0 引言
自改革开放以来，我国经济保持平稳快速发展，而城市化是伴随着国家现代化和工业化必然出现的社会发展趋势，到2017年，中国的城市化水平达到58.5%，中国城市建成区面积已经达到56 225 km2[1]。城市化的快速发展在改善我们生活质量的同时，也暴露了一系列亟待解决的资源、生态、环境问题[2]。城市建成区的提取是研究城市发展问题的前提，因此，实现快速动态的城市建成区范围提取，对于分析城市化动态、分析城市发展驱动力以及控制伴随城市化而来的生态环境问题都至关重要，已成为一个城市研究中的重要课题[3]。
遥感卫星影像作为客观、实时、高效的数据源已广泛应用于土地利用变化监测和城市化监测。其中，夜光遥感可获取无云条件下地表发射的可见光—近红外电磁波信息，这些信息主要来自于夜间灯光照明，更能直接反映人类活动，因此被广泛应用于城市监测、区域经济、电力损耗、灯光污染和重大灾害评估等研究中[4]。夜光遥感数据已经证明对城市建成区提取是有效的[5-7]。夜光遥感影像的主要数据源有：1992—2013年美国国防气象卫星搭载的线性扫描系统(defense meteorological satellite program/ operational linescan system, DMSP/OLS)拍摄的存档数据；自2012年开始，Soumi国家极地轨道合作卫星上搭载的可见红外成像辐射计(national polar-orbiting partnership/visible infrared imaging radiometer suite, NPP/VIIRS)的拍摄数据[8]。但是，上述2种数据都存在“灯光溢出”效应且受制于其过低的空间分辨率，在提取城市建成区范围的精度上略有不足。2018年6月，由我国武汉大学牵头研制的新一代夜光遥感卫星珞珈一号(LJ1-01)发射升空，该卫星数据相比于前两者具有更高的空间分辨率，可以增加城市建成区范围提取的准确性，还更好地表达了城市内部结构，为城市研究提供了新的选择。
国内外众多学者使用夜光遥感影像进行城市建成区范围提取的研究，如：Jing等[9]提出了一种融合DMSP/OLS夜光数据和MODIS(moderate resolution imaging spectroradiometer)数据的城市区域提取方法；何春阳等[10]利用3期DMSP/OLS数据提取了环渤海地区的城市范围，进而分析了环渤海地区的城市化进程；Imhoff等[11]提出“突变检测法”，将城市范围视为一个完整几何形状来确定夜光影像提取城市范围的最佳阈值；Zhou等[12]使用分水岭分割算法将DMSP/OLS夜光影像分割成不同区块，分区设定相应的最佳阈值提取城市范围；陈佐旗[13]通过区域生长的支持向量机法提取DMSP/OLS夜光影像中的全球范围城市建成区；王博[14]采用突变检测法、改进的Sobel边缘检测法和分水岭分割法3种分割算法提取NPP/VIIRS夜光影像中杭州城市群的建成区范围；刘沁萍等[15]使用DMSP/OLS夜光数据改进了基于统计数据提取城镇用地的算法，提取了3个时期中国东部、中部、西部和东北部4个地区的大区域城市范围，并分别计算了城市扩张速度。由于受数据源空间分辨率的限制，以往研究中较多从大尺度大范围上对城市建成区提取，少有将夜光遥感影像运用于城市尺度的建成区提取。
本文利用新一代夜光遥感卫星——珞珈一号的夜光影像，通过人类居住指数(human settlement index，缩写为HSI, 符号为IHSI)、植被覆盖和建筑共同校正的城市夜光指数(vegetation and build adjusted nighttime light urban index, VBANUI)和支持向量机(support vector machine, SVM)监督分类3种方法对长春市城市建成区进行提取，并与NPP/VIIRS夜光影像对比，验证珞珈一号夜光遥感影像在城市尺度提取建成区范围的优势。
1 研究区与数据选择研究区选取为中国吉林省长春市，研究区面积约为20 593.5 km2，城镇化率58.8%[16]，研究区经纬度范围为：125°06′31″E—125°34′37″E，43°43′57″N—44°00′10″N。所用遥感数据如下。
Landsat 8 OLI：自1972年美国发射第一颗陆地卫星Landsat 1以来，Landsat系列卫星相继发射7颗，共连续对地观测近50 a，是全球覆盖时间连续最长、最常用的中分辨率光学遥感图像。陆地成像仪有9个波段，空间分辨率约为30 m[17]。本研究选取2018年3月20日长春地区的遥感影像，含云量为0.67%。
珞珈一号：珞珈一号于2018年6月2日发射，是由我国自主研发的、世界上第一颗专用于夜间拍摄的遥感卫星，夜间空间分辨率约为130 m，幅宽250 km[4]。本研究选取2018年9月1日长春地区的夜光影像。
NPP/VIIRS：NPP卫星发射于2011年10月，夜间灯光数据发布于该卫星的D/N(Day/Night)波段，提供月合成产品和年合成产品，成像宽幅3 000 km，空间分辨率约为500 m。由于该传感器对夜间灯光的高敏感性，在数据中会因月光反射、渔船的灯光、火光等原因产生噪声[13]。本研究数据选自2018年4月的月合成数据。
| 卫星 | 发射国家 | 时间 | 空间分辨率/m |
| Landsat 8 | 美国 | 20180320 | 30 |
| 珞珈一号 | 中国 | 20180901 | 130 |
| NPP | 美国 | 20180401—20180430 | 500 |
|
| a. 2018年3月20日Landsat 8 OLI数据；b. 2019年5月谷歌地球影像数据；c. 2018年9月1日珞珈一号夜光遥感数据；d. 2018年4月NPP/VIIRS D/B月合成夜光遥感数据。 图 1 不同数据源下的研究区 Fig. 1 The study area under different data sources |
|
|
本文技术路线如图 2所示。
|
| 图 2 技术路线 Fig. 2 Technology roadmap |
|
|
针对本文研究所用的Landsat 8 OLI、珞珈一号夜光影像和NPP/VIIRS夜光影像3种遥感数据，为了保持不同数据源之间的一致性，对3种影像做投影、裁剪操作。夜光影像中有非人类活动产生的亮光，本文将其视为背景噪声除去。首先将夜光影像中的所有像素值减去0.5，然后将负数灰度值赋值为0[13]。对3类图像做重采样，使3类遥感影像具有相同的行列数，每个图像都有1 222×1 046个像素。
2.2 基于HSI的方法基于HSI提取城市建成区范围的方法由Lu等[18]提出，整合夜光数据和归一化植被指数(normalized difference vegetation index，缩写为NDVI，符号为Indvi)提取人类居住建成区。HSI被证明能够取得很好的效果[18]。本实验中的NDVI从Landsat 8 OLI影像中计算得到：
(1) 式中：Rnir、Rr分别为Landsat 8 OLI影像在近红外、红光波段的反射率。
对夜光遥感影像做自然对数变换可以拉伸城乡过渡区的辐射范围，压缩城市建成区辐射分布范围，使夜光数据在城市建成区趋近于正态分布，增强细节表现和提取效果[19]。自然对数变换公式为
(2) 式中：l(i, j)为夜光遥感影像中(i, j)点像元的辐射亮度；f(i, j)为经自然对数变换后(i, j)点的辐射亮度。珞珈一号夜光影像和VIIRS夜光影像经对数变换增强后如图 3所示。
|
| a. 珞珈一号；b. VIIRS。 图 3 研究区对数变换后的夜光影像 Fig. 3 Nighttime light image after logarithmic transformation of the study area |
|
|
NDVI图像灰度取值范围为(-1, 1)，而珞珈一号数据和VIIRS数据的灰度取值范围分别为(0, 1 142 130)和(0, 168)，经自然对数增强后的灰度取值范围分别为(0, 14)和(-4.60, 5.13)。为了联合计算，对珞珈一号数据和VIIRS数据做归一化处理：
(3) 式中：N为夜光图像灰度；Nn为夜光图像的归一化灰度；Na和Ni分别为夜光影像灰度的最大值和最小值。
人类居住指数为
(4) 经观察，HSI法提取的城市建成区没有将城市水体部分和建成区部分区分开，因此用Landsat 8 OLI影像计算归一化水指数(normalized difference water index，缩写为NDWI，符号为Indwi)：
(5) 式中：Rg、Rnir分别为Landsat 8 OLI影像在绿和近红外波段的反射率。NDWI图像中灰度大于0的部分被视为水体，生成掩膜从HSI影像中去除掉。
2.3 基于VBANUI的方法耶鲁大学张清凌研究员于2013年根据城市建成区与植被覆盖具有相反联系性的特点提出了植被覆盖的城市夜光指数(vegetation adjusted nighttime light urban index，缩写为VANUI，符号为Ivanui)：
(6) 即利用MODIS遥感影像计算NDVI来校正夜光影像的像元值，用以降低夜光影像中城市区域的饱和度[20]。尽管该方法可以很好地改善夜光遥感影像在城市核心区域饱和度过高的问题，但是没有考虑到水体反射光对提取城市建成区的混淆，并且空间分辨率只有500 m，不适用于研究高精度城市建成区的提取。因此，本文对VANUI加以改进。
首先，对夜光遥感影像进行去水处理；其次，改用Landsat 8 OLI遥感影像和夜光遥感影像组合使用，提高空间分辨率；再次，本文使用的夜光影像都经过了对数变换；最后，根据城市建成区与归一化建筑指数(normalized difference build index，缩写为NDBI，符号为Indbi)有正相关性的特点，提出植被覆盖和建筑共同校正的城市夜光指数(vegetation and build adjusted nighttime light urban index，缩写为VBANUI，符号为Ivbanui)。NDBI、VBANUI计算公式分别为
(7) 
(8) 式中，Rswir1为Landsat 8 OLI影像在短波红外1波段的反射率。
2.4 基于SVM监督分类的方法监督分类是指通过目视判读或是野外实际调查来确定样本的像元属性，进而识别遥感图像上其他大量的未知像元[21]，其中关键步骤是分类器的选择。本实验选用的SVM监督分类法是一种基于统计学习的分类方法，SVM可以自动寻找那些对分类有较大区分能力的支持向量，将类间区别最大化，已被证明有很好的分类效果[22]。Landsat 8 OLI遥感影像具有较高的空间分辨率、较大的空间覆盖范围和丰富的光谱信息，本实验要对城市建成区范围进行提取，因此采用NDBI作为额外波段来加强Landsat 8 OLI遥感影像中对城市建筑区的可分离性。夜光遥感影像的灰度反映了城市夜间活动状况，可以很好地区分城市建成区与非建成区。本实验分别将重采样、对数化的珞珈一号夜光数据和NPP/VIIRS夜光数据加入到Landsat 8 OLI中，共生成Landsat-NDBI、Landsat-NDBI-VIIRS、Landsat-NDBI-LJ和Landsat-NDBI-LJlog 4种复合数据，分别具有8、9、9、9个波段，运用相同的训练样本分别进行SVM监督分类。其中训练样本分为4类，分别为裸土、水体、植被和城市建成区，各类别可分性均大于1.9。分类后将裸土、水体、植被合并为城市非建成区。
2.5 精度评价城市建成区范围既不是清晰固定的行政边界，也无法准确地实地统计[23]，因此本实验采用目视解译的方法对实验结果的准确性进行量化。谷歌地球影像的空间分辨率约为1 m，可以很好地表达地面实际情况。首先，将研究区的卫星影像和谷歌地球进行连接，在研究区大小的范围内生成1 501个随机点，各个随机点的距离不小于5 m(图 4a)。其次，对随机点的属性逐个目视判断。本次实验共有557个点为城市建成区，944个点为非建成区，如图 4b所示。最后，将生成的随机点图层转为可参与分类的感兴趣区，通过建立混淆矩阵的方法来对实验结果进行评价。
|
| a. 全部随机点；b. 目视判读结果(红色代表城市建成区，绿色代表非城市建成区)。 图 4 研究区随机验证点 Fig. 4 Random verification point of the study area |
|
|
混淆矩阵中的评价指标有：总体分类精度、Kappa系数、错分误差、漏分误差、制图精度和用户精度。其中，总体分类精度为被正确分类的类别像元数占类别总数的比值；Kappa系数为分类与完全随机的分类产生错误减少的比例[24]。本文采用总体分类精度和Kappa系数2个评价指标。
3 结果与分析 3.1 HSI方法实验结果对HSI法提取的长春市城市建成区人为设定多个阈值进行比较，阈值设置在2.0~6.0之间，以0.5为间隔，并分别与目视解译结果计算混淆矩阵，相对应的Kappa系数和总体分类精度如图 5所示。图 5可见珞珈一号夜光遥感数据在阈值为3.5附近时具有最好的表现效果，NPP/VIIRS夜光遥感数据在阈值为4.0左右时具有最好的表现效果。
|
| 图 5 HIS法精度评价指标 Fig. 5 Accuracy evaluation index by HSI methed |
|
|
图 6、图 7分别为2种夜光遥感数据经HSI法提取的城市建成区，可以看出，HSI法可以很好地提取夜光遥感影像的“亮光区域”。当分别处于最佳阈值时，珞珈一号数据的Kappa系数为0.75，总体分类精度为88.27%，NPP/VIIRS数据的Kappa系数为0.72，总体分类精度为86.54%。珞珈一号夜光影像经HSI法提取的城市建成区精度更高。比较二者遥感图像，NPP/VIIRS数据的空间分辨率较为粗糙，存在更强的晕染效果，而珞珈一号数据很大程度地削弱了晕染效果的影响；同时，珞珈一号结果比NPP/VIIRS更具有连续性，主干道路的形状更连续更明显，城市内部非建成区域区分更明显，夜光遥感影像的“溢出效应”得到了很大改善。
|
| a. 未设置阈值；b. 阈值为2.5；c. 阈值为3.5；d. 阈值为4.5。 图 6 使用HSI法从珞珈一号夜光影像中提取的长春市城市建成区 Fig. 6 Urban built-up area of Changchun City extracted from LJ1-01 by HSI method |
|
|
|
| a. 未设置阈值；b. 阈值为3；c. 阈值为4；d. 阈值为5。 图 7 使用HSI法从NPP/VIIRS夜光影像中提取的长春市城市建成区 Fig. 7 Urban built-up area of Changchun City extracted from NPP/VIIRS by HSI method |
|
|
分别用珞珈一号夜光遥感数据和NPP/VIIRS夜光遥感数据计算VANUI和VBANUI，人为设定多个阈值提取长春市建成区范围，并分别与目视解译结果计算混淆矩阵。当处于最佳阈值时结果如表 2所示，提取长春市建成区范围如图 8所示。
| 指数 | 数据 | 最佳阈值 | 总体分类精度% | Kappa系数 |
| VANUI | 珞珈一号 | 8.5 | 88.21 | 0.75 |
| NPP/VIIRS | 2.5 | 86.41 | 0.71 | |
| VBANUI | 珞珈一号 | 9 | 90.74 | 0.80 |
| NPP/VIIRS | 2.5 | 87.07 | 0.73 |
|
| a. NPP/VIIRS的VANUI；b. 珞珈一号的VANUI；c. NPP/VIIRS的VBANUI；d. 珞珈一号的VBANUI。 图 8 具有最大Kappa系数的城市建成区提取结果 Fig. 8 Urban extant extraction results with the largest Kappa coefficient |
|
|
从表 2可以看出：珞珈一号夜光遥感数据利用2种指数提取长春市城市建成区的效果均优于NPP/VIIRS夜光遥感数据；并且，本文提出的VBANUI据2种夜光遥感数据得到的结果均优于传统的VANUI，珞珈一号夜光遥感数据和NPP/VIIRS夜光遥感数据的Kappa系数分别增加了0.05和0.02，总体分类精度分别增加了2.53%和0.66%。从图 8可以看出：2种夜光遥感影像计算的VBANUI图像的城市内部结构、外围轮廓和主干道路均较VANUI图像清楚。可见通过引入与城市建成区呈正相关性的NDBI来改进VANUI的计算公式，可以提高从夜光遥感数据中提取城市建成区的精度。
3.3 复合数据SVM监督分类实验结果本次实验系统比较了利用NDBI增强的Landsat 8、Landsat-VIIRS复合数据、Landsat-LJ复合数据以及对数增强的珞珈一号夜光数据复合Landsat 8数据在SVM监督分类法下与目视解译结果计算的混淆矩阵，得到结果如图 9所示，SVM分类效果如图 10所示。
|
| 图 9 SVM监督分类法精度评价指标 Fig. 9 Accuracy evaluation index by SVM supervised classification method |
|
|
|
| a. Landsat-NDBI；b. Landsat-NDBI-VIIRS；c. Landsat-NDBI-LJ；d. Landsat-NDBI-LJlog。 图 10 使用SVM监督分类法提取的长春市城市建成区 Fig. 10 Extracted urban built-up areas of Changchun City by SVM supervised classification method |
|
|
Landsat-NDBI复合数据、Landsat-NDBI-VIIRS复合数据、Landsat-NDBI-LJ复合数据和Lan-dsat-NDBI-LJlog复合数据的Kappa系数分别为0.602、0.627、0.643、0.681，依次递增，总体分类精度分别为81.11%、81.52%、82.25%、84.48%，依次递增。复合了2种夜光影像的Landsat 8数据对城市建成区范围提取的效果均优于仅仅采用单一Landsat 8数据分类提取的效果，其中经对数变换处理的珞珈一号夜光数据较要比未经对数变换处理效果好。从图 10可以更直观地看到，复合了夜光数据提取的城市建成区范围具有更少的破碎现象，并且复合珞珈一号夜光数据相较于复合NPP/VIIRS夜光数据在城市建成区内部具有更少的小碎片。
4 结论本文以长春市为例，利用珞珈一号夜光遥感影像，通过HSI、VBANUI和支持向量机监督分类3种方法对城市建成区进行提取，通过在1 m空间分辨率的谷歌地球影像上做随机采样点进行验证，取得了较高的提取精度。并与NPP/VIIRS夜光遥感影像采用同样的方法得到的结果对比，取得如下几点认识：
1) 根据城市建成区与NDVI呈负相关性、与NDBI呈正相关性的认知，改进了VANUI法，提出了基于植被覆盖和建筑共同校正的城市夜光指数法，取得了更高的提取精度。
2) 对于SVM监督分类的方法，将夜光遥感数据(珞珈一号、NPP/VIIRS)添加到Landsat 8数据中可以提高SVM分类器分类的准确性，各种精度评估指标的值都有不同程度的增加。
3) HSI法和VBANUI法在最佳阈值处提取的城市建成区通过与目视解译的结果建立混淆矩阵计算得到的数据指标均高于SVM监督分类法。从经HSI法和VBANUI法处理后的夜光影像中看到，指数法提取的城市建成区范围是呈块状的规则形状，少有周边离散小补丁，结构完整，主干道路也更加清楚，提取的建成区范围更具有应用价值。
4) 在城市尺度的建成区提取的应用上，3种提取方法都是利用珞珈一号夜光影像的结果优于利用NPP/VIIRS夜光影像的结果。我国自主研发的珞珈一号作为科学试验卫星，虽然只计划在轨运行一年时间，不具有长时间序列连续观测的能力，但是珞珈一号遥感影像在空间分辨率和对夜间灯光强度的识别都优于NPP/VIIRS数据，适当避免了NPP/VIIRS数据存在的“灯光溢出”效应，有效弥补了以往夜光遥感影像数据应于小区域尺度精度过低的不足。珞珈一号夜光数据能够显示出更优异的城市内部细节和城市主干道路的形状，在实际应用上的效果也更好，值得深入研究。
| [1] |
肖金成, 刘保奎. 改革开放40年中国城镇化回顾与展望[J]. 宏观经济研究, 2018(12): 18-29. Xiao Jincheng, Liu Baokui. Review and Prospect of China's Urbanization in the Past 40 Years of Reform and Opening-Up[J]. Macroeconomic Research, 2018(12): 18-29. |
| [2] |
尹荣尧, 孙翔. 中国快速城市化的资源保障隐忧、生态困境与对策[J]. 现代经济探讨, 2014(2): 63-65, 87. Yin Rongyao, Sun Xiang. Resource Security Concerns, Ecological Dilemma and Countermeasures for China's Rapid Urbanization[J]. Discussion on Modern Economy, 2014(2): 63-65, 87. DOI:10.3969/j.issn.1009-2382.2014.02.013 |
| [3] |
Foley J A, Defries R, Asner G P, et al. Global Consequences of Land Use[J]. Science, 2005, 309: 570-574. DOI:10.1126/science.1111772 |
| [4] |
李德仁, 张过, 沈欣, 等. 珞珈一号01星夜光遥感设计与处理[J]. 遥感学报, 2019, 23(6): 1011-1022. Li Deren, Zhang Guo, Shen Xin, et al. Design and Processing of Luojia 101 Night-Light Remote Sensing[J]. Journal of Remote Sensing, 2019, 23(6): 1011-1022. |
| [5] |
Li D, Li X. An Overview on Data Mining of Nighttime Light Remote Sensing[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44: 591-601. |
| [6] |
Li X, Xu H, Chen X, et al. Potential of NPP-VIIRS Nighttime Light Imagery for Modeling the Regional Economy of China[J]. Remote Sensing, 2013, 5: 3057-3081. DOI:10.3390/rs5063057 |
| [7] |
Yu B, Shu S, Liu H, et al. Object-Based Spatial Cluster Analysis of Urban Landscape Pattern Using Nighttime Light Satellite Images: A Case Study of China[J]. Int J Geogr Inf Sci, 2014, 28: 2328-2355. DOI:10.1080/13658816.2014.922186 |
| [8] |
Li X, Zhou Y Y, Cao C Y. Remote Sensing of Night-Time Light[J]. Int J Remote Sensing, 2017, 38: 5855-5859. DOI:10.1080/01431161.2017.1351784 |
| [9] |
Jing W, Yang Y, Yue X, et al. Mapping Urban Areas with Integration of DMSP/OLS Nighttime Light and MODIS Data Using Machine Learning Techniques[J]. Remote Sensing, 2015, 7: 12419-12439. DOI:10.3390/rs70912419 |
| [10] |
何春阳, 李景刚, 陈晋, 等. 基于夜间灯光数据的环渤海地区城市化过程[J]. 地理学报, 2005, 2(3): 409-417. He Chunyang, Li Jinggang, Chen Jin, et al. Urbanization Prosess of Bohai Rim Region Based on Night Light Data[J]. Journal of Geography, 2005, 2(3): 409-417. DOI:10.3321/j.issn:0375-5444.2005.03.007 |
| [11] |
Imoffm M, Lawerence W T, Stutzer D C. A Technique for Using Composite DMSP/OLS "City Light" Satellite Data to Map Urban Area[J]. Remote Sensing of Environment, 1997, 61(3): 361-370. DOI:10.1016/S0034-4257(97)00046-1 |
| [12] |
Zhou Y, Smith S, Elvidge C, et al. Cluster-Based Method to Map Urban Area from DMSP/OLS Nightlight[J]. Remote Sensing of Environment, 2014, 147: 173-185. DOI:10.1016/j.rse.2014.03.004 |
| [13] |
陈佐旗. 基于多源夜间灯光遥感影像的多尺度城市空间形态结构分析[D]. 上海: 华东师范大学, 2017. Chen Zuoqi. Spatial Morphological Structure Analysis of Multi-Scale Cities Based on Remote Sensing Image of Multi-Source Night Lights[D]. Shanghai: East China Normal University, 2017. |
| [14] |
王博. 基于NPP-VIIRS夜间灯光遥感影像的杭州城市结构发展变化分析[D]. 杭州: 浙江大学, 2019. Wang Bo. Analysis of Urban Structure Development and Change in Hangzhou Based on NPP-VIIRS Night Light Remote Sensing Image[D]. Hangzhou: Zhejiang University, 2019. |
| [15] |
刘沁萍, 杨永春, 付冬暇, 等. 基于DMSP_OLS灯光数据的1992~2010年中国城市空间扩张研究[J]. 地理科学, 2014, 34(2): 129-136. Liu Qinping, Yang Yongchun, Fu Dongxia, et al. Urban Spatial Expansion in China from 1992 to 2010 Based on DMSP_OLS Light Data[J]. Geoscience, 2014, 34(2): 129-136. |
| [16] |
长春市统计局. 2018年长春市国民经济和社会发展统计公报[N]. 长春日报, 2019-05-30(6). Changchun Municipal Bureau of Statistics. 2018 Statistical Bulletin on Changchun's National Economic and Social Development[N]. Changchun Daily, 2019-05-30(6). |
| [17] |
徐涵秋, 唐菲. 新一代Landsat系列卫星: Landsat 8遥感影像新增特征及其生态环境意义[J]. 生态学报, 2013, 33(11): 3249-3257. Xu Hanqiu, Tang Fei. New Generation of Landsat Series Satellites: New Features of Landsat 8 Remote Sensing Image and Its Ecological Environment Significance[J]. Journal of Ecology, 2013, 33(11): 3249-3257. |
| [18] |
Lu D S, Tian H Q, Zhou G M, et al. Regional Mapping of Human Settlements in Southeastern China with Multisensor Remotely Sensed Data[J]. Remote Sensing of Environment, 2008, 112: 3668-3679. DOI:10.1016/j.rse.2008.05.009 |
| [19] |
唐敏. 基于对数变换的NPP-VIIRS夜间灯光遥感影像在城市建成区提取中的应用[D]. 上海: 华东师范大学, 2017. Tang Min. Application of NPP-VIIRS Night Light Remote Sensing Image Based on Logarithmic Transformation in Urban Built-Up Area Extraction[D]. Shanghai: East China Normal University, 2017. |
| [20] |
Zhang Q, Schaaf C, Seto K C. The Vegetation Adjusted NTL Urban Index: A New Approach to Reduce Saturation and Increase Variation in Nighttime Luminosity[J]. Remote Sensing of Environment, 2013, 129: 32-41. DOI:10.1016/j.rse.2012.10.022 |
| [21] |
李二珠. 半监督支持向量机高光谱遥感影像分类[D]. 徐州: 中国矿业大学, 2014. Li Erzhu. Semi-Supervised Hyperspectral Remote Sensing Image Classification by Support Vector Machines[D]. Xuzhou: China University of Mining and Technology, 2014. |
| [22] |
王明常, 朱春宇, 陈学业, 等. 基于FPN Res-Unet的高分辨率遥感影像建筑物变化检测[J]. 吉林大学学报(地球科学版), 2021, 51(1): 296-306. Wang Mingchang, Zhu Chunyu, Chen Xueye, et al. Building Change Detection High Resolution Remote Sensing Images Based on FPN Res-Unet[J]. Journal of Jilin University (Earth Science Edition), 2021, 51(1): 296-306. |
| [23] |
Li Xi, Zhao Lixian, Li Deren. Mapping Urban Extent Using Luojia 1-01 Nighttime Light Imagery[J]. Sensors, 2018, 18(11). |
| [24] |
张华. 遥感数据可靠性分类方法研究[D]. 徐州: 中国矿业大学, 2012. Zhang Hua. Research on Reliability Classification Method of Remote Sensing Data[D]. Xuzhou: China University of Mining and Technology, 2012. |