基于多源数据与随机森林方法的城市建成区提取——以郑州市为例

基于夜间灯光数据的阈值分割法在城镇建成区提取研究中被广泛应用,但由于夜间灯光数据分辨率低、灯光溢出和阈值分割法无法顾及区域差异等问题,一定程度上影响了该方法的提取精度。以郑州市为例,以LJ1-01与NPP/VIIRS两种夜间灯光影像为主要数据源,结合Landsat8中分辨率遥感影像、网络城市兴趣点(POI)及路网数据,利用随机森林分类方法对郑州市2018年建成区进行提取,参考土地利用数据,对RF分类法与NTL、VANUI、BANUI、PANUI、RANUI指数等阈值法进行对比实验和精度评价,评估基于多源数据的随机森林分类方法在城市建成区提取中的优势。实验表明,RF比阈值法提取的建成区更接近真实建成区且提取精度更高,具有更好适用性;LJ1-01数据提取的效果和精度总体优于NPP/VIIRS数据;在采用RF分类时,各类特征的重要性在不同夜光数据源中表现差异较大。

基于珞珈一号夜光遥感的城市建成区提取方法对比分析研究——以南昌市为例

珞珈一号卫星夜光遥感数据作为我国独立研发的新型夜间灯光数据源,具有较高的空间和辐射分辨率。目前缺少利用珞珈一号卫星夜光遥感数据进行城市建成区提取多种方法的综合性能评价。以南昌市为例,选取突变检测、人居指数和支持向量机分类3种方法提取城市建成区,并进行对比分析。结果表明,运用3种方法从珞珈一号数据提取的建成区都具有丰富的空间结构特征,但3种建成区提取方法各有优劣:人居指数法精度最高,但是建成区非常破碎;突变检测法精度最低,但是能够较好地保留城市的整体形状和边界特征;支持向量机分类法精度次高,但建成区也非常破碎。

珞珈一号融合多源数据的建成区提取

针对使用夜间灯光影像提取建成区存在灯光溢出、过饱和等所导致提取精度受限的问题,采用空间分辨率更高的珞珈一号影像,分别结合高精度的兴趣点、道路、归一化差异植被指数和地温数据,构建多个夜间灯光修正指数,引入最大类间方差算法优化动态阈值法来提取建成区,以武汉市为例对建成区提取精度进行研究。结果表明,综合多源数据的城市建成区提取效果普遍要优于单一数据源,但并非融合的数据类型越多建成区提取精度就越高。使用几何平均值法融合珞珈一号、兴趣点和地温数据构建的LPALUI指数提取建成区最精确,可保留丰富的边界和内部空间信息,其总体精度、Kappa系数和F1-score高达93.7%、0.608、0.957,是城市建成区提取的理想多源数据指数。

基于PSPNet的遥感影像城市建成区提取及其优化方法

利用高分辨率卫星遥感影像提取建成区边界对于城市扩张监测和城市发展规划具有重要意义。为获取高精度高空间分辨率的建成区数据,本研究通过归一化建筑指数(normalized difference built-up index,NDBI)加人工目视解译方法构建城市建成区遥感影像数据集,分别采用传统机器学习方法和包括PSPNet在内的4种深度学习语义分割网络对Sentinel-2影像进行建成区提取,训练结果表明PSPNet网络对于建成区的提取具有最高的精度(训练集交并集比(intersection over umion,IOU)为79.5%)。提出Overlapsize方法对PSPNet的提取结果进行优化,进一步提高了建成区提取准确率,该方法在训练集上的IOU达到80.5%,在测试集上的IOU达到了83.1%,利用PSPNet+Overlapsize提取建成区的方法相较于传统机器学习方法具有实际应用意义。

夜间灯光数据和兴趣点数据结合的建成区提取方法

提出一种夜间灯光数据和兴趣点(POI)数据相结合的建成区提取方法,根据NPP/VIIRS影像的亮度、纹理信息和POI数据的密度信息,分别利用阈值法对两种数据进行建成区提取,并应用数学形态学方法对提取结果进行融合。该方法利用POI数据位置准确、与建成区分布高度相关等特点,有效弥补了夜间灯光数据分辨率较低与灯光溢出问题,获取到较为准确的建成区边界。选取深圳、广州和惠州3个不同形态的城市,将该文方法与其他方法的提取效果进行对比,证明该方法提取精度较高,适用于市级尺度的精细化城市建成区提取和城市扩张研究。

夜间灯光融合多源数据的建成区提取方法

夜间灯光数据已被广泛应用于城市建成区提取研究。针对已有研究未过滤NPP/VIIRS数据火光、气体燃烧等背景噪声,且仅顾及单一要素进行建成区提取,导致建成区提取不准确的问题,提出一种夜间灯光融合多源数据的建成区提取方法。首先,构建顾及POI、道路、EVI多源要素的夜间灯光修正指数PREANI;然后,基于该指数,利用动态阈值二分法对建成区进行提取;最后,以东营市为实验区,对提出的方法进行对比验证和讨论。结果表明:该方法在城市边缘地物区分、城市空间结构辨识能力方面具有明显优势,对于整体空间形态、细节边界表现效果更优;基于该方法提取的建成区,查全率、查准率和F1值均有明显提高,其提取边界更为精准,表现出较好的适用性。本研究对于城市建成区提取与城市空间结构刻画具有重要的意义。

基于POI与不透水表面指数的城市建成区提取

准确识别城市建成区边界,对科学实施城市规划和建设、促进城乡可持续发展具有重要意义。从城市建成区概念出发,综合考虑建成区连片和公共设施配置,提出一种基于POI核密度与不透水表面指数的建成区边界提取方法。该方法以不透水表面指数和市政公用设施和公共设施POI核密度为主要数据源,通过构建城市建成区综合指数(POI&ISA指数)和最佳阈值选取等步骤可实现较为准确的城市建成区提取。以武汉都市发展区为例,将该方法与基于POI方法的建成区提取结果进行对比,结果表明基于POI&ISA指数的方法提取精度较高。该方法可弥补单一POI数据源在城市尺度建成区提取中的不足,且通过对POI数据类型初选和带宽的适当选取提高对公共设施配置的表征能力,在局部地区可获得更好的建成区提取效果。

高分辨率遥感影像的平原建成区提取

通过分析高分辨率遥感影像中平原建成区的纹理特征和局部关键点特征,提出了基于多核学习、多尺度分割以及多假设投票的平原建成区提取方法。该方法利用MR8纹理特征和尺度不变特征变换(SIFT)算法提取建成区,融合多个特征进行学习和分类,从而加强了分类器的鲁棒性和稳定性,提高了检测准确率。该方法还通过超像素分割和多假设投票将基于图像块的判别结果转化为基于像素的检测结果,完全消除块状效应,使得目标区域具有准确的边缘和形状。在多幅GF-1卫星遥感图像上进行测试,结果显示:提出方法的平均检测精度为80%,平均召回率高于85%,平均F值可达80%以上,综合指标高于其他方法,验证了提取平原地形建成区的可行性和准确性。由于建成区提取结果已精确到了像素级别,同时避免了漏检和误检,提取出的建成区影像很准确。

基于随机森林模型的建成区提取分析

本文以LandsatS遥感影像与珞珈一号夜间灯光数据,构建了地表温度、VANUI、SAVI、主成分分析的前三个主成分以及相应的纹理特征。本文以这些特征分量使用随机森林模型对建成区进行了提取,与支持向量机分类进行了对比分析,并对多源数据组合与单一数据源进行了比较。结果表明:基于随机森林模型的多源数据组合在建成区提取中,能有效地区分各地物,将建成区提取出来,分类效果较好。

基于Landsat8数据和“珞珈一号”夜光数据的合肥建成区提取

以Landsat8数据和“珞珈一号”夜光数据为主要数据源,将遥感与地理信息科学技术相结合,对合肥建成区进行提取。首先将Landsat8相应波段分别与自身第8波段进行Gram-Schmidt变换处理,并对处理获取的新波段进行波段计算,获取土壤调节植被指数(SAVI)、改进的归一化差异水体指数(MNDWI)和改进的归一化裸露指数(MNDBI),分别代表植被、水体、建成区三类主要的土地覆盖类型,将三指数波段进行合成,通过监督分类获取整个合肥市的建成区分类图。最后运用“珞珈一号”夜光数据采用二分迭代法获取的建成区边界去除建成区分类图中远离城区的建成区和城区周边被错分为建成区的裸地或农田,获得精准的合肥市建成区。结果表明GS变化后的“三指数法”影像监督分类的精度有了较大的提升,可达93.39%,Kappa系数达到0.8670,同时“珞珈一号”夜光数据可有效地去除建成区周边裸地,使得精度提高到95.10%,Kappa系数也达到了0.9010。

多特征融合的遥感影像建成区提取研究

为了比较光谱特征和纹理特征在建成区提取中的适用性,基于3种空间分辨率的数据,分别利用组合建筑指数(CBI)、基于灰度共生矩阵的建成区存在指数(PanTex)以及双特征决策树分类法进行建成区提取;并利用人工目视解译提取的样本点进行精度评定。结果表明,双特征决策树分类法的结果精度最高,PanTex次之;PanTex更适用于占地面积较小的农村住宅以及对裸土和建成区的区分,对于高亮度、面积较大的建筑可能会出现空心识别的情况;CBI识别道路的效果优于PanTex。

修正的归一化差分建成区指数及建成区提取后处理方法研究

及时、有效地获取城市中的建成区信息对进行合理的城市规划和管理有十分重要的意义。遥感数据具有来源广、覆盖范围大、实时采集的特点,包含丰富的地面信息,是进行城市信息采集和监测的有效手段。针对现有的利用遥感影像进行建成区提取中存在的裸土和建成区混分问题,根据建成区的光谱特征,本文提出了一种基于Landsat影像的修正的归一化差分建成区指数(Modified Normalized Difference Built-up Index,MNDBI),并针对建成区的指数提取结果提出了相应的后处理框架,主要包括聚类去裸土和形态学偏重建两步。后处理中,第一步可以去除建成区提取结果中混杂的裸土,提高建成区提取的正确率,第二部可以减少提取结果中建成区的漏分,降低漏检率。实验结果显示,MNDBI相对于现有的建成区指数,可以更好的区分裸土和建成区,提高建成区的指数提取精度。指数提取后处理步骤可以有效的降低建成区指数提取的漏检率,减少虚警,进一步提高提取精度。

基于多源数据夜光遥感的长沙市建成区提取

随着中国城市化的加速,城市建成区逐渐扩大。快速、准确地提取城市建成区对城市管理和规划具有重要意义。夜光遥感数据在城市建成区上有特殊的优势,本文以长沙市为研究区,对2013年DMSP、2015年和2018年NPP、2019年的Luojia1-01夜光遥感数据进行双阈值和掩膜法进行去噪处理,结合SVM监督分类法提取城市建成区,并对提取结果进行精度对比分析。研究表明,多源的夜光遥感数据结合landsat8 OLI遥感数据,并运用SVM监督分类法提取城市建成区,对提取精度评估指标有明显的提升作用,Luojia1-01夜光遥感数据的结果卡帕系数达到了0.856,总体分类精度达到了0.961。Luojia1-01夜光遥感数据在结合多源数据的城市建成区提取上是理想的数据源,在人类活动领域研究上具有极大的潜力。

利用珞珈一号提取城市建成区的方法对比分析

采取单独使用珞珈一号(Luojia1-01)夜间灯光数据、构建植被调整NTL城市指数(VANUI)、Luojia1-01和兴趣点(Luojia1-01&POI)指数3种方法提取了2018年成都市的建成区,并利用总体精度和Kappa系数对比了3种方法的提取精度。结果表明,Luojia1-01的高分辨率在建成区提取方面有广阔的应用,但单独使用会产生信息误提的问题;VANUI提取的建成区在内部和边界细节信息方面表现更优,但存在孔隙较多、图斑破碎的问题;Luojia1-01&POI指数提取的建成区范围效果最好、精度最高。研究结果为Luojia1-01与其他类型数据的结合提供了参考,进一步证实了POI数据结合夜间灯光数据提取建成区的高精度与可靠性。

多源数据加权融合的城市建成区改进指数评估

针对多源数据提取建成区的研究大多集中在等权融合方向,缺乏考虑不同数据源包含的信息量差异的问题,通过多源数据加权融合方法对前人的城市建成区提取指数进行改进,以改善不同质量级数据直接融合导致建成区提取不准确的问题。首先,构建融合夜间灯光数据、NDVI数据、路网数据和POI数据的改进PREANI指数;其次,融入不透水面数据和温度数据构建无权指数UCI和有权指数WCI;最后,选择迭代法和动态阈值法提取建成区,并对3种指数分别进行评估。结果表明:改进PREANI的Kappa系数为0.80,UCI融入温度和不透水面数据将Kappa系数提高至0.83;WCI提取的建成区轮廓更准确,在增强城乡建成区细部对比、提升边缘地物区分能力方面表现良好,其Kappa系数、查全率、查准率和F1分数均在0.85以上。

基于夜间灯光遥感提取城市建成区的研究进展

随着全球城市化进程的不断加快,以城市为中心扩大人口,发展政治、经济和文化成为趋势,城市建成区的演变一直是研究的热点。随着遥感技术的发展,利用遥感影像进行长时间序列、高精度、大范围的城市建成区提取已成为主流方法。其中,灯光遥感所探测的夜间城市灯光特征,较直观地反映了人类城市社会的活动情况,为研究提供了新方向。本文系统梳理了目前主流夜间灯光遥感的发展进程,探讨了基于美国国防气象卫星计划/OLS(operational linescan system)、Suomi NPP(national polar-orbiting partnership)/可见光红外成像辐射仪和珞珈一号夜间灯光遥感进行城市建成区提取的主要方法。同时,比较了利用各数据源进行城市建成区提取的优缺点,为后续应用夜间灯光遥感进行城市建成区提取的研究提供参考。

基于IBI和CA模型的城市建成区提取及其应用——以上海市为例

当前,城市建成区的自动提取仍然是一难题。以上海市为例,利用(Index-based Built-up Index)IBI建筑用地指数提取后的二值影像作为地理元胞的初始状态,采用元胞自动机模型,通过阈值分割、腐蚀、连通性检测等一系列处理来提取连续、稳定的城市建成区。将这一方法应用在Landsat系列影像上,提取出了上海市1987至2015年间5个年份的城市建成区。同时进一步采用城市扩展强度指数、同心圈图和雷达图分析等方法研究了上海市近30a来城市建成区的时空演化格局。结果表明:上海城市建成区面积由1987年的195km2增加到2015年的1759km2,增幅达802%。在1987至2002年的15a间,城市建成区呈中低速扩张,主要沿黄浦江呈南北向扩张;2002年以后,城市建成区高速扩张,扩张方向转为东西向。总体来看,上海市近30a来经历了快速的城市扩张过程。

基于2种夜间灯光影像亮度修正指数的城市建成区提取研究

夜间灯光影像容易受到道路灯光、水面散射等影响而产生背景噪声,这一定程度上影响了利用夜间灯光数据提取建成区的精度。本文基于夜间灯光影像的DN(Digital Number)值与路网密度正相关、与EVI指数(Enhanced Vegetation Index,增强型植被指数)呈负相关的规律,提出了2种可用于建成区提取的夜间灯光亮度修正指数:EVI夜间灯光亮度修正指数EANI(EVI Adjusted Nighttime Light(NTL)Index)和基于道路网密度与EVI指数的夜间灯光亮度修正指数REANI(Road Density&EVI Adjusted NTL Index),并利用珞珈1号卫星(LJ1-01,分辨率约130 m)影像和NPP-VIIRS影像(分辨率约500 m)2种不同空间分辨率夜间灯光遥感影像进行验证。以2018年徐州市建成区为研究对象,分区域(主城区、外围区)利用阈值法对2种原始夜间灯光影像、经EANI指数和REANI指数处理后的影像进行建成区提取,得到6种建成区提取的结果。研究表明:①EANI指数和REANI指数能够有效抑制夜间灯光影像的背景噪声,建成区提取的结果均优于直接利用原始影像的结果,特别是对于城市化水平较低地区的建成区提取效果更佳;②相较于NPP-VIIRS影像,利用LJ1-01影像提取建成区的效果提高6%左右,说明我国的LJ1-01夜间灯光影像在建成区提取方面有广阔的应用前景。EANI和REANI为建成区提取提供了有效工具,并可应用于城市规划和城市扩张等研究领域。

高分六号卫星城市建成区提取方法

针对基于可见光红波段和基于可见光绿波段的建成区指数方法提取的建成区易与水体和裸土区域混淆的问题,提出一种新建城区提取指数(NBAEI)方法,该方法考虑黄色波段在构建建成区提取指数的作用,利用建成区在黄色波段与红色波段的反射率差值所具有的正负特性可以完全区分建成区与水体区域,同时放大与裸地之间的差异以便提取建成区。以宝鸡市、日照市和保定市作为实验区域,分析总体精度、错分精度和漏分精度三类指标。实验结果表明,NBAEI方法总体分类精度高于其他两种方法,错分精度和漏分精度低于其他两种方法,说明所提方法的提取精度更高,效果更好,更适用于高分六号卫星提取建成区。

利用夜间灯光POI的城市建成区提取精度研究——以珞珈一号01星和NPP/VIIRS夜间灯光影像为例

近年来,夜间灯光影像被广泛应用于城市建成区提取,但由于数据分辨率低以及灯光溢出效应的影响,提取的建成区结果精度有待提高。基于中国珞珈一号01星(Luojia 1-01)和美国国家极地轨道伙伴卫星搭载的可见光红外成像辐射仪(national polar-orbiting partnership.s visible infrared imaging radiometer suite,NPP/VIIRS)提供的两种夜间灯光影像,提出了夜间灯光&兴趣点(nighttime light&point of interest,NTL&POI)综合指数,首先利用阈值法实现了NTL&POI综合指数处理前后的建成区提取,然后与参考建成区进行对比分析。结果表明,NTL&POI综合指数在反映建成区整体形态的同时,也保留了其边界等细节信息;景观格局指数表明,建成区提取结果有更好的连通度和复杂度;查准率、查全率和F1分数证明NTL&POI综合指数有效提高了建成区的提取精度,Luojia 1-01结果提升了约5%,NPP/VIIRS结果提升了约3%,且在发展程度不一的主城区和非主城区均取得良好的效果。相较于NPP/VIIRS,Luojia 1-01融合POI后,能在保证高精度的同时,在建成区边界和细节信息方面表现更优,具有广阔的应用前景。