融合DMSP-OLS和Landsat影像的城区边界提取

研究了融合DMSP-OLS夜间遥感数据和Landsat 7地表覆盖遥感影像以改善城区边界提取可靠性的方法.首先利用DMSP-OLS数据和Landsat 7数据分别提取城市建成区边界,然后通过加权融合法对两种数据获取的边界进行融合,以获取可靠性更高的城区边界.实验验证了该方法的有效性.

基于Landsat数据和DMSP/OLS夜间灯光数据的城市扩展提取:以天津市为例

以天津市为例,将多时相的Landsat TM/ETM+影像与DMSP/OLS夜间灯光数据结合起来提取城市建成区扩展信息,并进行验证和分析。首先,利用DMSP/OLS夜间灯光数据得到城市建成区的大致范围,利用这个范围内的Landsat TM/ETM+数据和多波段纹理进行图像分类,得到城市建成区的空间分布。然后,利用分类后比较法得到城市建成区的变化信息,将提取的建成区变化结果与利用DMSP/OLS数据得到的城市建成区扩展信息以及基于统计数据的城市建成区变化趋势进行对比,验证方法的有效性。结果表明,结合DMSP/OLS数据和Landsat数据的光谱特征以及提取的多波段纹理特征,可有效地减少裸土与城市建成区的混淆,与只利用光谱信息的建成区提取及变化检测相比,得到更高的精度。因此,结合Landsat TM/ETM+数据和DMSP/OLS夜间灯光数据提供了一种进行大型城市建成区扩展检测的有效方法。

基于Landsat与DMSP-OLS的非监督城区提取方法研究

夜间灯光数据DMSP-OLS经常被用作区域范围监测城市区域,但是其低空间分辨率和"溢出"效应容易导致产生较差的结果。经过分辨率更高的Landsat数据能够得到更精确的结果,但所需的大量人力限制了其在大尺度下应用。本文利用非监督机器学习,提出了一种结合Landsat和DMSP-OLS的30 m分辨率城市提取方法。基于城市像元常常同时拥有两种特性(如更高的夜间灯光强度和位于不透水面区域),分类学习的训练样本被自动提取。然后,两种数据提供的4种互补的特征(光谱、纹理、不透水面指数和夜间灯光强度)被用作城市/非城市分类。实验结果表明:相对于仅仅使用单一数据源,结合两种数据能够得到更好的城市提取结果,因此,本文提出的方法能可靠且高效地提取大范围城市区域。

DMSP夜间灯光数据与Landsat数据结合的建成区提取研究——以江西省为例

建成区面积代表着城镇用地水平和发达程度,其变化反映了城市扩张强度和经济发展水平.该文以江西省为研究区域,提出了一种Landsat TM/ETM+光学遥感影像与DMSP/OLS(Defense Meteorological Satellites Program/Operational Linescan System)夜光数据相结合的建成区提取方法,提取精度达到89.7%;利用长时序提取结果分析了江西省1995年~2014年的城市建成区扩张情况,结果表明江西省近20a间建成区面积增加了1 276.33km2,扩张率达423.99%.综合分析建成区提取结果与经济统计指标,结果显示江西省的建成区面积扩张与经济发展存在显著正相关关系(R2=0.62);鄱阳湖生态经济区建立后,区域内城市的建成区建设速度和经济发展速度明显加快.

基于多季相光谱混合分解和决策树的干旱区土地利用分类

该文利用2015年Landsat 8多季相数据,以民勤县为例探讨了干旱区土地覆被/利用分类方法。首先进行了研究区多季相遥感数据的主成分变换,确定了Landsat OLI光谱空间的内在维数。其次通过对各季相主成分空间的分析,确定了光谱混合分解的端元类型及各自的代表性季相。获取端元光谱之后,采用全约束线性光谱混合模型分解各个季相的遥感影像,估计各端元组分占像元的面积百分比(端元丰度值)。最后利用端元丰度值的多季相估计结果,依据先验知识和训练样本建立决策树分类规则进行土地覆被/利用分类。分类方法的总体精度达到90.94%,Kappa系数为0.90。研究表明:将物理意义明确的端元丰度值作为分类变量,能够快速、有效地获取分类规则,生成树的结构简单、合理、清晰,对训练数据的依赖性较低,因此具有应用于整个旱地系统土地覆被/利用分类的潜力。

一种区分平原区城镇与农村用地新方法

区分城镇与农村用地是遥感专题信息提取的关键。针对遥感影像很难有效区分城镇与农村用地的问题,结合稳定夜间灯光影像和增强型植被指数影像,构建区分平原区城镇与农村用地新方法,对南京城镇与农村用地提取。利用人工解译结果对研究区提取结果进行精度评价,并对比不同城市进行精度验证。结果表明,该方法对南京居民地提取总体精度和Kappa系数分别为86.89%和0.64。其中,南京城镇用地提取总体精度和Kappa系数分别为91.38%和0.66,农村用地精度分别为90.31%和0.35。不同城市提取城镇与农村总体精度分别达到85.34%和80.27%,提取结果与人工解译结果空间格局基本吻合。该方法从居民地中区分城镇与农村,是一种有效的辨别城镇与农村用地遥感提取方法,为区域城镇与农村用地信息区分提供新思路。

结合Landsat数据的DMSP/OLS夜间灯光影像去饱和方法研究

DMSP/OLS夜间灯光数据是表征人类活动强度的数据源之一,被广泛应用于城市提取与扩展研究中。城市灯光指数(VANUI)提供了一种简单、方便且结果良好的DMSP/OLS夜光影像去饱和方法,但该方法为剔除水体直接去除数值为负的区域,不仅过度剔除桥体等水面建筑,也提取出沿海区域的水产养殖区,降低提取精度。基于此,结合DMSP/OLS夜光数据与Landsat数据构建的植被指数(NDVI)和水体指数(MNDWI),提出了一种新的去饱和指数RwNTLI,以广州市为试验区,从城市识别能力和夜光饱和缓解效果方面对比了两种指数。结果表明:RwNTLI指数不仅可以有效缓解夜光饱和效应,同时能够解决VANUI存在问题,且其与辐射定标数据(RCNTL)的相关性高于VANUI指数与RCNTL的相关性。因此,该指数是一种简单有效的夜光去饱和指数,能够更好地描述城市夜间灯光特征,将来在城市建成区提取上具有较高的应用价值。

全色影像与珞珈一号在建设用地提取中的应用

鉴于基于建筑专题指数提取城镇建筑物用地方法已经无法适应月新日异的土地利用变化的问题,提出一种将Landsat-8 OLS遥感影像和珞珈一号夜间灯光数据构建UBLI进行城镇建筑用地提取的方法。将通过UBLI提取出的城镇建筑用地与通过NDBI、IBI和夜间灯光数据提取出的城镇建筑用地进行对比分析。以南昌市为例,进行城镇建筑用地的提取。采用南昌市2018年的土地利用调查数据作为对照,并结合天地图,在NDBI、夜间灯光数据、IBI、UBLI提取结果中选取建筑物样本和非建筑样本构建混淆矩阵进行精度检验。分析结果表明,UBLI所提取的城镇建筑用地的总体精度明显优于其他方法,UBLI可有效剔除NDBI和IBI难以区分的裸土和低植被覆盖区域以及夜间灯光数据上城镇建筑周边的水体。与传统的建筑专题指数相比,该方法具有更高的精度及更优异的细节特征提取能力。

广州市建成区空间扩张与驱动因子研究

利用Landsat与DMSP/OLS相结合的建成区提取方法分析了1993-2010年广州市建成区扩张的时空特点及其驱动因子。首先采用突变检测法提取DMSP/OLS夜间灯光数据的建成区范围,并对利用SVM监督分类方法提取的Landsat影像建成区进行过滤,得到广州市城市建成区空间分布;再通过统计数据的相关性分析验证该方法的有效性;然后采用紧凑度、扩张速度、重心迁移等指标分析了广州市建成区扩张的时空特点;最后通过建成区面积与统计数据中经济参量的回归分析探讨了建成区扩张的驱动因子。

基于多源遥感与地形信息的北极城镇用地信息提取

北极城镇空间信息对于研究北极,认识北极,利用北极都有重要意义。本文以北极圈内的城市特罗姆瑟为例,使用Landsat影像、DMSP/OLS夜间灯光、ASTER-GDEM2数据,通过特征提取得到属于光谱特征、纹理特征、夜间灯光特征、地形特征等18个特征,识别最优特征组合后基于AdaBoost算法提取1990、2004、2016年研究区的城镇用地,并将提取结果与最大似然法进行了对比,在此基础上进行了扩张分析。研究结果表明:引入地形与夜间灯光特征都可以在光谱纹理特征的基础上提高提取精度。基于光谱与纹理特征得到的总体精度与kappa值分别为86.20%和0.68;加入地形特征后精度分别提高2.70%(OA)和6.21%(kappa);加入夜间灯光特征后精度分别提高2.10%和0.50;加入地形与夜间灯光特征精度分别提高3.70%和8.55%,因此光谱、纹理、地形与夜间灯光的组合是最优特征组合。通过最优特征组合进行AdaBoost城镇提取,比最大似然法对城镇的两分类总体精度高10%左右、kappa值高20%左右。计算结果显示,研究区城镇扩张强度为5.5×10-4左右,属于缓慢扩张;扩张的平均动态度水平为0.018,是全球水平(0.0325)的一半左右;2004-2016年的动态度水平低于1990-2004年的动态度水平,说明研究区目前由高速发展期向平稳发展期过渡。