EN中文

Journal of Geo-information Science >

2015 , Vol. 17 >Issue 6: 750 - 756

DOI: https://doi.org/10.3724/SP.J.1047.2015.00750

Orginal Article

A Method of Extracting Urban Built-up Area Based on DMSP/OLS Nighttime Data and Google Earth

  • SONG Jinchao ,
  • LI Xinhu , * ,
  • LIN Tao ,
  • ZHANG Guoqin ,
  • YE Hong ,
  • HE Xiaoyan ,
  • GE Rubing
Expand
  • Institute of Urban Environment, Chinese Academy of Sciences, Xiamen 361021, China
*Corresponding author: LI Xinhu, E-mail:

Received date: 2014-08-11

  Request revised date: 2014-11-06

  Online published: 2015-06-10

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

DMSP-OLS nighttime data has been widely used for extracting urban built-up area since the 1970s. It has also been used to estimate the economic level, density of population, changes in spatial patterns of urban landscapes, spatial dynamics of fishery, and the relationships between urbanization, human health and energy consumption. Due to the light’s characteristic of overflowing, the range of city extracted by DMSP-OLS nighttime data surpasses its real boundary in urban area extraction. Therefore, an accurate light threshold determination has become a research hotspot in recent years. In this paper, we sum up the features of four commonly used methods from other dissertations. Then, a spatial comparison method based on Google Earth is adopted to determine the optimum value of light threshold for urban built-up area extraction. Because factors such as terrain and traffic have significant impacts on the urban form, and the urban form influences the value of light threshold, the results of threshold for urban built-up area extraction are divided into two categories according to the urban form. The optimum thresholds for crumb city and strip city are 43 and 47 respectively. Compared to other methods, the spatial comparison method based on Google Earth has two advantages in innovation. Firstly, the classification of threshold result is based on the urban form; meanwhile, it not only breaks the limit of statistical data, but also improves the accuracy of urban built-up area extraction. Secondly, the data sources such as DMSP-OLS nighttime data and Google Earth image used in this method are free and easy to acquire. The method picks a series of sampling points around the whole city on Google Earth as the reference data, which displays not only the results of traditional statistics, but also the spatial differences between the real boundary and the urban area extracted by DMSP-OLS nighttime data. In a word, this method is suitable for extracting urban built-up area in regions with complicated terrains and diverse urban forms.

Key words： DMSP/OLS nighttime data; Google Earth; urban built-up area; urban form; slope

Cite this article

SONG Jinchao , LI Xinhu , LIN Tao , ZHANG Guoqin , YE Hong , HE Xiaoyan , GE Rubing . A Method of Extracting Urban Built-up Area Based on DMSP/OLS Nighttime Data and Google Earth[J]. Journal of Geo-information Science, 2015 , 17(6) : 750 -756 . DOI: 10.3724/SP.J.1047.2015.00750

1 引言

DMSP夜晚灯光数据来源于美国军事气象卫星DMSP搭载的线性扫描业务系统,即OLS传感器。普通的卫星传感器接收的是太阳辐射到达地面再通过地物反射后的电磁辐射信息,可用的数据大多在白天成像,而DMSP/OLS在夜间使用的光学倍增管,可以探测到低量级的光源辐射[1],因此,具有很强的光电放大性能,可以探测城市灯光、道路灯光甚至低亮度暂时性灯光,如渔灯、火灾、小规模的人类活动区域等,使之明显区别于黑暗的背景[2]。DMSP/OLS夜间灯光图像已经应用于多个领域,例如,对城市建成区的提取[3]、经济水平[4]和人口密度的估算[5]、城市群空间格局变化[6]、海洋渔业捕捞监测[7]、人类健康与城市化的关系[8]、能源消耗[9-10]等,因此,作为反映人类活动综合信息数据源的夜晚灯光数据有广泛的应用前景。
由于灯光具有溢出特性,在利用夜晚灯光数据提取城市建成区过程中,监测到的灯光范围超出真实建成区边界,因此确定最佳阈值成为相关研究热点。常用确定最佳阈值的方法有：统计数据比较法、较高分辨率影响比较法、突变检测法、经验阈值法。何春阳等[11]使用统计数据比较法通过调整非辐射定标平均强度数据的阈值使提取城镇面积逐渐接近统计面积,选取最佳阈值进而对中国城市化空间过程进行重建;王翠平等[12]利用稳定灯光数据以经验阈值的6%对我国主要城市群空间扩张特征进行分析;有学者[13]用较高分辨率比较法对美国6个州以48-52为阈值从夜晚灯光数据中提取城市区域面积与MODIS影像做比较,得出最佳阈值为50;Henderson等以较高分辨率影像比较法利用夜晚灯光数据对不同发展及城市化程度的旧金山、北京、拉萨等提取城市建成区,最终确定3个等级的最佳灯光阈值分别为51、30和19[22];舒松等[14]以提取上海市建成区为例,使用不同方法得到不同阈值的结果认为,突变检测法的可操作性较高。
通过对上述不同方法获取最佳阈值的研究,参考已有研究中使用不同方法确定最佳阈值的经验,总结4种方法的优缺点：
（1）经验阈值法方便,但主观性较强,所得结果因研究者不同而有差异[14];
（2）统计数据比较法需要以研究区统计数据为基础,受统计数据准确性限制,并且只能从建成区面积数值而不能从空间形态上进行比较;
（3）突变检测法客观性较强,但数据处理繁琐,另外,对于受地形因素影响、城市建成区外围没有零星斑块的城市,突变检测法需要依据不同城市形态调整相应方法;
（4）较高分辨率影像空间比较法需以研究区域影像作为辅助数据,成本较高且数据处理复杂,但本方法以地形因素和城市形态分类,利用夜晚灯光数据提取城市建成区更加准确。
在已有研究中,关于灯光数据提取不同类型城市建成区的阈值分类是基于经济数据和人口密度的地区差异,但受地形和交通等因素影响,城市建成区表现出不同形态,因此,影响夜晚灯光数据提取城市建成区的阈值。本文以地形因素和城市形态,将城市进行分类得到了不同形态的城市建成区阈值,大尺度地提高了城市建成区提取的准确率。

2 数据来源与方法

2.1 数据来源

早期DMSP/OLS夜晚灯光数据是稳定灯光数据,缺少灯光强度信息。本文中所用数据为非辐射定标夜间平均强度数据,由日本国立环境研究所、东京大学和美国地理信息中心共同开发,专门适用于亚洲地区,已去除偶然噪声,对不同增益下的像元值平均化处理,背景值为0,像元值范围1-63。
以2011年夜晚灯光数据影像为提取城市建成区的主要数据源,用Google Earth 2011年影像为验证数据,预处理过程中使用的统计数据来自于2007-2012年《中国城市统计年鉴》。厦门市2011年遥感影像来自地理空间数据云平台,SRTM 90 m数字高程数据由美国太空总署（NASA）和国防部国家测绘局（NIMA）联合测量。数字高程数据存在不同版本[15],本文使用SRTM插值算法V 4.1版本,来自地理空间数据云平台。

2.2 建成区提取方法

2.2.1 基本思路
提取城市建成区以夜晚灯光数据和Google Earth影像为基础数据（图1）。其根据城市形态选取样本城市,对夜晚灯光数据进行预处理,在不同假设阈值下对灯光数据进行二值化,得到假设阈值下的城市建成区边界;在Google Earth中,根据城市建成区在遥感影像中的表现特征采集建成区和非建成区样点,将采样点与不同假设阈值下的城市建成区边界进行叠加,以采样点对表示的建成区和非建成区为标准,确定夜晚灯光数据提取城市建成区的最佳阈值。
Fig. 1 Flowchart of data processing

图1 数据处理流程

Fig. 2 The overlay map of DMSP/OLS nighttime data and Google Earth sampling points

图2 夜晚灯光数据与Google Earth采样点叠加示意图

2.2.2 主要方法
（1）城市形态分类
城市形态主要指城市用地的外部几何形态,即城市建成区形状,分为团块状城市、带状城市、星状城市、组团状城市等,根据城市形态分类规则（表1）将城市分为2类：带状城市和块状城市。
Tab. 1 Rules of urban form classification

表1 城市形态分类规则

城市分类 周围坡度 形状率
块状城市 <17° >0.5
带状城市 >17° <0.5
以Horton提出的形状指标[16]为标准,进行城市形态分类：
Q = A / L 2 （1）
式（1）中,A为区域面积;L为区域最长轴的长度,Q为形状率。当Q≥0.5时,城市为块状形态;Q<0.5时,城市为带状形态。
利用DEM提取坡度信息,根据“城市用地竖向规划规范”中城市主要建设用地是以规划坡度要求,最低的居住用地自然坡度应小于17°。因此,在地形复杂地区,部分城市建设受地形坡度影响,形成带状城市,建成区周边坡度大于17°,除公园外,坡度大于30°的城市建成区极少;而不受地形或交通因素影响形成的块状城市,城市建成区坡度小于17°,不沿某一轴线发展而向四周扩张。鉴此,将城市分为块状城市和带状城市。
（2） 夜晚灯光数据预处理
参照已有研究方法[1,17-19],结合《中国城市统计年鉴》中2007-2012年各城市地区生产总值增长率和人口自然增长率数据,以及2007-2012年的夜晚灯光数据分析。首先,选取2010年潍坊市灯光影像作为辐射定标数据,以定标区年度间的像元关系校正其他区域相应年度灯光像元值;然后,对夜晚灯光数据去异常值;最后,将2011年夜晚灯光数据按照不同假设阈值进行二值化,分为城市建成区和非建成区,得到城市建成区轮廓。
（3）Google Earth数据采样方法
以Google Earth 2011年影像作为基础数据,已有城市行政边界作为掩膜,依据城市建成区在遥感影像中的显示特征,通过目视解译判别建成区边界。如图2所示,在Google Earth中,在城市建成区和非建成区各采样点,正值点表示城市建成区,负值点表示非城市建成区,两点形成正负值点对,且两点形成的直线垂直于建成区边界。正负值点对的距离在1.5~2 km之间（由于原始夜晚灯光数据的分辨率为1 km,此距离保证2点落在相邻的栅格内）,两相邻正值点的距离在1.5 km左右,采样点数量根据城市范围的大小确定。
（4）准确性验证——叠加统计分析
将Google Earth中提取的点对导入ArcGIS平台,与夜晚灯光数据中提取的城市建成区轮廓进行叠加分析（图2）,统计符合要求（即正值点落在城市建成区1范围内,负值点落在非城市建成区范围内）的点对数量,利用式（2）计算准确率P。
P = R / T (2)
式中,R为符合要求点对数量;T为点对总数量。
准确率最高值对应的灯光阈值为本城市提取建成区的最佳阈值,通过最佳阈值出现的频率和稳定性确定该类城市提取建成区的最佳阈值。

3 城市建成区提取结果分析

3.1 城市建成区提取准确率

夜晚灯光数据提取的建成区面积与国内生产总值和人口密度具有较强的相关性[20-22],有研究认为GDP与城市建成区面积的关系为 logGDP = - 3.185 + 1.159 × ( log arealit ) 。其中,arealit表示该区域的灯光亮度值, R 2 = 0.97 。对此,本文根据Henderson等利用夜晚灯光数据确定城市边界研究分别提取的1989年旧金山、北京和拉萨城市建成区的最佳灯光阈值51、30和19[22],在考虑已有研究GDP对灯光阈值影响的基础上,分析了城市形态对最佳灯光阈值的影响。另据《中国城市统计年鉴2012》的市辖区生产总值统计数据将全国城市分为2类：第1类为特大型城市,市辖区生产总值高于4000亿（如北京、上海、天津、广州、杭州等）,另据实验结果显示,该类城市2012年的最佳灯光阈值为49,由于这些城市多为地形平坦地区,城市形态多为块状城市而非带状城市,不能在城市形态上形成比较,因此,没有列入本研究的城市形态比较中;第2类为市辖区GDP<4000亿的城市。由于夜晚灯光与GDP有较强的相关性,且这些城市在形态上具有可比性,因此,本研究从第2类城市中选取10个城市作为样本,根据城市形态将城市分为块状城市（如宁波、厦门、沈阳、长春、长沙）和带状城市（如三明、贵阳、兰州、拉萨、西宁）。
图3为每个城市对应某一阈值的准确率P,以及每个阈值下所有城市准确率P的方差,选取准确率高并且方差较小的像元值作为最佳阈值。通过分析得出,块状城市的最佳阈值集中在42、43、44,而带状城市的最佳阈值明显高于其他城市,主要集中在47、48、49。因此,依据上述选取最佳阈值的规则确定块状城市的最佳阈值为43,带状城市的最佳阈值为47。
Fig. 3 Statistical result of the thresholds for extracting urban area using DMSP/OLS nighttime data

图3 夜晚灯光数据提取建成区的最佳阈值统计

城市形态因素影响最佳阈值的大小：（1）块状城市有较大发展腹地,周围多有零星斑块,而带状城市由于城市两侧多为山体,城市建成区相对集中且建成区界限明显;（2）由于灯光具有溢出特性,处于平原地区的城市夜晚灯光溢出范围较大,而带状城市两侧多为山体,夜晚灯光集中难以溢出,故此,其提取城市建成区的灯光数据阈值大于处在平坦地区的块状城市。
从图3可看出,以47为最佳阈值提取带状城市建成区的平均准确率为69%,以43为最佳阈值提取的块状城市建成区的平均准确率为67%。带状城市提取的城市建成区的准确率高于块状城市,这种结果与城市形态是否规则有关。例如,非带状城市中的放射型城市由于受灯光溢出的影响,放射夹角之间的非建成区域灯光亮度值较高被划为城市建成区,故此块状城市准确率降低,而受地形影响的带状城市受到此类影响较少,准确率较高。表2为本方法的2种阈值提取城市建成区与统计数据中城市建成区面积比较,结果显示：灯光数据提取的城市建成区超过统计数据中的面积数量,且相对误差在10%以下,存在误差的主要原因是由于灯光溢出特性,城市内部的空地、公园等非城市建设用地被划为城市建成区,而统计数据中对于城市建设用地和非建设用地划分较为精确。图4是以厦门市为例,较高分辨率影像空间比较法,利用TM影像得到的城市建成区确定最佳阈值为44,并且以阈值44提取的灯光数据建成区边界,计算得到其相对误差为23%。舒松[14]等在夜晚灯光数据的城市建成区提取方法评价与应用中,对4种常用方法比较认为,统计数据比较法精确度最高,相对误差最小为-1.3%,TM影像数据比较法相对误差最大为-11.2%。本方法相对误差低于10%,并且对数据依赖程度较低,可实现性较高,故其可应用于大尺度范围的城市建成区的提取。
Tab. 2 Comparison between the statistical area and the extracted urban area based on two thresholds

表2 2种阈值提取的城市建成区面积与统计数据比较

统计数据面积（km2） 提取面积（km2） 相对误差（%）
块状城市 宁波 285 293 3
厦门 246 261 6
沈阳 430 438 2
长春 418 445 6
长沙 306 324 5
带状城市 三明 29 28 -3
贵阳 162 174 7
兰州 197 201 2
拉萨 62 66 6
西宁 75 71 -5
Fig. 4 Comparison of urban area that extracted by TM image and by nighttime data

图4 基于TM影像和夜晚灯光数据提取的城市建成区轮廓对比图

3.2 建成区提取结果

将上述阈值分类结果结合坡度信息提取城市建成区,图5是分别以最佳阈值47和43结合坡度提取的带状城市和块状城市建成区示意图。块状城市建成区及周围多在17°以下,带状城市建成区坡度<17°,城市建成区外围受>17°甚至30°的地形坡度限制。由于夜晚灯光具有溢出特性,提取的建成区有些地区坡度>17°,因此,在大尺度城市建成区研究中可使用坡度作为掩膜对灯光数据进行校正,使建成区提取结果更加精确
Fig. 5 Results of strip cities (a) and crumb cities (b) area generated by overlaying DMSP/OLS nighttime data and slope

图5 夜晚灯光数据和坡度叠加生成的城市建成区

4 结论

（1）以Google Earth影像空间比较法确定夜晚灯光数据,提取城市建成区阈值较其他方法表现出明显优势：操作方法简单、Google Earth影像作为验证数据客观真实且影像数据更新速度快,经济有效;对于成片的城市建成区可以比较直观的判别,不拘泥于统计数据,利用Google Earth提取的数据可与灯光影像提取出的城市建成区进行空间形态对比,而不限于面积的比较。
（2） 由于灯光具有溢出特性,夜晚灯光数据提取建成区为连续片状,Google Earth影像空间比较法采样点同样针对城市建成区外围,内部为片状建成区,因此,2种数据提取城市建成区的性质相同,准确性更高。城市建设用地对地形坡度有严格要求,但灯光具有溢出特性,使提取的建成区范围可能覆盖山地等不适宜建设城市的土地,因此,可用坡度信息作为掩膜解决由灯光溢出导致山地划入建成区的问题。
（3）已有研究对于不同类型城市提取城市建成区的最佳阈值分类不够系统和完善,我国多山地区很多城市受地形交通等因素影响,城市形态多样,若使用统一阈值提取城市建成区误差较大,本研究在更小尺度上确定适合2种城市形态利用灯光数据提取建成区的最佳阈值,便于在大尺度空间上与其他分类方式结合应用,使结果更准确。
（4） 目前,使用夜晚灯光数据大多在较低的亮度值范围,故在灯光强度信息方面尤其是高亮度值区域还有待于挖掘以便应用于更深层次的研究。另外,本研究对象集中在第二级城市,没有针对特大型城市的城市形态分类和最佳灯光阈值的确定,因此,特大型城市的灯光阈值确定还有待深入研究。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Elvidge C D, Baugh K E, Kihn E A, et al.Mapping city lights with night time data from the DMSP operational line scan system[J]. Photogrammetric Engineering and Remote Sensing, 1997,63(6):727-734.

[2]
Elvidge C D, Cinzano P, Pettit D R, et al.The Nightsat mission concept[J]. International Journal of Remote Sensing, 2007,28(12):2645-2670.

[3]
廖兵, 魏康霞, 宋巍巍. DMSP/OLS夜间灯光数据在城镇体系空间格局研究中的应用与评价:以近16年江西省间城镇空间格局为例[J].长江流域资源与环境, 2012,21(11):1295-1300.

[4]
韩向娣, 周艺, 王世新, 等.夜间灯光遥感数据的GDP空间化处理方法[J].地球信息科学学报, 2012,14(1):128-136

[5]
王琪, 袁涛, 郑新奇.基于夜间灯光数据的中国省域GDP总量分析[J].城市发展研究, 2013,20(7):44-48.

[6]
范俊甫, 马廷, 周成虎, 等.1992-2010年基于DMSP-OLS图像的环渤海城市群空间格局变化分析[J].地球信息科学学报, 2013,15(2):280-288.

[7]
Waluda C M, Griffiths H J, Rodhouse P G.Remotely sensed spatial dynamics of the Illex argentinus fishery, Southwest Atlantic[J]. Fisheries Research, 2008,91(2-3):196-202.

[8]
Li X, Wang C, Zhang G, et al.Urbanisation and human health in China: Spatial features and a systemic perspective[J]. Environmental science and pollution research international, 2012,19(5):1375-1384.

[9]
Amaral S, Câmara G, Monteiro A M W, et al. Estimating population and energy consumption in Brazilian Amazonia using DMSP night-time satellite data[J]. Computers, Environment and Urban Systems, 2005,29(2):179-195.

[10]
Cao X, Wang J M, Chen J, et al.Spatialization of electricity consumption of China using saturation-corrected DMSP-OLS data[J]. International Journal of Applied Earth Observation and Geoinformation, 2014,28:193-200.

[11]
何春阳, 史培军, 李景刚, 等.基于DMSP/OLS夜间灯光数据和统计数据的中国大陆20世纪90年代城市化空间过程重建研究[J].科学通报, 2006,51(7):856-861.

[12]
王翠平, 王豪伟, 李春明, 等.基于DMSP/OLS影像的我国主要城市群空间扩张特征分析[J].生态学报, 2012,32(3):942-954.

[13]
Milesi C, Elvidge C D, Nemani R R, et al.Assessing the impact of urban land development on net primary productivity in the southeastern United States[J]. Remote Sensing of Environment, 2003,86(3):401-410.

[14]
舒松, 余柏蒗, 吴健平, 等.基于夜间灯光数据的城市建成区提取方法评价与应用[J].遥感技术与应用, 2011,26(2):169-176.

[15]
游松财, 孙朝阳.中国区域SRTM 90 m数字高程数据空值区域的填补方法比较[J].地理科学进展, 2005,24(6):88-93.

[16]
Haggett P, Cliff A D, Allan E, et al.Locational analysis in human geography[M]. London: Arnold,1977.

[17]
Elvidge C D, Baugh K E, Dietz J B, et al.Radiance calibration of DMSP-OLS low-light imaging data of human settlements[J]. Remote Sensing of Environment, 1999,68(1):77-88.

[18]
Elvidge C D, Ziskin D, Baugh K E, et al.A fifteen year record of global natural gas flaring derived from satellite data[J]. Energies, 2009,2(3):595-622.

[19]
Liu Z, He C, Zhang Q, et al.Extracting the dynamics of urban expansion in China using DMSP-OLS nighttime light data from 1992 to 2008[J]. Landscape and Urban Planning, 2012,106(1):62-72.

[20]
Elvidge C D, Baugh K E, Kihn E A, et al.Relation between satellite observed visible-near infrared emissions, population, economic activity and electric power consumption[J]. International Journal of Remote Sensing, 1997,18(6):1373-1379.

[21]
Sutton P, Roberts D, Elvidge C, et al.A comparison of nighttime satellite imagery and population density for the continental united states[J]. Photogrammetric Engineering and Remote Sensing, 1997,63(11):1303-1313.

[22]
Henderson M, Yeh E T, Gong P, et al.Validation of urban boundaries derived from global night-time satellite imagery[J]. Remote sensing, 2003,24(3):595-609.

[23]
中华人民共和国住房和城乡建设部.城市用地竖向规划规范[S].CJJ83-99, 北京:中国建筑工业出版社, 1999.

[24]
国家统计局城市社会经济调查司.中国城市统计年鉴[M]. 北京:中国统计出版社, 2007-2012.

Options
Outlines

/

〈 〉