城市建成区的位置和范围的准确获取可以辅助政府决策,用于改善城市功能空间布
局、加强界限管控,因此城市建成区的提取一直是遥感和城市规划领域的热点问题
[1]
。目
前已有的基于 Landsat 等多光谱遥感影像的建成区提取方法中,非监督分类法
[2-3]
和监督分
类法
[4-5]
提取的建成区的边界准确性不足,且存在漏检、误检的情况,因此精度有限。基于
谱间特征的归一化指数法常被用于建成区提取,其中文献[6]提出的归一化建筑指数
(normalized difference built-up index,NDBI)和文献[7]提出的遥感建筑用地指数(index-
based built-up index,IBI)应用最为广泛,该方法具有快速、便捷的特点,但也存在建成区
和非建成区(植被、水体等)混分的问题。文献[8-9]通过构造纹理波段并使用各种学习和分
类算法在高分辨率影像上提取建成区,但该方法忽视了地物丰富的光谱特征并且耗时过
长。
目前夜间灯光(nighttime light,NTL)数据已被广泛地应用于建成区提取
[10-11]
,且取得
了不错的效果,其中 1 km 分辨率的 DMSP/OLS(defense meteorological satellite
program/operational linescan system)和 500 m 分辨率的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)数据应用最为广泛。然而,受到低分辨率的限制,二者多被
用于大尺度上的建成区提取研究,在中小尺度上,仅利用夜间灯光数据,很难获取精确的
城市建成区。因此许多研究采用多源数据融合的方法来获取更精细尺度的城市建成区,例
如将归一化植被指数(normalized differential vegetation index,NDVI)和 Landsat 影像等数
据与夜间灯光数据相结合
[12-13]
,但是使用 NDVI 数据易造成建成区和植被背景混分的问
题,Landsat 影像易形成混合像元,因此效果并不理想。由于灯光溢出现象,基于夜间灯
光数据提取的建成区结果大于实际建成区范围
[14]
,为此文献[15-17]提出可以从图像亮度校
正、阈值选取规则和邻域统计关系等方面改善这一问题。随着夜间灯光遥感技术的快速发
展,2018 年 6 月,由武汉大学牵头研制的珞珈一号 01 星(Luojia 1-01)成功发射,并开始
提供 130 m 分辨率、250 km 幅宽的灯光影像。该数据极大地提高了夜间灯光遥感影像的
时间和空间分辨率,有望改善传统夜间灯光数据分辨率低、灯光溢出的问题
[18]
,因此探究
Luojia 1-01 夜间灯光影像在建成区提取研究中的应用效果势在必行。
近年来,大数据技术的快速发展有效带动了其在地学领域中的应用,其中电子地图兴
趣点(point of interest,POI)在建成区提取方面取得了不错的成果。文献[19]提出了基于
POI 核密度等值线分布规律来识别建成区的 Densi-Graph 分析法,该方法具有较强的时效
性和客观性。POI 具有精确的位置信息和属性信息,其密度分布在城市建成区边界存在突
变,即城市建成区 POI 密度明显高于周边农村和郊区,运用这一规律可以获得精确的建成
区边界
[20]
。这恰好可以弥补目前夜间灯光数据在建成区提取方面存在的分辨率低、灯光溢
出等劣势。由文献[21-22]可以发现,目前将 POI 和夜间灯光数据相结合用于提取建成区的
研究较少。文献[23-24]表明,夜间灯光数据和 POI 数据之间具有很好的耦合关系,在城市
空间结构研究中具有较高的一致性和较好的适用性,将二者有效结合提取建成区的方法亟
待进一步研究。
评论0
最新资源