以下文章来源于生态遥感与土地可持续 ，作者poppy9558
摘要
了解旧城区（OUAs）和新城区（RUAs）的分布和土地历史已成为城市管理的重点。但是，由于缺乏相关的检测方法，很难获得足够的信息。在此，本研究在谷歌地球引擎（GEE）平台上建立了一个完整的地图框架，以识别OUAs和RUAs，并检测城市更新的时间信息，并于2000-2020年在北京中实施。本研究使用陆地卫星图像和LandTrendr算法来拟合14个波段/指数的光谱轨迹，作为随机森林分类的特征输入。本研究制作了OUAs和RUAs的地图，总体准确率为95.36%。在此基础上，本研究进一步利用LandTrendr检测了城市更新的年初、年末和持续时间，在±5年差异范围内的准确率分别为85.52%、80.97%和74.53%。这些地图都呈现了信息丰富的时空模式。此外，城市更新进程很可能受到重大的国家或国际事件的影响。本研究从多个角度回答了城市更新的问题，为未来的城市规划提供了科学支持。
解决问题：本研究寻求有效的方法来识别长期在像素水平上更详细的绿洲和城市更新模式。首先比较了随机森林（RF）和阈值化这两种分类方法，并建立了映射框架的前部部分。验证了这部分的稳健性，想知道它是否在不同城市和不同时间框架内表现良好，并获得了北京中OUAs和RUAs更准确的映射结果。然后，本研究进一步扩展了映射框架。根据识别出的RUA的空间分布，本研究开发并比较了不同的标准来选择性地检测城市更新的时间信息，包括开始年份（SY）、年末（EY）和像素水平上的城市更新持续时间。因此，本研究可以结合相关分析，深入了解一个区域内更完整的土地历史和更详细的时空格局。本研究希望从不同的保护和更新的角度分解中国21世纪前20年的城市化模式，深入了解城市环境变化的根本机制和相互作用，为地球系统模型的模拟和未来城市规划中的政府决策提供科学支持。
图1。1990年、2000年和2018年的研究区域和城市内部边界。
样本选择：本研究主要从谷歌地球上提供的多时间高分辨率遥感图像中获得支持，以详细观察土地变化的历史，并解释特定地点的类别。样本点是一个点，它是从旧/更新区域的内部选择的，以防止偶然性。本研究以2018年的城市边界为空间限制，尽可能随机、均匀地选择样本，以覆盖整个可见范围。减少错误人工解释和防止空白土地历史，本研究需要完整、连续、清晰的图像收集长时间序列在研究期间确认土地状态在每个阶段，这意味着连续图像之间的时间间隔不得超过3年。旧的场地必须在长期一致的状态下没有经历过任何人工施工活动，而更新的场地在此时期应该有明显的表面特征变化。此外，一个样本的相邻环境必须保持相同的变化历史，以确保其典型性和代表性。
图2。在北京中，样品的分布。(A)，旧的和更新的群组。(B)培训和验证组。
图3。本研究中城市范围的定义。
数据准备：城市范围的定义本研究的目标是通过城市化来建立完整的区域，而在一个有机城市内部将会有复杂的土地类别。因此，本研究需要明确的空间定义来集中本研究的研究（图3）。首先，本研究利用全球城市边界（GUB）数据集的最新结果，划定了北京的城市边界，并对山区、农田和水库等农村地区的干扰进行了划分。在此基础上，在地块层面应用基本城市土地利用类别（EULUC）数据集，去除边界内的道路、丘陵和小水体。此外，通过全球人工透水区（GAIA）数据集在像素水平上移除非用于人类住区的剩余景观和绿色空间。这些多源数据集被叠加和组合，以产生北京的城市范围掩模，这决定了本研究的感兴趣区域（ROI）。
陆地卫星图像是一种开放获取的遥感数据。这一系列卫星于1972年首次发射，此后一直在运行，为地球观测提供了大量的数据支持。它具有最长和最完整的时间跨度，中等空间分辨率（30 m）和16天的重访期，满足了大规模连续观测、长时间序列映射产品和长期变化检测的需求。考虑到时空尺度和覆盖范围，本研究选择其作为数据库。来自陆地卫星的
5个主题映射器(TM；7个波段），陆地卫星7个增强主题映射器+（ETM+；8个波段）和8个操作陆地成像仪(OLI；9个波段）能够完全覆盖本研究的研究期间。本研究使用了美国地质调查局谷歌地球引擎（GEE）平台上的陆地卫星地面反射一级数据集，该数据集经过LEDAPS/LaSRC预处理以进行大气校正，CFMASK用于云、阴影、水和雪掩模，以及从OLI到ETM+ 的光谱转换。本研究考虑了可见光、近红外和短波红外波段和推导出的遥感指数，以获得足够的光谱信息。此外，对于显著的纯光谱变化，本研究关注了从6月到9月的绿色季节。对于一定的波段/指数，每个像素的光谱轨迹是由每年的一系列单一最佳值构建的。一个像素的单一最佳值每年通过某一年的日期窗口内的多个光谱值通过中值策略组成。因此，生成一个年度图像集合，以建立与时间序列相关联的时间序列图像堆栈。
方法：本研究中测绘程序的总体框架如图4所示，可分为4个模块，包括数据准备、面向对象和RUA的识别、城市更新的时间检测及其输出。大多数程序都是在GEE平台上开发的。GEE具有观测、检测和模拟大规模环境动力学的能力，广泛应用于LUCC研究。
图4。研究中测绘程序的总体框架。(A)数据准备。OUAs/RUAs的(B)鉴定。(C)城市更新的时间检测。(D)输出。
对OUAs和RUAs的识别：对OUAs和RUAs的识别和区分主要是基于变化检测的思想。传统的图像差和分类后比较（PCC）和LandTrendr、VCT、BFAST、CCDC 等新兴算法被广泛应用，在光合活性表面具有显著的性能，特别是森林干扰和恢复。其中，LandTrendr可以以每个像素的时间序列图像堆栈的形式拟合波段或指数的光谱轨迹，并通过适当的分割检测年际变化的突变或渐进变化。拟合曲线中的分段和顶点包含了丰富的景观动态历史记录，同时保留了每个时间片的源值、拟合值、顶点判断和均方根误差（RMSE）进行详细查询。通过调整参数设置，可以有效地调节干扰检测的灵敏度，抑制不同对象的噪声。因此，LandTrendr算法提供了一个强大的可能性。
图5。一个RUA经历了多次变化的NDVI时间序列和相应的陆地趋势拟合曲线。y轴上的NDVI值乘以1000。
图6。采用39种不同变化事件类型和最大段进行参数选择。(A)不同组合的OAs。(B)不同组合的Kappa系数。
图7。前门街天寺园区平滑前后对比图。(A)2000年的实际地表状况。(B)2020年实际地表状况。(C)原始分类结果（OA：94.64%）。(D)平滑结果（OA：95.36%）。
图8。鸟巢实际历史变化变化年检测的不同策略。索引值乘以1000。
图9。在验证样本下降的地区的当地OA。
图10。不同特征对射频分类器的重要性。
图11。2000-2020年北京中OUAs和RUAs的空间分布。
图12。北京奥林匹克公园、北京首都国际机场、海淀区、东城区、丰台区、延庆等部分地区的局部景观，2000年和2020年的陆地卫星图像，OUA/RUA结果，SY、EY和城市更新时间。通过真彩色合成，将陆地卫星7 ETM+（2000）的B3、B2、B1和8 OLI（2020）的B4、B3、B2分别分为红色、绿色和蓝色通道。
图13。OUA/RUA区域和图表百分比的区域统计及其在用名称缩写标记的地区的空间格局。(A)直方图和曲线图表示数据分布。在OUA地区的(B)地区。在RUA地区的(C)地区。(D)OUA面积占城市总面积的百分比（OUA + RUA）。
图14。验证样本的时间分布直方图。(A) SY。(B) EY.(C)持续时间。
图15。直方图中不同指标和策略间变化年检测的准确性比较。SY的(A)精度。EY的(B)精度。x轴上的差值是指检测到的年份与实际年份之间的差值。
图16。在验证样本量超过8的地区，变化年检测的±5年差异内的局部准确性。(A)SY的局部OA。(B)局部OA。(C)SY/EY的关节OA。(D)局部OA的持续时间。
图17。2000-2020年北京地区城市更新时间信息的空间分布。(A) SY的更新。(B) EY的更新。(C)更新的持续时间。D
图18。研究期间的总体数据分布。
图19。不同地区的密度曲线。(A) SY。(B) EY.(C)持续时间。
图20。2000年、2005年、2010年、2015年和2018年，北京的城市边界（GUBs）。
图21。结果在不同的EULUC类别（第1级）。
结果和展望：基于陆地卫星图像、LandTrendr变化检测算法和射频分类器，建立了一个完整的映射框架来探索绿洲和保护区的分布，获得2000-2020年城市更新的时间信息。OUAs和RUAs标测结果的OA值为95.36%。市区集中在主城区，特别是老城区（东城区和西城），而市区大多位于中心OUA集群周围的郊区，形成了一个同心区结构。在城市更新的时间检测中，有12种具有不同的损失/增益和NDVI/NBR/NDMI组合的候选策略。本研究选择了检测城市SY、EY和城市更新持续时间的最优方法，在±5年差异内准确率最高，分别为85.52%、80.97%和74.53%。北京的城市更新主要开始于2010年之前，以不到10年的短期更新为主，特别是3年内的快速变化。2003年奥运会激增，2008年暴跌，表明城市更新过程可能受到政策和重大国家/国际事件（如奥运会）的影响。
OUA/RUA识别和城市更新时间检测的结果与北京城市总体规划和实际的区域更新事件密切一致，表明本研究的研究结果具有可靠性。然而，城市更新的时间检测需要在策略和方法上进行优化，以获得更好的性能和更多的信息，如城市更新的细分方式，包括改造、拆除和重建。因此，本研究可以在政策的指导下了解城市更新工作的不同重点，并对其生命周期有更全面的了解。本研究希望将测绘框架推广到全国范围内，为城市规划和政府决策提供实际支持。
通讯作者：宫鹏
第一单位：香港大学地球科学系和气候和碳中和研究所地理学系，中国香港
数据获取：数据将应要求提供
文章引用：Ni, H., Yu, L., Gong, P., Li, X. and Zhao, J., 2023. Urban renewal mapping: A case study in Beijing from 2000 to 2020. Journal of Remote Sensing, 3, p.0072.
转自：“生态遥感前沿”微信公众号
如有侵权，请联系本站删除！
