基于开放型数据的城市用地性质识别——以贵阳市中心城区为例

文/贵阳市地理信息大数据中心 安 宁

0 引言

城市作为人类生活、学习、劳动和交流的主要聚集地，其土地使用情况备受关注。随着信息存储传输、计算机及遥感技术的发展，人们通过网络间接或直接免费获取的开放型数据呈爆发式增长，为人类探索城市规律提供了新思路和渠道。如于晶涛等[1-2]基于遥感影像解译的土地利用数据分析城市土地利用及运用情况；洪明兰等[3-6]利用POI数据识别城市土地利用类型或实现城市建筑功能分类的判断和情况分析。但目前利用遥感影像对城市建筑解译主要集中在正使用的建筑的提取，忽略了正在建设中的建筑物，忽视了实体对象的占地面积，仅网格化、趋势化地进行POI面状城市功能识别，与实际功能边界存在一定差异，有待进一步细化。

鉴于以往研究中的缺漏，本文通过对影像数据的解译，用道路网对土地利用数据进行分割，然后叠加POI使建筑地块和城市用地性质相统一，最终实现城市用地的识别。

1 研究区概况

本文选择贵阳市中心城区作为研究区域，包含云岩、南明、观山湖、白云、花溪和乌当6个主要建成区。其中东起南明区的小碧乡、永乐乡、东风镇，西至观山湖区的朱昌镇、金华镇、久安乡、石板镇，南起花溪区的党武乡、孟关乡，北至白云区的麦架镇、沙文镇、都拉乡，覆盖面积1244km2。贵阳市规划到2020年完成公平共享创新型中心城市的打造，建成大数据综合创新试验区和全国生态文明示范城市。

2 数据来源及处理

2.1 数据来源

研究数据采用开放型、可提供下载的网络数据为主，主要有2018年11月3日哨兵2A遥感影像数据(见表1)和通过Python语言爬取的2018年8月高德地图POI数据，分为商务住房、公司企业、风景名胜和公共设施、餐饮服务、道路附属设施、交通设施服务、金融保险服务、科教文化服务、商务服务、生活服务、体育休闲服务、医疗保健服务、住宿服务和政府机构及社会团体共14种类别，132257条记录，具有经度、纬度、名称、地址等属性。此外还有17级高德在线电子地图和在线影像数据，以及贵阳市中心城区矢量范围数据。

表1 哨兵2A（Sentinel2A）部分数据光谱波段和分辨率

2.2 数据处理

对下载的哨兵2A数据进行辐射定标和大气校正等预处理，并进行影像重采样，融合生成分辨率为10m的多光谱影像数据。对17级高德在线电子地图和矢量范围数据进行几何精校正（RMS误差均控制在0.5个像元内），所有数据最终均采用统一的WGS84坐标系。

对爬取的14类POI数据通过Arcgis软件转换成矢量点数据并参照GB 50137-2011《城市用地分类与规划建设用地标准》，结合贵阳实际情况按居住用地（R）、公共管理与公共服务设施用地（A）、商业服务业设施用地（B）、工业用地（M）、交通与道路设施用地（S）、绿地与广场用地（G）和物流仓储用地（W）7种用地大类进行分类（见表2）。

由表2可知，商业服务业设施用地POI数据最多，占总POI数的72.80%；公共管理与公共服务设施用地、工业用地、居住用地POI数据次之；绿地与广场用地、道路与交通设施用地、物流仓储用地POI数据相对较少。

表2 兴趣点（POI）分类体系

3 研究方法

研究的总体思路是利用哨兵2A遥感影像数据快速提取贵阳市中心城区土地利用/覆被数据，再利用道路数据对提取的不透水面数据进行分割，并以落在各地块的POI数量统计值分析识别地块的用地性质，从而得到贵阳市中心城区城乡土地利用现状数据。具体技术流程如图1所示。

图1 技术流程

3.1 遥感影像解译

3.1.1 土地利用/覆被的提取

基于影像的土地利用解译方法包括目视解译、监督分类、非监督分类3种方法，其中目视解译精度较高，但用时多、工作量大；非监督分类速度较快，但分类精度较差；监督分类因兼具较高精度和较少用时等特点被广泛应用于影像解译工作。监督分类中的决策树分类通过挖掘和提取遥感影像中多种特征变量信息的规律，进行特征值域分割，实现遥感影像非经验、直观、高效的解译，被广泛接受。

为实现快速土地利用/覆盖决策树分类，选择能有效剥离水体信息的改进归一化差异水体指数（MNDWI）、有效反映绿色植被光谱情况的归一化植被指数（NDVI）、归一化差异绿度指数（NDGI）和对黏土矿物、有色矿物等裸土光谱相对敏感的黏土矿物质指数（CLAY）、氧化铁指数（IRON）及突出实体建筑物信息的归一化建筑指数（MNDBI）等6个指数组合成全新的六波段“指数光谱数据”[7-9]，并在ENVI软件中选取100个典型地类的训练样本统计该多光谱数据的光谱平均值（见表3），得到指数光谱平均值折线图（见图2），从而确定各地类的光谱特征值并进行土地利用/覆盖分类。

图2 “指数光谱”平均值曲线

表3 典型地类的“指数光谱数据”的光谱平均值

根据实际分类可知，简单的MNDWI和MNDBI数值大于0并不能准确提全相对应的水体和不透水面数据，在分类中当NDVI〉0.6和CLAY〉1.7时全为植被；NDGI〉0.1和MNDWI〉0.07时全为水体；而其他地类则依据决策树不断逼近的二叉树胁迫性分类原理，利用相应的阈值和节点分割方法进行细化分类。

结合城市用地分类体系，本文将土地利用/覆被分为植被、不透水面、建筑工地、耕地和水体5类。由于如今建筑上采用新型材料（如部分房顶采用黄色、褐色琉璃瓦或蓝色、浅蓝色的铁皮覆盖）和建筑工地上水泥砂浆的大量散布，使地物的遥感光谱信息存在“同物异谱”和“同谱异物”现象，建筑工地和不透水面部分存在错分情况。哨兵2A等高分辨率影像的光谱数据纹理特征更具变异[10]，同一地类内部组成要素细节得到了表现，但光谱统计特征并不稳定[11-12]，相对简单的灰度共生矩阵方法提取的纹理数据参与分类均无法有效解决建筑工地和不透水面部分错分问题，因而在决策树土地利用/覆被分类的基础上结合商务住宅、餐饮、购物、住宿、金融保险服务等5类POI点数据对建筑工地和不透水面进行核实。当不透水面斑块中无POI点数据落到该斑块上应为建筑工地。

为确认分类的精确度，在研究范围内以50m为最小点间距随机采取1000个点提取对应的图斑分类信息与在线Google Earth影像地图进行对比、判断，建立混淆矩阵[13]。计算得到总体分类精度为95.1%，KAPPA系数为0.922，说明基于指数组合影像的决策树土地利用遥感解译的精度较高，与现实情况一致性较好（见表4）。

表4 土地利用分类混淆矩阵

3.1.2 道路的提取

通过二值化的方法对校正后的17级高德在线电子地图进行分类，提取道路数据并转成矢量数据，鉴于电子地图的更新频率，存在提取的道路数据与实际部分不符情况，因而本文借助合成的多光谱哨兵影像数据对其进行更新修改。

3.2 城市用地性质的识别

城市土地利用和土地利用/覆被都是对土地利用的分类，但分类标准和侧重点不同，这是由于国土和城市规划分属不同的系统所致。通过城市土地用地类别与土地利用/覆被的标准对比实现土地利用/覆被向城市用地分类的转变（见表5）。不透水面是指城市中由各种不透水建筑材料所覆盖的表面[14]，包括城市建筑物、城市道路、水泥硬化地表等，按要求对不透水面进一步细分。

表5 城市用地类别与土地利用覆被对比

提取上述土地利用/覆被数据中不透水面与矢量道路数据进行叠加去除，得到按路网分割的不透水面矢量斑块。参照池娇等[15]的研究方法，对每个斑块中的POI点数据进行统计，通过计算斑块内第i 类POI数据占该类POI总数的频数密度Fi及第i 种类型POI的频数密度占单元内所有类型的POI频数密度的类型比例Ci来识别城市用地类别。计算公式如下：

式中，i 表示POI数据的类别数，取值为i =1，2，3，…7；ni表示斑块内第i 种类别POI数量；Ni代表第i 种类别POI的总数。当斑块内某POI类型比例达到50%，判定该斑块为单一功能用地；当斑块内所有POI类型比例均小于50%且不全为0时，判定该斑块单元为混合性质用地；当斑块内不存在POI数据时，判定为城乡居民点建设用地，即建筑工地和无POI覆盖无法识别用途的建筑区域用地。最终得到单一性质用地、混合性质用地、城乡居民点建设用地，其中混合性质用地选取2种POI类型比例Ci之和大于70%并按其数值大小进行排序，如斑块中居住用地和商业服务用地的POI类型比例Ci皆不大于50%，两者之和大于70%且居住用地的POI类型比例大于商业服务用地的POI类型比例则各取2种用地类的第一个字命名为“居商用地”，如此进一步细分，如果斑块中各POI类型比例达不到上述要求则划分为混合用地。

由于POI数据是只具有属性的空间定位点，无法代表实体对象的面积和体积占比的差异情况，而不同实体对象的面积占比是城市用地性质判别的重要指标，所以单一的以斑块内POI的类别数量占比来判别地块的用地性质并不能反映实际情况。而公众认知度代表人们对实体对象认知的显著程度，同时在一定程度上代表地块的用地性质。参考赵卫锋等[16]关于各类POI认知度的排列顺序和实际情况，在POI统计前引入POI权重值对原始各类POI数量进行修正处理，具体权重赋值情况如表6所示。

表6 POI类别权重值

贵阳市高铁站、火车站和龙洞堡机场，金华镇物流产业园及花溪大学城，客车站旁的商贸城等重点地标都可以准确识别。但对于云岩、南明等老城区，由于前期缺少有效的城市规划，各种用地功能重合度较高，如老城区喷水池等商业中心通过POI数据单独分离较难，但总体以商业服务和居住用地等混合用地为主。17级高德电子地图的道路网数据也不够密集，对世纪城、花果园等大型楼盘土地利用细部识别造成一定的影响，地块划分不够细，一些地方也只能被识别成混合用地。对于并不局限于人工建筑范围的森林公园、湿地等风景名胜的城市绿地与广场用地识别还有待探讨。

4 结语

在实际影像解译中影像数据的单一指数指标并不能准确提取相应的地类用地。不能通过改进归一化差异水体指数、归一化建筑指数等特殊对象指数简单的临界阈值划分方法提取对象事物，需借助更多的特定指数信息，利用决策树胁迫性分类方法达到与现实情况一致性较好的影像解译。10m分辨率及以下的遥感影像中狭窄的长条形河流的提取方法还有待进一步深入探索。

依托POI数据和Sentinel2A遥感影像可实现对城市用地性质的有效判读，一定程度上反映城市用地的分布情况。虽精度还有待提高，但高效、经济的特点可使开放型数据的研究成为城市规划和管理的一种补充，为城市治理提供参考，类似POI和影像的共享开放型数据的价值还有待深入挖掘和利用。