杨闻新
(江西理工大学 土木与测绘工程学院，江西 赣州 341000)
城市建成区[1]是指城市行政区内实际已成片开发建设，市政公用设施和公共设施基本具备的区域。准确提取城市建成区的范围对监测城市发展和规划城市布局有着重要的意义。有研究者基于传统遥感影像提出归一化差分建成区指数(Normalized Difference Build-up Index，NDBI)[2]、指数型建成区指数(Index-based Build-up Index，IBI)[3]、修正的归一化差分建成区指数(Modified Normalized Difference Built-up Index，MNDBI)[4]等用于建成区的提取。但这些指数提取的建成区大都存在建成区和裸土混淆的问题。基于夜间灯光影像和植被指数LU等人[5]提出了人类住区指数(Human Settlement Index，HSI)；
ZHANG等人[6]提出了基于植被修正的夜间灯光指数(Vegetation Adjusted NTL Urban Index，VANUI)。VANUI指数避免了植被的误提取，但也增大了水体反射率[7]，容易造成建成区和水体的混合提取。随着POI(Point of Interest)大数据的出现，有学者[8-9]验证了夜间灯光数据和 POI 数据之间具有正相关关系。之后有研究者[10]将POI数据用于建成区的提取，但精度不高；
也有研究者[11-12]将POI数据和遥感影像结合提取建成区，但是需要对提取结果进行二次加工，流程操作复杂。因此本文综合三种数据的特点，将植被覆盖数据和POI数据与夜间灯光数据相结合，提出一种POI数据和植被修正的夜间灯光城市指数(POI and Vegetation Adjusted NTL Urban Index，PVANUI)来降低灯光的溢出程度，从而提高建成区提取的精度。
1.1 实验区域
为了验证PVANUI在不同发展程度地区的适用性，本文选择区域发展水平不平衡的南京市作为实验区域，如图1所示。
图1 南京市行政区划图
1.2 数据来源和预处理
1.2.1 数据来源
本文选择2018年7月的NPP-VIIRS(Suomi National Polar-orbiting Partnership-Visible Infrared Imaging Radiometer Suite)影像作为原始数据。NPP-VIIRS影像来源于EOG(Earth Observation Group)，采用月度无云的DNB(Day/Night Band)波段合成数据。Landsat8 OLI影像数据来源于地理空间数据云平台，分辨率为30 m。POI 数据通过高德地图官方网站提供的应用程序编程接口(Application Programming Interface，API)进行爬取，总共采集679 564条数据。土地利用数据用于建成区提取结果精度评定，来源于中国科学院资源环境科学与数据中心。南京市建成区面积统计数据用于阈值法提取建成区的辅助数据，来源于《南京统计年鉴2019》[13]。
1.2.2 数据预处理
首先将研究数据的坐标系都转换成WGS84坐标系，对影像进行裁剪、辐射校正。采用中值滤波-中低阈值法[14]对灯光影像进行去噪，然后影像值进行归一化。将处理后的数据都投影转换至通用横轴墨卡托投影(UTM投影)，利用双线性插值法进行重采样至50 m空间分辨率。
本文首先对Landsat8影像、夜间灯光影像、POI数据进行处理，然后根据归一化植被指数(NDVI)、POI核密度值与夜间灯光影像(NTL)辐射值之间的关系构造出一种新的指数(PVANUI)；
其次，基于原始NPP-VIIRS、经VANUI修正的NPP-VIIRS、经PVANUI修正的NPP-VIIRS利用阈值法[15-17]提取出3种城市建成区；
然后将提取的建成区结果与参考建成区进行叠加比较，计算其重叠面积和精度评价指标；
最后对比分析3种建成区提取结果的精度。技术流程如图2所示。
2.1 构建PVANUI指数
2.1.1 植被修正的夜间灯光城市指数(VANUI)
已有研究者[6]根据夜间灯光分布和植被覆盖的反向关系提出植被修正的夜间灯光城市指数(VANUI)。城市建成区内的VANUI值较大，接近1，而植被丰富的地区的VANUI值较低，接近0。VANUI公式如下：
VANUI=(1-NDVI)×NTL
(1)
图2 技术流程图
式中，NTL为夜间灯光影像归一化辐射值；
NDVI为归一化植被指数。
VANUI能降低灯光在植被覆盖区的溢出程度，但是在建成区外的非植被地区(如农业用地、道路和裸土)灯光溢出现象仍然存在。兴趣点(POI)数据带有位置和属性信息，集中分布在建成区内部，在城市中心更加聚集，但在非建成区分布极少[10]。利用这一特点可以将POI数据与VANUI结合起来，构造一种POI和Vegetation修正的夜间灯光城市指数(PVANUI)。POI是带有坐标的位置点数据，无法直接参与计算，需要对其进行核密度估计[18]，计算出核密度值，POI核密度值计算结果如图3所示。
图3 POI核密度值计算结果
2.1.2 POI和Vegetation修正的夜间灯光城市指数(PVANUI)
采用可以降低极端值影响的几何平均值法建立PVANUI。PVANUI公式如下：
(2)
式中，VANUI为植被修正的夜间灯光城市指数；
POI核为POI核密度值。
经过PVANUI修正前后灯光影像图如图4(a)、(b)所示。
图4 PVANUI修正前后灯光影像图
由图4(a)、(b)可知，经过PVANUI处理后的影像灯光饱和度明显降低，不发达的非主城区(高淳区)的灯光亮度信息得到了修正。
2.2 建成区提取结果精度评价
采用统计学分类指标[19]查全率、查准率和 F1 分数对提取的建成区进行定量评价，其中，查全率、查准率都以提取的建成区与参考建成区重合面积为分子，分别以提取建成区的面积、参考建成区的面积为分母。F1 分数是查全率和查准率的调和平均值。
3.1 实验结果
采用阈值法基于NPP-VIIRS、VANUI、PVANUI提取出南京市建成区，阈值分别为：0.141 42、0.092 83、0.002 55。提取的建成区结果与参考建成区叠加显示如图5所示。统计学指标计算结果如表1所示。
图5 建成区提取结果与参考建成区叠加显示图
表1 统计学指标计算结果
3.2 对比分析NPP-VIIRS与VANUI、PVANUI提取建成区结果
(1)由图5可知，仅利用NPP-VIIRS和经VANUI修正的NPP-VIIRS提取的建成区都存在以下问题：在南京市溧水区和主城区边缘，存在很多误提取的部分，在高淳区、六合区存在严重的漏提取；
在主城区内部，经VANUI修正的影像提取的建成区存在很多孔洞。经PVANUI修正的NPP-VIIRS提取的建成区更加完整准确，与参考建成区更加接近。
(2)从统计学指标上可以看出，利用PVANUI提取的建成区主城区的查全率、查准率、F1分数比仅利用NPP-VIIRS提取的大0.03。利用PVANUI提取的建成区非主城区的查全率、查准率、F1分数比仅利用NPP-VIIRS影像提取的大0.04，这说明PVANUI提高了NPP-VIIRS影像提取非主城区等不发达地区的建成区的准确度。
本文针对仅利用夜间灯光影像提取建成区精度不高的问题，提出基于POI和Vegetation修正的夜间灯光城市指数(PVANUI)提取建成区，得到以下结论：
(1)与VANUI相比，PVANUI更能降低灯光溢出程度，增加提取的建成区连续性，丰富提取的建成区的内部信息。
(2)PVANUI能有效修正夜间灯光亮度信息，提高建成区提取的精度，适用于不同经济发展程度的地区。
本文所提出PVANUI仅考虑了植被和POI密度分布与建成区的关系，在以后的研究工作中有必要引入更多相关数据，如PM2.5数据、人口密度数据等。
猜你喜欢建成区修正植被基于高分遥感影像的路域植被生物量计算中国交通信息化(2022年7期)2022-10-27呼和浩特市和林格尔县植被覆盖度变化遥感监测科学技术创新(2022年30期)2022-10-21基于类NPP-VIIRS夜间灯光数据的粤港澳大湾区城市建成区时空动态特征地球科学与环境学报(2022年3期)2022-06-27合肥市建成区综合物种指数及本地木本植物指数研究安徽农学通报(2022年6期)2022-04-07修正这一天快乐语文(2021年35期)2022-01-18追踪盗猎者课外生活·趣知识(2021年2期)2021-05-242013—2018年金普新区建成区空间形态扩张规律北京测绘(2021年3期)2021-04-20第一节 主要植被与自然环境 教学设计学校教育研究(2021年24期)2021-03-28对微扰论波函数的非正交修正华东师范大学学报（自然科学版）(2019年2期)2019-06-11Pro Tools音频剪辑及修正人间(2015年8期)2016-01-09