合肥主城区建筑密度的珞珈一号夜光影像估算

王兴，周侗，王文懋

(1.南通大学 地理科学学院，江苏 南通 226007；2.南通大学 经济与管理学院，江苏 南通 226019)

0 引言

建筑密度是指在一定范围内建筑物的基底面积总和与总面积的比例。作为城市不透水表面的一个组成部分，建筑密度能在一定程度上直观反映城市内集约化度和用地效率[1]，它同时还是重要的综合性社会指标，能够多角度地衡量城市规划布局[2]、资源利用效率[3]、城市生态环境保护[4]和居住区环境评估[5]等。利用遥感影像估算城市建筑密度信息是一种快速有效的途径，能够弥补传统人工测绘方法的不足[6]。目前常用的遥感数据源主要包括高分辨QuickBird卫星影像[7-8]、合成孔径雷达SAR影像[9]、GF-1卫星影像[10]等。

夜光遥感影像依靠其辐射范围广、运行周期短的特点，被广泛应用于宏观的社会经济参量估算[11-12]、城市监测[13-14]、重大事件变革[15]、生态环境评估[16]以及公共健康[17]等领域。2018年6月2日，由武汉大学研发的珞珈一号科学实验卫星成功发射，该星携带大视场高灵敏夜光遥感相机，具备130 m分辨率、260 km幅宽的夜光成像能力。相比目前常用的是DMSP/OLS(defense meteorological satellite program/operational linescan system)和NPP-VIIRS(national polar-orbiting partnership/visible infrared imaging radiometer suite)2种夜光遥感影像，珞珈一号在空间分辨率、影像饱和度以及晕染效果等方面有较大改进(图1)。在城市发展研究方面，夜光遥感作为客观实时数据源，国内外学者已广泛应用于建成区范围的提取和城市化监测。早在1978年，Croft[18]就提出了DMSP-OLS夜光影像在建成区提取的研究有巨大潜力。2006年，卓莉等[19]提出基于DMSP/OLS数据灰度值的强度与城市用地扩张提取/识别的方法。唐梁博等[20]将TM数据与NPP-VIIRS结合，提取城镇建设用地，改进传统的归一化建筑、城镇用地指数方法，获取更加精确的建设用地信息。目前利用夜光遥感进行的城市研究大多集中在宏观尺度。然而，从城市管理者的角度来看，城市微观层面的动态监测和城市内部的信息提取更能了解城市发展变化的机制。因此，高分辨率的夜光遥感数据成为现阶段研究的迫切需要。目前针对珞珈一号夜光影像的研究才刚刚起步，Jiang等[21]首先将珞珈一号运用在调查城市内人造光污染潜力研究中，研究发现珞珈一号夜光影像具有更高的检测人造光污染能力。Li等[22]则率先使用珞珈一号研究城市范围的提取，通过对人居环境指数分析，以及对简单阈值分割、SVM监督分类等多种提取方法的比较，证实了珞珈一号夜光影像在很大程度上提高了城市范围提取的准确性，具有比前代产品更高的分辨率和更丰富的空间信息。本文以合肥市主城区为例，将珞珈一号夜光遥感影像作为主要数据源，探讨如何利用全新的夜光遥感数据精确、便捷地提取城市建筑密度信息。

图1 3种夜光遥感影像对比示意图

1 研究区概况与数据处理

1.1 研究区概况

合肥市(31.51°N，117.17°E)是安徽省省会，位于长三角西端，江淮之间。总面积11 445 km2，下辖4个市辖区、4个县，代管1个县级市。合肥市作为“一带一路”和长江经济带战略双节点城市，近年来经济社会发展速度不断加快，大量外来人口涌入，城市规模不断扩张。截至2018年合肥市全域面积11 445.1 km2，常住人口 808.7 万人。如何利用有限的土地资源解决更多人的用地需求，已成为城市发展中迫切需要解决的问题。城市建筑密度信息作为衡量城市化发展程度的重要指标，能够在城市扩展与土地利用上提供科学依据和数据支持，如何快速便捷地提取建筑密度信息就成为关键。本文以合肥市主城区(包河区、蜀山区、瑶海区及庐阳区)为研究对象，利用珞珈一号夜光影像估算城市建筑密度。

1.2 数据源

珞珈一号夜光影像获取自高分辨率对地观测系统湖北数据与应用网 (http：//59.175.109.173：8888/)，影像采集时间为 2018年7月15日，该日数据无云层遮挡，影像质量较好。另选用同期的资源三号02卫星(以下简称ZY3-02)高分辨率影像作为辅助数据，空间分辨率为2.1 m。行政区划范围底图下载自天地图 (http：//map.tianditu.gov.cn，审图号：GS(2019)1719号-甲测资字1100471)。

1.3 数据预处理

为了保持不同数据源之间的一致性，首先将所有遥感影像数据统一转换为WGS_1984_Albers投影坐标系。

1)夜光遥感影像的校正处理。高精度几何定位是遥感应用的基础[23]。珞珈一号影像的辐射校准仍在改进当中，为了减小最终结果的误差，需要对其进行几何校正[24]。由于珞珈一号影像的空间分辨率较高，可以清晰地观察到交通路网发出的灯光。因此，通过图像映射的方式对珞珈一号影像进行校正，将2.1 m高精度的ZY3-02遥感影像作为基准图，在ZY3-02影像上收集同名点来配准珞珈一号影像，使相同地物出现在校正后影像的相同位置。本文利用交通干道和桥梁等标志性的地物信息，布设50个地面控制点进行同位校正，最终校正的结果如图2所示。在图2(a)中，可以清楚地发现珞珈一号影像存在几何误差。图2(b)是正射校正后的影像，可以看出几何定位精度明显提高。

图2 珞珈一号夜光影像正射校正前后对比

2)样本区选取和数字化基底图制作。在评估建筑密度的研究中，一般采用固定大小的网格为单位计算建筑面积。为了达到小尺度的研究目的及减小最终结果的误差，结合珞珈一号影像空间分辨率，通过实验，最终确定将研究区划分为1 km×1 km的单元格网。由于珞珈一号辐射定标处于改进中，本文使用影像的灰度值(DN)进行分析。首先提取研究区影像DN值范围，通过自然间断点分级法将研究区DN值划分为32种灯光强度类型[25]，每种灯光强度类型设置5个样本区。依据均衡分布的原则，最终在合肥市4个辖区内布设160个样本区，如图3(a)所示。一般情况下，可利用建筑物屋顶面积代替建筑基底面积进行建筑密度的估算[9]。结合ZY3-02号高分辨率遥感影像，利用建筑物屋顶面积近似看作建筑物基底面积，通过人工数字化获取每个样本区域内的建筑基底面积。图3(b)、图3(c)为某一样本区人工数字化过程的示意图。

注：该图基于天地图网站下载的审图号为 GS(2019)1719号-甲测资字1100471号的标准地图制作，底图无修改。图3 样区分布和建筑物数字化示意图

2 建筑密度估算的研究方法

2.1 修正道路干扰因素

对于建筑密度的计算，一般采取传统的建筑密度/统计区域单位面积的方法，利用人工数字化得到的样本区建筑物基底面积，利用式(1)算得160个样本区的建筑密度，其计算结果直接视为实际的建筑密度，并参与后期的研究和对比。

ρi=smi/s

(1)

式中：ρi为第i个样区的建筑密度；smi是n类灯光强度样区第i个样区的建设面积；s为样区面积，即1 km2。

在各种土地利用类型中，高亮度的照明灯光被广泛应用于交通，而住宅区的照明亮度较低，道路沿线灯光成为干扰研究结果准确性的因素之一[21]。通过珞珈一号夜光影像这一特性，设想利用道路光源提取交通干道的面积，剔除干扰因素之后建立建筑密度的估算模型，使得估算结果更精确。近年来，国内外学者针对高分辨率遥感影像提取道路信息方法众多[26]。本文结合文献[27-28]的方法，进行提取道路的实验。

步骤一：对ZY3-02原始影像进行灰度化处理，图4(c)是均值迁移法(Mean-Shift)实现道路的初步分割。设定双阈值可以更好分辨不同灰度的地物，剔除植被、车辆等小面积阴影的干扰，分割出含道路信息的二值化图像。

步骤二：因为道路通常为一定宽度的长条状，对图像进行初步的形状特征处理，设定面积S、长宽比R和充满度F。图4(d)中面积S为40，长宽比R设定为2.5，矩形度F为0.36。

图4 某样区道路影像提取实验1

步骤三：为了提取道路网，利用形态学滤波对进一步分割的结果进行边缘平滑和道路细化(本文设定主干道为30 m宽度)，获得最终的道路信息。

步骤四：在珞珈一号影像上，道路周围的像元灰度值比实际的灰度值高，结合提取的道路信息，对珞珈一号影像采用K-means 聚类，赋予晕染部分新的灰度值[29]。为了验证此方法的有效性，用另一组同面积的道路图像进行实验，如图5所示。最终对研究区全域进行道路提取，图6为珞珈一号影像剔除道路面积示意图。

图5 某样区道路影像提取实验2

图7(a)和图7(b)是剔除道路光源干扰信息前后样区实际建筑密度与对应的灯光强度DN值的散点图。通过对比可看出，排除道路光源干扰后，样区灯光强度与样区建筑密度之间的相关性更为紧密，决定系数R2由原来的0.667 8提升到0.766 3，达到了提高精确度的效果。

注：该图基于天地图网站下载的审图号为 GS(2019)1719号-甲测资字1100471号的标准地图制作，底图无修改。图6 珞珈一号影像剔除道路面积示意图

图7 样区建筑密度与灯光强度灰度值的散点图

2.2 建筑密度估算模型

剥离样本区的交通路网面积之后，结合1 km×1 km的单元网格，将珞珈一号的32种灯光强度类型样区的建筑密度取平均值,计算方法如式(2)所示。

(2)

式中：ρn是n类灯光强度样本区的平均建筑密度；N是样本个数；ρi是n类灯光强度样区中第i个样区的建筑密度；ρir是n类灯光强度样区中第i个样区的道路所占密度；S为样区面积；Smi是n类灯光强度样区第i个样区的建设面积；Sr第i个样区的道路面积。

将32类灯光强度样区的平均建筑密度与对应样区灯光强度DN值进行线性拟合和非线性曲面拟合(图8)，决定系数R2分别为0.798 9和0.802 1，二者之间都达到拟合关系的要求。通过计算得到各类灯光强度样区平均建筑密度拟合结果统计图，如图9所示。利用反距离加权(IDW)插值，将上文计算所得的各样区平均灯光强度值赋值给对应的中心点，由此获得160个样本点。在ArcGIS空间分析中，对分散的160个样本点的建筑密度值进行空间插值，具体模型如下式(3)所示。

图9 各类灯光强度样区平均建筑密度拟合结果

图8 样区灯光强度平均DN值与平均建筑密度相关性对比

(3)

式中：ρn是n类灯光强度样本区的建筑密度估算值；n是样本点个数；ρi是n类灯光强度样区中第i个样区中心点的建筑密度平均值；di是第i个样区中心点与点n之间的距离。

3 结果分析

3.1 估算结果可靠性分析

结合人工数字化的基底面积数据，选取4个辖区内8个街道面积进一步交叉验证，估算最终结果的可靠性。如表1所示，8个检验样区中5个样区的建筑密度绝对误差小于3.5%，只有2个样区绝对误差高于5%。从平均值来看，样本区建筑密度与估算建筑密度的绝对差值为3.07%，证明估算结果可靠度较高。就单个数据来看，估算建筑密度整体上偏高于实际建筑密度，原因在于光源具有扩散性，晕染效果导致估算的建筑面积大于实际的建筑面积；从绝对误差来看，平均DN值低值区的绝对误差小于高值区，原因在于低值区灯光干扰强度更小，夜晚能监测到更符合实际的灯光指数。这也从侧面反映出某区域的经济的高低、人口的多少及环境植被等发展状况。

表1 合肥市主城区建筑密度抽样验证结果

3.2 建筑密度空间分布特征分析

根据式(3)可得到合肥市主城区建筑密度空间分布图(图10)。从图10可分析其建筑密度总体空间变化规律。

注：该图基于天地图网站下载的审图号为 GS(2019)1719号-甲测资字1100471号的标准地图制作，底图无修改。图10 合肥市主城区建筑密度分布图

1)合肥市区的建筑密度总体走势由中心分别由城市核心区向城市外围递减。高建筑密度最集聚的地方位于3个区(庐阳区、瑶海区和蜀山区)交汇处，以南淝河围成的一个环形区域附近，平均建筑密度高于25%。南淝河是合肥的母亲河，该区域为合肥市老城区，主要包括市府广场、合肥市市政府旧址和合肥市第一人民医院等行政、商业和居住的混合区。特点是建筑密度大、人口密集、绿化率低且破碎，道路网稠密。

2)合肥市建筑密度空间分布呈现一个核心和多个中心并存的特征。建筑密度最高值并不在核心区域，而是位于包河区的滨湖新区内，建筑密度最高值点达到44.8%。究其原因是由于合肥市滨湖新区的发展，该区域属于近几年来合肥市着力打造的新兴城市圈，随着安徽省政府等行政机构的搬迁、合肥大学城的建立、万达茂等大型商业广场的入驻，滨湖新区的发展突飞猛进，在建筑密度上呈现了新的集聚效应。

3)建筑密度空间分布在一定程度上受到地形的影响。如蜀山区的西部属于山地丘陵区，居住人口较少，植被覆盖率高，主要定位是生态建设功能，所以建筑密度较低；包河区东南部囊括了部分巢湖水域，受制于湖泊的阻隔，建筑密度由内向外呈现缓慢递减到突然降至为0的变化趋势。

4 结束语

珞珈一号作为全球首颗专业夜光遥感卫星，可在全球范围内获取高分辨率的夜光影像。本文研究珞珈一号夜光影像在估算城市建筑密度的潜力，总结如下。

1)珞珈一号夜光影像与建筑密度呈现较强的相关性，实际样本估算的绝对误差为3.07，证明珞珈一号在城市建筑密度估算上有较高的精度。

2)珞珈一号夜光影像存在道路周围DN值过高的问题，在估算建筑密度过程中，排除道路光源的干扰能够有效提高估算结果的准确性。在后期研究中，也可以增加植被、水体等其他因素共同分析。

3)通过估算结果的可视化分析，探明了当前合肥市建筑密度空间分布状况和特点，为未来的合肥市的城市化发展提供科学依据。

本文研究目的是将珞珈一号夜光影像这种前沿的遥感影像数据源应用到城市内部研究中，证实它可以更有效地用于城市信息的提取。然而，光谱范围、辐射校准以及高强度灯光干扰等因素仍然限制了珞珈一号夜光影像的广泛使用，这也是未来需要研究的方向。