一种基于遥感指数的城市建筑用地信息提取新方法

马红

(重庆市勘测院，重庆 400020)

1 引言

随着人口的急剧增多和经济的快速发展，城市化进程逐步加快，城市空间范围不断扩大，使得城市建筑用地急剧增加，导致城市热岛效应增强、城市景观格局破坏等一系列问题。因此全面掌握城市建筑用地信息，能够为国土、规划等部门的用地规划等政策提供科学支持。

传统人工测量的土地利用监测方法很难满足城市建筑面积快速扩展的监测需要［1］。结合计算机技术和图形图像处理技术，实现基于遥感影像提取的建筑用地计算机解译是目前城市建筑用地监测主流方法。Ridd提出城市的“植被－不透水面－土壤”模型用于研究城市建筑用地［2］，杨存建等人利用逻辑树判别提取建筑用地信息［3］，査勇等提出仿归一化植被指数研究城镇空间形态信息提取［3］，王光彦等利用归一化建筑指数提取城市建筑用地信息［4］，徐涵秋提出基于压缩数据提取城市建筑用地［1］并利用建筑用地指数(IBI，index－based built－up index)实现了城市建成区的界定［5］。

基于以上方法的建筑用地信息提取所采用的影像均需有中红外波段，但部分卫星影像(如资源三号卫星影像、QuickBird卫星影像、ALOS卫星影像、IKONOS卫星影像等)没有中红外波段，无法利用其IBI指数提取建筑用地信息。针对这种情况，本文提出一种基于仿建筑用地指数(SIBI，similar index－based built－up index)的城市建成区提取的新方法，弥补了缺乏中红外波段影像的建筑用地信息提取，该方法不需要依赖其他数据。利用资源三号卫星绿波段、红波段和近红外波段的多光谱影像进行了实验验证，实验证明本文方法的精度可达89.5%，适用于多种没有中红外波段的影像分析。

2 基本原理与方法

2.1 建筑用地指数(IBI)

IBI是徐涵秋提出的采用指数波段构建的指数［1，6］，很大程度上提高了建筑用地提取精度。IBI由3个波段专题指数(土壤调节植被指数SAVI［7］，归一化建筑指数NDBI［3］以及改进归一化水体指数MNDWI［8］)计算得到，3个专题波段计算公式如下:

其中，MIR、NIR、red、green分别代表中红外波段、近红外波段、红光波段和绿光波段，参数α为0～1之间的土壤调节因子。

建筑指数IBI［10］(index based built－up index)可以基于3个指数波段构建，公式如下:

2.2 仿建筑用地指数(SIBI)

IBI指数虽能较好地提取建筑用地信息，但是没有中红外波段的影像却无法获得NDWI指数和NIBI指数，进而无法获得IBI指数。鉴于此，本文提出利用SIBI指数来获取城市的建筑用地信息的新方法。在军事遥感中通常利用近红外波段和绿波段来区分军事目标和绿色植物［9］，本文借鉴MNDWI计算中引入绿波段的方法［10］，利用绿波段代替近红外波段，近红外波段代替中红外波段，构建仿归一化建筑指数(SNDBI: similar normalized difference built－up index)，以便提取建筑物信息。计算公式如下:

进一步分析发现，由于水体在可见光到近红外波段的反射呈逐渐下降的趋势，与植被和建筑的反射特性区别较大［11］。计算得到的SNDBI指数中水体很容易区分，呈负值。而原本NDBI中水体呈正值，对照NDBI影像中水体提取结果，可直观发现水体的SNDBI值非常小，故对SNDBI指数进行改进，引入参数β(β为水体的SNDBI值，通常为负值)构建SNDBI的表格式如下:

图1 重庆市资源3号卫星影像

根据SNDBI指数(式(5)、(6))，再结合NDWI和SAVI指数，本文提出构建SIBI指数的方法，公式如下:

式(7)中，NDWI为归一化差异水体指数［12，13］，计算公式如下:

经过SIBI指数增强后建筑用地信息呈正值，植被信息为负值，水体信息接近零值，如图1所示(其中(a)为原始影像，(b)为SIBI影像)。采用合适的分割阈值对SIBI影像进行分割，可以快速获取建筑用地信息。

2.3 城市建筑用地信息提取

图2 城市建筑用地信息提取流程图

由于得到的SIBI影像能够较好地区分建筑物、水体和植被。但是所提取到的建筑用地信息包含了农村建筑用地和城市建筑用地信息，两者在光谱信息方面没有较大区别，但在像元大小方面有明显区别［1］;因此，可以通过去除小面元的方法去除农村建筑用地信息，从而获得城市建筑用地信息，最后采用合并面元的方法聚合城市建筑用地信息。具体步骤如图2所示。

3 实验分析与精度评定

实验数据为2012年4月获取的重庆市资源三号卫星多光谱影像(如图1(a)所示)。影像的空间分辨率为 5.8 m，包含蓝波段(0.45μm～0.52μm)、绿波段 (0.52μm ～0.59μm)、红 波 段 (0.63μm～0.69μm)和近红外波段(0.77μm～0.89μm)4个波段信息(影像来源的网站为 http://www.cresda.com/n16/index.html )。SIBI结果如图1(b)所示，将SIBI影像拉伸到 8 bit影像进行影像分割，经过反复实验，式(1)中α参数取值为0.5，式(2)中β参数取值为－0.45，分割阈值为60较好，输出建筑用地信息(如图3(a)所示)。根据输出的结果统计分析，去掉小面元的部分(农村建筑用地信息)并将设定阈值进行合并处理，即得到城市建筑用地信息，如图3(b)所示。

图3 基于SIBI的建筑用地信息提取结果

精度验证通常用外业验证或利用更高分辨率影像或者其他相关材料完成，本文选取更高分辨率的影像进行精度验证。选用2012年获取的该地区空间分辨率为 0.1 m(比原始影像分辨率高出58倍)的正射影像进行精度验证。采用随机抽样法抽取200个样本，计算他们的总精度和Kappa系数。表1所示的计算结果表明，利用该方法提取的城市建筑用地信息提取精度达到89.5%。

精度评定结果 表1

4 结论

通常情况下，通过SAVI、NDBI和MNDWI指数构建的IBI影像将建筑用地信息增强，可以很好的将其分为建筑、植被和水系三个大类，但在缺乏中红外波段的情况下无法构建IBI指数。本文提出仿归一化建筑指数SNDBI，结合归一化水体指数NDWI和土壤抑制植被指数SAVI可以构建仿建筑用地指数SIBI的新方法。因为在SNDBI中水体呈现与NDBI一样的高亮度部分，进而构建的SIBI同样能够很好地增强建筑用地信息。只要选择合理的阈值对SIBI影像进行分割，就能准去提取建筑用地信息。

准确提取建筑用地信息之后，通过去除小面元和合并相邻面元处理，可以除去农村建筑用地信息并聚合城区各种建筑用地，通过简单的程序设计既可实现，便于城区建筑用地信息自动提取。实验结果证明:①本文方法与IBI指数方法精度相差不大;②在没有中红外波段的情况下本文方法仍然适用。

［1］ Han－Qiu X.Remote Sensing Information Extraction of Urban Built－up Land Based on a Data－dimension Compression Technique［J］.Journal of Image and Graphics，2005，10 (2):223～229.

［2］ Ridd M K.Expbring a VIS(vegetation－in pervious surfacesoil)model for urban ecosystem analysis through re－mote sensing comparative anatomy for cities［J］.International Journal of Remote Sensing，1995，15(16):2165～5185.

［3］ Zha Y，Gao J，Ni S.Use of normalized difference built－up index in automaticallymapping urban areas from TM imagery［J］.International Journal of Remote Sensing，2003，3(24): 583～594.

［4］ Guang－Yan W，Pei L.Extracting Urban Land Use Based on Remote Sensing［J］.Bulletin of Soil and Water Conservation，2007，3(27):121～123.

［5］ Han－Qiu X，Du Lin－ping，Xiao－Dan S.Index－based definition and auto－extraction of the urban built－up region from remote sensing imagery［J］.Journal of Fuzhou University (Natural Science Edition)，39(5):706～712.

［6］ Hanqiu X，Dongfeng L，Fei T.The change detection of impervious development on land surface temperature in a subtropical city:Xiamen，China［J］.Internation journal of Chimatology，2012，10(19):1～6.

［7］ Huete A R.A soil－adjusted vegetation Index(SAVI)［J］.Remote Sensing of Environment，1988，3(25):295～309.

［8］ Han－Qiu X.Extraction of urban built－up land features from Landsat imagery using a thematic－oriented index combination technique［J］.Photogrammetric Engineering and Remote Sensing，2007，12(73):1381～1392.

［9］ Martin A，Boutin J，Hauser D.Remote sensing of sea surface salinity from CAROLS L－band radiometer in the Gulf of Biscay［J］.Geoscience and Remote Sensing，IEEE Transactions on，2012，5(50):1703～1715.

［10］ Reiche M，Funk R，Zhang Z.Application of satellite remote sensing for mapping wind erosion risk and dust emissiondeposition in Inner Mongolia grassland，China［J］.Grassland Science，2012，1(58):8～19.

［11］ Varshney A.Improved NDBI differencing algorithm for built－up regions change detection from remote－sensing data: an automated approach［J］.Remote Sensing Letters，2013，5 (4):504～512.

［12］ Pan JH，Li X X，WangW G.Mariculture Zones Extraction Using NDWIand NDVI［J］.Advanced Materials Research，2013(659):153～155.

［13］ Liu Y.Why NDWI threshold varies in delineating water body from multitemporal images［C］.2012.