalized Difference Water Index, MNDWI）和土壤调节植被指数（Soil Adjustment Vegetation Index, SAVI）4个指数,构建了一种新型的建筑用地指数,即增强的指数型建筑用地指数（EIBI）,有效提取了福建省地区的城市和农村建筑用地信息;吴宏安等[20]利用TM1和TM4的波段比值建立了比值居民地指数（RRI）,很好地提取了西安地区的城镇用地,并指出该指数比较适合提取裸地较多的研究区;徐涵秋[21,22,23]提出了压缩数据维的方法,选取了归一化差值建筑指数（NDBI）、修正归一化差值水体指数（MNDWI）和土壤调节植被指数（SAVI）来分别代表城市建成区的3种最主要地类——建筑用地、水体和植被,利用这3个指数构建了遥感建筑用地指数（IBI）,并利用该指数开发出城镇建筑用地提取软件模块,提取的精度较高;邓刘洋等[24]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,实现了遥感影像中城市建城区的提取;李治等[25]以京津冀为例,构建了VANUI城市指数,逐层次引入多源数据,采用区域分割法和最大自相关双阈值分割法提取了城市建成区。
然而上述方法主要是利用构建单一的遥感指数模型、逻辑判别法或面向对象的方法来提取建筑用地信息,通过寻找多个遥感专题指数模型来合成新的影像并利用该影像提取城市建筑用地信息的研究较少,且以上研究的实验区多为中国东部地区,对中国西北地区的研究较少。又因“同物异谱,异物同谱”现象的存在,区分城市建筑用地信息和裸地信息一直是遥感专题信息提取的难点之一[7]。故针对西北地区含裸地较多的城市建筑用地,本文旨在寻求建立增强城市建筑用地信息、抑制裸地信息的指数模型,结合影像光谱特征,构建了“归一化差值裸地指数（Normalized Difference Bare Land Index, NDBLI）”,并根据徐涵秋[21]压缩数据维的方法,构建了2种新型的三指数合成影像NRM与PNR,并利用最大似然分类法提取了2个合成影像的城市建筑用地信息,结合实例研究证明由主成分分析的第一波段（Principal Component 1, PC1）、归一化差值建筑用地指数（Normalized Difference Built-up Index, NDBI）、比值居民地指数（the Ratio of Residential Area Index, RRI）3个指数所创建的PNR影像提取的城市建筑用地信息精度最高,且对裸地信息具有较好的抑制能力,适合于提取西北地区含裸地较多的城市建筑用地。

2 研究区概况与数据源

以甘肃省兰州市的西固区、安宁区、城关区、七里河区四大主城区和青海省西宁市的城中区、城东区、城西区、城北区四大主城区为实验区。甘肃省兰州市位于102°30'E-104°30'E和35°5'N-38°N之间,是唯一黄河穿越市区中心而过的省会城市。兰州市年平均气温10.3℃,年平均降水量327 mm,属典型的温带半干旱气候;地处陇西黄土高原西部,市区南北群山对峙,东西黄河穿越而过,因气候干旱,降雨稀少,兰州市周边大部分地区为黄土覆盖的丘陵和盆地,植被稀少,裸地繁多。西宁市位于青海省东北部,呈东西向条带状,四周群山环绕,因影像成像时间为二月冬季,图像中有大量裸地影像,其易与建筑用地混淆。
本研究选用兰州市四大主城区2000年8月12日获取的Landsat7 ETM+影像,中心坐标为103°40′E, 36°N,平均云量3.12,影像质量完好。图1是研究区真彩色影像,从图中可以看出影像中含有大量裸地,这些裸地信息很容易与城市建筑用地信息混淆。同时,为了研究本文结论在不同时空条件下的适用性,还选用西宁市四大主城区2003年2月1日的Landsat7 ETM+影像作验证,其平均云量为0.61,影像质量完好。遥感影像数据来源于地理空间数据云（Geospatial Data Cloud）（http://www.gscloud.cn/）[26]。由于遥感影像成像时会因光照和大气条件不同而出现差异,因此对遥感影像需进行辐射校正,以将影像的灰度值转换为地物真实反射率[27]。
图1 兰州市主城区真彩色影像

Fig. 1 Real color image of Lanzhou city

3 研究方法

3.1 归一化差值裸地指数（NDBLI）的构建

为了分析建筑用地信息在TM影像上的光谱特征及其与背景地物的差异,对兰州市四大主城区（西固区、安宁区、城关区和七里河区）的水体、植被、建筑用地及裸地4类主要典型地物进行了采样,其波段均值及光谱曲线分别如表1、图2所示。由图2可以看出,建筑用地与水体、植被的光谱特征差别较大,较好区分,而与裸地的光谱特征相似。建筑用地在TM4波段反射率最低,然后上升至TM5波段形成一个波峰后下降至TM7波段。归一化差值建筑用地指数（NDBI）就是由TM4波段与TM5波段创建。因为裸地信息在TM4和TM5波段上的趋势与建筑用地信息一致,且在TM5波段上的反射率最高,因此单独使用NDBI提取城市建筑用地信息会受到裸地信息的影响,故不能单独使用NDBI。为了让城市建筑用地信息与裸地信息更好的区分,需要创建新的指数。
图2 兰州实验区各主要土地利用类型的光谱特征

Fig. 2 Spectral signatures of major land use classes of the study area

表1 实验区各主要土地利用类型的波段均值

Tab. 1 Mean values of major land use classes in the study area

1波段 2波段 3波段 4波段 5波段 7波段
水体 98 99 137 62 22 18
植被 83 70 63 84 82 47
建筑用地 107 91 101 54 89 79
裸地 101 95 112 72 126 104
结合表1及图2可以发现以下几个典型地物的光谱特征：① 在TM1蓝波段,建筑用地的反射率最高,其次为裸地,反射率最低的为植被,且建筑用地在蓝波段的均值是最高的,达到了107,而在TM5短波红外波段的均值只有89,可见TM1>TM5; ② 虽然裸地与建筑用地的光谱特征相似,但是裸地在TM1蓝波段的均值是101,其在TM5短波红外波段的均值最高,达到了126,可见TM1<TM5,此光谱特征可作为区别建筑用地与裸地的一个重要特征;③ 植被与水体在TM1蓝波段与TM5短波红外波段的均值大小与建筑用地相似,均为TM1>TM5。因此,可选用TM1与TM5两个波段来构建区别于建筑用地信息的归一化差值裸地指数。
根据归一化差值指数的创建原理——将强反射波段置于分子,弱反射波段置于分母,从而得到以下模型表达式：
NDBLI = Band 5 - Band 1 Band 5 + Band 1
式中：Band5为TM5短波红外波段的反射率;Band1为TM1蓝波段的反射率。该指数称为归一化差值裸地指数（NDBLI）。
归一化差值建筑用地指数（NDBI）的前身为杨山提出的仿归一化植被指数[28],后由查勇等[12]改称为归一化建筑用地指数。其公式如下：
NDBI = Band 5 - Band 4 Band 5 + Band 4
该指数是根据城市建筑用地（多为不透水面）在TM5波段的反射率高于TM4波段的特点而创建。比值居民地指数（RRI）是由吴宏安等[20]为了去除裸地信息、提取建筑用地信息而创建的指数,它是利用TM影像的TM1蓝波段和TM4近红外波段建立比值运算而创建,其表达式如下：
RRI = Band 1 Band 4
为了更好地验证归一化差值裸地指数（NDBLI）能较好地区分建筑用地信息与裸地信息,因此对归一化差值建筑用地指数（NDBI）、比值居民地指数（RRI）及归一化差值裸地指数（NDBLI）分别对应的4种主要土地利用类型的均值及其差异进行比较,结果如表2所示。
表2 实验区4种主要土地利用类型的NDBI、RRI与NDBLI的均值及其差异

Tab. 2 Differences in the mean values of NDBI, RRI, and NDBLI among four major land use classes in study area

NDBI RRI NDBLI NDBI差异 RRI差异 NDBLI差异
水体 -0.47 1.62 -0.63 水体VS植被 0.46 1.52 0.62
植被 -0.01 0.10 -0.01 建筑用地VS水体 0.71 0.39 0.53
建筑用地 0.24 2.01 -0.10 水体VS裸地 0.74 0.20 0.73
裸地 0.27 1.42 0.10 植被VS建筑用地 0.25 1.91 0.09
裸地VS植被 0.28 1.32 0.11
建筑用地VS裸地 0.03 0.59 0.20
从谱间分析可以看出（图2）,建筑用地与裸地具有相似的光谱特征,它们在TM4近红外波段与TM5短波红外波段都具有TM5>TM4的特征。因此用TM4与TM5波段生成的归一化差值建筑用地指数（NDBI）影像的建筑用地与裸地的均值均为正值,且建筑用地的均值为0.24,裸地的均值为0.27,两者的差距只有0.03,非常容易造成二者混淆（表2）。然而,如果用TM1波段替换掉TM4波段,这一问题就得到了很大改善。由图2的光谱特征可以看出,建筑用地、水体及植被在TM5短波红外波段与TM1蓝波段具有TM5<TM1的特征,只有裸地是TM5>TM1。因此,用TM1与TM5构成的指数生成的NDBLI影像,只有裸地的均值呈正值。由表2可知,水体的均值为-0.63,植被的均值为-0.01,建筑用地的均值为-0.10,而裸地的均值为正值0.10。因此该指数可很好地区分裸地信息与其他地类信息,对裸地较多的地区,能起到增强裸地信息,抑制其他地类信息的效果。且该指数对应的建筑用地与裸地的均值差距由之前的0.03扩大到了0.20,增加了几乎7倍,大大减小了二者之间的混淆。由于比值居民地指数是由TM1波段与TM4波段的比值构建,故其对应的4种主要土地利用类型的均值不存在负值,且建筑用地的均值为2.01,裸地的均值为1.42,二者的差距扩大到0.59,大大增加了建筑用地与裸地之间的差异,同时除了建筑用地信息的均值是大于2,水体的均值仅为1.62,植被的均值仅为0.10,该指数大大增强了建筑用地信息,抑制了其他地类信息,可以很好地用来提取含裸地较多的城市建筑用地信息（表2）。因此,对于裸地较多的研究区,归一化差值裸地指数（NDBLI）与比值居民地指数（RRI）都能较好地区分建筑用地信息与裸地信息。

3.2 三指数合成影像NRM的构建

根据徐涵秋提出的压缩数据维的方法[21],利用新构建的归一化差值裸地指数（NDBLI）、比值居民地指数（RRI）以及修正型归一化水体指数（MNDWI）这3个指数波段构成一个新的3波段影像NRM,使原有的ETM+的7个波段影像减少到由其衍生的3个波段,从而使得影像数据从原来的7维降到3维,大大压缩了影像数据。同时,新构建影像3个波段的相关性很低,有些呈负相关（表3）,这明显降低了不同地类的光谱混淆现象。其一般包括以下步骤：① 影像预处理（辐射校正）;② 对遥感影像分别进行归一化差值裸地指数（NDBLI）、比值居民地指数（RRI）以及修正型归一化水体指数（MNDWI）的波段运算;③ 利用该三指数,分别代表研究区中的3种主要地类——裸地、建筑用地和水体,合成这3指数波段构建新的三指数合成影像NRM（图3）;④ 对新的三指数合成影像NRM作最大似然的监督分类;⑤ 对提取结果作二值化处理（即将影像分为建筑用地和非建筑用地两类）,并对提取出的城市建筑用地作掩膜以及低通滤波的去噪处理。提取结果如图4所示,蓝色部分为提取出的城市建筑用地信息,其背景为真彩色影像。
图3 兰州实验区三指数合成影像NRM

Fig. 3 Three-index synthetic image NRM in Lanzhou study area

表3 三指数合成影像NRM的相关系数

Tab. 3 Correlation coefficients of three-index synthetic image composed of NDBLI, RRI, and MNDWI bands

NDBLI RRI MNDWI
NDBLI 1.000 000 0.071 361 -0.373 502
RRI 0.071 361 1.000 000 -0.922 954
MNDWI -0.373 502 -0.922 954 1.000 000
图4 三指数合成影像NRM的实验区城市建筑用地信息提取结果

注：图4、图6、图8中红色小框圈出的区域用于与图9城市建筑用地信息叠加进行对比。

Fig. 4 Extracted urban built-up land information based on the three-index synthetic image NRM in study area

3.3 三指数合成影像PNR的构建

对影像进行主成分分析可以降低多光谱波段之间的相关性,且能突出主要信息、隔离噪声及减少数据集的维数。由于主成分分析后影像的主要信息集中在第一主成分波段,为了增强主要信息,减少波段之间的相关性,因此对影像进行主成分分析并提取其第一主成分波段作为单独的影像波段（PC1）。由前所述,可知归一化差值建筑用地指数（NDBI）与比值居民地指数（RRI）都可以用来提取城市建筑用地信息,结合集成学习的思想,利用第一主成分波段（PC1）、归一化差值建筑用地指数（NDBI）以及比值居民地指数（RRI）这3个指数波段构成一个新的3波段影像PNR。其步骤如下： ① 影像预处理（辐射校正）;② 对遥感影像进行主成分分析并提取出第一主成分波段;③ 对遥感影像进行归一化差值建筑用地指数（NDBI）及比值居民地指数（RRI）的波段运算;④ 将第一主成分波段（PC1）、归一化差值建筑用地指数（NDBI）以及比值居民地指数（RRI）合成构建新的三指数影像PNR（图5）;⑤ 对三指数合成影像PNR作最大似然的监督分类;⑥ 对提取结果作二值化处理（即将影像分为建筑用地和非建筑用地两类）,并对提取出的城市建筑用地作掩膜以及低通滤波的去噪处理。提取结果如图6所示,红色部分即为提取出的城市建筑用地信息,其背景为真彩色影像。
图5 兰州实验区三指数合成影像PNR

Fig. 5 Three-index synthetic image PNR in Lanzhou study area

图6 三指数合成影像PNR的实验区城市建筑用地信息提取结果

Fig. 6 Extracted urban built-up land information based on the three-index synthetic image PNR in study area

4 实验结果对比分析与精度评价

为了研究城市建筑用地信息准确提取的方法,徐涵秋[21]提出了压缩数据维的方法,其选取了归一化差值建筑用地指数（NDBI）、修正型归一化差值水体指数（MNDWI）和土壤调节植被指数（SAVI）来代表城市建筑用地的3种最主要地类——建筑用地、水体和植被,并合成该3个指数波段形成了一个新的三指数合成影像NMS。本文三指数合成影像NRM与三指数合成影像PNR就是结合了徐涵秋[21]提出的压缩数据维的方法。为了将三指数合成影像NRM和PNR这2个影像提取出的城市建筑用地信息与徐涵秋提出的三指数合成影像的提取效果作对比,需要进行以下操作：① 对预处理后的影像进行归一化差值建筑用地指数（NDBI）、修正型归一化差值水体指数（MNDWI）与土壤调节植被指数（SAVI）的波段运算;② 合成这3个指数以形成三指数合成影像NMS（图7）;③ 对三指数合成影像作最大似然的监督分类;④ 对提取结果作二值化处理（即将影像分为建筑用地和非建筑用地两类）,并对提取出的城市建筑用地作掩膜以及低通滤波的去噪处理。其提取结果如图8所示,图中绿色部分即为提取出的城市建筑用地信息。
图7 兰州实验区三指数合成影像NMS

Fig. 7 Three-index synthetic image NMS in Lanzhou study area

图8 三指数合成影像NMS的实验区城市建筑用地信息提取结果

Fig. 8 Extracted urban built-up land information based on the three-index synthetic image NMS in study area

对比图4、图6、图8可以发现,三指数合成影像NRM与PNR及徐涵秋的三指数合成影像NMS对城市建筑用地信息的提取效果均较好,比较各图（图4、图6、图8）中红色小框圈出的区域以及三幅影像城市建筑用地信息叠加的细节对比图（图9）可以看出图4与图8误提现象明显,即在三指数合成影像NRM与徐涵秋的三指数合成影像NMS的提取结果中将植被误提取成城市建筑用地信息（植被信息可参见图3、图5、图7）,而图6即三指数合成影像PNR的城市建筑用地信息提取结果存在该现象较少。由于该现象是植被信息与城市建筑用地信息出现了混淆,故不考虑水体指数。
图9 影像NRM、PNR、NMS的实验区城市建筑用地信息叠加结果及区域细节对比

Fig. 9 Comparison of the urban built-up land information and zoom-in details based on NRM, PNR, and NMS in study area

由表2可知：① 归一化差值裸地指数（NDBLI）对应的植被均值为-0.01,建筑用地均值为-0.10,二者差异只有0.09,而比值居民地指数（RRI）对应的植被均值为0.10,建筑用地均值为2.01。虽然三指数合成影像NRM中的波段RRI能较好地区分植被与建筑用地,但由于比值波段NDBLI对应的植被与建筑用地均值差异太小,很容易造成二者的混淆,因此该三指数影像在提取城市建筑用地信息时会出现将植被误提为城市建筑用地信息的现象;② 归一化差值建筑用地指数（NDBI）对应的植被均值为-0.01,建筑用地均值为0.24,二者的差异只有0.25,差异较小。在徐涵秋的三指数合成影像NMS中,由于其他2个指数波段分别是归一化差值水体指数（MNDWI）与土壤调节植被指数（SAVI）,它们分别代表水体与植被,对归一化差值建筑用地指数（NDBI）并不能起到增强建筑用地信息,抑制其他地类信息的作用,故该三指数合成影像在提取城市建筑用地信息时容易造成二者混淆。对于三指数合成影像PNR,虽然其也包含归一化差值建筑用地指数（NDBI）波段,但是其比值居民地指数（RRI）波段增强了城市建筑用地信息,且主成分分析的第一波段（PC1）也增强了影像主要信息,减少了图像噪音,故能较好地抑制植被信息,从而减少了植被信息与城市建筑用地信息的光谱混淆现象。
为了对3种方法的提取结果进行定量分析,本文结合现有同时相 ETM + 影像的15 m分辨率的Pan波段,采用随机抽样的方式,在兰州市研究区抽取14 956个验证像元作为检验样本,建立3种方法的混淆矩阵（表4）。
表4 3种三指数合成影像对应的混淆矩阵

Tab. 4 Confusion matrixes of the three-index synthetic image

提取影像 专题数据 参考数据 行像元总数 使用者精度/%
建筑用地像元数 非建筑用地像元数
三指数合成影像NRM 未分类像元数 1 109 110
建筑用地像元数 2998 455 3453 86.82
非建筑用地像元数 332 11 061 11 393 97.09
列像元总数 3331 11 625 14 956
生产者精度/% 90.00 95.15
总精度/% 94.0024
Kappa 0.8318
三指数合成影像PNR 未分类像元数 0 24 24
建筑用地像元数 2913 100 3013 96.68
非建筑用地像元数 418 11 501 11 919 96.49
列像元总数 3331 11 625 14 956
生产者精度/% 87.45 98.93
总精度/% 96.3760
Kappa 0.8920
三指数合成影像NMS 未分类像元数 19 195 214
建筑用地像元数 2970 667 3637 81.66
非建筑用地像元数 342 10 763 11 105 96.92
列像元总数 3331 11 625 14 956
生产者精度/% 89.16 92.58
总精度/% 91.8227
Kappa 0.7782
从表4的生产者精度来看,3种三指数合成影像提取城市建筑用地信息的精度相差不大,最高是90.00%,而最低也达到了87.45%,这说明3种三指数合成影像在提取城市建筑用地信息的效果都较好。三指数合成影像NRM和三指数合成影像PNR提取非建筑用地信息的精度高于徐涵秋的三指数合成影像NMS,其中三指数合成影像PNR的生产精度达到了98.93%,三指数合成影像NRM的生产精度达到了95.15%,而三指数合成影像NMS的生产精度仅为92.58%,这说明三指数合成影像NRM和PNR抑制裸地信息的效果优于徐涵秋提出的三指数合成影像NMS。从总精度和Kappa系数来看,三指数合成影像PNR的最高,其总精度达到了96%以上,Kappa系数达到了0.8920。综合以上分析,利用三指数合成影像PNR提取城市建筑用地信息的效果优于三指数合成影像NRM和三指数合成影像NMS。

5 方法验证

为了验证利用三指数合成影像PNR提取城市建筑用地信息的方法在不同时空条件下的适用性以及以上结论的有效性,本文选用2003年2月1日青海省西宁市四大主城区的Landsat7 ETM+影像作验证,分别利用三指数合成影像NRM、三指数合成影像PNR和三指数合成影像NMS 3种方法提取城市建筑用地信息。为了更好的比较影像的提取结果,以下城市建筑用地信息未进行掩膜处理,其结果如图10所示,提取结果背景为真彩色影像。
图10 西宁市真彩色影像和影像NRM、PNR、NMS的城市建筑用地信息提取结果对比

Fig. 10 Real color image of Xining and extracted urban built-up land information based on the three-index synthetic images NRM, PNR, NMS

对比3种方法的提取结果可以发现,利用三指数合成影像PNR提取城市建筑用地信息,其抑制裸地的效果明显优于三指数合成影像NRM和三指数合成影像NMS。利用三指数合成影像NRM和三指数合成影像NMS提取的城市建筑用地信息结果中,存在将大量裸地信息误提为城市建筑用地信息的现象,而利用三指数合成影像PNR提取的结果中,将裸地信息与城市建筑用地信息混淆的现象较少。
为了定量比较3种方法的提取精度,本文采用随机抽样的方式,在西宁市研究区抽取4722个验证像元作为检验样本,建立混淆矩阵（表5）。
表5 3种三指数合成影像对应的混淆矩阵

Tab. 5 Confusion matrixes of the three-index synthetic images

提取影像 专题数据 参考数据 行像元总数 使用者精度/%
建筑用地像元数 非建筑用地像元数
三指数合成影像NRM 未分类像元数 0 35 35
建筑用地像元数 1589 440 2029 78.31
非建筑用地像元数 121 2537 2658 95.45
列像元总数 1710 3012 4722
生产者精度/% 92.92 84.23
总精度/% 87.3782
Kappa 0.7399
三指数合成影像PNR 未分类像元数 0 31 31
建筑用地像元数 1628 319 1947 83.62
非建筑用地像元数 82 2662 2744 97.01
列像元总数 1710 3012 4722
生产者精度/% 95.20 88.38
总精度/% 90.8513
Kappa 0.8094
三指数合成影像NMS 未分类像元数 0 61 61
建筑用地像元数 1571 358 1929 81.44
非建筑用地像元数 139 2593 2732 94.91
列像元总数 1710 3012 4722
生产者精度/% 91.87 86.09
总精度/% 88.1830
Kappa 0.7553
由表5可知,三指数合成影像PNR的使用者精度、生产者精度、总精度和Kappa系数指标均高于三指数合成影像NRM和三指数合成影像NMS,三指数合成影像PNR的总精度达到了90.8513%,Kappa系数为0.8094,提取效果较好。

6 结论

本文针对西北地区含裸地较多的城市建筑用地,以2000年兰州市四大主城区和2003年西宁市四大主城区Landsat7 ETM+影像为实验数据,构建了2种新型的三指数合成影像NRM与PNR,利用三指数合成影像作最大似然分类提取了城市建筑用地信息,并将其结果与徐涵秋提出的三指数合成影像NMS的提取结果作了对比分析。其研究结果如下：
（1）本文提出了1个归一化差值裸地指数（NDBLI）,其可以较好地区分建筑用地信息与裸地信息,起到增强裸地信息,抑制其他地类的效果。利用该指数、比值居民地指数（RRI）及修正型归一化水体指数（MNDWI）分别代表裸地、建筑用地、水体,构建了一个新的包含3个波段的三指数合成影像NRM。实验表明,利用影像NRM作最大似然分类提取城市建筑用地信息的效果较好,其中,提取兰州实验区的总精度为94.0024%,提取西宁实验区的总精度为87.3782%。
（2）由于主成分分析具有增强主要信息,减少影像噪音的效果,且主要信息都集中在第一主成分波段,故提取了主成分分析的第一波段（PC1）。归一化差值建筑用地指数（NDBI）和比值居民地指数（RRI）都能提取建筑用地信息,根据集成学习的思想,利用该3个指数构建了一个新的包含3个波段的三指数合成影像PNR,对其进行最大似然分类提取了城市建筑用地信息。3个三指数合成影像（NRM、PNR、NMS）的实验结果对比表明,利用三指数合成影像PNR提取城市建筑用地信息的精度最高,其提取兰州实验区的总精度为96.3760%,提取西宁实验区的总精度为90.8513%,适用于提取西北地区含裸地较多的城市建筑用地。
（3）本文方法对西北地区含裸地较多的研究区可取得较好的提取效果。在后续工作中可进一步研究对于含裸地稀少、植被及水体较多的地区,该方法的适用性以及研究别的更好方法。
需要说明的是：① TM影像需要经过辐射校正,以减少因日照差异和大气条件不同的影响; ② 在构建归一化差值裸地指数（NDBLI）及构建三指数合成影像NRM、PNR、NMS时,需要用到TM影像的6个波段（除热红外波段）,也适用于具有相同波段的Landsat ETM+影像（本文使用的就是Landsat7 ETM+影像）,但不适用于不含该6个波段的其他遥感数据。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
顾娟, 陈军, 张宏伟 , 等. 基于遥感影像的居民地提取研究综述与展望[J]. 计算机工程与应用,2007,43(30):1-4.

[ Gu J, Chen J, Zhang H W , et al. Residential area extraction from remotely sensed image: Review and prospects Review and prospect of residential land extraction based on re-mote sensing imagery[J]. Computer Engineering and Applications, 2007,43(30):1-4. ]

[2]
杨存建, 周成虎 . TM影像的居民地信息提取方法研究[J]. 遥感学报, 2000,4(2):146-150.

[ Yang C J, Zhou C H . Study on the method of extracting residential land information from TM images[J]. Journal of Remote Sensing, 2000,4(2):146-150. ]

[3]
赵萍, 冯学智, 林广发 . SPOT卫星影像居民地信息自动提取的决策树方法研究[J]. 遥感学报, 2003(4):309-315.

[ Zhao P, Feng X Z, Lin G F . A decision tree method for automatic extraction of residents' land iInformation from SPOT Satellite images[J]. Journal of Remote Sensing, 2003(4):309-315. ]

[4]
杨存建, 周成虎 . 基于知识发现的TM图像居民地自动提取研究[J]. 遥感技术与应用, 2001,16(1):1-6.

[ Yang C J, Zhou C H . Research on automatic extraction of TM image residents based on Knowledge discovery[J]. Remote Sensing Technology and Application, 2001,16(1):1-6. ]

[5]
高永光, 祝民强, 朱骥 , 等. 赣中红壤TM 图像的居民地信息自动提取专家模式研究[J]. 国土资源遥感, 2002,54(4):67-69.

[ Gao Y G, Zhu M Q, Zhu W , et al. Study on the expert model of automatic extraction of residents' land information in the middle of red earth TM image[J]. Remote Sensing for Land and R-esources, 2002,54(4):67-69. ]

[6]
安如, 赵萍, 王慧麟 , 等. 遥感影像中居民地信息的自动提取与制图[J]. 地理科学, 2005,25(1):74-80.

[ An R, Zhao P, Wang H L , et al. Automatic extraction and mapping of residential land information in remo-te sensing images[J]. Scientia Geographica Sinica, 2005,25(1):74-80. ]

[7]
吴志杰, 赵书河 . 基于TM图像的“增强的指数型建筑用地指数”研究[J]. 国土资源遥感, 2012(2):50-55.

[ Wu Z J, Zhao S H . Study on "Enhanced Index Type Building Land Index" based on TM image[J]. Remote Sensing of Land and Resources, 2012(2):50-55. ]

[8]
Weng Q H, Hu X F . Medium spatial resolution satellite imagery for estimating and mapping urban impervious surfaces using LSMA and ANN[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008,46(8):2397-2406.

[9]
Zhang Y J, Chen L, He C. Estimating urban impervious surfaces using LS-SVM with multi-scale tex-ture[C]//Urban Remote Sensing Event, 2009 Joint. Shanghai, China: IEEE, 2009: 1-6.

[10]
Ridd M K . Exploring a V-I-S (vegetation-impervious surface-soil) model for urban ecosystem analys-is through remote sensing: Comparative anatomy for cities[J]. International Journal of Remote Sensing, 1995,16(12):2165-2185.

DOI

[11]
唐梁博, 崔海山 . 基于NPP-VIIRS夜间灯光数据和Landsat-8数据的城镇建筑用地提取方法改进——以广州市为例[J]. 测绘与空间地理信息, 2017,40(9):69-73.

[ Tang L B, Cui H S . Improvement of urban construction land etraction method based on NPP-VIIRS night lighting data and Landsat 8 data Take Guangzhou as an example[J]. Mapping and Spatial Geographic Information, 2017,40(9):69-73. ]

[12]
查勇, 倪绍祥, 杨山 . 一种利用TM图像自动提取城镇用地信息的有效方法[J]. 遥感学报, 2003,7(1):37-40.

[ Zha Y, Ni S X, Yang S . An effective method for automatically extracting urban land use Infor-mation using TM images[J]. Journal of Remote Sensing, 2003,7(1):37-40. ]

[13]
樊风雷, 刘润萍, 张佃国 . 一种改进的城市建筑用地信息提取方法及在广州地区的应用[J]. 华南师范大学学报(自然科学版), 2014,46(4):98-102.

[ Fan F L, Liu R P, Zhang Y G . An improved method for ex-tracting urban building land information and its application in Guangzhou[J]. Journal of South China Normal University (Natural Science), 2014,46(4):98-102 ]

[14]
Varshney A, Rajesh E . A comparative study of built-up index approaches for automated extraction of built-up regions from remote sensing data[J]. Journal of the Indian Society of Remote Sensing, 2014,42(3):659-663.

[15]
Varshney A . Improved NDBI differencing algorithm for built-up regions change detection form remote sensing daa: An automated approach[J]. Remote Sensing Letters, 2013,4(5):504-512.

DOI

[16]
Masek J G, Lindsay F E, Goward S N . Dynamics of urban growth in Washington D C metropolitan area 1973-1996. from Landsat observations. International Journal of Remote Sensing, 2000,21(18):3473-3486.

[17]
Guindon B, Zhang Ying, Dillabaugh C . Landsat urban mapping based on a combined spectral-spatial methodology[J]. Remote Sensing of Environment, 2004,92(2):1080-1083.

[18]
Jun Z, Peijun L, Jinfei W . Urban Built-Up Area Extraction from Landsat, TM/ETM+ Images Using Spectral Information, and Multivariate Texture[J]. Remote Sensing, 2014,6(8):7339-7359.

[19]
陈洁丽, 刘永学, 李满春 , 等. 一种基于遥感数据快速提取居民地信息的新方法[J]. 地理与地理信息科学, 2010,26(5):72-75.

[ Chen J L, Liu Y X, Li M C , et al. A new method for quickly extracting residential land information based on remote sensing data[J]. Geography and Geo-Information Science, 2010,26(5):72-75. ]

[20]
吴宏安, 蒋建军, 张海龙 , 等. 比值居民地指数在城镇信息提取中的应用[J]. 南京师大学报:自然科学版, 2006,29(3):118-121.

[ Wu H A, Jiang J J, Zhang H L , et al. Application of ratio residential land index in urban information extraction[J]. Journal of Nanjing Normal University: Natural Science Edition, 2006,29(3):118-121. ]

[21]
徐涵秋 . 基于压缩数据维的城市建筑用地遥感信息提取[J]. 中国图象图形学报, 2005,10(2):223-229.

[ Xu H Q . Remote sensing information extraction of urban building land based on compressed data dim-ension[J]. Journal of Image and Graphics, 2005,10(2):223-229. ]

[22]
Xu H . A New Index for Delineating Built up Land Features in Satellite Imagery[J]. International Journal of Remote Sensing, 2008,29(14):4269-4276.

DOI

[23]
徐涵秋, 杜丽萍 . 遥感建筑用地信息的快速提取[J]. 地球信息科学学报, 2010,12(4):574-578.

[ Xu H Q, Du L P . Fast extraction of remote sensing building land information[J]. Journal of Geo-information Science, 2010,12(4):574-578. ]

[24]
邓刘洋, 沈占锋 . 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.

[ Deng L Y, Shen Z F . Built up area extraction and urban expansion analysis based on remote sensing images[J]. Journal of Geo-information Science, 2018,20(7):996-1003. ]

[25]
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.

[ 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. ]

[26]
裴卫强 . 地理空间数据云在政府生态文明审计的应用[J]. 河北企业, 2018(6):66-67.

[ Pei W Q . Application of geospatial data cloud in government ecological civilization Audit[J]. Hebei Enterprises, 2018(6):66-67. ]

[27]
徐涵秋 . Landsat 遥感影像正规化处理的模型比较研究[J]. 地球信息科学, 2008,10(3):294-301.

[ Xu H Q . A comparative study on the modeling of landsat remote sensing image normalization processing[J]. GeoInformation Science, 2008,10(3):294-301. ]

[28]
杨山 . 发达地区城乡聚落形态的信息提取与分形研究—以无锡市为例[J]. 地理学报, 2000,55(6):671-678.

[ Yang S . Study on information extraction and fractal of urban and rural settlement patterns in developed areas: A case study in Wuxi City[J]. Acta Geographica Sinica, 2000,55(6):671-678. ]

Options
文章导航

/

〈 〉