CN111597949A - 一种基于npp-viirs夜间灯光数据的城市建成区提取方法 - Google Patents

一种基于npp-viirs夜间灯光数据的城市建成区提取方法 Download PDF

Info

Publication number
CN111597949A
CN111597949A CN202010395106.1A CN202010395106A CN111597949A CN 111597949 A CN111597949 A CN 111597949A CN 202010395106 A CN202010395106 A CN 202010395106A CN 111597949 A CN111597949 A CN 111597949A
Authority
CN
China
Prior art keywords
area
enui
urban
data
night light
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010395106.1A
Other languages
English (en)
Other versions
CN111597949B (zh
Inventor
王豪伟
郑渊茂
赵景柱
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Chinese Academy of Sciences
Institute of Urban Environment of CAS
Original Assignee
University of Chinese Academy of Sciences
Institute of Urban Environment of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Chinese Academy of Sciences, Institute of Urban Environment of CAS filed Critical University of Chinese Academy of Sciences
Priority to CN202010395106.1A priority Critical patent/CN111597949B/zh
Publication of CN111597949A publication Critical patent/CN111597949A/zh
Application granted granted Critical
Publication of CN111597949B publication Critical patent/CN111597949B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于NPP‑VIIRS夜间灯光数据的城市建成区提取方法，其可包括以下步骤：S1.获取城市的NPP‑VIIRS夜间灯光数据和Landsat影像光谱数据，并对NPP‑VIIRS夜间灯光数据进行重采样得到RNTL，同时从Landsat影像光谱数据提取NDVI、NDWI和NDBI，其中RNTL为重采样的NPP‑VIIRS夜间灯光数据，NDVI为归一化植被指数，NDWI为归一化水体指数，NDBI为归一化建筑指数；S2.采用ENUI(改进夜间灯光城市指数)法提取城市建成区。本发明通过引入NDVI、NDWI及NDBI这三个指数可减少夜光数据在城市核心区的饱和现象，并能够去除夜间灯光亮度在水体、城市核心区的植被区域的灯光溢出现象，提高了城市建成区提取的准确性。

Description

一种基于NPP-VIIRS夜间灯光数据的城市建成区提取方法
技术领域
本发明涉及一种基于NPP-VIIRS夜间灯光数据的城市建成区提取方法。
背景技术
目前，获取建成区的数据主要有两种方式。一是基于行政单位的社会经济统计数据；二是以Landsat专题制图仪为代表的中、高分辨率遥感数据。然而，这两种方式均存在缺陷。社会经济统计数据中缺乏足够的空间信息。中、高分辨率遥感数据首先受其地理覆盖范围的限制，在大尺度城市群及国家区域需要的影像成本、预处理及解译所需的大量时间和劳动力成本，不适合反演城市建成区的变化；总之，对大范围的建成区统计采用上述方法需大量人力和物力，难以在短时间内反应大空间尺度的多时相建成区变化信息，特别是在城市化速度较快的地区。因此，亟需采用新方法进行城市建成区的提取计算，从而对不同时期的建成区变化进行监测。
最近，the Suomi National Polar-orbiting Partnership Visible InfraredImaging Radiometer Suite(NPP-VIIRS)夜间灯光数据已开始成为及时、准确提取城市建成区面积的新型的、有价值的数据源。然而，利用NPP-VIIRS夜间灯光数据提取城市用地面积仍然存在挑战，主要是NPP-VIIRS夜间灯光数据受到溢出效应的影响，是由于非相干光从光源向各个方向辐射，比如，灯光亮度在周围区域的弥散，造成灯光亮度的溢出效应，导致对城市土地用地面积的高估。
针对NPP-VIIRS夜间灯光数据溢出效应的不足，尤其在水体、建筑区内的植被区域等的夜间灯光亮度溢出现象，限制了NPP-VIIRS夜间灯光数据在城市土地用地精确提取的广泛应用。
发明内容
本发明旨在提供一种基于NPP-VIIRS夜间灯光数据的城市建成区提取方法，以解决上述问题。为此，本发明采用的具体技术方案如下：
一种基于NPP-VIIRS夜间灯光数据的城市建成区提取方法，其可包括以下步骤：
S1.获取城市的NPP-VIIRS夜间灯光数据和Landsat影像光谱数据，并对 NPP-VIIRS夜间灯光数据重采样得到RNTL,同时从Landsat影像光谱数据提取 NDVI、NDWI和NDBI，其中RNTL为重采样的NPP-VIIRS夜间灯光数据，NDVI为归一化植被指数，NDWI为归一化水体指数，NDBI为归一化建筑指数；
S2.采用ENUI(改进夜间灯光城市指数)法提取城市建成区。
进一步地，步骤S1中的Landsat影像光谱数据提取NDVI、NDWI与NDBI的公式如下：
Figure BDA0002487237620000021
Figure BDA0002487237620000022
Figure BDA0002487237620000023
其中，NIR为近红外波段，RED为红色波段，G为绿色波段，MIR为中红外波段。
进一步地，S2的具体过程为：
S21.计算ENUI值，公式如下:
ENUI＝RNTL×(1-NDVI)×(1-NDWIB)×NDBIB，
其中，NDWIB为NDWI二值化赋值是1的像元，NDBIB为NDBI二值化赋值是1的像元；
S22.采用从公开的土地利用/覆盖数据得到的城市建成区面积作为参考数据，确定ENUI的最优阈值；其中，ENUI的最优阈值的选取采用以下公式表示:
Figure BDA0002487237620000031
其中，Kappaj是根据ENUI提取的城市建成区面积与参考数据计算得到的kappa 系数，Tj是第j个城市ENUI的阈值，
Figure BDA0002487237620000032
和
Figure BDA0002487237620000033
分别是第j个城市ENUI的最小值和最大值；
S23.将ENUI值超过最优阈值的像元提取为城市建成区。
本发明采用上述技术方案，具有的有益效果是：通过引入NDVI、NDWI及NDBI 这三个指数可减少NPP-VIIRS夜间灯光数据在城市核心区的饱和现象，并能够去除NPP-VIIRS夜间灯光亮度在水体、城市核心区的植被区域的灯光溢出现象，提高了城市建成区提取的准确性。
附图说明
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
图1是本发明的基于NPP-VIIRS夜间灯光数据的城市建成区提取方法的流程图；
图2是深圳市2015年的Landsat-8OLI伪彩色图像的水平横断面；
图3是2015年广州市NPP-VIIRS数据、ENUI数据沿着一个纬度的横断面，其中，(a)是30米分辨率Landsat-8OLI伪彩色影像数据，(b)是500米分辨率 NPP-VIIRS数据，(c)是30米分辨率ENUI数据；
图4是LOT方法和本发明方法在2012、2015、2018三个年度的UA与PA比较图；
图5是LOT方法和本发明方法在2012、2015、2018三个年度的灯光阈值与建成区面积的相关系数R2的对比曲线图；
图6是夜间灯光阈值与建成区面积的相关系数R2与经济参数的关系线性拟合图，其中(a)是R2与人口的关系线性拟合图，(b)是R2与GDP的关系线性拟合图。
具体实施方式
现结合附图和具体实施方式对本发明进一步说明。
如图1所示，本发明提出基于NPP-VIIRS夜间灯光数据和Landsat-8OLI 影像光谱，提取了RNTL、NDVI、NDWI及NDBI等指标数据，创造性地提出了改进夜间灯光城市指数(Enhanced Nighttime light Urban Index,ENUI)的建成区提取方法。ENUI法的计算公式如下:
ENUI＝RNTL×(1-NDVI)×(1-NDWIB)×NDBIB (1)
Figure BDA0002487237620000041
Figure BDA0002487237620000051
Figure BDA0002487237620000052
其中，NIR为近红外波段，RED为红色波段，G为绿色波段，MIR为中红外波段， RNTL为重采样的NPP-VIIRS夜间灯光数据(Resample Nighttime Light)，具体地，将500米分辨率的NPP-VIIRS夜间灯光数据采用BILINEAR(双线性)技术重采样为30米分辨率的NPP-VIIRS夜间灯光数据，以使其与Landsat-8OLI 影像光谱数据的分辨率(分辨率为30米)保持一致；NDVI为归一化植被指数， NDWI为归一化水体指数，NDBI为归一化建筑指数。
NDVI从Landsat-8OLI影像光谱提取，NDVI取值为[-1,1]，NDVI>0为植被覆盖区，其值越接近1表示植被覆盖度越大，NDVI<0为非植被覆盖区。表达式(1-NDVI)则表征了较大的非植被覆盖区权重在城市核心地区，而不是城市周边地区，这样也导致城市核心区数据值的变异性增加。因此，城市核心城区的(1-NDVI)值接近1，而植被丰富的非城市区域的值接近0。(1-NDVI)与RNTL 的结合可减少城市核心区夜间灯光的饱和现象，并增加城市内部核心区变化特征的快速识别。
其次，NDWI取值范围在[-1,1]之间，理论上NDWI>0为水体区域，NDWI< 0为非水体区域。经实践发现，由于部分河流、湖泊及海洋等水体中的泥沙石裸露等，实际上NDWI<0部分值也为水体；最终研究发现NDWI值为-0.1才是水体临界点。因此，本发明取NDWI值-0.1为阈值对NDWI提取结果二值化：取NDWI> -0.1像元赋值为1；NDWI<-0.1像元赋值为0。然后，将NDWI二值化赋值是1 的像元设置为NDWIB，表达式(1-NDWIB)则去除了水体区域，表征为非水体区域的城市区域。(1-NDWIB)与RNTL的结合可去除城市核心地区夜间灯光亮度在河流、湖泊及海洋等等水体区域的溢出效应。
最后，NDBI取值范围也在[-1,1]之间。研究表明NDBI正值为城市用地区域， NDBI负值为非城市用地区域。将NDBI计算结果二值化：NDBI正值像元赋值为1， NDBI负值影像赋值为0，将NDBI二值化赋值是1的像元设置为NDBIB。由于城市内部不同地物类别之间混合现象普遍,导致NDBIB提取表征的城市用地地区，存在微小的高估现象，但仍可去除夜间灯光的部分溢出效应。原因如下：由于城市核心区夜间灯光的强大光源向各个方向辐射，导致在城市用地区域外的植被覆盖区等存在溢出效应。因此，虽然NDBIB存在微小误差，将NDBIB与RNTL 进行相乘求交集，仍然可去除夜间灯光在城市用地区域外的植被覆盖区(绿地等)的溢出效应。
综上，通过引入NDVI、NDWI及NDBI这三个指数可减少NPP-VIIRS夜间灯光数据在城市核心区的饱和现象，并能够去除夜间灯光亮度在水体、城市核心区的植被区域的灯光溢出现象，提高了城市建成区提取的准确性。
本发明采用ENUI提取城市建成区面积。具体而言，采用从公开的土地利用 /覆盖数据得到的城市建成区面积作为参考数据，确定ENUI的最优阈值。由于土地利用/覆盖数据(30m)的空间分辨率远优于NPP-VIIRS数据(500m)，因此，采用土地利用/覆盖数据提取城市建成区面积作为参考数据进行结果评价是可行的，可接受的。ENUI的最佳阈值的选取可用以下公式表示:
Figure BDA0002487237620000061
其中，Tj是第j个城市ENUI的阈值，Kappaj是根据ENUI提取的城市建成区面积与参考数据计算得到的kappa系数，完整过程：通过ENUI基于Tj阈值提取出的城市建成区面积，并将其提取的城市建成区面积与参考数据进行计算得kappa 系数，
Figure BDA0002487237620000062
和
Figure BDA0002487237620000063
分别是第j个城市ENUI的最小值和最大值。最后，将ENUI 值超过最优阈值的像元提取为城市建成区。
本发明采用NPP-VIIRS夜间灯光数据结合Landsat的影像光谱数据提取了 2012-2018年粤港澳大湾区城市建成区动态变化，并加入土地利用/覆盖数据作为参考数据。参考数据的可靠性和准确性是确保本方法成功的关键因素。中国科学院公布的中国土地利用/覆盖数据已被证明代表了中国相应年份的实际土地利用/覆盖状况。因此，本发明采用中国科学院公布的土地利用/土地覆盖数据的“城市用地”作为参考数据来验证传统方法LOT及本发明方法ENUI的提取结果，具有可信性。
根据相关研究，只采用一种指标进行地图分类提取的精度验证，尤其是只采用总体精度的这个单指标验证，其准确性评估会存在误差与不可靠性。因此，本发明精度评价采用了kappa系数、总体精度(Overall Accuracy,OA)、生产者精度(Producer's Accuracy,PA)与用户精度(User’s Accuracy,UA)共四种指标进行结果评估，来验证准确性与可靠性。衡量一致性或准确性的Kappa系数是常的见衡量分类精度指标，值域范围为0-1，数值越高说明该分类结果的可信度越高。当Kappa系数超过0.55时，可认为该分类结果是可信的。根据表1的混淆矩阵，Kappa系数的计算公式如下：
Figure BDA0002487237620000071
其中，r是矩阵的行数，xij是第i行和第j列的观测值，xi+和x+j是分别是第i 行和第j列的边际总数，N是总观测数。
其次，根据构建混淆矩阵表可求解出OA、PA与UA指标，如表1所示，PA 与UA的计算公式如表内。PA表示正确分为某类像元在参考数据中的概率；UA 表示正确分为某类的像元在地图数据中的概率。
表1.混淆矩阵表
Figure BDA0002487237620000081
注:pjj表示误差矩阵对角线中j类正确分类样本的比例，pij是第i行和第j列样本的比例，J 是土地覆被类型或类别的总数，pi+是根据地图数据提取的i类的总比例，p+j是参考数据获取的j类的总比例。
总体精度OA是指正确分类像元与像元总数比例。根据表1的混淆矩阵，OA 的计算公式如下：
Figure BDA0002487237620000082
比较实例
结合NPP-VIIRS、NDVI、NDBI与NDWI构建的ENUI法比单独使用NPP-VIIRS 表现更好。首先，本发明以深圳市2015年的数据为例，从图2可得，从光谱方面显示了这四种数据在一定程度上可表达城市特征，且通过相互补充，可呈现出整个城市区域面貌；这一结果来自于在城市核心建成区的NDBI与NPP-VIIRS 影像像素值较高而NDVI影像像素值较低的数据特征，且在城市水体区域的NDWI 影像像素值较高。这四种数据从不同方面表达了城市特征，它们可以相互补充。另外，当存在云层或其他原因带来小噪音出现时，它们的整合可减轻这种负面影响。因此，在ENUI法中将不同数据值计算结合起来，可更好地展示城市建成区土地利用的整体特征分析。
接着，本发明计算广州市2015年城市区域的ENUI值，以及归一化的 NPP-VIIRS影像数据值。如图3所示，纬度横断面表明：ENUI值向城市核心区方向增大，向非城市核心区方向减小，且城市核心地区的ENUI值具有较高的变异性。
总之，ENUI法结合NPP-VIIRS夜间灯光数据、NDVI、NDWI与NDBI数据，采用这四种数据源的互补特性，很好地显示了城市和非城市区域土地利用的差异。利用ENUI法可更精确地提取城市建成区。该方法可去除NPP-VIIRS夜间灯光数据的溢出效应，具体地可减少夜间灯光在城市核心城区的饱和、去除夜间灯光在水体区域的溢出、以及减少和去除夜间灯光在建筑区的植被区域的溢出。这种简单与高效方法使得ENUI法在进一步城市研究中具有广泛的应用潜力。
一、两种方法提取的精度对比
为了验证ENUI法提取建成区的精度，采用传统的局部最优阈值法(Local-Optimized Thresholding,LOT)进行比较。
1.两种方法提取结果OA与Kappa的精度对比
LOT法和ENUI法这两种方法在粤港澳大湾区城市群2012、2015和2018年的建成区提取结果中，其11个城市对应OA与Kappa系数的精度对比如表2和表3所示。从表2和表3中可得，提取粤港澳大湾区城市群的建成区中，ENUI法提取每个年度的OA与Kappa精度均优于LOT法，ENUI法精度较高。比如，在2012年中，采用 ENUI法得出研究区的平均OA值为92.92％、平均Kappa值为0.75；而采用LOT法平均OA值分别为86.22％、平均Kappa值为0.52(表2和表3)。三个年度的结果表明： ENUI法拥有较高的OA值，其三个年度的平均值比LOT法高7.08％；ENUI法也拥有较高的Kappa值，其三个年度的平均值比LOT法高0.23(表4)。
表2.不同年份的ENUI法与LOT法的OA精度及增加量的对比(单位：％)
Figure BDA0002487237620000091
Figure BDA0002487237620000101
表3.不同年份的ENUI法与LOT法的Kappa精度及增加量的对比
Figure BDA0002487237620000102
2.两种方法提取结果UA与PA的精度对比
在UA与PA的精度进行对比中，ENUI法提取的UA与PA值也均优于LOT法。从各类别的分类精度可得，与LOT法相比，本发明提出ENUI法的结果中：在城市群尺度上，两种方法在三个年度分类结果如表4所示，得出各类别的UA与PA 都有增加。具体来讲：城市地区的用户精度(UA)提高较多，生产者精度(PA)提高较少；与此相对应,非城市地区的PA增加较多，UA增加较少。比如，在2012 年的结果中，大湾区城市群的城市地区的UA从62.05％提高到72.98％(增加 10.93％)，PA从72.59％提高到81.54％(增加8.95％)，城市地区的UA增量大于 PA；非城市地区的PA从87.30％提高到92.81％(增加5.51％)，UA从92.59％提高到96.04％(增加3.45％)，非城市地区的PA增量大于UA。
在城市尺度上，两种方法在三个年度(2012、2105和2018)11个城市的提取结果，具体如图4所示，其中，A1为2012LOT；A2为2012ENUI；B1为2015 LOT；B2为2015ENUI；C1为2018LOT；C2为2018ENUI。从图4中可得出，各城市的各类别的UA与PA都有增加，但是各城市的各类别增加量程度有些不同。大部分的城市还是跟城市群的分类结果一致，即城市地区的UA提高较多， PA提高较少；非城市地区的PA增加较多，UA增加较少。比如，在2012年的广东市提取结果中，城市地区的UA增加13.07％，PA增加8.26％，城市地区的UA 增量大于PA；非城市地区中的PA增加3.82％，UA增加1.59％，非城市地区PA 增量大于UA。但是，存在个别城市中，主要是江门和中山等部分城市，ENUI法得出所有类别UA与PA值仍然均大于LOT法，只是城市地区UA的增量略小于PA，非城市地区PA略小于UA。比如，2012年江门市提取的城市地区UA增加3.87％， PA增加4.43％，城市地区UA增量略小于PA；非城市地区中PA增加0.08％，UA增加0.10％，非城市地区PA增量微小于UA。这些部分城市中，ENUI法得出所有类别的UA与PA的值均大于LOT法，也是提高了提取精度。总之，大部分城市提取结果的各分类增量与城市群的整体结果是一致的。综上所述，可得在城市尺度和城市群尺度的结果是一致的，均提高了提取精度。结果表明，本发明提出的ENUI法大大减少非城市地区(水体和植被等)与城市地区的影像混淆，显著提高了分类提取的精度。
总之，采用ENUI法在三个时相影像分类的OA值均在92％以上，Kappa系数值均在0.75以上，显著高于LOT法的分类精度，如表4所示。在采用ENUI法对三期影像的数据处理中，珠海市的平均Kappa是最高，达到0.85，平均OA为96.12％；该城市ENUI法的精度明显高于LOT法(Kappa增加0.42，OA增加14.12％)。此外，肇庆市的平均Kappa是最低，仅为0.68，平均OA为99.43％；该城市ENUI法的精度也高于LOT法(Kappa增加0.17，OA增加0.72％)。
同时，与LOT法相比，采用ENUI法提取各类别的UA与PA都有提高。表现为三个年度城市群的城市地区的UA从63.25％提高到74.15％(增加10.93％)，PA提高 8.67％，非城市地区中的PA增加5.56％，UA增加3.35％，且城市地区UA增量大于PA，非城市地区PA增量大于UA。同时在研究区内各城市各年度中，ENUI法计算得出的四个精度指标值均大于LOT法。这些都表明ENUI法优于LOT法，显著提高了提取精度。
综述所述，在研究区域内ENUI法计算的OA、Kappa、PA与UA值均大于LOT法；且与LOT法相比，ENUI法提取城市群的城市地区UA增量大于PA；非城市地区PA增量大于UA。同时，不管在提取精度最高的城市，还是精度较低的城市，ENUI法提取建成区的精度均高于LOT法。
表4.采用LOT与ENUI的多时相城市群的建成区提取精度对比
Figure BDA0002487237620000121
注：PA表示生产者精度，UA表示用户精度，OA表示总体精度
以上研究结果包括ENUI法的细节表达和这种新方法的准确性评估。粤港澳大湾区城市群的研究证明，整合上述四种数据指标构建的新方法是更好的选择，从光谱特征也解释这种组合的原因。
此外，与地面参考数据相比，对ENUI法从定量方面进行精度评估，验证了 ENUI法高效性与准确性。该方法在发达地区的提取效果精度高，且对于发达地区来说，获取及时、详细的城市信息对于指导城市的可持续、快速发展更为必要和迫切；同时，即使像肇庆市这样的欠发达城市，其获取的精度较低(三年度平均OA＝99.42％,Kappa＝0.66,城市地区PA＝60.47％,城市地区UA＝60.54％, 非城市地区PA＝99.53％,非城市地区UA＝99.53％)也被认为是可接受的结果。因此，这种新方法已被证明是足够准确的，可以提取城市土地利用状况的多时相的动态图。综上所述，本发明提出ENUI法的高效率和准确性证实了它在超大城市群规模城市化监测中的应用前景。
二、两种方法的夜间灯光阈值与建成区面积的相关性
1.夜间灯光阈值与建成区面积的相关系数R2
由于研究区内各个城市的规模、地理位置和经济发展水平存在差异，导致采用夜间灯光数据提取不同城市建成区的灯光最优阈值不一样，即不同经济发展水平城市提取的建成区面积与夜间灯光阈值的相关性不一样。本发明采用R2值来探讨LOT法与ENUI法在不同城市的建成区面积与夜间灯光阈值的相关性。最终，研究区内11个城市采用LOT法与ENUI法提取的建成区面积与灯光最优阈值的相关系数R2结果如图5所示，其中，Average ENUI为三个年度ENUI法的平均值；Average LOT为三个年度LOT法的平均值。
首先，从图5可得：11个城市的Average ENUI的R2值均大于Average LOT；其中，研究区域Average ENUI的R2值为0.416，而Average LOT的R2值为0.269，即研究区域的AverageENUI的R2值也大于Average LOT。因此，ENUI法中夜间灯光阈值与建成区面积的相关性更高，优于LOT法。通过两种方法的夜间灯光阈值与建成区面积的相关系数R2的对比，也表明了ENUI法表达城市建成区比LOT 法更加具有相关性与准确性。
其次，从图5中还可得出，在LOT法中，2018年东莞市的R2是最大，其值达0.596；2012年肇庆市的R2是最小，值仅为0.033。在ENUI法中，2015年中山市的R2是最大，其值高达0.880；2018年肇庆市的R2是最小，值仅为0.083。表明肇庆市的夜间灯光阈值与建成区面积的相关性较小，这与前文本方法得出肇庆市的提取精度较差，也是前后一致的。
此外，广州、深圳、珠海、佛山、东莞、中山、香港和澳门这些城市的经济水平较高，即GDP较高，其夜间灯光阈值与建成区面积的相关系数R2值比较高。而江门、肇庆和惠州这三个城市经济较差即GDP较低，其夜间灯光阈值与建成区面积的相关系数R2值比较低。可得：夜间灯光阈值与建成区面积的相关系数R2与每个城市经济水平有关；经济水平较高的城市，其夜间灯光阈值与建成区面积的相关系数R2值较高，反之则较低。
2.夜间灯光阈值与建成区面积的R2与人口/GDP相关性
为了进一步验证夜间灯光阈值与建成区面积的R2值与GDP等社会经济属性是否具有相关性。本发明对粤港澳大湾区内11个城市夜间灯光阈值与建成区面积的相关系数R2与人口或GDP进行线性回归分析，线性回归结果，如图6所示。结果可得：夜间灯光阈值与建成区面积的相关系数R2与人口具有正相关性，夜间灯光阈值与建成区面积的相关系数R2与GDP也具有正相关性。因此，广州、深圳、珠海、佛山、东莞、中山、香港和澳门这9个城市的GDP较高，其夜间灯光阈值与建成区面积的相关系数R2值较高；而江门、肇庆和惠州这三个城市的GDP较少，其夜间灯光阈值与建成区面积的相关系数R2值较低。综上，经济较发达的城市，其夜间灯光阈值与建成区面积的相关性更强。
综上所述，本发明提出了一种改进的城市建成区提取的新方法(ENUI法)具有以下有益技术效果：
(1)ENUI法显著提高了NPP-VIIRS提取建成区的精度。该方法提取研究区建成区三个年度的平均OA和平均Kappa分别为93.56％和0.77，相比之下，传统LOT法的平均OA和平均Kappa分别为86.48％和0.54，可见本发明方法优于传统区域阈值法的提取精度。
(2)ENUI法提取三个年度城市群平均的城市地区UA和城市地区PA值均比 LOT法分别增加了10.90％和8.67％，也表明本方法优于LOT法，显著提高了城市建成区的提取精度。
(3)与LOT法相比，ENUI法中夜间灯光阈值与建成区面积的相关性更高。且采用ENUI法得到夜间灯光阈值与建成区面积的相关系数R2与城市人口或GDP 的社会经济统计数据具有正相关性。
(4)ENUI法可减少夜间灯光亮度在城市核心区的饱和现象；去除夜间灯光亮度在水体区域、建筑区的植被区域的溢出效应，能较好地减少NPP-VIIRS夜间灯光数据的溢出效应，更精确地提取城市建成区。
本发明提出的方法能够根据夜间灯光数据精确地提取2012-2018年粤港澳大湾区的城市建成区信息；对比中、高分辨率遥感数据，比如Landsat系列影像，NPP-VIIRS夜间灯光遥感数据提取大空间尺度城市信息所需的时间和资源较少。此外，提取的2012-2018年的粤港澳大湾区30米空间分辨率的城市变化动态可补充当前缺乏空间信息的社会经济统计数据。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (3)

1.一种基于NPP-VIIRS夜间灯光数据的城市建成区提取方法，其特征在于，包括以下步骤：
S1.获取城市的NPP-VIIRS夜间灯光数据和Landsat影像光谱数据，并对NPP-VIIRS夜间灯光数据进行重采样得到RNTL，同时从Landsat影像光谱数据提取NDVI、NDWI和NDBI，其中RNTL为重采样的NPP-VIIRS夜间灯光数据，NDVI为归一化植被指数，NDWI为归一化水体指数，NDBI为归一化建筑指数；
S2.采用ENUI法提取城市建成区。
2.如权利要求1所述的方法，其特征在于，步骤S1中的从Landsat影像光谱数据提取NDVI、NDWI与NDBI的公式如下：
Figure FDA0002487237610000011
Figure FDA0002487237610000012
Figure FDA0002487237610000013
其中，NIR为近红外波段，RED为红色波段，G为绿色波段，MIR为中红外波段。
3.如权利要求2所述的方法，其特征在于，S2的具体过程为：
S21.计算ENUI值，公式如下:
ENUI＝RNTL×(1-NDVI)×(1-NDWIB)×NDBIB，
其中，NDWIB为NDWI二值化赋值是1的像元，NDBIB为NDBI二值化赋值是1的像元；
S22.采用从公开的土地利用/覆盖数据得到的城市建成区面积作为参考数据，确定ENUI的最优阈值；其中，ENUI的最优阈值的选取采用以下公式表示:
Figure FDA0002487237610000014
其中，Kappaj是根据ENUI提取的城市建成区面积与参考数据计算得到的kappa系数，Tj是第j个城市ENUI的阈值，
Figure FDA0002487237610000021
和
Figure FDA0002487237610000022
分别是第j个城市ENUI的最小值和最大值；
S23.将ENUI值超过最优阈值的像元提取为城市建成区。
CN202010395106.1A 2020-05-12 2020-05-12 一种基于npp-viirs夜间灯光数据的城市建成区提取方法 Active CN111597949B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010395106.1A CN111597949B (zh) 2020-05-12 2020-05-12 一种基于npp-viirs夜间灯光数据的城市建成区提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010395106.1A CN111597949B (zh) 2020-05-12 2020-05-12 一种基于npp-viirs夜间灯光数据的城市建成区提取方法

Publications (2)

Publication Number Publication Date
CN111597949A true CN111597949A (zh) 2020-08-28
CN111597949B CN111597949B (zh) 2023-04-11

Family

ID=72185290

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010395106.1A Active CN111597949B (zh) 2020-05-12 2020-05-12 一种基于npp-viirs夜间灯光数据的城市建成区提取方法

Country Status (1)

Country Link
CN (1) CN111597949B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112989985A (zh) * 2021-03-08 2021-06-18 武汉大学 一种融合夜间灯光数据与Landsat8 OLI影像的城市建成区提取方法
CN113158579A (zh) * 2021-05-06 2021-07-23 防灾科技学院 基于夜间灯光数据的社会统计参量预测方法
CN115018859A (zh) * 2022-04-14 2022-09-06 中国资源卫星应用中心 基于多尺度空间嵌套的城市建成区遥感提取方法及系统
CN115049834A (zh) * 2022-08-15 2022-09-13 南通电博士自动化设备有限公司 基于夜间灯光数据与高分辨率影像的城市建成区提取方法
CN116486031A (zh) * 2023-05-25 2023-07-25 南京大学 时序遥感数据与地理大数据融合的城市更新区域识别方法
CN117612003A (zh) * 2023-11-27 2024-02-27 通友微电(四川)有限公司 一种基于多源遥感影像的城市建成区绿地变化识别方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105701483A (zh) * 2016-02-29 2016-06-22 中南大学 一种融合多光谱遥感数据和夜间灯光遥感数据的城市边界提取方法
CN106127121A (zh) * 2016-06-15 2016-11-16 四川省遥感信息测绘院 一种基于夜间灯光数据的建成区智能化提取方法
CN106991529A (zh) * 2017-03-28 2017-07-28 武汉大学 基于跨域多维大数据的城市夜间灯光经济指数评价方法
CN108804394A (zh) * 2018-05-23 2018-11-13 河海大学 一种城市夜光总量-城镇人口回归模型的构建方法
CN108875583A (zh) * 2018-05-23 2018-11-23 河海大学 一种基于城市建筑分类的tnl-gdp回归模型构建方法
CN109509154A (zh) * 2018-10-23 2019-03-22 东华理工大学 一种dmsp/ols年稳定夜光遥感影像去饱和校正方法
CN109858450A (zh) * 2019-02-12 2019-06-07 中国科学院遥感与数字地球研究所 一种十米级空间分辨率遥感影像城镇提取方法及系统
CN111062368A (zh) * 2019-12-31 2020-04-24 中山大学 基于Landsat时间序列遥感影像的城市更新区域监测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105701483A (zh) * 2016-02-29 2016-06-22 中南大学 一种融合多光谱遥感数据和夜间灯光遥感数据的城市边界提取方法
CN106127121A (zh) * 2016-06-15 2016-11-16 四川省遥感信息测绘院 一种基于夜间灯光数据的建成区智能化提取方法
CN106991529A (zh) * 2017-03-28 2017-07-28 武汉大学 基于跨域多维大数据的城市夜间灯光经济指数评价方法
CN108804394A (zh) * 2018-05-23 2018-11-13 河海大学 一种城市夜光总量-城镇人口回归模型的构建方法
CN108875583A (zh) * 2018-05-23 2018-11-23 河海大学 一种基于城市建筑分类的tnl-gdp回归模型构建方法
CN109509154A (zh) * 2018-10-23 2019-03-22 东华理工大学 一种dmsp/ols年稳定夜光遥感影像去饱和校正方法
CN109858450A (zh) * 2019-02-12 2019-06-07 中国科学院遥感与数字地球研究所 一种十米级空间分辨率遥感影像城镇提取方法及系统
CN111062368A (zh) * 2019-12-31 2020-04-24 中山大学 基于Landsat时间序列遥感影像的城市更新区域监测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
倪愿等: "结合Landsat数据的DMSP/OLS夜间灯光影像去饱和方法研究", 《遥感技术与应用》 *
张珩等: "集成多源遥感影像特征分量的城市建成区提取", 《测绘科学技术学报》 *
柴宝惠等: "基于Landsat数据和DMSP/OLS夜间灯光数据的城市扩展提取:以天津市为例", 《北京大学学报(自然科学版)》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112989985A (zh) * 2021-03-08 2021-06-18 武汉大学 一种融合夜间灯光数据与Landsat8 OLI影像的城市建成区提取方法
CN112989985B (zh) * 2021-03-08 2022-04-15 武汉大学 一种融合夜间灯光数据与Landsat8 OLI影像的城市建成区提取方法
CN113158579A (zh) * 2021-05-06 2021-07-23 防灾科技学院 基于夜间灯光数据的社会统计参量预测方法
CN113158579B (zh) * 2021-05-06 2022-07-22 防灾科技学院 一种夜间灯光数据的校正方法
CN115018859A (zh) * 2022-04-14 2022-09-06 中国资源卫星应用中心 基于多尺度空间嵌套的城市建成区遥感提取方法及系统
CN115049834A (zh) * 2022-08-15 2022-09-13 南通电博士自动化设备有限公司 基于夜间灯光数据与高分辨率影像的城市建成区提取方法
CN115049834B (zh) * 2022-08-15 2022-11-11 南通电博士自动化设备有限公司 基于夜间灯光数据与高分辨率影像的城市建成区提取方法
CN116486031A (zh) * 2023-05-25 2023-07-25 南京大学 时序遥感数据与地理大数据融合的城市更新区域识别方法
CN117612003A (zh) * 2023-11-27 2024-02-27 通友微电(四川)有限公司 一种基于多源遥感影像的城市建成区绿地变化识别方法

Also Published As

Publication number Publication date
CN111597949B (zh) 2023-04-11

Similar Documents

Publication Publication Date Title
CN111597949B (zh) 一种基于npp-viirs夜间灯光数据的城市建成区提取方法
Kuang et al. A comparative analysis of megacity expansions in China and the US: Patterns, rates and driving forces
CN109919875B (zh) 一种高时频遥感图像特征辅助的居民地提取与分类方法
Yang et al. A time-series analysis of urbanization-induced impervious surface area extent in the Dianchi Lake watershed from 1988–2017
CN101840581B (zh) 一种从卫星遥感影像中提取建筑物轮廓的方法
CN107247927B (zh) 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统
CN103955583B (zh) 一种确定夜晚灯光数据提取城市建成区阈值的方法
Zheng et al. The desaturation method of DMSP/OLS nighttime light data based on vector data: Taking the rapidly urbanized China as an example
Piyoosh et al. Semi-automatic mapping of anthropogenic impervious surfaces in an urban/suburban area using Landsat 8 satellite data
Feng et al. Impervious surface extraction based on different methods from multiple spatial resolution images: a comprehensive comparison
CN115984603A (zh) 基于gf-2与开放地图数据的城市绿地精细化分类方法与系统
CN115063437B (zh) 一种红树林冠层可见光图像指数特征分析方法及系统
Zhang et al. Impervious surface extraction from high-resolution satellite image using pixel-and object-based hybrid analysis
Yu et al. Spatio-temporal monitoring of urban street-side vegetation greenery using Baidu Street View images
Chen et al. A novel method to extract urban human settlements by integrating remote sensing and mobile phone locations
CN112347926B (zh) 基于建筑形态分布的高分辨率影像城中村检测方法
CN112232303B (zh) 一种基于高分遥感影像的草原道路信息提取方法
Mallinis et al. Development of a nationwide approach for large scale estimation of green roof retrofitting areas and roof-top solar energy potential using VHR natural colour orthoimagery and DSM data over Thessaloniki, Greece
Pan et al. Urban expansion and intra-urban land evolution as well as their natural environmental constraints in arid/semiarid regions of China from 2000–2018
Lu et al. Mapping the terraces on the Loess Plateau based on a deep learning-based model at 1.89 m resolution
CN116822798B (zh) 一种用于城乡风貌特色塑造的区域地方性度量方法
Zhang et al. Global annual wetland dataset at 30 m with a fine classification system from 2000 to 2022
CN117649048A (zh) 一种河湖生态空间重点监管对象的监测方法及装置
Wang et al. Extraction of palaeochannel information from remote sensing imagery in the east of Chaohu Lake, China
Yuan et al. Accuracy evaluation of flood monitoring based on multiscale remote sensing for different landscapes

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant