2016, Vol. 41引用本文 |
| 基于分层分类法提取城市裸地信息 |  [PDF全文] |
裸地是指表层为土质，基本无植被覆盖的土地或表层为岩石、石砾，其覆盖面积大于或等于70%的土地[1]。城市裸地包括未利用裸露地表、城市施工工地以及施工后未及时处理的裸露土地等。由于没有植被覆盖，裸地严重影响区域生态环境，也不利于局部水土保持。城市裸地导致地面扬尘，PM2.5源解析表明，扬尘是大气颗粒物污染的重要来源之一[2]。提取并研究城市裸地空间分布对于城市景观美化、土地可持续利用、大气环境保护等相关管理决策具有重要意义。
利用遥感影像提取裸地的方法包括阈值分割法、多波段分析法和影像分类法[3]。邱永红等提出多光谱影像变换的阈值分割法，以增强裸地信息[3]。针对裸地和建筑用地容易混淆的情况，徐涵秋提出归一化差值裸土指数[4]和不透水面指数[5]结合的双重指数法(多波段分析法)分离裸土中的建筑用地信息[6]。影像分类法也是地类提取常用的方法之一，但由于城市裸地面积较小且分散分布，很难选择足够的、“纯净”的训练样本；又由于裸地地物光谱特征与建筑用地相近[7]，传统监督分类方法很难准确提取城市裸地信息。相关研究指出，基于光谱特征和地学知识的分层分类法可以最大程度利用各地类地物光谱特征差异而有效提高影像分类精度[8-11]。研究表明，分层分类法可以较好地提取ETM+影像中的水体、滩涂和城镇居住区[9]；针对OMIS-I影像，在分区控制和分层提取下，可以实现对耕地、园地、林地、水域的自动分类[12]；利用TM影像，在分层分类策略下专门提取城市建筑用地[13]。
虽然遥感影像的分层分类方法已有诸多实践，但目前还没有关于裸地信息提取的专门研究。本研究选择Landsat7/ETM+和Landsat8/OLI影像，以武汉市为实例研究区，研究分层分类法提取城市裸地的精度和适用性。
1 数据及方法 1.1 研究区概述本研究以武汉市主城区为实例研究区，据武汉市城乡建设委员会统计，2013年7月，武汉同期在建工地超过1万个，大量黄土裸露，对区域生态环境和空气颗粒物浓度有重要影响。
1.2 数据及预处理Landsat系列卫星由于数据获取方便并具有较高空间分辨率(30 m)而为科学研究和工程实践广泛采用。2013年Landsat8卫星成功发射，新增的卷云波段有利于土壤和建筑不透水面的区别[14]。本研究从地理空间数据云获取Landsat7/ETM+(2010-09-17)、Landsat8/OLI(2013-07-31)两幅影像，分别称影像1、影像2[15]。所选影像云量很低(<5%)，且研究区无云遮盖，此外，研究区未受Landsat7/ETM+影像条带的影响。数据预处理主要在ENVI5.0中进行影像裁剪得到研究区。Landsat7/ETM+影像有8个波段，Landsat8/OLI影像有12个波段。
1.3 研究方法分层分类的思想是根据各地类地物光谱特征,按照一定的准则进行层层分解，以达到高精度分类或专门提取某一地类的目的[12]。因此，地物光谱特征分析是分层分类实施的前提，而相应准则的选取是分层分类实施的关键。Ridd提出基于遥感方法研究城市生态的植被-不透水面-土壤(vegetation-impervious-soil，V-I-S)模型[16]，该模型忽略了城市水域的重要影响，而本研究的试验区有大量水域范围。本研究依据VIS模型并考虑水体，且认为城市内土壤均为裸地，在此基础上利用分层分类思想逐步剔除水体、植被、不透水面，最后得到裸地。
植被信息提取使用最广泛的是归一化植被指数(normalized difference vegetation index，NDVI)[17, 18]，其计算式为：
| $NDVI=({{P}_{NIR}}-{{P}_{R}})/({{P}_{NIR}}+{{P}_{R}})$ | (1) |
式中，PNIR表示近红外波段反射率值;PR表示红外波段反射率值。自Rouse等提出NDVI后[17]，归一化水体指数(normalized difference water index，NDWI)[19]、迭代混合分析技术[20]相继被提出用于快速提取某一地类。光谱特征研究指出，水体在绿波段吸收最弱，而在短波红外波段吸收强烈[21]；针对Landsat7/ETM+影像，利用TM2/TM5做波段运算，并选择合适阈值(＞2)，可以准确提取水体信息[13]。针对Landsat8/OLI影像，利用改进的归一化差异水体指数(modified normalized difference water index，MNDWI)可以区分水体和建筑用地，准确提取水体[22]，计算式为：
| $MNDWI=({{P}_{green}}-{{P}_{MIR}})/({{P}_{green}}+{{P}_{MIR}})$ | (2) |
式中，Pgreen表示绿波段反射率值;PMIR表示中红外波段反射率值。按照水体、植被、建筑用地和裸地分别选取兴趣区(region of interest,ROI)，各地类选择超过100个ROI样本区，后续的分层分类和监督分类均基于同一套样本。植被和水体由于光谱特征差异明显而相对容易被提取，采用MNDWI和NDVI分别提取水体和植被，其中，影像1中的水体直接用Band2/Band5提取。由于Landsat7/ETM+和Landsat8/OLI波段信息不同，NDVI具体波段运算规则会有差异。水体、植被提取过程中，相关阈值的确定是依据前述4种地类样本运算结果的差异。在水体、植被剔除的基础上，分析建筑用地和裸地样本不同波段的光谱特征(以DN值表示)，根据光谱特征差异选择最佳波段运算分离出建筑用地和裸地，以达到提取裸地的目的。
利用前述选取的ROI，选择最大似然法进行监督分类。为了验证和比较裸地提取精度，对照2010年和2013年Google Earth高分辨率影像，随机选取裸地(150个)和非裸地(50个)检验点，检验并对比分层分类法和监督分类法裸地的提取精度。本研究的方法流程如图 1所示。
 |
| 图 1 研究框架图 Figure 1 Research Framework |
2 结果与分析 2.1 水体和植被提取
结合MNDWI、NDVI的介绍和Landsat7/ETM+、Landsat8/OLI影像的波段信息，水体、植被提取波段运算规则如表 1所示。
| 表 1 水体和植被提取波段运算规则和阈值范围 Table 1 Rules of Band Operation and Range of Threshold about Water Body and Vegetation Extraction |
 |
以影像1为例说明水体的提取过程。①波段运算：在ENVI5.0中进行Band2/Band5波段运算，运算结果显示水体明显比非水体亮；②数据分析：统计前述水体和非水体(植被、建筑用地、裸地)样本各像元的计算结果如图 2所示，图中，横坐标表示Band2/Band5取整后运算结果，条形统计图表示水体和非水体在Band2/Band5单个运算结果中所占比例，折线统计图表示水体样本计算结果的频率分布，分析后选择2作为区分水体和非水体的阈值，即Band2/Band5数值大于2的为水体；③生成掩膜：按照阈值2生成掩膜，完成水体提取与剔除，同样的过程进行影像2水体的提取与剔除。
 |
| 图 2 波段运算结果对应的水体和非水体比例 Figure 2 Ratio of Water Body and Non-Water Body of Each Number After Band Operation |
以影像2为例说明植被提取过程。①波段运算:在ENVI5.0中进行NDVI波段运算；②数据分析：统计前述植被和非植被(建筑用地、裸地)样本各像元的计算结果如图 3所示。图中，横坐标分组表示NDVI值运算结果，条形统计图表示植被和非植被在NDVI值运算结果中所占比例，折线统计图表示植被、非植被样本计算结果的频率分布。分析图 3可知，NDVI值在0.19～0.31植被样本比非植被样本所占比例高；但植被样本在NDVI值0.19～0.21间占植被样本总数比例为0.15%，所占比例很小，经分析后选择0.21～0.31作为区分植被和非植被的阈值，即NDVI值在0.21～0.31之间为植被；③生成掩膜：按照阈值0.21～0.31生成掩膜，完成植被提取与剔除。按同样的过程进行影像1植被的提取与剔除。
 |
| 图 3 NDVI运算结果对应的植被和非植被比例及频率 Figure 3 Ratio and Frequency of Vegetation and Non-Vegetation of Each Number After NDVI Calculation |
2.2 光谱特征分析及裸地提取
提取并剔除水体和植被后，在前述假设前提下影像中只有建筑用地和裸地，分析两幅影像中建筑用地和裸地样本在不同波段下DN值的差异。影像1中选取裸地像元3 131个，建筑用地像元7 879个；影像2中选取裸地像元4 693个，建筑用地像元13 953个，分别统计两影像中各波段两种地类DN值的均值如图 4所示。
 |
| 图 4 裸地和建筑用地光谱特征 Figure 4 Spectrum of Bare Land and Building Land |
由图 4可知，Landsat7/ETM+影像中，裸地在第4、5、6、7波段的DN值均值都比建筑用地高；在Landsat8/OLI影像中，裸地在对应波段(第5、6、7、8波段)的DN值均值也都比建筑用地高。为了区分裸地与建筑用地，利用波段相加运算扩大两者的DN值差异，以达到抑制建筑用地、突出裸地的目的。对Landsat7/ETM+影像，将第 4、5、6、7波段相加；对Landsat8/OLI影像，将第5、6、7、8波段相加。虽然Landsat8/OLI影像中，第9、10波段裸地的DN值均值也高于建筑用地，但为了与Landsat7/ETM+影像保持一致，只对第5～8波段相加。
按上述规则进行波段相加运算后，裸地明显比建筑用地暗。以影像2为例说明裸地的提取过程。
1) 波段运算。在ENVI5.0中进行第5、6、7、8波段的相加运算。
2) 数据分析。统计前述裸地和非裸地(建筑用地)样本各像元的计算结果如图 5所示。图中，横坐标分组表示波段相加运算结果，条形统计图表示裸地和非裸地在运算结果中所占比例，折线统计图表示裸地、非裸地样本计算结果的频率分布。分析图 5可知，结果值在0～2.5×104之间裸地样本比非裸地样本所占比例高；但裸地样本在结果值(2.5～3.0)×104间占裸地样本总数比例为0.60%，占有部分比例，经分析后选择0～3.038 3×104作为区分裸地和非裸地的阈值，即波段相加运算结果值在0～3.038 3×104之间为裸地。
 |
| 图 5 波段相加运算结果对应的裸地和非裸地比例及频率 Figure 5 Ratio and Frequency of Bare and Non-Bare Lands After Band Sum Operation |
3) 生成掩膜。按照阈值0～3.038 3×104生成掩膜，完成裸地提取。按同样的过程进行影像1裸地的提取，相应提取阈值为0～128。
以Landsat8/OLI为例，按照水体提取与剔除、植被提取与剔除、建筑用地和裸地分离的顺序说明分层分类法裸地提取的全过程如图 6所示。同样以Landsat8/OLI为例，分层分类法裸地提取结果如图 7所示。以研究区右下角(红色矩形框)为例，对照局部放大图和Google Earth影像可以看出，分层分类法可以良好地提取城市裸地，包括块状裸地地块和线状裸地，提取结果与实际情况基本相符。
 |
| 图 6 分层分类法裸地提取过程(Landsat8/OLI) Figure 6 Process of Bare Land Extraction Using Hierarchical Classification Method (Landsat8/OLI) |
 |
| 图 7 武汉市裸地提取结果(Landsat8/OLI) Figure 7 Results of Bare Land Extraction (Landsat8/OLI) in Wuhan City |
裸地提取结果显示，从城市内部到城市外围，裸地的数量、面积和空间分布有明显的特征。①数量上：城市内部裸地较少，尤其在城市中心只有少量零星的裸地，越往主城区外围，裸地数量越多；②面积上：城市内部裸地面积较小，城市外围有集中连片的裸地；③空间分布上：汉阳、武昌裸地均比汉口多，武汉南部裸地比北部多。图 7中至少有5个集中连片的裸地分布区域，从上到下依次为黄陂区南部(汉口北)(A)、汉蔡高速收费处以南(B)、沌口经济技术开发区(C)、江夏区西北部(D)、东湖新技术开发区东南部(F)。对照Google Earth影像，除了B为自然裸地(耕地纹理)，其余均为人工开挖的裸露地表，反映了武汉市城市扩展的新方向和重点区域。
2.3 方法对比与精度验证采用监督分类法作为对照方法，利用前述选取的ROI，利用ENVI5.0软件采用监督分类法(最大似然)将研究区分为水体、植被、建筑用地和裸地。影像1分类结果Kappa系数为0.938，总体精度为97.1%；影像2分类结果Kappa系数为0.943，总体精度为96.5%。
对照2010年和2013年Google Earth高分辨率影像，分别选取200个精度检验点，其中，裸地150个，非裸地50个，所选检验点覆盖整个研究区。统计分层分类和监督分类针对不同影像提取裸地的精度，精度验证和对比如表 2所示。
| 表 2 裸地提取精度验证与对比 Table 2 Accuracy Validation and Comparison of Bare Land Extraction |
 |
由表 2知，分层分类法针对Landsat7/ETM+和Landsat8/OLI影像，裸地提取精度分别为94.5%和96.0%，而监督分类相应精度分别为89.0%和90.0%。两种方法在裸地漏分(裸地分为非裸地)上差异不大，但在裸地错分(非裸地分为裸地)上，分层分类法精度明显比监督分类高(监督分类法非裸地使用者精度分别为70.0%和76.0%)。两种方法针对Landsat8/OLI影像裸地提取的精度均高于Landsat7/ETM+影像。
3 结束语城市水体和植被由于光谱特征明显，利用MNDWI和NDVI可以实现地类提取；地物光谱特征分析显示城市建筑用地和裸地光谱特征相近，但仍然存在差异，基于该差异可以实现建筑用地和裸地分离。
对于Landsat7/ETM+和Landsat8/OLI影像，分层分类法裸地提取精度分别为94.5%和96.0%，高于监督分类的89.0%和90.0%；分层分类法和监督分类法针对Landsat8/OLI影像的裸地提取精度均高于Landsat7/ETM+影像。
裸地提取结果显示，武汉市城市裸地在数量、面积和空间分布上特征明显；城市中心裸地面积较小且分散，城市外围裸地较多且集中。掌握城市裸地信息有助于土地管理部门制定裸地管理对策，有助于环境保护部门进行废弃复绿工程安排以及对施工工地进行管理。
| [1] |
中国土地勘测规划院,国土资源部地籍管理司. GB/T 21010-2007. 土地利用现状分类[S]. 北京: 中国标准出版社, 2007 China Land Surveying and Planning, The Cadastral Management of Ministry of Land and Resources. GB/T 21010-2007. Current Land Use Classification[S].Beijing: China Standards Press,2007 |
| [2] | Zhang Fan, Cheng Hairong, Wang Zuwu, et al. Pollution Characteristics and Sources Analysis of Trace Elements in PM2.5 in Wuhan City[J]. Engineering Journal of Wuhan University,2012,45(6) : 757–761. |
| [3] |
邱永红, 谭永忠, 周国华. 一种遥感影像裸土地特征增强方法[J].
计算机工程与应用,2012,48(32) : 196–199.
Qiu Yonghong, Tan Yongzhong, Zhou Guohua. Feature Enhancement Method for Bare Land in Remote Sensing Images[J]. Computer Engineering and Applications,2012,48(32) : 196–199. |
| [4] | Kearney M S, Rogers A S, Townshend J R G, et al. Developing a Model for Determining Coastal Marsh “Health”[C]. The 3rd Thematic Conference on Remote Sensing for Marine and Coastal Environments,Seattle, Washington, USA, 1995 |
| [5] | Xu Hanqiu. Analysis of Impervious Surface and Its Impact on Urban Heat Environment Using the Normalized Difference Impervious Surface Index (NDISI)[J]. Photo Grammetric Engineering and Remote Sensing,2010,76(5) : 557–565. DOI:10.14358/PERS.76.5.557 |
| [6] |
徐涵秋. 福建省长汀县河田盆地区近35年来地表裸土变化的遥感时空分析[J].
生态学报,2013,33(10) : 2946–2953.
Xu Hanqiu. Spatiotemporal Dynamics of the Bare Soil Cover in the Hetian Basinal Area of County Changting, China, During the Past 35 Years[J]. Acta Ecologica Sinica,2013,33(10) : 2946–2953. DOI:10.5846/stxb |
| [7] | Powell S L, Cohen W B, Yang Zhiqiang, et al. Quantification of Impervious Surface in the Snohomish Water Resources Inventory Area of Western Washington from 1972-2006[J]. Remote Sensing of Environment,2014,112(6) : 1895–1908. |
| [8] |
李石华, 王金亮, 毕艳, 等. 遥感图像分类方法研究综述[J].
国土资源遥感,2005,(2) : 1–6.
Li Shihua, Wang Jinliang, Bi Yan, et al. A Review of Methods for Classification of Remote Sensing Images[J]. Remote Sensing for Land and Resources,2005,(2) : 1–6. |
| [9] |
向天梁, 汪小钦, 周小成, 等. 基于分层分析的ASTER影像土地利用/覆盖遥感监测研究[J].
遥感技术与应用,2006,21(6) : 527–531.
Xiang Tianliang, Wang Xiaoqin, Zhou Xiaocheng, et al. Land Use/ Land Cover Monitoring Based on Multi-layer Techniques Using ASTER Data[J]. Remote Sensing Technology and Application,2006,21(6) : 527–531. |
| [10] |
张翊涛, 陈洋, 王润生. 结合自动分区与分层分析的多光谱遥感图像地物分类方法[J].
遥感技术与应用,2005,20(3) : 332–337.
Zhang Yitao, Chen Yang, Wang Runsheng. Multispectral Image Classification Based on Sub-Region and Hierarchical Theory[J]. Remote Sensing Technology and Application,2005,20(3) : 332–337. |
| [11] |
饶雄, 张景雄, 丁翼星. 基于多项Logit模型的土地覆被分层分类方法研究[J].
武汉大学学报·信息科学版,2008,33(11) : 1166–1169.
Rao Xiong, Zhang Jingxiong, Ding Yixing. Research and Application of Land Cover Hierarchical Classification Approach Using Multinomial Logit Models[J]. Geomatics and Information Science of Wuhan University,2008,33(11) : 1166–1169. |
| [12] |
刘顺喜, 张定祥, 尤淑撑, 等. 分区控制和分层提取下的OMIS-I影像土地利用/覆盖分类方法研究[J].
地理与地理信息科学,2005,21(5) : 28–32.
Liu Shunxi, Zhang Dingxiang, You Shucheng, et al. Classification of Land Use/Cover with OMIS-I Images Based on Segmentation Control and Multi-Layer Information Extraction[J]. Geography and Geo-Information Science,2005,21(5) : 28–32. |
| [13] |
梁博. 应用TM影像提取珠海城市建筑用地方法的研究[D]. 太原:太原理工大学, 2010 Liang Bo. Study on the Extraction Method for Urban Construction Land of Zhuhai Based on TM[D]. Taiyuan :Taiyuan University of Technology,2010 http://cdmd.cnki.com.cn/Article/CDMD-10112-2010143164.htm |
| [14] |
徐涵秋, 唐菲. 新一代Landsat系列卫星:Landsat8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. Analysis of New Characteristics of the First Landsat8 Image and Their Ecoenvironmental Significance[J]. Acta Ecologica Sinica,2013,33(11) : 3249–3257. DOI:10.5846/stxb |
| [15] |
中国科学院网络信息中心. LANDSAT系列数据 .http://www.gscloud.cn/sources/list_dataset/411?cdataid =263&pdataid=10&datatype=OLI_TIRS#dlv=Wzg4LFswLDEwLDEsMF0sW1siZGF0Y WRhdGUiLDBdXSxbXSw5OV0%3D, 2014-08-10 Computer Network Information Center, Chinese Academy of Sciences. LANDSAT Series of Data .http://www. gscloud.cn/sources/list_dataset/411?cdataid=263&pdataid=10&datatype=OLI_TIRS#dlv=Wzg4LFswLDEwLDEsMF0sW1siZGF0Y WRhdGUiLDBdXSxbXSw5OV0%3D, 2014-08-10 |
| [16] | Ridd M K. Exploring a VIS (Vegetation-Impervious Surface-Soil) Model for Urban Ecosystem Analysis Through Remote Sensing: Comparative Anatomy for Cities[J]. International Journal of Remote Sensing,1995,16(12) : 2165–2185. DOI:10.1080/01431169508954549 |
| [17] | Rouse J J W, Haas R H, Schell J A, et al. Monitoring Vegetation Systems in the Great Plains with ERTS[J]. NASA Special Publication,1974,351 : 309. |
| [18] |
潘建平, 叶焕倬. 基于遥感分类的植被覆盖度提取[J].
测绘信息与工程,2007,32(6) : 17–19.
Pan Jianping, Ye Huanzhuo. Extraction of Vegetation Fraction Based on Remote Sensing Classification[J]. Journal of Geomatics,2007,32(6) : 17–19. |
| [19] | Mcfeeters S K. The Use of the Normalized Difference Water Index (NDWI) in the Delineation of Open Water Features[J]. International Journal of Remote Sensing,1996,17(7) : 1425–1432. DOI:10.1080/01431169608948714 |
| [20] |
肖鹏峰, 刘顺喜, 冯学智, 等. 中分辨率遥感图像土地利用与覆被分类的方法及精度评价[J].
国土资源遥感,2004,(4) : 41–45.
Xiao Pengfeng, Liu Shunxi, Feng Xuezhi, et al. Methods and Accuracy Assessment for Land Use and Cover Classification Based on Medium Resolution Remotely Sensed Data[J]. Remote Sensing for Land and Resources,2004,(4) : 41–45. |
| [21] |
吴际通, 谭伟, 喻理飞. 基于TM/ETM+影像的不同水体指数对比研究[J].
测绘科学,2013,38(4) : 193–195.
Wu Jitong, Tan Wei, Yu Lifei. Comparative Study of Different Water Indexes Based on TM/ETM+ Imagery[J]. Science of Surveying and Mapping,2013,38(4) : 193–195. |
| [22] |
徐涵秋. 利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究[J].
遥感学报,2005,9(5) : 589–595.
Xu Hanqiu. A Study on Information Extraction of Water Body with the Modified Normalized Difference Water Index (MNDWI)[J]. Journal of Remote Sensing,2005,9(5) : 589–595. |