基于遥感影像的南充市城市扩展研究

李 飞

（1.杨凌职业技术学院，陕西 杨凌 712100）

基于遥感影像的南充市城市扩展研究

李 飞1

（1.杨凌职业技术学院，陕西 杨凌 712100）

以南充市市辖区为研究对象，通过2001年、2003年、2007年3个时期的遥感影像、文献及相关资料，结合RS与GIS相关软件及空间分析方法，进行南充市城市扩展研究。研究结果表明, 2001年以来,南充市城区建筑面积呈现极速扩张趋势，且扩张速度逐年增加。

城市扩展；动态监测；监督分类；指数波段

城市空间是城市各项社会经济活动和居民生活的载体，是城市所占有的地表区域。根据不同角度，城市空间主要有建设空间、通勤通学空间、管理空间以及经济影响空间等类型[1]。由于科学、经济的不断发展，城市建设也迅速发展起来，城市扩张变化特征日益显著。快速的城市化进程虽然促进了经济发展，但在城市扩张的同时，影响了城市土地利用的效率，改变了城市生态环境，破坏了当地的生态平衡。利用GIS和RS对城市用地进行研究，能够了解土地开发的进程，掌握土地利用情况及经济发展的状况，进而更好地开发土地，改善环境[2]。

1 研究区概况及数据来源

研究区南充市位于四川盆地中北部和嘉陵江中游，地势从北向南倾斜，海拔256～889 m。地貌类型以丘陵为主，属于中亚热带湿润季风气候区，年平均气温17℃左右；年日照时间处于1 200～1 500 h范围内；年降雨量1 100 mm；灾害性天气频率较大，持续时间较长。全市水资源总量为400多亿m3。多年平均径流量深335 mm，地表多年平均径流总量为41.91亿m3。

遥感影像从国际科学数据服务平台上下载所得，研究中采用2001年、2003年、2007年3个时期的Landsat TM/ETM+影像，辅助数据是中国1：400万行政区划图和数字化得出的南充市市区边界（图1）。

2 研究方法

2.1 遥感图像预处理

1）辐射校正。由于大气对光谱特征影响较大，因此要对所得的数据进行辐射校正，本文采用的辐射增强方法为直方图匹配，该方法可以减弱图像受到的大气、太阳高度角的影响[3]。

2）多波段TM数据融合。为了增加遥感影像的可读性，先采用TM/ETM影像4、5、3波段图像进行假彩色合成，ArcGIS软件能将多个单波段遥感影像融合成具有较强可读性的图像。

图1 南充市市区边界

3）遥感影像裁剪。首先利用目视解译、数字化得出南充市城区边界，再利用ArcGIS进行掩膜提取，选择波段融合好的TM图像和南充市城区边界图，进行TM/ETM影像裁剪。

2.2 构造指数波段

对于TM 影像城镇建筑物或居民地信息的提取研究比较多，但精度较好的当属徐涵秋[4]提出的TM 影像三指数法城镇建筑用地信息提取方法，在此基础上进一步对这3个新的指数波段进行谱间特征分析，最后利用基于规则的逻辑判别运算将城市建筑用地信息提取出来。

1）土壤调节植被指数（SAVI）。在可见光范围内，植被对阳光的吸收作用非常强烈，尤其是对红光，但在近红外波段范围内，吸收较弱，反射率最强；在中红外范围内，植被的反射率弱于近红外波段，Rouse J W[5]等引入了NDVI指数[2]：

NDVI建设区域内所有土壤类型都是相同的，但实际上并不是如此，因此Huete A R[6]提出了SAVI[7]：

其中，L为土壤调节因子，取值介于0～1之间。“0”和“1”分别代表植被覆盖率极高和植被覆盖率极低的两种极端情况。通常选择0.5能较好地减弱土壤的背景差异，消除土壤的噪声影响。从而得出SAVI计算公式为：

2）修正归一化差异水体指数（MNDWI）。由于水体的反射率从可见光波段到近红外、中红外波段逐渐减弱，因此构建出归一化差异水体指数NDWI[8]：

在对水体反射光谱的分析中发现，NDWI波段影像上不能清楚地将水体与建筑物区分出来，因此采用MNDWI：

3）归一化建筑指数（NDBI）。NDBI是仿造NDVI构造的，是指在第5波段有较高反射率，在第4波段低于第5波段反射率的原理[2]：

在第5波段与第4波段中，建筑物的反射率弱于植被和水体的反射率，因此，仅用NDBI＞0的条件提取城镇建筑用地信息时，会混有裸地、植被、水体等地物干扰信息[2]。因此利用NDBI与SAVI、MNDWI进行假彩色合成，能有效地提取出城镇用地信息。

2.3 三指数波段假彩色合成

将MNDWI、NDBI、SAVI 3个指数波段进行红绿蓝假彩色融合，方法为：利用ArcGIS的ArcToolbox中的波段合成功能，ArcToolbox→Data Management Tools→Raster→栅格数据处理→波段合成。

2.4 最大似然法监督分类

对3个指数波段进行假彩色合成后的影像进行最大似然法监督分类，即将图像中未知类别样本的观测值与已知类别的样本（训练区）的观测值之间的相似度最大的归为一类。由于本文主要研究城镇扩展也就是建筑物面积变化，因此主要分为5类：建筑、水体、裸地、草地和林地。

2.4.1 定义分类模板

Erdas Imagine的监督分类是在分类模板中进行的，而该模板的各项功能则通过分类模板编辑器来完成。在Erdas软件的Signature Editor中定义分类模块，把选择的训练区按类加入到分类模板中，将同类地物合并，即可建立分类模板。

2.4.2 评价分类模板

可能性矩阵（表1）评价工具是根据分类模板来分析AOI训练区像元，检测像元是否完全落在相应的类别中。该检测结果以百分比矩阵显现，说明每个AOI训练区中有多少个像元，分别属于哪些类别。

表1 可能性矩阵

Kappa分析是一种多元统计方法，用来评价分类精度，其中Kappa系数指的是被评价分类比随机分类错误减小的比例：

式中，K表示Kappa系数；xii表示第i行第i列的元素；r表示误差矩阵的行数；xi+表示第i行的和；x+i表示第i列的和；N表示样点的总数。实际中，Kappa系数的最低精度为0.70，经过计算所得Kappa系数为0.95，远远大于允许判别精度。

2.4.3 监督分类及分类后处理

由Erdas执行最大似然分类，为改进分类，最好对一些错误分类的单元进行重新分类，将其归入可直接包围它们的类或聚类。清理分类影像最常用的技术包括过滤、平滑处理类边界及移除小孤立区域。分类后处理的方法为：对分类结果进行过滤，采用“众数滤波”工具进行处理，使用“边界清理”工具可对分类的不规整边缘进行平滑处理。

3 城市扩展动态分析

3.1 土地类型数量分析

将上述步骤所得到的2001年、2003年、2007年3 个时期的监督分类结果进行统计分析，所得像元总数×像元分辨率，得到的南充市各土地类型变化信息，如表2所示。

表2 土地类型面积统计表/km2

结合表2可以得出6 a间南充市土地类型变化情况：水体面积有少量增加；裸地面积在2001～2003年有小幅减少，但在2003～2007年大幅增加；城市建筑面积呈逐年增加的趋势；植被覆盖面积逐年减少。2001～2003 年植被覆盖面积减少9.36 km2，年均减少4.68 km2；2003～2007年植被覆盖面积减少31.56 km2，年均减少7.89 km2。植被覆盖年均减少速率增加68.6%，可见2001～2007年南充市区植被覆盖度正急剧下降，且下降速度不断加快。植被覆盖度的降低，将造成水土流失、滑坡等灾害，严重破坏生态平衡。

3.2 土地类型转移矩阵

将2001年与2007年监督分类所得图像转为矢量图，并以土地类型字段为基准将两年份相同土地类型的几率融合，再将融合后的两年份矢量图求交，导出求交后的属性表，并加载到Excel中，利用Excel的数据透视表功能制作覆被类型转移矩阵，如表3所示。

表3 2001～2007年覆被类型转移矩阵/km2

由表3可知，2001～2007年，仅有54.65%的土地类型保持稳定，发生土地类型转换的面积占研究区总面积的45.35%，有28.70 km2其他类型土地转换为建筑用地，其中以植被（农用地、草地、林地等）转移为主，占总转移面积的75.19%。

3.3 城市建筑数量分析

对南充市2001年、2003年、2007年3个年份的建筑面积进行统计分析，得出表4。

表4 南充市3个年份城市扩展数量分析

从表4可以看出，2007年城区的建筑面积几乎达到2001年的2倍。2001～2003年、2003～2007年城区建筑面积平均每年分别扩展3.57 km2、3.92 km2，可见2001～2007年南充市城镇建筑面积扩张速度正呈现逐步加快的趋势。

3.4 城市扩展空间分析

将监督分类分类所得的3个年份的结果转换为矢量数据并进行叠加显示，效果如图2所示。2003年与2001年相比最大的变化就是修建了高坪机场，且主城区沿嘉陵江南北方向有小幅扩张。2003～2007年，城镇建筑沿主城区四周均有扩散，且沿嘉陵江纵向扩张较横向扩张面积大。2001～2007年，城市建筑主要沿嘉陵江流域南北纵向发展，2007建筑面积几乎达到2001年的2倍。在这6 a内，城镇建筑用地迅速扩展，大量占用耕地、草地及林地。

图2 叠加显示效果图

4 结 语

动态监测结果表明，2001年以来，南充市城区建筑面积呈现极速扩张的趋势，且扩张速度逐年增加，总体呈现为向四周扩张，但沿嘉陵江纵向扩展面积较横向扩张面积大，且呈现郊区建筑与主城区建筑逐渐连通的趋势。

[1] 杨荣南,张雪莲.城市空间扩展的动力机制与模式研究[J].地域研究与开发,1997,16(2)∶1-4

[2] 卢晓峰.基于RS和GIS的郑州市城市扩展研究[J].河南理工大学学报(自然科学版),2008,27(2)∶182-187

[3] 田野,李海龙,刘双,等.基于TM遥感影像图的鞍山市千山植被变化研究[J].林业调查规划,2009,34(1)∶54-58

[4] 徐涵秋.基于谱间特征和归一化指数分析的城市建筑用地信息提取[J].地理研究,2005,24(2)∶311-319

[5] Rouse J W,Haas R H,Schell J A,et al. Monitoring Vegetation Systems in the Great Plains with Erts[C].Proceedings of the Third ERTS Symposium NASA SP-351,1973

[6] Huete A R. A Soil-adjusted Vegetation Index(SAVI)[J].Remote Sensing of Environment,1988,25∶295-309

[7] 罗永明,钟仕全,莫伟华,等.基于TM数据的南宁市水体和建筑用地变化研究[J].气象研究与应用,2008,29(1)∶37-40

[8] 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

P237

B

1672-4623（2016）05-0075-03

10.3969/j.issn.1672-4623.2016.05.024

李飞，硕士，讲师，主要从事工程测量技术专业的教学与研究工作。

2015-02-03。

项目来源：国家自然科学基金资助项目（41304016）；杨凌职业技术学院科学研究基金资助项目（A2013046）。