珞珈一号夜间灯光影像在建设用地提取中的应用——以武汉市为例

以下文章来源于经纬石旁话遥测 ，作者刘权毅 詹庆明等

—

本文改编自学术论文《珞珈一号夜间灯光影像在建设用地提取中的应用：以武汉市为例》

刊载于《武汉大学学报(信息科学版)》2021年第1期

刘权毅 1,2 詹庆明 1,2 李建松 3 杨 晨 1,2 刘 稳 1,2

1 武汉大学城市设计学院，湖北 武汉，430079

2 武汉大学数字城市研究中心，湖北 武汉，430079

3 武汉大学遥感信息工程学院，湖北 武汉，430079

摘要

城市建设用地能够反映城市建设发展在地域空间上的分布形态，是规划主管部门监测城市建设和扩张的关键指标。2018⁃06⁃02 发射的珞珈一号卫星可提供 130 m 分辨率的夜间灯光数据，在城市建设用地的提取方面具有较大潜力。

（1）首先整合珞珈一号夜间灯光影像与 Landsat 8 多光谱影像以及网络地图兴趣点数据；

（2）然后分别采用人类居住合成指数和阈值法对武汉市进行建设用地提取；

（3）最后与可见光红外成像辐射仪(visible infrared imager radiometer suite ,VIIRS)夜间灯光影像采用相应方法得到的结果进行对比。

结果发现，珞珈一号影像与 Landsat 影像整合后采用人类居住合成指数的方法提取的建设用地最准确，其 Kappa 系数为 0.769；VIIRS 与 Landsat 8 影像整合后采用相同方法得到的建设用地，其 Kappa 系数为 0.702；夜间灯光影像与兴趣点数据结合进行建设用地提取的精度有所下降，兴趣点数据分别与珞珈一号、VIIRS 夜间灯光影像结合得到的建设用地，其 Kappa 系数分别为 0.618、0.574；珞珈一号、VIIRS 夜间灯光影像采用简单阈值法进行建设用地提取，其 Kappa 系数分别为 0.503、0.482。

该实验结果表明,珞珈一号夜间灯光影像数据具有更高的空间分辨率和更加丰富的空间细节，是进行城市建设用地提取的理想数据源。

引用

刘权毅,詹庆明,李建松,杨晨,刘稳.珞珈一号夜间灯光影像在建设用地提取中的应用：以武汉市为例[J/OL].武汉大学学报(信息科学版):1-18[2021-01-14].

在过去的半个多世纪中，世界上大多数国家都经历了前所未有的城镇化进程，城镇化的不断推进促使建成区在空间上聚集发展，进而导致城市建设用地在空间上无限蔓延扩散。中国的城镇化率自改革开放以来基本保持了每年 1% 左右的增长。高速的城镇化进程不仅活跃了城

市的社会经济活动，而且也导致了一系列的社会经济和生态问题，城市的开发建设超越规划范围的现象屡见不鲜。因此，准确高效地把握城市建设用地的实际情况，对于控制上述问题并提出相应的空间管制措施以及确定未来城市增长边界至关重要。

夜间灯光遥感影像作为一种客观、实时地对地面建筑物和道路等地物发出的灯光强度进行记录的遥感数据源，在城市建成区提取以及社会经济活动识别、监测中得到了广泛的应用。夜间灯光数据广泛应用于全球和区域尺度上的城市建设用地提取，且能够从城市社会经济活动层面提供一种独特的分析视角，但常用的夜间灯光数据空间分辨率较低且存在显著的灯光溢出效应。因而采用夜间灯光数据进行建成区提取和动态监测的研究，大多在国家尺度和区域尺度上进行，且建设用地提取不够精细。例如，常用的夜间灯光数据源有国防气象卫星计划的实用行扫描系统（defense meteorological satellite program/operational line scan system，DMSP/OLS），以及可见光红外成像辐射仪（visible infrared imager radiometer suite，VIIRS）搭载的昼/夜波段（day/night band，DNB），二者分辨率分别约为 2700 m和 750 m，已成为宏观尺度城市建成区提取的主要数据源，但由于这两个数据源都在不同程度上存在灯光溢出效应、城区灯光过饱和等问题，因此仅依靠 DMSP/OLS 或者 VIIRS 夜光数据识别城市建设用地，在精度控制上仍会存在一定的缺陷。

现有的采用夜间灯光遥感进行城市建设用地提取的方法可分为 3 类：（1）阈值法；（2）分类法 ；（3）引入较高分辨率数据的空间比较法。阈值法在全局或局部选取一个阈值对夜间灯光影像进行分割，继而提取具有较高灯光强度的区域为城市建设用地。但在不同社会背景和发展水平的城市采用相同阈值会存在一定问题，因此采用单一阈值进行城市建设用地提取的方法逐渐被改进为多阈值方法。文献［17］采用官方统计数据作为参照，当以某个 DNB 值作为阈值提取结果与参照数据差异最小时，将该 DNB 值作 为 最 佳 的 分 割 阈 值 。文 献［19］针 对 DMSP/OLS 数据提出利用人口分布数据，对不同收入水平的地区和某些特殊地区采用不同的分割阈值（40%、80% 和 90%）。此外，形态学特征也被引入用于提高阈值法的提取精度，文献［20］采用城市区域光斑周长大幅增长的临界点作为最优分割阈值。文献［21］采用聚类的方法进行城市区域识别，该方法采用 Logistic 回归模型对潜在城市聚类成簇，并依据簇的大小和灯光亮度等级估计最佳阈值。分类法通过采用不同的分类方法将图像根据不同的夜间灯光亮度等级划分为不同类别来进行城市建成区的识别提取。文献［3-4］将夜间 灯 光 数 据 与 较 高 分 辨 率 的 归 一 化 植 被 指 数（normalized difference vegetation index，NDVI）和地表温度（land surface temperature，LST）数据整合 后 ，采 用 支 持 向 量 机（support vector machine，SVM）方法进行城市建设用地的提取。分类法的准确性受先验知识的可靠性及训练样本选择的影响较大，且分类法相对而言耗时耗力［14，18］。文献［22］将 DMSP/OLS 夜间灯光数据与中分辨率成像光谱仪（moderate resolution imaging spectro⁃radiometer，MODIS）NDVI 数据整合，提出了人类居住合成指数（human settlement index，HSI）。文献［23］通过引入归一化水体指数（normalized difference water index，NDWI）和 增 强 型 植 被 指数（enhanced vegetation index，EVI），进而提出归一 化 城 市 区 域 合 成 指 数（normalized urban area composite index，NUACI）来提高夜间灯光数据提取城市建成区的精度。文献［24］将 VIIRS 夜间 灯 光 数 据 与 兴 趣 点（point of interest，POI）结合，采用阈值法和数学形态法对深圳、广州、惠州3 个城市的建成区进行了提取。珞珈一号搭载了高分辨率的夜间灯光传感器，可以获取地面分辨率高达 130 m 的夜间灯光数据。此外，珞珈一号还具有 15 bits 高辐射度量化能力以及 250 km 的宽像幅。

珞珈一号提供的更高分辨率、更高数据精度的夜间灯光数据源不仅可以大幅提升对于夜间城镇灯光的感知能力，而且可以在局部尺度上开展夜间灯光的研究。

本文在城市尺度上整合珞珈一号夜间灯光数据及 Landsat 8 多光谱影像、网路地图兴趣点数据，采用简单阈值法（simple thresholds segmentation，STS）、HSI 等方法对武汉市建设用地进行提取，并将 VIIRS 夜间灯光数据作为对照，参考谷歌地球高分辨率卫星影像，对不同数据组合和不同方法提取的建设用地进行精度评价，进而评估珞珈一号在建设用地提取应用上相对于 VIIRS等传统夜间灯光数据的优势。

1 研究区与数据

1.1

研究区

本文以武汉市为研究区（见图 1）。半个世纪以来，武汉市建成区面积快速扩张，从 1970 年的144.2 km2以平均每年 13.58 km2的扩展强度增长到 2015 年的 755.09 km2。如图 1 所示，具体实验区域为边长为 75 km 的正方形区域。

1.2

实验数据

1）珞珈一号夜间灯光数据

与 DMSP/OLS 和 VIIRS 两种广泛使用的夜间灯光数据来源相比，珞珈一号可以提供具有更丰富空间细节的夜间灯光影像。DMSP/OLS、VIIRS 与珞珈一号的具体参数对比见表1。本文采用高分湖北中心（http：//datasearch.hbeos.org.cn：3000/#）分 发 的 2018-06-13 武 汉 及 周 边 地 区的珞珈一号夜间灯光影像。为了方便计算 HSI，对珞珈一号夜间灯光影像进行双三次卷积方式计算，然后插值到与 Landsat 8 数据一致的 30 m空间分辨率。

2）VIIRS 夜间灯光数据

本文采用 VIIRS 的月平均数据作为参照数据，该数据已经排除了杂光、雷电和云覆盖的影响，可以反映地表月度典型夜间灯光强度的空间分布模式。但 2018 年 6 月的 VIIRS 月平均数据暂不可用，本文采用 2018 年 5 月的月平均数据作为参照。由于 VIIRS 数据没有排除陆地

表面反射月光的干扰，因此 VIIRS 影像的像元亮度值（digital number，DN）首先减去 0.5 以排除观测噪声，然后剔除 DN 值小于 0 的像元。本文采用双三次采样方法对 VIIRS 数据进行重采样到 3 m空间分辨率，与珞珈一号数据及 Landsat 数据保持一致。此外，为了突出城镇区域和郊野地区的影像 DN 值差异，珞珈一号数据和 VIIRS 的 DN值都预先进行了对数变换。

 图1 研究区地理位置与 Landsat 8 多光谱影像

表 1 不同夜间灯光数据比较

3）Landsat 8多光谱数据

本文采用 2018-04-08的Landsat 8多光谱影像进行实验，由于人造地表景观在短时间内不会发生急剧变化，因此 Landsat 8 影像与珞珈一号影像成像时间之间的差异在本文可忽略。在经过辐射校 正 、大 气 校 正 后 ，基 于 Landsat 8 影 像 进 行 了NDVI、修正归一化水体指数（modified normalizeddifference water index，MNDWI）的计算。

4）网络地图 POI数据

在百度地图采集武汉市 POI 数据，并对其进行数据筛选、清洗，最后的结果包含居住小区、交通设施、餐饮娱乐、景点游憩等 13 类，共超过 38万条的地名地址数据。

5）谷歌地球高分辨率遥感影像

为了比较不同数据、不同方法进行建设用地提取的精度，本文下载了同时期 1 m 分辨率的谷歌地球影像来反映武汉市地表真实建设用地，并随机选取了 1 000 个点作为检验样本进行精度评价（见图 2）。

图 2 谷歌地球 1 m 分辨率影像和随机样本点

2 研究方法

本文分别将珞珈一号、VIIRS的夜间灯光数据、Landsat 8影像得到的NDVI数据与网络地图POI数据整合，对武汉市建设用地进行提取（30 m分辨率），并对比谷歌地球1 m分辨率的高分辨率遥感影像，进行精度评价。本文的技术路线图如图3所示。

 图3 本文技术路线图

2.1

归一化植被指数与修正归一化水体指数计算

相比于 NDWI，MNDWI 能够更好地抑制城市建筑噪声以及水体悬浮物的干扰，因此更适用于在城镇建设用地内提取水体信息 。MNDWI的计算如下：

式中，G 为 Landsat 8 多光谱影像的绿波段，为 3 波

段 ；SWIR 为 短 波 红 外（short wave infrared，SWIR）波段，为 6 波段。本文选取 MNDWI 值大于 0 的像元作为水体掩膜，用来排除水体作为高反射地表对于夜间灯光数据的影响。NDVI的计算如下：

式中，NIR（near infrared，NIR）为 Landsat 8多光谱

影像的近红外波段，为5波段；R为红波段，为4波段。

2.2

人类居住合成指数的计算

文献［22］提出来的 HIS 是结合粗分辨率的DMSP/OLS 夜间灯光数据中包含的社会经济要素与细分辨率的 MODIS NDVI 数据中包含的自然要素数据进行人类居住区提取，因此被广泛用于城市建设用地提取。通过计算 HSI 指数，将 分 辨 率 较 粗 的 夜 间 灯 光 数 据 与 高 分 辨 率 的NDVI 数据有机整合，在较高分辨率下进行城市建成区的提取，但采用 HSI 指数进行建设用地提取需要预先排除水体的干扰。HSI 的计算需要先对夜间灯光数据进行归一化，即：

式中，NTL（night time light，NTL）是未经过归一

化的夜间灯光数据；NTL'是归一化后的夜间灯光

数据；NTL max 和 NTL min 分别是原始夜间灯光数

据的最大值和最小值；( i，j ) 是某个像素的坐标。

则 HSI的计算如下：

2.3

结合夜间灯光和兴趣点的建成区提取

文献［24］通过将 VIIRS 数据与网络地图 POI结合提出了一种面向对象的城市建设用地提取方法。由于珞珈一号具有更高的空间分辨率和更丰富的空间细节信息，因此珞珈一号更适宜采用面向对象的方法与 POI 结合进行建设用地的提取。本文采用文献［24］提出的方法 ，首先在eCognition 9.0 软件中分别对珞珈一号、VIIRS 数据进行面向对象分割，得到 618、362 个对象，具体的分割参数如空间尺度、几何形状和斑块紧凑度等，采用文献［24，28］推荐的最优参数；然后计算建成区指数 X：

式中，Area 是斑块对象的面积；NTL mean 是斑块对

象的平均亮度；X 综合考虑了对象面积和平均夜

间灯光亮度。采用面向对象方法提取的城市建设用地较

为粗糙，且存在一定的灯光溢出问题，因而需要引 入 POI 数 据 进 行 补 充 修 正 。本 文 采 用 文 献

［24，29］提 出 的 Densi-graph 分 析 方 法 进 行 基 于POI 数据的建设用地提取。利用 Densi-graph 方

法提取建设用地分为以下两步：

1）对城市 POI 数据进行核密度分析，并绘制核密度等值线。定义 Sd 表示核密度值为 d 的等值线围合的面积，S1/2d 是 Sd 的理论半径，对理论半径 S1/2d 的增量 ΔS1/2d 求导数，则有：

2）在城市尺度上，城市建成区与郊野地区的交界处应当存在一个临界值 r，使得：

表明城市边界内部 POI 的核密度值不再呈现显著增长趋势。

对采用夜间灯光数据和 POI 数据提取的建成区结果，首先进行空间相交计算，以改善灯光数据提取结果边界粗糙和 POI 数据提取结果破碎的缺点；然后采用形态学计算对结果进行进一步处理：

（1）对提取的边界进行形态学运算，去除毛躁边界和内部碎点；

（2）对相邻的要素进行合并 ，并删除面积微小的斑块，得到最终的提取结果。

3 结果与讨论

3.1

基于 STS 方法的建设用地提取结果

本文首先基于 STS 方法对珞珈一号和 VI⁃IRS 数据进行了建设用地提取。STS 方法高效且易于操作，在不依赖其他数据辅助的情况下，能够为其他方法提供武汉市建设用地的基础认知。首先设定初始动态阈值，采用二分法在0~20 范围内不断变换阈值，STS 方法的提取结

果如图 4 所示。由图 4 可以看出，随着阈值的提高，单独采用夜间灯光数据，运用 STS 方法提取的城市建成区面积逐渐减小。通过与谷歌地球高分辨率影像目视对比，当珞珈一号数据阈值为 6 时 ，采 用 STS 方 法 提 取 的 建 设 用 地 最 接 近真实情况；当 VIIRS 数据阈值为 14 时，可以提取出相对更准确的城市建设用地。此外，对珞珈一号和 VIIRS 得到的结果进行横向对比可以发现，VIIRS 提取的建成区在空间上更加聚合，在建成区内部丧失了较多的空间细节，而珞珈一号可以更多地提取出城市建成区的空间细节，比如道路、桥梁和零散建成区。

图 4 基于 STS 对珞珈一号和 VIIRS 夜间灯光数据提取的建设用地

3.2

基于HSI的建设用地提取结果

本 文 在 30 m 分 辨 率 上 分 别 对 珞 珈 一 号 、VIIRS 数据得到的 HSI 指数进行了计算，并对其进 行 了 阈 值 分 割 。如 图 5 所 示 ，由 珞 珈 一 号 和VIIRS 数据计算出的 HSI 指数差别不大，但珞珈一号数据计算出的 HSI 指数仅在主城区部分比VIIRS 数据得到的 HSI 指数更高。由于 HSI 指数同 时 结 合 了 夜 间 灯 光 数 据 和 NDVI 数 据 ，因 此HSI 指数相比单一的夜间灯光数据，能够在 30 m分辨率上更精细、准确地提取建设用地，并保留了丰富的空间细节。本文使用两种灯光数据计算出的 HSI 指数，其最优分割阈值都是 0.2。此

外，由于整合了 NDVI 数据，一部分建成区周边的裸露地表会被 HSI 指数提取出来，比如长江上的白沙洲部分裸露地表在 4 组结果中均被错分为建成区。总体来讲，珞珈一号和 VIIRS 数据计算出的 HSI指数提取出的建成区均较为准确且差别不大，但由于 VIIRS 存在灯光溢出效应，因此 HSI 指数的提取结果在主城区内部丧失了一定的空间细节。

图 5 珞珈一号、VIIRS 的 HSI数据及其在不同阈值下提取的建设用地

3.3

结合夜间灯光数据和兴趣点数据的建设用地提取

带宽的选择对于核密度分析的结果影响极大，核密度分析带宽的确定需要同时兼顾空间点数据的实际分布情况及研究目标的特点。较小的带宽可用于考察空间数据在局部尺度的密度变化，而较大的带宽可以更好地反映空间数据在全局尺度上的空间分布。本文在300m、1 000m及 3000 m 带宽下探究了武汉市 POI 数据的空间分布情况（见图 6）。

图 6 武汉市兴趣点数据在不同带宽下的核密度估计图

本文采用 250 000 作为武汉市 POI 核密度临界值。由图 6 可知，当带宽为 3 000 m 时，核密度分析图空间细节较差，且高核密度值区域面积过大；当带宽为 1 000 m 时，核密度图基本反映了武汉市建成区的真实情况，但是边缘依然存在被过度平滑的现象；当带宽为 300 m 时，边界较为清晰且反映出了建成区内部的空间细节。因此本文使用 300 m 的带宽在十分之一带宽（30 m）的栅格单元内进行核密度计算，以平衡建设用地细节和内部完整度。结合夜间灯光数据采用面向对象方法提取的建设用地一起进行空间相交运算，并经过形态学滤波后得到最终的建设用地提取结果（见图 7）。

由图 7 可知，在主城区范围内，结合 POI 数据后，夜间灯光数据提取建成区的结果较 STS 方法差异不大。在主城区周边，相比 STS 方法的结果，结合 POI数据后提取出的建成区面积更小，更接近现实状况。这是由于武汉市河湖密集，单独使用夜间灯光数据提取建成区的精度受到较大影响，而考虑了 POI 在空间中的分布密度则可以较好地修正夜间灯光数据的溢出情况，从而提高建成区的提取精度。然而，该方法在青山工业区（尤其是武钢及周边地区）出现了一定的漏分情况，这一现象可能是由于大型工业用地虽然夜间灯光亮度较高，但是 POI点分布并不密集，因而在进行空间相交操作时出现一定的误差。

图 7 兴趣点数据与珞珈一号和 VIIRS 结合提取的建成区结果

3.4

精度评价

为了进一步定量评价上述 3 种方法的建成区提取的准确率，本文随机选取了 1 000 个样本（见图 2），参考 1 m 分辨率的谷歌地球高分辨率影像，采用用户精度、生产者精度、总体精度以及Kappa 系数来进行精度评价。用户精度表示被正确提取为建成区的样本所占比例；生产者精度表示所有真实地表为建成区的样本被正确提取

的概率；总体精度代表被正确识别的样本所占全部样本的比例；Kappa 系数代表样本所处真实地表状况与提取结果的一致性，能够全面地评估提取结果的准确率。各精度评价指标如表 2 所示。

表 2 提取结果的精度评价

由表 2 可知，珞珈一号数据和 VIIRS 数据结合 NDVI 数据计算 HSI 指数时，能够获得较高的提取精度。尤其是珞珈一号数据，其提取总体精度高达 86.10%，与 VIIRS 数据相比，其精度提高了 2.40%，Kappa 系数提升了 0.067。结合 POI 数据可以在一定程度上提高建成区的提取精度，珞珈一号、VIIRS 数据结合 POI 数据的提取精度比STS 方法的 Kappa 系数分别提高了 0.115、0.092。VIIRS 数据的生产者精度基本上高于珞珈一号数据（除采用 HSI指数进行提取时）。

综上所述，珞珈一号应用于本文的 3 种建设用地提取方法时，其精度都要优于 VIIRS，不仅能够较好地保证建成区提取的准确率，而且可以细致地反映建成区的空间细节（比如城市内部的道路桥梁、城市周边的零散建成区），而 VIIRS 作为一种 750 m 分辨率的传感器数据，在城市尺度进行建设用地的提取较为差强人意。可见，珞珈一号进一步拓宽了在城市尺度进行建成区提取、社会经济要素监测等相关话题的研究视野，弥补了

DMSP/OLS 与 VIIRS 数据仅局限于国家尺度或区域尺度的不足。但是作为一种成熟的夜间灯光数据来源，VIIRS 可以提供从 2011 年迄今多种组合类型的数据。目前珞珈一号的使用者只能获得 2018年 6月至今的影像，且受天气、云覆盖等的影响，珞珈一号多时相数据的可用性相比VIIRS 较差。此外，VIIRS 的重访周期显著小于珞珈一号，这使得在特定应用场景下（如应急监测等）VIIRS 相比珞珈一号或许能发挥更大的效用。不过通过将珞珈一号数据与相近分辨率的数据进行整合（如国际空间站夜间灯光数据），能够使这一问题在一定程度上得到缓解。

4 结语

本 文 以 武 汉 市 为 例 ，通 过 将 POI 数 据 分 别与珞珈一号和 Landsat 8 多光谱影像整合，采用简单阈值 法 、人 类 居 住 合 成 指 数 以 及 结 合 POI数 据 3 种 方 法 在 城 市 尺 度 上 进 行 建 筑 用 地 提取 ，并 运 用 总 体 精 度 、Kappa 系 数 等 多 种 指 标 ，以 1 m 分 辨 率 的 谷 歌 地 球 高 分 辨 率 影 像 为 参照 ，对 本 文 所 述 3 种 方 法 的 建 设 用 地 提 取 精 度进行了评价。

结果表明，在城市尺度上进行建设用地提取时，珞珈一号数据的表现整体优于VIIRS 数 据 ，并 且 在 与 较 高 分 辨 率 的 其 他 空 间数 据（Landsat 8 影 像 计 算 得 到 的 NDVI 数 据 和网 络 地 图 POI 数 据）进 行 有 机 整 合 时 能 够 进 一步提高其表现。尤其是采用 HSI 指数进行建设用 地 提 取 时 ，总 体 精 度 和 Kappa 系 数 高 达86.10% 和 0.769。将 POI 数 据 与 夜 间 灯 光 数 据结合能够更准确地识别在主城区外的建成区，可以在一定程度上提高建设用地的提取精度， 但 是 该 方法易受POI数据空间分布特征的影响。3 种方法中，简单阈值法最为高效简便，但是建设用地提取精度还有很大提升空间，珞珈一号和 VIIRS 在本研究中采用最佳分割阈值的总体精度分别为 71.40% 和 69.60%。

转自：“测绘学术资讯”微信公众号

如有侵权，请联系本站删除！