基于夜间灯光数据的长沙市城市建成区提取结果对比分析

王 敏，李景保，梁莉莉，黄 钦，龚熊波

(湖南师范大学地理科学学院，地理空间大数据挖掘与应用湖南省重点实验室，中国 长沙 410081)

城镇用地作为社会经济活动的基本空间载体，是推进城市化进程的重要物质基础[1，2]。城市建设用地面积大小也从一定程度上反映了某个城市的发展状况。自改革开放以来，中国城镇化率从1978年的17.92%上升至2019年的60.6%，快速的城市化过程，使得大量的农用地转化为城市用地[3-5]。 传统的方法已经很难有效对城市建成区范围进行动态监测[6，7]。因此，如何及时准确地提取城市建成区范围为城市研究提供基础信息仍然具有重要的研究意义。

随着卫星技术的发展，越来越多的学者开始利用遥感影像进行城市的动态监测[8-10]，夜间灯光数据反映了夜晚地球表面的分区灯光强度，可以反映城市甚至小规模居民聚集地、车流等发出的微弱光亮，因此可以明显地区分城区和非城区，且夜光数据能够频繁快速地获取夜间地球表面信息，因而被广泛应用于长时间序列的城市监测研究[11-13]。目前，应用最为广泛的夜间灯光数据由美国国防卫星计划DMSP (Defense Meteorological Satellite Program)搭载的线性扫描系统OLS和Suomi NPP卫星上搭载的可见光近红外成像辐射仪(VIIRS)收集。灯光数据本身不具有连续性和对比性,在进行长时间序列研究时需要进行灯光校正。夜间灯光数据的校正方法主要有两种：一种是以稳定灯光数据为参考影像的灯光校正方法[14，15]；另一种是以辐射定标产品为参考影像的灯光校正方法[16]。然而，长时间序列的城市化研究所采用的影像绝大多数都是以稳定灯光为基础将NPP-VIIRS模拟成与DMSP-OLS数据具有相同辐射特征的夜光影像[17-20]，尚未有研究对比分析过不同灯光校正方法下城市建成区的提取精度，且夜间灯光数据本身有饱和效应和灯光溢出现象，导致提取的城市区域普遍偏高。已有学者基于灯光亮度与植被指数之间的负相关关系，在一定程度上解决了由于灯光饱和效应导致的过度提取问题[21，22]。

综上，鉴于目前尚未有研究对比分析过不同灯光校正方法下的城镇用地提取精度，本文以长沙市为例，用两种主要的灯光校正方法对DMSP-OLS夜光数据进行校正，并选取2010年经过预处理后的影像，分别与增强型植被指数EVI构建灯光修正指数，用于城市建成区提取。最后，根据2010年长沙市土地利用数据以及Google地球影像，选用混淆矩阵与空间位置对比法，对比评价两种灯光校正方法下的夜光数据以及在此基础上构建的灯光修正指数在提取城市建成区时的精度差异。

1 研究区与数据预处理

1.1 研究区

长沙市位于湖南省东部偏北位置，是湖南省省会城市，长江中游重要的中心城市，经济实力雄厚，城市化水平高，截至2019年，城镇化率达79.5%。长沙市下辖6个市辖区、2个县级市、1个县，分别为芙蓉区、天心区、岳麓区、开福区、雨花区、望城区、浏阳市、宁乡市以及长沙县，总面积达到11 819 km2。随着社会经济的发展，长沙城市规模不断扩大，城市聚集程度不断提高，长沙市建成区主要集中分布在长沙市市区范围内。因此，后文在进行空间位置对比时，考虑到长沙市范围辽阔，仅选取长沙市市区作为空间位置对比区域，进行空间位置的精度对比。

1.2 数据来源

图1 2010年长沙市土地利用分类图Fig. 1 Land use classification map of Changsha city in 2010

DMSP-OLS数据来源于美国国家地球物理数据中心https://www.ngdc.noaa.gov/eog/dmsp/downloadV4com- posites.html，每颗DMSP卫星搭载的OLS传感器可以获取3 km范围内的遥感影像，传感器平均每6 h监控一次地球信息。目前，美国国家地球物理中心所提供的DMSP-OLS灯光数据有第4版夜间灯光时间序列产品和全球辐射校准夜间灯光产品，文中使用的DMSP-OLS数据涉及2000—2013年的第4版稳定灯光数据产品以及2006年辐射校准灯光数据。植被增强指数EVI来源于美国航空航天局(https://lpdaacsvc.cr.usgs.gov-/appeears/explore)提供的2010年6到12月具有1 km分辨率的MYD13A3月度合成数据。2010年长沙市土地利用分类数据，如图1所示，来源于中国科学院资源环境与数据中心(http://www.resdc.cn/data.aspx)。

1.3 数据预处理

目前，主要的夜间灯光数据校正方法有基于稳定灯光数据的校正方法和基于全球辐射定标产品灯光校正法两种，为了对比不同校正方法下夜光影像的城市建成区提取精度，以2000—2013年非辐射定标产品为载体分别用两种主要的灯光校准方法进行校正，为城镇提取的精度对比提供基础影像。

1.3.1 以稳定灯光影像为参考数据校正夜光影像 参考邹进贵的校正方法，首先对灯光数据进行掩膜提取，并将参考坐标设置为GCS_WGS_1984,分辨率为1 km的遥感影像，对中国区域DN>0的像元进行提取，获取2000—2013年间的稳定亮值像元，选取灯光亮度年际变化小且经济发展稳定的F162007鸡西市的夜间灯光数据作为参考数据，将参考数据分别与不同传感器各个年度的灯光数据建立如下式所示的一元二次方程，根据各个参数值进行回归校正，最后将DN>63的灯光灰度值赋值为63[14]。

DNa=a×DN2+b×DN+c，

(1)

式中：DNa和DN分别为校正后、校正前的夜间灯光数据，a，b和c为一元二次函数的拟合参数。

同年度不同传感器的夜间灯光影像，通过取其平均值获取多传感器同年度的遥感影像。最后，根据下式，进行夜光数据的连续性校正，即前一年影像中某一像元的DN值不应大于后一年影像中同一位置像元的DN值。

(2)

n=2000，2001，2002,…,式中：DN(n-1,i)和DN(n,i)分别表示像元i的在第n-1和第n年的灯光亮度值。

1.3.2 以辐射定标产品为参考数据校正夜光影像 参考曹子阳的灯光校正方法，选取黑龙江鹤岗市作为伪不变区，将2000—2013年间DMSP-OLS稳定灯光数据与F162006辐射定标产品作为待校正影像和参考影像，选择相关系数最高的一元二次方程，构建回归模型，进行灯光回归校正[16]。对相互校正后的影像进行同年度不同传感器之间的影像校正，最后根据下式，完成影像的连续性校正。

(3)

图2 长沙市各年度夜光影像的灰度值变化Fig. 2 Gray value change of night light image in Changsha

n=2000，2001，2002，…n式中：DN(n-1,i)，DN(n,i)和DN(n+1,i)分别为像元i的在第n-1，n和n+1年的灯光亮度值。

1.4 数据处理结果验证

利用长沙市1：100万矢量地图进行掩膜提取，根据下式统计不同方法校正后的长沙市夜光影像总DN值，

(4)

式中：DNi表示研究区内第i个像元的DN值；n为研究区内影像中的总栅格数；TNLI：研究区内的总DN值。由图2可见，在经过预处理后的夜光影像中稳定亮值像元表现出持续增长趋势，具有很好的连续性和一致性，可以用于后续的对比分析[14]。

2 研究方法

2.1 基于增强型植被指数(EVI)修正的灯光指数EANI

已有研究表明植被覆盖度和不透水面之间密切相关且成负相关关系，Zhang等人对城市区域的NDVI与NTL做剖面图发现，离城市中心越远植被覆盖度越高，基于归一化植被指数NDVI定义了如下式所示的城市灯光指数VANUI[22]。

VANUI=(1-NDVI)NTL，

(5)

式中：VANUI指利用归一化植被指数校正的夜间灯光指数，NDVI指归一化植被指数，NTL指进行试验的夜间灯光数据。

增强型植被指数EVI是改进后归一化植被指数NDVI，减小了大气、土壤对植被指数的影响，同时避免了高植被覆盖区的饱和问题[23]。为了避免部分月份对植被覆盖度的影响，选取2010年6到12月MYD13A3中的EVI产品取平均值作为试验数据，将年平均增强型植被指数EVI归一化，根据植被指数与夜间灯光之间的反比关系，构建如下式所示的灯光修正指数[24]。

EANI=(1-EVInorm)NTL，

(6)

式中：EANI指利用增强型植被指数校正的夜间灯光指数，EVInorm指将年平均增强型植被指数的数值映射到[0,1]之间，NTL指进行试验的夜间灯光数据。

2.2 城市建成区提取

1997年，Imhoff首次将突变检测法应用于城市边界检测中。Imhoff认为城市区域是一个完整的斑块，设定一个初始阈值并不断增加提取边界的阈值，城市区域边界的周长不断减小，当增大阈值到某一点时，城市开始破碎，城市斑块周长突然增加或者保持不变，这个值即为提取城市边界的最佳阈值[25]。

选用如图3所示，经过预处理后的夜间灯光影像以及在此基础上构建的灯光修正指数进行突变检测，其中(a)以稳定灯光为参考数据校正后的长沙市夜间灯光影像；(b)以辐射定标产品为参考数据校正后的长沙市夜间灯光影像；(c)图(a)经过EANI修正的长沙市灯光指数；(d)图(b)经过EANI修正的长沙市灯光指数。由图4所示其中(a)，(b)，(c)和(d)分别指以图3(a)，(b)，(c)和(d)为检测对象的突变检测结果，周长突变点即为城市提取的最佳阈值，根据阈值提取相应影像的城市区域，提取结果如图5所示，其中(a)，(b)，(c)和(d)分别指以图3(a)，(b)，(c)和(d)为对象的城市建成区提取结果。

图3 长沙市2010年夜间灯光影像Fig. 3 The night-light time images of Changsha city in 2010

图4 2010年长沙市城市区域斑块周长变化图Fig. 4 Patch perimeter change of Changsha city in 2010

图5 长沙市城市建成区提取结果Fig. 5 Extraction results of urban build-up area in Changsha city

2.3 精度评定方法

2.3.1 混淆矩阵 混淆矩阵也称为误差矩阵，是精度评价的标准格式，文中选用应用最为广泛的总体分类精度(Overall Accurcy)和Kappa系数作为评价指标。总体精度是正确分类的像元个数与研究区总体像元个数之比。Kappa系数常用于一致性检验。

Po=Tr/N，

(7)

式中：Po为总体分类精度；Tr表示正确分类的像元个数；N为研究区像元总个数。

Pe=(a1×b1+a2×b2+…+ac×bc)/N×N，

(8)

K=(Po-Pe)/1-Pe，

(9)

式中：K表示Kappa系数；Po代表总体分类精度。

2.3.2 Google Earth影像空间位置对比 混淆矩阵是对建成区的面积数量进行精度检验的常用方法，但是要验证建成区提取结果是否准确，不仅需要对城市提取区域的面积数量进行检验，还需要对其空间位置进行精度验证。因此，为了进一步对比与检验城市建成区提取精度，选取长沙市市域范围内建成区集中连片分布的长沙市市区作为对比区域与2010 年长沙市中心城区历史GoogleEarth影像叠置，进行空间位置的精度对比分析，结果如图6所示。

图6 长沙市城市建成区提取结果空间位置对比Fig. 6 Spatial location comparison of urban land extraction results in Changsha city

3 结果验证与分析

3.1 混淆矩阵精度验证

以2010年长沙市的土地利用数据作为验证数据。首先，将土地利用数据的类别合并为城市区域与非城市区域两大类，再分别对提取的城镇用地结果进行精度验证。利用python计算混淆矩阵，并根据式(7)，(8)和(9)分别计算经过两种灯光校正方法后夜光影像以及在此基础上构建的EANI指数提取城市区域时的总体精度与Kappa系数。本文的主要目的是对比分析基于两种主要灯光校正方法下夜光数据的城市建成区提取精度，因此视长沙整个市域为一个整体进行验证，验证结果如表1所示。由表1可知，利用突变检测法提取4幅影像的城市区域效果较好，总体分类精度都达到90%以上，Kappa系数均在0.7以上。在提取城镇用地时，以辐射定标产品为参考影像校正的夜光数据及以此为载体构建的灯光修正指数比以稳定灯光数据为参考影像校正的夜光数据及以此为载体构建的灯光修正指数，表现出更高的总体分类精度和Kappa系数。以辐射定标产品为参考影像校正后的灯光数据以及以此为载体构建的灯光修正指数在提取城市的Kappa时均达到0.93，但后者在提取城市区域的总体分类精度比前者高0.14个百分点；而以稳定灯光为参考影像校正后的灯光数据为载体构建的灯光修正指数在提取城镇用地时，总体分类精度和Kappa系数上均低于未构建灯光修正指数的影像。

表1 城市建成区提取结果精度评定

3.2 Google Earth影像空间位置对比检验

用突变检测法分别对预处理后的4幅影像进行检测，根据检测出来的最佳阈值提取城市区域，提取结果如图4所示。在ArcGIS 10.6中，将提取出来的城市建成区通过转换工具转化为矢量面状数据，再与Google Earth影像进行空间叠置，得到如图6所示的空间位置对比图。图6(a)，(b)，(c)和(d)共4幅影像中蓝色方框部分可以明显看出建成区提取的空间位置差异。在序号为1，2，3和4的蓝色方框中，图6(a)所提取的城市区域面积最大，在(b)中面积明显缩小，说明以辐射定标产品为参考影像所校正的夜间灯光数据在提取城市建成区时能够有效缓解灯光溢出带来的过度提取问题。图6中(c)和(d)都是基于两种方法校正后的灯光影像为载体构建的灯光修正指数EANI用于城市提取的结果，其中(c)是以稳定灯光数据为参考影像校正后的灯光数据为载体构建的灯光修正指数所提取的城市区域与Google Earth影像的空间叠置结果，(d)是以辐射定标产品为参考影像校正后的灯光数据为载体构建的灯光修正指数所提取的城市区域与Google Earth影像的空间叠置结果。在序号为2和3的蓝色方框中，图6(a)将城市边缘的部分林地错分为城镇用地，图6(c)通过构建灯光修正指数提取城镇用地，在城市边界有效的避免了错分的现象；序号为1和4的蓝色方框区域，分别是长沙市望城区和黄花国际机场，在图6(c)中都将其分为了非城镇用地，可能是因为望城区和黄花机场的城市经济发展水平较低因而灯光亮度值不高，且该区域植被覆盖度较高，在经过增强型植被指数修正之后，导致亮度进一步降低，因而被错误识别为非城镇用地。图6(b)和(d)中序号为2，3和4的蓝色方框中建成区范围存在明显的空间位置差异。图6(b)中，序号为2和3方框所在区域，由于灯光溢出现象，导致与城市边界相邻的非城镇用地判别为城镇用地，由图6(d)可见，通过构建灯光修正指数，一定程度上缓解了灯光溢出导致的错分现象。对比图6(b)和(d)中序号为4的区域，灯光修正指数缓解灯光溢出现象的作用则更为明显。但是，在图6(c)中未识别出的长沙市望城区(序号为1的蓝色方框)与黄花机场(序号为4的蓝色方框)，在图6(d)中可以明显识别出来，且比图6(a)和(b)中的空间位置更准确。

通过上述分析可得：(1)以辐射定标产品为参考影像校正的夜间灯光数据在提取城市建成区时具有比以稳定灯光数据为参考影像校正的夜间灯光数据在提取城市区域时具有更高精度的空间位置。(2)以两种主要灯光校正方法校正过的灯光影像为载体构建的灯光修正指数EANI在提取城市建成区时都能在一定程度上缓解灯光溢出现象导致的城市区域过度提取问题。(3)以辐射定标产品这一参考数据校正的夜光影像为载体构建的EANI指数，在提取的城市区域时即能够有效缓解过度提取，也能识别灯光亮度值不高、经济发展相对落后的城镇区域。

4 结论与展望

4.1 结论

本文选用两种主要的灯光校正方法，建立2000—2013年两种长时间序列的灯光数据集，选取2010年长沙市夜间灯光影像并以此为载体构建EANI指数，提取城市区域。最后，利用2010年长沙市土地利用数据与Google Earth影像进行精度验证，得出以下结论：基于图3中4幅夜光影像进行城市区域提取的总体精度差异较小，在3%以内；但通过对比提取的城市区域的空间位置与Google Earth影像中城市区域的空间位置，发现以辐射定标产品为参考影像校正的灯光影像所提取的城市边界范围比以稳定灯光为参考影像校正的夜光数据所提取的城市区域更加准确，原因是辐射定标产品具有更高的辐射分辨率，由此校正的灯光数据具有更高的辐射分辨率，夜光数据本身的饱和效应和灯光溢出现象得到一定的缓解，因此可以更准确的识别城镇用地。

4.2 展望

DMSP/OLS夜间灯光影像能够大范围，多尺度的监测城市动态信息，但是DMSP/OLS夜光数据本身的连续性和可比性方面存在不一致。因此，在进行城市监测时需要进行灯光校正。不同的灯光校正方法也间接影响着夜间灯光数据的动态变化进而对城镇用地信息提取产生影响。本文通过对比分析不同灯光校正方法下城镇用地提取精度，发现以辐射定标产品为参考影像校正的夜间灯光数据在城镇提取时精度更高，为未来城市动态监测前灯光校正方法的选择提供科学依据。此外，文中验证了根据增强型植被指数修正的夜间灯光影像能够在一定程度上缓解灯光饱和效应和溢出现象，提高城市区域的提取精度。由于DMSP/OLS夜光数据和EVI增强型植被指数的分辨率不高，城镇用地信息提取过程中仍有部分区域存在一定误差。如何利用现有数据(如：地表温度数据、人口密度、POI等)对夜间灯光影像进行修正，提高夜间灯光的城市监测能力，还需要进一步深入研究。