基于DMSP/OLS数据的城市建成区变化信息提取方法——以陕西省为例

甘 斌,杨 耘

(1.西安市勘察测绘院,陕西西安 710054; 2.长安大学地质工程与测绘学院,陕西西安 710054)

基于DMSP/OLS数据的城市建成区变化信息提取方法
——以陕西省为例

甘 斌1∗,杨 耘2

(1.西安市勘察测绘院,陕西西安 710054; 2.长安大学地质工程与测绘学院,陕西西安 710054)

针对地区发展不平衡现象导致DMSP/OLS数据提取城市建成区时全局最佳阈值分割法精度不高的问题,基于DMSP/OLS非辐射定标夜间灯光平均强度数据提出一种分区最佳阈值分割方法进行城市建成区面积的估算。利用陕西省1992、1997、2002、2007及2012共5个年份的DMSP/OLS数据进行验证,结果表明:与统计数据相比,该方法对各年份建成区面积估算误差均小于1.27%;与全局最佳阈值法相比,其平均误差降低0.49%。而且,该方法估算的建成区面积变化速率与统计数据基本一致。

DMSP/OLS数据;城市建成区;阈值分割;变化信息提取;陕西

1 引 言

监控中国各省市城市扩展及分析其时空演化特征是土地利用现状调查、城市规划管理以及生态评价等工作的基础。而遥感技术具有多时相、覆盖范围广、效率高的特性,因此,它在城市空间演化及其特征分析方面有其独特优势。美国军事气象卫星DMSP(Defense Meteorological Satellite Program)搭载的OLS(Operational Linescan System)传感器数据生产的非辐射定标夜间平均灯光强度产品(以下简称DMSP/OLS数据)具有不同于TM、MODIS等遥感数据的独特优势:它可在夜间工作,能探测到城市灯光甚至小规模居民地、车流等发出的低强度灯光,可以很好地表达城镇的形态及轮廓信息[1],比利用TM影像等其他遥感数据提取城市空间信息[2]更高效。

近年来,不断有学者利用DMSP/OLS数据进行城市空间信息的提取及其变化研究[3～5];学者[6]对DMSP/OLS数据的应用现状进行了较全面的总结和分析;学者[1]对城市建成区提取的4类方法进行了总结,并分析了各自的优缺点。其中,辅助资料对比法[1]是一种常用的方法,它是利用统计数据或遥感图像作为辅助资料来确定最佳分割阈值。与遥感数据相比,来自国家权威部门的统计数据是一种方便获取且易使用的辅助资料。

但是,由于不同城市群(或分区)自然地理条件等因素的差异使得研究区内各分区通常存在城市发展不平衡的普遍现象(如新疆乃至整个西北地区,华北等地区通常都存在这一现象)。这一现象导致利用全局最佳阈值方法对DMSP/OLS数据估算的建成区面积精度不高。在此背景下,本文利用长时间序列的DMSP/ OLS数据,以统计资料为依据,开展基于分区误差最小准则确定分割阈值的方法研究,从而更精确地估算城市建成区及其扩展区域的面积。

2 DMSP/OLS数据及其特征

DMSP/OLS传感器能探测城镇灯光、火光、渔船灯光等发出的电磁波,能够明显区别于黑暗的乡村背景,避免了裸地、植被等无灯光目标引起的光谱混淆,且其空间分辨率与MODIS、AVHRR影像接近,因此,DMSP/OLS数据为中、大尺度的城市扩展等研究提供一种独特的数据源。而陕西省是中国西北部城市发展变化最快的省份。根据地形,它可分为关中(西安、铜川、宝鸡、咸阳、渭南)、陕北(延安、榆林)、陕南(汉中、商洛、安康)3个区块[7]。近20年来,陕西省城市空间不断扩展,土地利用状况在不断地变化。因此,快速、准确地获取城市空间信息及监测时空演化过程不仅是一个科学问题,而且有着重要的社会意义。因此,本文以陕西省为研究区域,利用该省5个时间节点的DMSP/ OLS数据进行城市建成区及其变化信息的提取。

以2012年的陕西省DMSP/OLS数据为例(如图1所示),该传感器数据具有如下特征:城市灯光的强弱可用一个灰度图像表示,该图像辐射分辨率为6位,灰度值范围为0～63。从图1中可以看出,DMSP/OLS数据能够很好地表达城市的形态及轮廓信息。城市中心灯光的亮度值较大,外围区域则亮度值较小。

图1 2012年陕西省DMSP/OLS数据

但是,研究区各个地区城市发展规模、水平及速度呈现不平衡现象,这导致利用DMSP/OLS数据提取城市空间信息时难以确定一个全局最佳的分割阈值。以陕西省为例,关中、陕北、陕南3个地区城市发展规模、水平及速度有所差异,在同一时期的DMSP/OLS数据上表现为:3个区域灰度值依次整体偏低,特别是城市发展早期(如2000年以前)。这一特点导致了全局最佳阈值分割方法估算的城市建成区面积精度不高的问题。因此,本文提出了分区最佳阈值分割方法来提高城市建成区及时空变化区域面积估算的精度。

3 处理方法

根据以上分析,本文基于统计数据能准确地反映城市建成区用地信息的假设,提出了一种基于分区误差最小准则确定分割阈值的方法来对不同年份DMSP/OLS数据进行城市建成区面积估算及空间变化信息提取。该方法的实施过程主要包括DMSP/OLS数据预处理、城市建成区像元的确定以及城市时空变化信息提取3个步骤。

3.1 数据预处理

本文采用了1992(F10星)、1997(F12星)、2002 (F12星)、2007(F15星)、2012(F18星)5个年份的全球DMSP/OLS非辐射定标夜间灯光平均强度数据。将该数据从原始的地理经纬度坐标转为Lambert Conformal Conic投影(WGS84基准面),空间分辨率均重采样为1 km。其次,用2008年的陕西省矢量地图对各年份数据进行裁剪,得到各年份陕西省的DMSP/ OLS数据。但是,由于该数据没有进行在轨检校,也不包含检校所用的增益数据,因此,严格地来说,不同年份或不同传感器的数据不能相互比较。本文采用王晓慧[4]提出的相互校正方法对不同年份灯光数据的灰度值进行相互校正。具体做法如下:

(1)选取灰度值年变化不大的2007年安康市DMSP/OLS数据作为参考区,并从中选取参考数据集;

(2)采用如下一元二次回归模型对其他年份的灯光数据进行逐一校正。

式(1)中,a,b,c是参数,x,y分别表示校正前、后DMSP/OLS数据像素的灰度值。

(3)最后利用校正后的各年份的灯光数据进行城市建成区像元的确定。

图2列出了4个年份(除了2007年)的DMSP/ OLS数据进行校正的回归模型拟合结果。

图2 各年份(除2007年)DMSP/OLS数据相对校正模型拟合结果

图2中,各年份的回归模型系数及拟合精度如表1所示。

表1 各年份回归模型系数及拟合精度

从图2和表1可以看出,利用上述方法对2002及2012两个年份的DMSP/OLS数据的拟合效果最好,而1992年和1997年的DMSP/OLS数据拟合精度相对较低,但各年份的相关系数都在0.74以上。

3.2 城市建成区像元的确定

城市空间变化信息提取中,建成区用地像元的确定是个关键步骤。通过对城市发展不平衡引起的灯光数据特征空间分布差异的分析,本文基于统计数据能真实反映城市空间信息及其变化这一假设,提出一种基于分区误差最小准则(可以用式(2)表示)的阈值分割方法来提取各年份灯光数据的城市用地像元。

式(2)中,Ai和~Ai分别表示由本文方法估算的第i (i=1,…,N,N为研究内包含的分区个数)个分区的建成区面积及参考面积(参考面积是指住房和城乡建设部计划财务与外事司负责编撰的中国城市建设统计年鉴提供的各年份城区建成区面积)。此外,在用上述方法识别城市建成区像元时必须满足如下约束条件:前一时期的影像中城市用地像元在后一时期影像中仍然确定为城市用地像元[8]。

上述方法的算法描述如下:

(1)根据城市发展规模、水平及速度,将研究区域划分成N个分区;

(2)分析DMSP/OLS数据各分区灰度直方图分布,经验确定图像分割备选阈值的范围(本文中,最小阈值Tmin=8,最大阈值Tmax=66,增量△T=1);

(3)从最小阈值开始,每增加1,基于式(2)所示准则及上述约束条件,利用每一个备选阈值对各个年份的DMSP/OLS数据进行分割,以确定城市建成区像元;

采用上述方法来确定陕西省城市建成区像元时,分区最佳分割阈值与估算的建成区面积及其对比结果如表2所示。

表2 不同年份DMSP/OLS数据分区最佳阈值与建成区面积估算值及对比

从表2可看出:①不同分区,最佳阈值差异较大,不发达地区(如陕南地区),其最佳阈值通常低于全局最佳阈值,而发达地区(如关中、陕北地区),其最佳阈值通常高于或接近于全局最佳阈值;②随时间的增加,局部及全局最佳分割阈值也随之提高。

就估算误差来看,与参考面积相比,本文方法对各时间节点的面积估算误差在1.27%以内,平均误差为0.91%,比采用陕西省全局最佳阈值分割方法平均误差(为1.40%)降低了0.49%,这表明:与全局最佳分割阈值方法相比,采用本文方法估算的建成区面积(特别是陕南地区这个发展缓慢的地区)精度更高。

3.3 城市空间变化信息提取

从表2可以看出,从1992年～2012年间,陕西省城区不断向外扩展,建成区面积不断增加,全省城市建成区时空变化示意图如图3所示。

图3 1992年～2012年陕西全省及各分区城市建成区扩展示意图

从图3和表2可以看出:陕西省的建成区估算面积从1992年的351 km2增加到2012年的965 km2,增长了2倍以上;从各个城市群来看,以西安市为中心的关中城区从建成区中心不断向外蔓延,呈现较紧凑的块状城市扩展,其建成区面积从1992年的256 km2增加到2012年的771 km2,增加了515 km2;陕北地区的延安和榆林两大城市由于受自然地理条件限制,其城市用地扩展呈现出一种具有较多扩展轴的星型结构,其建成区面积从1992年的33 km2增加到2012年的92 km2,增加了59 km2;而陕南地区所在的3个城市的用地面积处于缓慢增长的趋势,20年间该地区建成区面积仅增加了37 km2。

为了更详细地反映陕西省全局及局部各分区时空变化的情况,下面给出了不同时期陕西全省及关中、陕北、陕南3大地区的城市建成区估算面积变化趋势图,如图4(a)～(c)所示。

图4 1992年～2012年陕西全省及三大分区城市建成区面积变化曲线

图4 (d)中,估算面积是指利用本文方法估算的各分区建成区面积的总和计算的陕西全省城市建成区面积,而参考面积是指源于统计数据的陕西省城市建成区面积。不同时期3个地区建成区面积年增长速率(km2/年)如表3所示。

表3 本文方法估算的不同时期各分区建成区面积增长速率及对比

从图4和表3可以看出,利用本文方法反映的陕西全省及各个分区的城市时空变化速率与统计数据基本一致(除了1992年～1997年及2002年～2007间陕北地区估算速率误差较大)。

分析各分区城市建成区时空变化情况,可以看出: 1992年～1997年间,陕西省3个分区城市建成区用地面积处于较缓慢增长阶段,其中,关中地区增长速率最快,估算速率为6.0 km2/年,而陕北地区增长速率最慢,估算速率为0.4 km2/年;1997年～2002年间,城市扩展速率有所加快,特别是关中和陕北地区,但陕南地区城市扩展速率有所降低;自2002年后,3个地区城市扩展速率进一步加快,其中,2002年～2007年、2007年～2012年两个时期,关中地区建成区面积年增长速率比1992年～1997年分别提高了约4.6和10倍,至2012年,该地区城市扩展年速率高达60.4 km2/年,这是由于自2002年以来西咸一体化以及近几年城中村改造步伐的加快等原因,使得该地区城市用地面积快速增长;陕北地区城市扩展速率也较快,这是由于近年来该地区石油和煤炭工业发展迅猛以及改善住房条件等因素,有力地推动了其城镇化水平和城市各项设施的完善;而对于陕南地区来说,这20年间各时期城市建成区面积增长缓慢,这是由于该地区主要依靠农业,工业相对不发达,导致该地区城市年扩展速率低于2.6 km2/年。以上分析表明:本文方法反映的各分区城市建成区时空变化情况与实际情况基本相符。

4 结 论

针对地区发展不平衡导致全局最佳阈值分割方法精度不高的问题,本文利用长时间序列的DMSP/OLS数据,开展了基于分区误差最小准则的分割阈值确定方法进行城市建成区面积估算及城市时空变化信息提取方法的研究。该方法在阈值的选取时考虑了研究区各城市群发展不平衡现象导致的DMSP/OLS数据局部区域灰度分布差异大的问题,从而提高了城市建成区面积估算精度。利用1992、1997、2002、2007及2012五个时间节点20年的DMSP/OLS数据以及相应年份的统计数据开展的实验表明:与统计数据相比,采用本文方法对各年份的建成区面积估算误差均在1.27%以内,平均误差为0.91%,比采用全局统一最佳阈值分割方法平均误差降低了0.49%。这表明了本文方法比全局最佳阈值分割方法估算的建成区面积精度更高,而且提取的城市建成区时空变化信息与统计数据基本一致。此外,该方法具有一定的普适性,可以推广至其他地区(如新疆及整个西北地区等)。

但是,本文所用的城市灯光数据仅是城市建成区的表征之一,还应该融合其他遥感数据源(如MODIS或TM影像的NDVI和NDBI等特征)以及其他统计数据(如人口密度、国民生产总值等)以提高信息提取的精度和可靠性;此外,2011年发射的高分辨率的NPP/ VIIRS灯光数据[9]也是实现高精度提取城市空间信息的有效数据源。

[1] 舒松,余柏蒗,吴健平等.基于夜间灯光数据的城市建成区提取方法评价与应用[J].遥感技术与应用,2011,26 (2):169～176.

[2] 王雷,李丛丛,应清等.中国1990年～2010年城市扩张卫星遥感制图[J].科学通报,2012,16:1388～1399.

[3] Yang X,Yue W,Gao D.“Spatial Improvement of Human Population Distribution Based on Multi-sensor Remote-sensing Data:An Input for Exposure Assessment”[J].International Journal of Remote Sensing,2013,34(15):5569～5583.

[4] 王晓慧.基于DMSP/OLS夜间灯光数据的中国近30年城镇扩展研究[D].南京:南京大学,2013.

[5] 王翠平,王豪伟,李春明等.基于DMSP/OLS影像的我国主要城市群空间扩张特征分析[J].生态学报,2012,32 (3):942～954.

[6] 王鹤饶,郑新奇,袁涛.DMSP/OLS数据应用研究综述[J].地理科学进展,2012,31(1):11～18.

[7] 李小花.陕西省城镇化发展水平地区差异研究[D].西安:西安建筑科技大学,2010.

[8] Zhuo Li,Li Qiang,Chen Jin,et al.“Characteristics analysis of urban land expansion in China in 1990s using DMSP/OLS data”[J].Acta Scientiarum Naturalium Universitatis Sunyatseni,2007,46(3):98～102.

[9] Schueler C F,Lee T F,Miller S D.“VIIRS Constant Spatial -resolution Advantages”[J].International Journal of Remote Sensing,2013,34(16):5761～5777.

The Study on Urban Built-up Change Information Extraction Method Using DMSP/OLS Data——A Case Study of Shaanxi Province

Gan Bin1,Yang Yun2
(1.Xi′an Surveying and Mapping Institute,Xi′an 710054,China; 2.College of Geology Engineering and Geomatics,Chang′an University,Xi′an 710054,China)

For a low accuracy problem from those methods based on an globally optimal threshold using DMSP/OLS data to extract urban time-spatial change information due to unbalanced development of different city groups for a given study region,a novel thresholding segmentation method by minimizing errors from each sub-region of study region was proposed to extract urban built-up area and change information of urban using a long time series DMSP/OLS averaged nighttime light intensity data without radiometric calibration.In the experiment,five time node DMSP/OLS data in Shaanxi province in 1992、1997、2002、2007 and 2012 was used to verify the proposed method.The conclusions can be drawn that the proposed method can achieve less error than 1.27%in estimating urban built-up area for each year compared to statistical data,the proposed method has an error rate averagely 0.49%less than the global method.Also the extracted change information using the proposed method is in line with the actual situation.

DMSP/OLS data;urban built-up region;threshold segmentation;change information extraction;Shaanxi

2014—03—19

甘斌(1964—),男,高级工程师,现从事城市地理信息方向研究。

国家自然科学基金项目(41301386);中央高校基本科研业务费专项资金项目(CHD2011JC085)