基于遥感图像提取不透水面的房屋空置率分析

(武汉大学测绘遥感信息工程国家重点实验室 湖北 武汉 430000)

一、简介

房屋空置率(HVR)是房产中在特定时间内未被占用的所有单元的百分比[1]。对城市开发和建设的过度追求造成了“鬼城”现象，这个城市一般被定义为一个建筑物丰富但居民很少的地方。这种现象反映了中国部分城市高HVR和巨大的房地产价值泡沫。据一些国际学术界人士称，中国的房地产价值泡沫一直是全球最大的潜在经济危机之一[2]。高房产价值泡沫的本质是房地产市场供需不平衡。它对中国有限的土地资源造成了巨大的浪费。

HVR是评估住宅房地产市场健康状况的重要指标，有助于政府干预房地产市场，防范市场风险。同时也凸显了中国不合理和不可持续的城市规划，特别是增长率。大城市的人口远远落后于城市建设的增长[3]。随着城市扩张将通过土地拍卖吸引更多劳动力，带来高额财政收入，中国许多地方政府仍然非常热衷于快速建设新区和扩大农村地区，进一步推动HVR。准确估计HVR将有助于城市规划者提出更合适的土地使用策略，并调整住房价格和租金。HVR为政府干预和房地产投资运营商提供了可靠的理论基础。

从以前的研究中得出结论，我们意识到一些严重的缺点模仿了HVR估计的研究。估算HVR的传统统计方法包括观察电流表，检查水表，计算空调数量等。这些方法不仅耗费大量人力和物力，而且准确性不足。此外，近年来的相关统计数据也不具备。

与其他数据来源相比，珞珈一号数据的一个明显优势是，在区分城市边界时，它在大面积和相对高分辨率上具有空间连续性，这对HVR估计具有重要意义，特别是在城市规模上由于土地政策，人口结构和城市与农村地区之间的建筑水平存在巨大差异。大量研究为使用珞珈一号数据区分城市边界提供了新的见解。已有论文表明，遥感图像提取的不透水面可用于计算居住面积。

不透水表面(IS)通常被定义为人为地面，可防止水渗入土壤，例如建筑物屋顶，道路，停车场和人行道[4]。意味着城市的繁荣和发展，IS成为城市化的重要指标。

随着遥感技术的快速发展，我们可以优化估算过程。卫星衍生的夜间照明(NTL)数据已被证明可用于研究人类活动和城市发展。2018年6月，珞珈一号推出。数据很容易获得。因此，我们通过landset-8图像提取了横琴的土地利用信息，然后结合珞珈一号夜光图像的数据，计算了该区域的HVR。

二、研究区域和数据

研究区横琴位于珠海市南部，如图1所示。它位于珠江口的西侧，毗邻香港和澳门。随着经济社会的加速发展，“生态优先”的发展和建设理念得到了发展。横琴新区总面积仅106.46平方公里，其中73%为禁区和限建区，其余开发建设用地仅28平方公里。具有重大影响的城市不透水表面逐渐受到关注。横琴市是典型的“港澳”新型合作示范区，也是广东省自由贸易区的一部分，本文以横琴市为研究对象，探讨城市防渗层的评价住房空置率具有重要意义。研究数据我们使用landSat8，珞珈一号夜光遥感数据和珠海横琴的Shapfile数据。

图1 研究区域

Landsat 8是美国地球观测卫星。这是美国宇航局与美国地质调查局(USGS)的合作。位于马里兰州格林贝尔特的美国宇航局戈达德太空飞行中心提供开发，任务系统工程和收购运载火箭，同时USGS提供地面系统的开发，并将进行持续的任务操作。

珞珈一号是由武汉大学建造的CubeSat(6U)大小的地球观测卫星。该卫星充当未来60-80地球观测卫星星座的原型。珞珈一号采用130米地面分辨率的成像仪。在理想条件下，它可以在15天内绘制全球发光图像，提供中国和全球GDP指数，碳排放指数，城市住房空置率指数等特殊产品的动态监测。中国和世界的宏观经济表现为政府决策提供了客观依据。同时，该卫星还可以对中国新一代导航信号增强的关键技术进行研究。形状文件是横琴的边界。

三、方法

(一)不透水面提取方法

据我们所知，现有方法基于IS[4,5,6,7]的光谱或空间特征，主要方法包括基于指数，光谱混合分析(SMA)，决策树和基于分类。[4,8]。IS提取方法的性能在不同的研究区域随着场景的各种复杂性而变化。因此，选择了三种在土地利用土地覆盖分类中广泛使用的有效方法来生成IS。在定量比较之后，具有最高的IS结果将应用于HVR计算。三种IS提取方法如下：(1)支持向量机(SVM)，作为一种基于统计学习理论的监督分类方法，支持向量机(SVM)[9]已被证明是一种功能强大且广泛使用的方法。即使是很小的训练样本，也能实现高水平的分类准确性[10,11]。它使用最佳超平面将类分开，从而最大化类之间的余量。(2)人工神经网络(ANN)，一种分层前馈神经网络分类技术。使用标准反向传播进行监督学习，它可以执行非线性分类。(3)随机森林(RF)，一种综合学习算法，通过整合学习的思想整合多棵树。它的基本单位是决策树。从直观的角度来看，每个决策树都是分类器，然后对于输入样本，N个树将具有N个分类结果。随机森林综合了所有分类投票结果，并指定投票最多的类别作为最终输出。

(二)房屋空置率计算方法

工作流程如图2所示，包括以下四个步骤。

1.珞珈一号数据预处理

此步骤消除了原始Luojia_1数据中的背景噪声和突然亮点。采用Li等人提出的数据校正方法。并由Shi等人改编。按照这种方法，首先将珠海都市区设置为最发达的珞珈一号数据都市区，并选择其最大光强值作为所有像素的最大值。然后，遍历数据中的每个像素，识别其值大于该值的像素，并用其校正的相邻像素中的最大值替换它们。

2.估算像素级UAR

在步骤2中，从土地覆盖数据中提取城市区域的像素，然后估计UAR。在之前的一项研究中，Letu.等人。使用日本的土地利用数据(LUD)估算建筑面积率(类似于UAR)，这样的研究表明LUD可以是产生相对准确的UAR的良好来源。我们选择高分数据(而不是LUD数据)以获得更高的空间分辨率。

3.消除非住宅区灯光的影响

目前为止，从珞珈一号数据中确定了待计算的像素，并进行了估算每个像素的UAR。然而，珞珈一号的像素不仅可以包含住宅区，还可以包含非住宅区(例如道路和公园)。非住宅光源(例如，街灯)的光也被计为每个像素的光强度值的一部分[12]。为了更准确地估算HVR，应该消除非住宅区域的影响。

通过一种监督方法来消除非住宅区的影像。首先，从每个选定的都市区域手动识别250个像素，其中不包含居住区域(例如，仅包含道路)。通过列出这些像素的UAR，观察到它的UAR通常低于0.3。

基于这种观察，将UAR低于0.3的像素分类为非住宅像素，将其他像素分类为混合像素(即，它们可以包含住宅和非住宅区域)。由于UAR高于0.3的像素也受到来自非住宅来源的光的影响，因此应该消除这种影响以提供更准确的估计。为此，首先计算已被归类为非住宅区域的像素的平均光强度(ALI)。然后，我们从每个都市区域的每个混合像素中减去ALI。

4.计算房屋空置率

这是整个工作流程的最后一步，输出估计的HVR值。在此步骤中，首先计算每个珞珈一号像素的城市光强度(ULI)。由于像素具有不同的UAR，我们将光强度值除以UAR以得出更准确的ULI估计。

通过视觉检查，发现最高UAR的像素被居民完全占据。然而，在最高UAR区域中存在异常值，使用作为LINV的光强度的平均值用作相应大都市区域中的LINV。在估计LINV的情况下，然后可以使用计算每个像素的HVR。

四、实验和讨论

(一)透水面提取比较

进行了一项实验以验证3.1节中介绍的IS提取方法的性能。使用The Environment for Visualizing Images(ENVI)5.3软件的第2部分的数据，在研究区域中实施所提出和比较的方法的实验。实验过程，结果和比较如下所示。为了推动比较的方法，需要针对每种土地覆盖类型的典型训练样本。由三种方法产生的IS结果如图2所示。

图2 由以下结果产生的IS结果

(a)SVM，(b)ANN，(C)RF。红色为IS，绿色像素为植被，蓝色为水。

为了定性评估上述方法的性能，总体准确度(OA)和Kappa系数(KC)是根据检测结果与验证区域中人工选择的地面实况之间的混淆矩阵计算的[11]。通过验证样本，计算两种精度测量值，并比较三种比较方法的IS输出，如表1所示。这三种方法都具有强大的IS提取能力。SVM在此实验中表现最佳。

表1 SVM，ANN和RF的IS输出之间的精度比较

(二)HVR计算和分析

HVR由SVM和珞珈一号数据提取的IS计算，使用3.2节中介绍的方法。实施了该部分的实验，结果如图3所示。从图中我们可以看出横琴大部分地区的住房空置率很高[12]。图片中的颜色越绿，该地区的住房空置率越低，颜色越红，该地区的住房空置率越高。

图3 横琴房屋空置率

五、结论和未来的工作

总之，HVR是通过结合光学和夜间图像从遥感技术生成的。为了生产高质量的IS，在横琴中提取了三种方法(SVM，ANN，RF)来提取IS。所有方法都具有强大的功能。SVM在此实验中表现最佳。横琴的住宅用地是从遥感图像中提取的不透水表面得出的。以节省资源和时间的方式计算和分析HVR。