基于sentinel-2a与npp-viirs夜间灯光数据的城市建成区提取

第３１卷ꎬ第４期国㊀土㊀资㊀源㊀遥㊀感
Ｖｏｌ.３１ꎬＮｏ.４㊀２０１９年１２月
ＲＥＭＯＴＥＳＥＮＳＩＮＧＦＯＲＬＡＮＤ＆ＲＥＳＯＵＲＣＥＳ
Ｄｅｃ.ꎬ２０１９㊀
ｄｏｉ:１０.６０４６/ｇｔｚｙｙｇ.２０１９.０４.２９
引用格式:刘智丽ꎬ张启斌ꎬ岳德鹏ꎬ等.基于Ｓｅｎｔｉｎｅｌ－２Ａ与ＮＰＰ－ＶＩＩＲＳ夜间灯光数据的城市建成区提取[Ｊ].国土资源遥感ꎬ２０１９ꎬ３１(４):２２７－２３４.(ＬｉｕＺＬꎬＺｈａｎｇＱＢꎬＹｕｅＤＰꎬｅｔａｌ.Ｅｘｔｒａｃｔｉｏｎｏｆｕｒｂａｎｂｕｉｌｔ－ｕｐａｒｅａｓｂａｓｅｄｏｎＳｅｎｔｉｎｅｌ－２ＡａｎｄＮＰＰ－ＶＩＩＲＳｎｉｇｈｔｔｉｍｅｌｉｇｈｔｄａｔａ[Ｊ].ＲｅｍｏｔｅＳｅｎｓｉｎｇｆｏｒＬａｎｄａｎｄＲｅｓｏｕｒｃｅｓꎬ２０１９ꎬ３１(４):２２７－２３４.)
基于Ｓｅｎｔｉｎｅｌ－２Ａ与ＮＰＰ－ＶＩＩＲＳ夜间
灯光数据的城市建成区提取
刘智丽１ꎬ张启斌１ꎬ岳德鹏１ꎬ郝玉光２ꎬ苏凯１
(１.北京林业大学林学院ꎬ北京㊀１０００８３ꎻ２.中国林业科学研究院沙漠林业实验中心ꎬ巴彦淖尔㊀０１５２００)
摘要:利用夜间灯光数据(ｎｉｇｈｔｔｉｍｅｌｉｇｈｔｄａｔａꎬＮＴＬ)与光学遥感影像提取城市建成区是当今的一个研究热点ꎬ其中基于植被校正的城市夜间灯光指数(ｖｅｇｅｔａｔｉｏｎａｄｊｕｓｔｅｄＮＴＬｕｒｂａｎｉｎｄｅｘꎬＶＡＮＵＩ)被学者广泛利用ꎬ但它容易混淆城市边缘的建筑㊁水体ꎬ空间分辨率较低ꎮ对ＶＡＮＵＩ做出改进ꎬ提出基于建筑校正的城市夜间灯光指数(ｂｕｉｌｄｉｎｇａｄ￣
ｊｕｓｔｅｄＮＴＬｕｒｂａｎｉｎｄｅｘꎬＢＡＮＵＩ)ꎮ利用该指数对包头市南部的城市建成区进行提取ꎬ首先ꎬ借助Ｓｅｎｔｉｎｅｌ－２Ａ遥感影像数据提取研究区的归一化建筑指数ꎻ然后ꎬ将其与ＮＴＬ数据结合得到ＢＡＮＵＩ(空间分辨率为２０ｍ)ꎬ并由此得到空间分辨率更高㊁建筑信息更丰富的ＢＡＮＵＩ图像ꎻ最后ꎬ利用分水岭分割算法从ＢＡＮＵＩꎬＶＡＮＵＩ和ＮＴＬ中提取出城市建成区并进行对比ꎮ结果表明ꎬ由ＢＡＮＵＩ提取的城市建成区总体精度可达９３.６１％ꎬＫａｐｐａ系数为０.７９３４ꎬ用户精度为８１.３４％ꎬ生产者精度为８５.３４％ꎬ提取结果与实际城市建成区的分布较吻合㊁提取精度较高ꎬ且优于另外２种数据ꎮ此方法可为ＮＴＬ在城市建成区提取的研究中提供参考意见ꎬ也可用于对城市规划发展的监测ꎮ关键词:夜间灯光数据ꎻＳｅｎｔｉｎｅｌ－２Ａ数据ꎻ城市建成区ꎻＢＡＮＵＩꎻ分水岭分割算法中图法分类号:ＴＰ７９㊀文献标志码:Ａ㊀㊀㊀文章编号:１００１－０７０Ｘ(２０１９)０４－０２２７－０８
收稿日期:２０１８－０９－２０ꎻ修订日期:２０１８－１１－２７
基金项目:中央级公益性科研院所基本科研业务费专项资金项目 干旱区荒漠化治理效益与生态安全格局构建技术研究 (编号:
ＣＡＦＹＢＢ２０１７ＭＢ０２６)和国家自然科学基金项目 荒漠绿洲区景观格局与生态水文耦合及调控 (编号:４１３７１１８９)共同资助ꎮ
第一作者:刘智丽(１９９８－)ꎬ女ꎬ硕士研究生ꎬ主要从事３Ｓ技术在资源环境中的应用研究ꎮＥｍａｉｌ:ｓｅｅｉｔｏｍｏｒｒｏｗ＠１６３.ｃｏｍꎮ通信作者:岳德鹏(１９６３－)ꎬ男ꎬ博士ꎬ教授ꎬ主要从事３Ｓ技术在资源环境中的应用研究ꎮＥｍａｉｌ:ｙｕｅｄｅｐｅｎｇ＠１２６.ｃｏｍꎮ
０㊀引言
近年来ꎬ中国的城市化水平大幅度提升ꎮ经国家统计局统计(ｈｔｔｐ://ｗｗｗ.ｓｔａｔｓ.ｇｏｖ.ｃｎ/ｔｊｓｊ/)ꎬ２０１７年中国的城市化率已达５８.５２％ꎬ相比２０１０年增长了
１１.９３％ꎮ然而快速城市化在提升人类生活水平的同时ꎬ也给城市带来了一系列环境及社会问题ꎬ如生态
恶化㊁热岛效应㊁环境污染㊁交通拥挤等
[１]
ꎮ城市建成
区是一片具有建成环境的连续区域ꎬ包括城市用地
(道路㊁建筑及工业设施)及其周边的生态用地(公园
绿地㊁行道树㊁水体等)ꎬ作为衡量城市发展的一个重要指标ꎬ其范围及空间分布不仅可以反映城市发展的
规模及趋势ꎬ如城市扩张水平㊁人口密度等[２]ꎬ还对城市发展规划起着重要作用ꎮ因此ꎬ对城市建成区的提
取得到越来越多的关注[３]ꎮ
随着遥感技术的不断发展ꎬ城市建成区提取的
自动化程度与精度都在不断提升[４－５]ꎮ夜间灯光数
据(ｎｉｇｈｔｔｉｍｅｌｉｇｈｔｄａｔａꎬＮＴＬ)能够直接反映城市建
成区的夜间亮度ꎬ分布连续[６]ꎬ但受城市边缘亮度影响较大ꎬ因而提取准确度不高ꎮ因此ꎬ许多研究将ＮＴＬ与光学遥感影像结合起来提取城市建成区ꎬ例
如Ｚｈａｎｇ等[７]将ＮＴＬ与归一化植被指数(ｎｏｒｍａｌｉｚｅｄ
ｄｉｆｆｅｒｅｎｃｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘꎬＮＤＶＩ)相结合ꎬ得出基于植被校正的城市夜间灯光指数(ｖｅｇｅｔａｔｉｏｎａｄｊｕｓｔｅｄＮＴＬｕｒｂａｎｉｎｄｅｘꎬＶＡＮＵＩ)ꎬ有效丰富了城市边缘信息[８]ꎬ但ＶＡＮＵＩ会放大水体的反射率ꎬ混淆城市边缘地带的水体与城市建成区ꎬ且空间分辨率不够高ꎬ
提取结果仍无法满足更高精度的研究需求ꎮ
欧洲航天局发射的Ｓｅｎｔｉｎｅｌ－２Ａ光学遥感卫星覆盖了可见光㊁近红外以及短波红外范围内的１３个波段ꎬ空间分辨率最高可达１０ｍ[９]ꎬ能够准确识别城市建成区的边界ꎬ可为城市边界提取提供良好的数据支持ꎮ但目前将Ｓｅｎｔｉｎｅｌ－２Ａ数据应用于城市建成区识别㊁提取的研究较少ꎬ因此ꎬ本文对ＶＡＮＵＩ指数加以改进ꎬ基于Ｓｅｎｔｉｎｅｌ－２Ａ与ＮＴＬ数据提出
国㊀土㊀资㊀源㊀遥㊀感２０１９年
基于建筑校正的城市夜间灯光指数(ｂｕｉｌｄｉｎｇａｄｊｕｓ￣ｔｅｄＮＴＬｕｒｂａｎｉｎｄｅｘꎬＢＡＮＵＩ)ꎬ以包头市南部为研究区ꎬ进行城市建成区的提取ꎮ
１㊀研究区概况与数据源
１.１㊀研究区概况
包头市位于内蒙古自治区中西部ꎬ总面积约为
２７７６８ｋｍ２ꎬ平均海拔为２０００ｍꎬ中部地势较高ꎬ由中部向南北两侧地势逐渐变低ꎬ横贯其中部的阴山山脉将包头市分成中部山区㊁北部高原草场与南部平原地区３个部分ꎬ其中南部地区包括包头市中心城区与土默特右旗ꎮ近年来ꎬ包头市经济发展迅速ꎬ南部平原地区城市规模不断扩张ꎬ在２０００ ２０１６年间ꎬ包头市城区面积增长了７１.１０％ꎮ但当地气候干燥㊁地形起伏较大ꎬ生态环境脆弱ꎬ而城市的不断扩张又加剧了对生态环境的破坏ꎬ由此引发了一系列环境问题ꎮ包头市南部地区聚集了全市８９.６９％的人口ꎬ城市分布密集ꎬ具备进行城市建成区遥感监测的基础ꎬ而中部和北部地区大多为高原山地和草原ꎬ人口稀疏㊁城市数量屈指可数ꎬ缺乏城市遥感监测的条件ꎬ因此将包头市南部平原地区作为本次研究的研究区(图
１)ꎮ
图１㊀研究区遥感影像Ｆｉｇ.１㊀Ｉｍａｇｅｏｆｓｔｕｄｙａｒｅａ
１.２㊀数据源
本文所使用的数据有Ｓｅｎｔｉｎｅｌ－２Ａ遥感影像数
据㊁ＮＰＰ－ＶＩＩＲＳＮＴＬ数据以及研究区２０１６年土地利用数据ꎮ遥感影像选用处理后的２０１６年６月份研究区Ｓｅｎｔｉｎｅｌ－２ＡＬｅｖｅｌ－２Ａ数据ꎬ来源于欧洲航天局网站(ｈｔｔｐｓ://ｓｃｉｈｕｂ.ｃｏｐｅｒｎｉｃｕｓ.ｅｕ/)ꎬ经Ｓｅｎ２Ｃｏｒ模型处理ꎬ包含１２个波段ꎮ
目前使用较多的ＮＴＬ数据有ＤＭＳＰ－ＯＬＳ和
ＮＰＰ－ＶＩＩＲＳ２种ꎬ其中ꎬＮＰＰ－ＶＩＩＲＳ数据的空间㊁时间分辨率都比较高ꎬ并已经过辐射定标ꎬ更适宜应用于分析与研究[１２]ꎮ因此ꎬ本文选用２０１６年６月份包头ＮＰＰ－ＶＩＩＲＳ数据ꎬ下载自美国国家海洋大
气局网站(ｈｔｔｐｓ://ｗｗｗ.ｎｇｄｃ.ｎｏａａ.ｇｏｖ/ｅｏｇ/ｖｉｉｒｓ/ｄｏｗｎｌｏａｄ＿ｄｎｂ＿ｃｏｍｐｏｓｉｔｅｓ.ｈｔｍｌ)ꎮ数据预处理时将
亮度值小于０的异常像元赋值为０ꎮ
研究区２０１６年土地利用调查数据来源于包头市环境保护局ꎬ但其中缺少城市建成区的地面实况数据ꎬ因此基于此数据通过手动标注来获取城市建成区的范围ꎬ作为本次研究的验证数据ꎮ本文中使用的所有地理空间数据投影均为
ＷＧＳ１９８４ＵＴＭ投影ꎮ
２㊀研究方法
２.１㊀技术路线
本文提出ＢＡＮＵＩ指数用于研究区城市建成区
的提取ꎮ首先ꎬ基于Ｓｅｎｔｉｎｅｌ－２Ａ数据得到研究区的归一化建筑指数(ｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅｂｕｉｌｄ－ｕｐｉｎｄｅｘꎬＮＤＢＩ)ꎬ将其与ＮＰＰ－ＶＩＩＲＳ数据结合得到
ＢＡＮＵＩ数据ꎻ然后ꎬ基于ＢＡＮＵＩ利用分水岭分割算法提取包头市城市建成区ꎻ最后ꎬ对提取结果进行对比分析和精度验证ꎮ技术路线如图２所示
ꎮ
图２㊀技术路线Ｆｉｇ.２㊀Ｔｅｃｈｎｏｌｏｇｙｒｏａｄｍａｐ
２.２㊀ＶＡＮＵＩ
为了将城市与农村更好地区分开来ꎬ增大两者
亮度值的差异ꎬＺｈａｎｇ等[１４]根据ＤＭＳＰ/ＯＬＳ数据与
ＮＤＶＩ提出ＶＡＮＵＩ指数ꎬ计算公式为
ＶＡＮＵＩ＝(１－ＮＤＶＩ)ＮＴＬꎬ
(１)
式中ＮＤＶＩ为归一化植被指数ꎮ当ＶＡＮＵＩ接近０时ꎬ区域植被覆盖较好ꎻＶＡＮＵＩ的值较大时ꎬ植被相对稀疏ꎮ但是计算ＮＤＶＩ时使用的ＭＯＤＩＳ数据空
８２２
第４期刘智丽ꎬ等:㊀基于Ｓｅｎｔｉｎｅｌ－２Ａ与ＮＰＰ－ＶＩＩＲＳ夜间灯光数据的城市建成区提取
间分辨率仅为５００ｍꎬＮＴＬ数据中的细节信息无法加以利用ꎻ且在ＶＡＮＵＩ中ꎬ非植被覆盖地区的亮度值会被过度放大ꎬ水体反射与其他异常亮度点也会对提取精度有所影响ꎮ
２.３㊀ＢＡＮＵＩ
２.３.１㊀ＮＤＢＩ的提取
由ＴＭ影像中提取的ＮＤＢＩ可以准确描述城市
建筑用地信息ꎬ计算公式为
ＮＤＢＩ＝ＴＭ５－ＴＭ４
ＴＭ５＋ＴＭ４
ꎬ
(２)
式中ＴＭ４和ＴＭ５分别为ＴＭ影像的近红外和短波红外
波段的反射率ꎮ一般情况下ꎬＮＤＢＩ＝０时ꎬ为耕地或林地ꎻＮＤＢＩ<０时ꎬ为水体ꎻＮＤＢＩ>０时ꎬ为建筑用地ꎮ
处理后的Ｓｅｎｔｉｎｅｌ－２Ａ数据包含１２个波段ꎬ不同波段的组合会导致城市建成区范围有所差异ꎬ因此分析不同地类(建筑㊁植被㊁水体㊁未利用地)上的光谱特征并确定最佳波段组合具有重要意义ꎮ本文利用感兴趣区(ｒｅｇｉｏｎｏｆｉｎｔｅｒｅｓｔꎬＲＯＩ)工具选取研究区各地类的代表性像元ꎬ并利用ＡｒｃＧＩＳ１０.２软件进行分区统计ꎬ结果如图３所示
ꎮ
图３㊀Ｓｅｎｔｉｎｅｌ－２Ａ数据各波段的平均亮度值Ｆｉｇ.３㊀ＭｅａｎｂｒｉｇｈｔｎｅｓｓｏｆｅａｃｈｂａｎｄｉｎＳｅｎｔｉｎｅｌ－２Ａ
㊀㊀参照式(２)中所使用波段的波长ꎬ本文从Ｓｅｎｔｉ￣
ｎｅｌ－２Ａ数据的第８㊁第１１与第１２波段中选出合适的波段进行组合ꎮ由图３可知ꎬ在第１１和１２波段上ꎬ建筑用地的像元亮度值较高ꎬ水体和植被的亮度值远小于建筑用地ꎻ在第８波段上ꎬ植被的亮度值达到极值ꎬ水体与建筑的亮度值相对较小ꎻ在第１１㊁第８波段或第１２㊁第８波段的亮度差值中ꎬ建筑为正数ꎬ植被为负数ꎬ水体为接近于０的负值ꎮ利用这
３个波段的组合构建了２个ＮＤＢＩꎬ分别记作ＮＤＢＩ１１和ＮＤＢＩ１２ꎬ公式为
ＮＤＢＩ１１＝Ｓ１１－Ｓ８
Ｓ１１＋Ｓ８
ꎬ
(３)ＮＤＢＩ１２＝
Ｓ１２－Ｓ８
Ｓ１２＋Ｓ８
ꎬ
(４)
式中:Ｓ８ꎬＳ１１ꎬＳ１２分别为Ｓｅｎｔｉｎｅｌ－２Ａ数据中第８㊁第
１１与第１２波段的反射率ꎮ
为了直观地对比ＮＤＢＩ１１与ＮＤＢＩ１２在不同地物
上的表达差异ꎬ选取涵盖了建筑㊁植被㊁水体与未利用地４种类型的矩形区域ꎬ并截取对应的ＮＤＢＩ图像ꎬ结果如图４所示ꎮ图４显示ꎬＮＤＢＩ１１和ＮＤＢＩ１２都能够较好地反映建筑用地的范围ꎬ建筑的亮度值明显高于图中其他２种地类ꎬ水体的亮度值在图中并不高ꎬ植被的亮度值也明显低于建筑ꎬ且植被覆盖程度越高的地方亮度值越低ꎮ此外ꎬ２幅图植被亮度差异不明显ꎬＮＤＢＩ１２中建筑的亮度略高ꎬ因此ＮＤ￣
ＢＩ１２中建筑与植被更容易区分ꎻ但ＮＤＢＩ１２中水体的ＤＮ值略高于ＮＤＢＩ１１的水体ꎬ这在一定程度上会干扰建筑用地的提取ꎮ为定量分析２种波段组合所获取的ＮＤＢＩ的优劣ꎬ本文计算出各种地类的ＮＤＢＩ概率分布并绘制其正态分布曲线ꎬ结果如图５所示ꎮ由图５可知ꎬ２幅图中建筑用地的ＮＤＢＩ值最高ꎬ水
体次之ꎬ植被的ＮＤＢＩ值最低ꎬ其值远小于０ꎮ２幅图像中建筑用地与植被的差别都比较明显ꎬ但在图
５(ｂ)中ꎬ建筑与水体有较多重叠区域ꎬ此外建筑用地与未利用地在２幅图中都难以区分
ꎮ
(ａ)ＮＤＢＩ１１
(ｂ)ＮＤＢＩ１２
图４㊀ＮＤＢＩ１１和ＮＤＢＩ１２的代表性区域
Ｆｉｇ.４㊀ＲｅｐｒｅｓｅｎｔａｔｉｖｅａｒｅａｓｏｆＮＤＢＩ１１ａｎｄＮＤＢＩ１２
９２２
国㊀土㊀资㊀源㊀遥㊀感２０１９
年
(ａ)ＮＤＢＩ１１(ｂ)ＮＤＢＩ１２
图５㊀不同地类在ＮＤＢＩ中的概率分布及其正态分布曲线
Ｆｉｇ.５㊀ＰｒｏｂａｂｉｌｉｔｙｄｉｓｔｒｉｂｕｔｉｏｎａｎｄｎｏｒｍａｌｄｉｓｔｒｉｂｕｔｉｏｎｃｕｒｖｅｓｏｆｄｉｆｆｅｒｅｎｔｌａｎｄｔｙｐｅｓｉｎＮＤＢＩ
㊀㊀基于上图中正态分布曲线以及色谱分离分析理论可以计算建筑与其余各种地类之间的分离度Ｒꎬ目前该指数被广泛应用于色谱柱中２个相邻元素间分离程度的计算ꎮ一般当Ｒ<１时ꎬ２波峰有部分重叠ꎻＲ＝１时ꎬ其分离程度可达９８％ꎻＲ＝１.５时ꎬ分离程度接近９９.７％ꎬ此时２个相邻元素完全分离ꎻＲ＝２时ꎬ２波峰从基线起就完全分离ꎮ通常情况下ꎬ利用色谱峰的保留时间以及基线上的峰宽可计算分离度Ｒꎬ本文则借助各地类正态曲线峰值所对应的ＮＤＢＩ值计算分离度ꎬ公式为
Ｒ＝ＢＲ１－ＢＲ２
１
２(Ｗ１＋Ｗ２)
ꎬ(５)
式中:ＢＲ１和ＢＲ２分别为２条正态曲线的峰值所在ＮＤＢＩ的值ꎻＷ１和Ｗ２分别为２条正态曲线在基线上的峰宽ꎮ计算结果如表１所示ꎮ
表１㊀ＮＤＢＩ１１与ＮＤＢＩ１２中建筑与各地类之间的分离度ＲＴａｂ.１㊀Ｒｂｅｔｗｅｅｎｂｕｉｌｄｉｎｇｓａｎｄｔｈｅｏｔｈｅｒ
ｌａｎｄｔｙｐｅｓｉｎＮＤＢＩ１１ａｎｄＮＤＢＩ１２
类别植被水体未利用地
ＮＤＢＩ１１建筑２.０６１.６４０.０３
ＮＤＢＩ１２建筑２.４７０.５６０.２４㊀㊀由表１计算结果可知ꎬ建筑与植被的分离度均大于２ꎬ表明２种地类的正态曲线完全分离ꎬ在ＮＤ￣ＢＩ中差异明显ꎬ但ＮＤＢＩ１２中两者的分离度更高ꎻ建筑与水体在ＮＤＢＩ１１中的分离度高于ＮＤＢＩ１２中的分离度ꎬ因此ＮＤＢＩ１１中建筑与水体差别明显ꎻ建筑与未利用地的分离度都比较低㊁不易区分ꎮ由此可以推断ꎬ除了建筑与未利用地ꎬ其他地类信息在ＮＤ￣ＢＩ１１中都得到了不同程度的抑制ꎬ而ＮＤＢＩ１２对水体信息的抑制作用并不明显ꎬＮＤＢＩ１１与ＮＴＬ数据的结合可以有效消除噪声的影响㊁并增强建筑信息的表达ꎮ因此本文选择Ｓｅｎｔｉｎｅｌ－２Ａ数据中第８波段和第１１波段来提取ＮＤＢＩꎮ
２.３.２㊀ＢＡＮＵＩ的提取
在ＶＡＮＵＩ中ꎬ水体的值相对偏离正常范围ꎬ且空间分辨率较低ꎮ为解决这一问题ꎬ本文利用ＮＤＢＩ与ＮＰＰ－ＶＩＩＲＳ数据构建了ＢＡＮＵＩ指数ꎬ公式为
ＢＡＮＵＩ＝(１＋ＮＤＢＩ)ＶＮＴＬꎬ(６)式中ＶＮＴＬ为ＮＰＰ－ＶＩＩＲＳ数据的亮度值ꎮ经过重采样后的ＮＰＰ－ＶＩＩＲＳ数据的空间分辨率为２０ｍꎬ最终ＢＡＮＵＩ的分辨率同样为２０ｍꎮ为检验ＢＡＮＵＩ的提取效果ꎬ同样利用Ｓｅｎｔｉｎｅｌ－２Ａ与ＮＰＰ－ＶＩＩＲＳ数据计算得到ＶＡＮＵＩꎬ其空间分辨率为１０ｍꎮ
选取Ｅ１０９.３５ʎ~１１０.８５ʎ范围内一横截面ꎬ该横截面可以最大程度地经过包头市南部城市建成区ꎬ信息丰富ꎬ基于此可检验ＢＡＮＵＩ中建筑信息的表达ꎮ横截面上ＶＡＮＵＩ与ＢＡＮＵＩ的值如图６所示ꎮ由图６可知ꎬ两者变化趋势比较相似ꎻ横截面经过包头市一公园ꎬ公园内部植被覆盖度较高ꎬ且因ＮＤＶＩ对植被更敏感ꎬ导致ＶＡＮＵＩ的值要比ＢＡＮＵＩ更低些
ꎮ
图６㊀横截面上ＶＡＮＵＩ与ＢＡＮＵＩ的值
Ｆｉｇ.６㊀ＶａｌｕｅｓｏｆＶＡＮＵＩａｎｄＢＡＮＵＩｏｎｔｈｅｃｒｏｓｓｓｅｃｔｉｏｎ㊀㊀表２数据为研究区内ＶＡＮＵＩ和ＢＡＮＵＩ的像元
０３２
第４期刘智丽ꎬ等:㊀基于Ｓｅｎｔｉｎｅｌ－２Ａ与ＮＰＰ－ＶＩＩＲＳ夜间灯光数据的城市建成区提取
亮度值范围㊁像元亮度均值㊁像元亮度值标准差ꎬ以及水体㊁植被㊁建筑的像元亮度均值ꎮ由于未利用地
距离城区较远ꎬ其面积只有１５３.４７ｋｍ２(研究区总面积为４９６５.７８ｋｍ２)ꎬ对于城市建成区的提取影响甚微ꎬ因此未利用地的数据并未包含在其中ꎮ
表２㊀ＶＡＮＵＩ和ＢＡＮＵＩ的统计数据Ｔａｂ.２㊀ＳｔａｔｉｓｔｉｃａｌｄａｔａｏｆＶＡＮＵＩａｎｄＢＡＮＵＩ
指数像元亮度值范围
像元亮度均值
像元亮度值标准差
水体像元亮度均值
植被像元亮度均值
建筑像元亮度均值
ＶＡＮＵＩ３４３.７０
１.６１
８.０４
２.１２
０.０１
３１.５１
ＢＡＮＵＩ
３８９.０１２.０６９.７４１.７７０.０１３８.９７㊀㊀从表２可以看出ꎬＢＡＮＵＩ像元亮度值覆盖范围较广㊁标准差更高ꎬ其变化幅度更大ꎬ所涵盖的信息更多ꎻ水体在ＢＡＮＵＩ中的像元亮度均值较低ꎬ建筑在ＢＡＮＵＩ中的像元亮度均值较高ꎬ表明ＢＡＮＵＩ更
好地凸显了建筑信息ꎮ
图７为包头市城市建成区边缘地带ꎬ包含了水体㊁植被以及连续分布建筑等信息ꎬ因此将其作为检验ＢＡＮＵＩ区分建筑用地效果的典型区域
ꎮ
(ａ)典型区域位置
(ｂ)典型区域影像
图７㊀典型区域Ｆｉｇ.７㊀Ｔｙｐｉｃａｌａｒｅａ
㊀㊀该区域水体㊁建筑㊁植被的概率分布以及正态分布情况如图８所示
ꎮ
(ａ)ＶＡＮＵＩ(ｂ)ＢＡＮＵＩ
图８㊀典型区域内不同地类在ＶＡＮＵＩ与ＢＡＮＵＩ中的概率分布及正态分布曲线
Ｆｉｇ.８㊀ＰｒｏｂａｂｉｌｉｔｙｄｉｓｔｒｉｂｕｔｉｏｎａｎｄｎｏｒｍａｌｄｉｓｔｒｉｂｕｔｉｏｎｃｕｒｖｅｓｏｆｄｉｆｆｅｒｅｎｔｌａｎｄｔｙｐｅｓｏｆＶＡＮＵＩａｎｄＢＡＮＵＩｉｎｔｈｅｔｙｐｉｃａｌａｒｅａ
㊀㊀图８显示ꎬＢＡＮＵＩ中建筑与植被的像元亮度值
要高于ＶＡＮＵＩ中建筑与植被的亮度值ꎬ水体的亮度值在两幅图像中相差不大ꎬ导致图８(ｂ)中建筑与水体距离更远ꎬ二者更容易区分ꎮ
计算ＶＡＮＵＩ和ＢＡＮＵＩ中建筑与其他地类的分
离度ꎬ结果显示ꎬ建筑与植被的分离度都超过了１.５
(１.７６和１.５２)ꎻ而ＢＡＮＵＩ中建筑与水体的分离度(０.６３)明显高于ＶＡＮＵＩ中二者的分离度(０.２９)ꎬ
表明ＢＡＮＵＩ相比ＶＡＮＵＩ能够更好地将建筑与水体区分开来ꎮ由此可见ꎬＢＡＮＵＩ可以丰富ＮＰＰ－ＶＩ￣
１３２
国㊀土㊀资㊀源㊀遥㊀感２０１９年
ＩＲＳ的信息㊁更好地抑制水体反射造成的影响ꎬ并增强建筑信息的表达ꎬ因此将其视作提取城市建成区的有效数据ꎮ
２.４㊀分水岭分割算法为检验ＢＡＮＵＩ在城市建成区提取应用中的优
势ꎬ本文利用分水岭分割算法从ＮＰＰ－ＶＩＩＲＳ与ＶＡＮＵＩ数据中提取城市建成区ꎮ
分水岭分割算法是一种基于区域进行影像分割
的有效方法ꎬ可用于城市建成区范围的提取[１５]ꎮＢＡＮＵＩ数据的像元被视作地形表面ꎬ每个像元的亮
度值为地形表面上相应像元的高程值ꎬ亮度值高的像元为高地ꎬ亮度值低的像元为低地ꎬ城市建成区的
边界为地形中集水盆地的边界即分水岭[１６]ꎮ主要步骤如下:①首先ꎬ对影像进行平滑处理ꎬ
去除ＢＡＮＵＩ影像中椒盐噪声的影响ꎬ自适应加权中值滤波方法可在去除噪声的同时保留更多信息ꎬ而高斯滤波㊁中值滤波等常用方法则无法满足这一需求ꎻ②利用形态重构提高影像中同类物体的同质性ꎬ并降低不同物体之间的异质性ꎬ由此得到形态重构影像ꎻ③计算影像的形态梯度ꎬ通常情况下像元亮度值变化程度较高的地区ꎬ影像梯度较大ꎻ④借助形态重构影像求得局部极大值并标记为前景对象ꎬ通过欧氏距离倒数法标记背景影像ꎻ⑤利用分水岭分割算法划分标有前景与背景对象的待处理影像ꎬ提取出城市建成区ꎮ
２.５㊀对比分析与精度验证为了检验本文提取城市建成区所采取方法的有
效性ꎬ选取包头市２０１６年的土地利用调查数据作为对照ꎬ通过人机交互方式在其基础上绘制出城市建成区的范围作为验证数据ꎬ此范围具有高精度㊁连续性高等特点ꎮ
通过实验结果与验证数据之间逐像元的对比建立混淆矩阵ꎬ进而计算总体精度㊁Ｋａｐｐａ系数㊁生
产者精度和用户精度等指标进行精度检验[１７]ꎮ此
外ꎬ需借助景观指数来描述结果空间结构上的特征ꎬ包括总面积(ｔｏｔａｌａｒｅａꎬＴＡ)㊁景观形状指数
(ｌａｎｄｓｃａｐｅｓｈａｐｅｉｎｄｅｘꎬＬＳＩ)和聚集指数(ａｇｇｒｅｇａ￣ｔｉｏｎｉｎｄｅｘꎬＡＩ)等ꎮ
ＬＳＩ可衡量整个景观的形状与面积相同的正方
形或圆形之间的偏差程度ꎬ以此来表示该景观整体形态的复杂程度[１８]ꎬ取值范围为[１ꎬ＋ɕ)ꎮＬＳＩ值
越大ꎬ该景观形状与正方形的偏差越大ꎮ公式为
ＬＳＩ＝
０.２５Ｅ
Ａ
ꎬ(７)
式中:０.２５为正方形校正常数ꎻＥ为景观中所有斑
块的边缘总长度ꎬ１００ｍꎻＡ为景观总面积ꎬｈｍ２ꎮＡＩ表示景观内部斑块之间相临的格网单元数
目与在这些数中的最大值的比值ꎬ它反映了景观的
聚集程度与连续性[１９]ꎮ公式为
ＡＩ＝
ｇｉ
ｍａｘｇｉ
ˑ１００％ꎬ(８)
式中ｇｉ为景观内斑块ｉ相邻的格网单元数ꎮＡＩ的取值范围为(０ꎬ１００％]ꎬ当景观内部斑块无限分散时ꎬＡＩ的值趋向于０ꎻ随着斑块的逐渐集聚ꎬＡＩ的值也随之增加ꎮ
３㊀成果分析与检验
３.１㊀提取结果
利用分水岭分割算法由不同数据中提取的城市
建成区(图９)ꎮ由图９可知ꎬ利从ＢＡＮＵＩ中提取的城市建成区与验证数据相似度较高ꎬ而从ＶＡＮＵＩ和ＮＰＰ－ＶＩＩＲＳ中提取的城市建成区相比于验证数据范围较大ꎮ由ＢＡＮＵＩ中提取的城市建成区包括城市用地ꎬ以及水体㊁公园等其他地类ꎬ空间分布连续㊁
成分完整ꎬ与上文对城市建成区的定义相吻合ꎮ
(ａ)ＮＴＬ(ｂ)ＶＡＮＵＩ(ｃ)ＢＡＮＵＩ
图９㊀由不同数据提取的城市建成区
Ｆｉｇ.９㊀Ｅｘｔｒａｃｔｅｄｕｒｂａｎｂｕｉｌｔ－ｕｐａｒｅａｓｆｒｏｍｄｉｆｆｅｒｅｎｔｄａｔａ
３.２㊀对比分析与精度验证
通过上文所述精度验证方法得到不同数据的
提取精度ꎬ如图１０所示ꎮ从图１０可以看出ꎬ由ＢＡＮＵＩ提取出的城市建成区总体精度最高ꎬ为
９３.６１％ꎬＫａｐｐａ系数为０.７９３４ꎬ城市建成区的生产者精度与用户精度分别为８５.３４％和８１.３４％ꎬ
总体上提取的精度较高ꎻＶＡＮＵＩ位列其次ꎬＮＰＰ－ＶＩＩＲＳ精度最低ꎮ
２３２
第４期刘智丽ꎬ等:㊀基于Ｓｅｎｔｉｎｅｌ－２Ａ与ＮＰＰ－ＶＩＩＲＳ
夜间灯光数据的城市建成区提取
图１０㊀不同数据源提取的城市建成区的精度对比
Ｆｉｇ.１０㊀Ａｃｃｕｒａｃｙｃｏｍｐａｒｉｓｏｎｏｆｕｒｂａｎｂｕｉｌｔ－ｕｐａｒｅａｓｅｘｔｒａｃｔｅｄｂｙｄｉｆｆｅｒｅｎｔｄａｔａｓｏｕｒｃｅｓ
㊀㊀表３为不同数据源提取的城市建成区景观格局指数对比ꎬ其中ꎬＴＡ.ＤｉｆｆꎬＬＳＩ.ＤｉｆｆꎬＡＩ.Ｄｉｆｆ分别表示ＴＡꎬＬＳＩꎬＡＩ与验证数据的误差ꎮ由表４可知ꎬＢＡＮＵＩ提取结果的景观指数与验证数据十分接近ꎬ提取的城市建成区总面积比验证数据多了４.９１％ꎬＬＳＩ和ＡＩ的差距也较小ꎬ提取效果最佳ꎻ而其余２个数据源所提取结果与验证数据相差较大ꎬ面积分别多出了２４.１２％和１６.５５％ꎬ精度较低ꎮ
表３㊀不同数据源提取的城市建成区景观格局指数对比Ｔａｂ.３㊀Ｃｏｍｐａｒｉｓｏｎｏｆｌａｎｄｓｃａｐｅｐａｔｔｅｒｎｉｎｄｅｘｅｓｏｆｕｒｂａｎｂｕｉｌｔ－ｕｐａｒｅａｓｅｘｔｒａｃｔｅｄｂｙｄｉｆｆｅｒｅｎｔｄａｔａｓｏｕｒｃｅｓ
数据ＴＡ/ｋｍ２ＴＡ.Ｄｉｆｆ/％ＬＳＩＬＳＩ.Ｄｉｆｆ/％ＡＩ/％ＡＩ.Ｄｉｆｆ/％ＮＰＰ－
ＶＩＩＲＳ１１４９.０１２４.１２３.７３２８.１７９１.６８－３.６２ＶＡＮＵＩ１０７９.００１６.５５３.３９１６.４９９８.３５３.３９ＢＡＮＵＩ９７１.２５４.９１２.４３－１６.４９９７.６６２.６６验证数据９２５.７５０２.９１０９５.１３０４㊀结论
１)基于Ｓｅｎｔｉｎｅｌ－２Ａ与ＮＰＰ－ＶＩＩＲＳ数据ꎬ对传统的ＶＡＮＵＩ进行改进ꎬ提出了用于提取城市建成区的ＢＡＮＵＩ指数ꎮ
２)通过对Ｓｅｎｔｉｎｅｌ－２Ａ数据各个波段的特征进行分析ꎬ选择Ｓｅｎｔｉｎｅｌ－２Ａ影像的第８和第１１波段计算研究区ＮＤＢＩꎬ从而构建ＢＡＮＵＩ指数３)实验结果表明ꎬ由ＢＡＮＵＩ所提取的研究区城市建成区的面积为９７１.２５ｋｍ２ꎬ相比验证数据仅相差４.９１％ꎬ总体精度高达９３.６１％ꎬＫａｐｐａ系数为０.７９３４ꎬ明显优于由ＶＡＮＵＩ和ＮＰＰ－ＶＩＩＲＳ数据的提取结果ꎮ４)ＢＡＮＵＩ在城市建成区的提取上具有结果完整㊁覆盖范围广㊁提取精度高等优点ꎬ应用前景广阔ꎬ可为进一步研究ＮＴＬ数据对城市建成区的提取提供思路ꎬ也可用于城市发展的规划与监测ꎮ参考文献(Ｒｅｆｅｒｅｎｃｅｓ):
[１]㊀罗媞ꎬ刘艳芳ꎬ孔雪松.中国城市化与生态环境系统耦合研究进展[Ｊ].热带地理ꎬ２０１４ꎬ３４(２):２６６－２７４.
ＬｕｏＴꎬＬｉｕＹＦꎬＫｏｎｇＸＳ.Ｓｙｓｔｅｍｃｏｕｐｌｉｎｇｂｅｔｗｅｅｎｕｒｂａｎｉｚａｔｉｏｎａｎｄｅｃｏ－ｅｎｖｉｒｏｎｍｅｎｔ:ＲｅｓｅａｒｃｈｐｒｏｇｒｅｓｓｉｎＣｈｉｎａ[Ｊ].ＴｒｏｐｉｃａｌＧｅｏｇｒａｐｈｙꎬ２０１４ꎬ３４(２):２６６－２７４.
[２]㊀李海江ꎬ刘耀林ꎬ谭荣辉ꎬ等.一种新的基于高分辨率全色影像的城市建成区边界提取算法[Ｊ].测绘通报ꎬ２０１５(７):３６－４１.
ＬｉＨＪꎬＬｉｕＹＬꎬＴａｎＲＨꎬｅｔａｌ.Ａｎｅｗａｌｇｏｒｉｔｈｍｏｆｕｒｂａｎｂｕｉｌｔ－ｕｐａｒｅａｂｏｕｎｄａｒｙｅｘｔｒａｃｔｉｏｎｂａｓｅｄｏｎｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎｐａｎｃｈｒｏｍａｔｉｃｉｍａｇｅ[Ｊ].ＢｕｌｌｅｔｉｎｏｆＳｕｒｖｅｙｉｎｇａｎｄＭａｐｐｉｎｇꎬ２０１５(７):３６－４１. [３]㊀邓刘洋ꎬ沈占锋ꎬ柯映明.城市建成区遥感影像边界提取与扩张分析[Ｊ].地球信息科学学报ꎬ２０１８ꎬ２０(７):９９６－１００３.
ＤｅｎｇＬＹꎬＳｈｅｎＺＦꎬＫｅＹＭ.Ｂｕｉｌｔ－ｕｐａｒｅａｅｘｔｒａｃｔｉｏｎａｎｄｕｒｂａｎｅｘｐａｎｓｉｏｎａｎａｌｙｓｉｓｂａｓｅｄｏｎｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓ[Ｊ].ＪｏｕｒｎａｌｏｆＧｅｏ－ＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅꎬ２０１８ꎬ２０(７):９９６－１００３. [４]㊀李治ꎬ杨晓梅ꎬ孟樊ꎬ等.城市建成区多源遥感协同提取方法研究[Ｊ].地球信息科学学报ꎬ２０１７ꎬ１９(１１):１５２２－１５２９.
ＬｉＺꎬＹａｎｇＸＭꎬＭｅｎｇＦꎬｅｔａｌ.Ｔｈｅｍｅｔｈｏｄｏｆｍｕｌｔｉ－ｓｏｕｒｃｅｒｅ￣ｍｏｔｅｓｅｎｓｉｎｇｓｙｎｅｒｇｙｅｘｔｒａｃｔｉｏｎｉｎｕｒｂａｎｂｕｉｌｔ－ｕｐａｒｅａ[Ｊ].Ｊｏｕｒ￣ｎａｌｏｆＧｅｏ－ＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅꎬ２０１７ꎬ１９(１１):１５２２－１５２９. [５]㊀李欣.南昌市城市建成区遥感监测及模拟研究[Ｄ].南昌:东华理工大学ꎬ２０１７.
ＬｉＸ.ＲｅｍｏｔｅＳｅｎｓｉｎｇＭｏｎｉｔｏｒｉｎｇａｎｄＳｉｍｕｌａｔｉｏｎＳｔｕｄｙｏｆＵｒｂａｎＢｕｉｌｔ－ｕｐＡｒｅａｉｎＮａｎｃｈａｎｇＣｉｔｙ[Ｄ].Ｎａｎｃｈａｎｇ:ＥａｓｔＣｈｉｎａＵｎｉ￣ｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙꎬ２０１７.
[６]㊀刘璐.基于夜间灯光数据的城市群蔓延指标[Ｊ].国土资源遥感ꎬ２０１８ꎬ３０(２):２０８－２１３.ｄｏｉ:１０.６０４６/ｇｔｚｙｙｇ.２０１８.０２.２８.
ＬｉｕＬ.Ｕｒｂａｎｓｐｒａｗｌｍｅｔｒｉｃｓｂａｓｅｄｏｎｎｉｇｈｔ－ｔｉｍｅｌｉｇｈｔｄａｔａｆｏｒｍｅｔｒｏｐｏｌｉｔａｎａｒｅａｓ[Ｊ].ＲｅｍｏｔｅＳｅｎｓｉｎｇｆｏｒＬａｎｄａｎｄＲｅｓｏｕｒｃｅｓꎬ２０１８ꎬ３０(２):２０８－２１３.ｄｏｉ:１０.６０４６/ｇｔｚｙｙｇ.２０１８.０２.２８. [７]㊀ＺｈａｎｇＱＬꎬＳｃｈａａｆＣꎬＳｅｔｏＫＣ.ＴｈｅｖｅｇｅｔａｔｉｏｎａｄｊｕｓｔｅｄＮＴＬｕｒｂａｎｉｎｄｅｘ:Ａｎｅｗａｐｐｒｏａｃｈｔｏｒｅｄｕｃｅｓａｔｕｒａｔｉｏｎａｎｄｉｎｃｒｅａｓｅｖａｒｉａｔｉｏｎｉｎｎｉｇｈｔｔｉｍｅｌｕｍｉｎｏｓｉｔｙ[Ｊ].ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔꎬ２０１３ꎬ１２９(２):３２－４１.
[８]㊀ＭｅｎｇＸꎬＨａｎＪꎬＨｕａｎｇＣ.Ａｎｉｍｐｒｏｖｅｄｖｅｇｅｔａｔｉｏｎａｄｊｕｓｔｅｄｎｉｇｈｔ￣ｔｉｍｅｌｉｇｈｔｕｒｂａｎｉｎｄｅｘａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎｉｎｑｕａｎｔｉｆｙｉｎｇｓｐａｔｉｏｔｅｍ￣ｐｏｒａｌｄｙｎａｍｉｃｓｏｆｃａｒｂｏｎｅｍｉｓｓｉｏｎｓｉｎＣｈｉｎａ[Ｊ].ＲｅｍｏｔｅＳｅｎｓｉｎｇꎬ２０１７ꎬ９(８):８２９.
[９]㊀毕恺艺ꎬ牛铮ꎬ黄妮ꎬ等.基于Ｓｅｎｔｉｎｅｌ－２Ａ时序数据和面向对象决策树方法的植被识别[Ｊ].地理与地理信息科学ꎬ２０１７ꎬ３３(５):１６－２０ꎬ２７ꎬ１２７.
ＢｉＫＹꎬＮｉｕＺꎬＨｕａｎｇＮꎬｅｔａｌ.Ｉｄｅｎｔｉｆｙｉｎｇｖｅｇｅｔａｔｉｏｎｗｉｔｈｄｅｃｉｓｉｏｎｔｒｅｓｓｍｏｄｅｌｂａｓｅｄｏｎｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄｍｅｔｈｏｄｕｓｉｎｇｍｕｌｔｉ－ｔｅｍｐｏ￣ｒａｌＳｅｎｔｉｎｅｌ－２Ａｉｍａｇｅｓ[Ｊ].ＧｅｏｇｒａｐｈｙａｎｄＧｅｏ－ＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅꎬ２０１７ꎬ３３(５):１６－２０ꎬ２７ꎬ１２７.
[１０]杨斌ꎬ李丹ꎬ王磊ꎬ等.基于Ｓｅｎｔｉｎｅｌ－２Ａ岷江上游地表生物量反演与植被特征分析[Ｊ].科技导报ꎬ２０１７ꎬ３５(２１):７４－８０.
ＹａｎｇＢꎬＬｉＤꎬＷａｎｇＬꎬｅｔａｌ.Ｒｅｔｒｉｅｖａｌｏｆｓｕｒｆａｃｅｖｅｇｅｔａｔｉｏｎｂｉｏ￣ｍａｓｓｉｎｆｏｒｍａｔｉｏｎａｎｄａｎａｌｙｓｉｓｏｆｖｅｇｅｔａｔｉｏｎｆｅａｔｕｒｅｂａｓｅｄｏｎＳｅｎｔｉ￣ｎｅｌ－２ＡｉｎｔｈｅｕｐｐｅｒｏｆＭｉｎｊｉａｎｇＲｉｖｅｒ[Ｊ].ＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏ￣ｇｙＲｅｖｉｅｗꎬ２０１７ꎬ３５(２１):７４－８０.
[１１]李旭文ꎬ侍昊ꎬ张悦ꎬ等.基于欧洲航天局 哨兵－２Ａ 卫星
３３２
国㊀土㊀资㊀源㊀遥㊀感２０１９年
的太湖蓝藻遥感监测[Ｊ].中国环境监测ꎬ２０１８ꎬ３４(４):１６９－１７６.
ＬｉＸＷꎬＳｈｉＨꎬＺｈａｎｇＹꎬｅｔａｌ.ＣｙａｎｏｂａｃｔｅｒｉａｂｌｏｏｍｓｍｏｎｉｔｏｒｉｎｇｉｎＴａｉｈｕＬａｋｅｂａｓｅｄｏｎｔｈｅＳｅｎｔｉｎｅｌ－２ＡｓａｔｅｌｌｉｔｅｏｆＥｕｒｏｐｅａｎＳｐａｃｅＡｇｅｎｃｙ[Ｊ].ＥｎｖｉｒｏｎｍｅｎｔａｌＭｏｎｉｔｏｒｉｎｇｉｎＣｈｉｎａꎬ２０１８ꎬ３４(４):１６９－１７６.
[１２]李峰ꎬ米晓楠ꎬ刘军ꎬ等.基于ＮＰＰ－ＶＩＩＲＳ夜间灯光数据的北京市ＧＤＰ空间化方法[Ｊ].国土资源遥感ꎬ２０１６ꎬ２８(３):１９－２４.ｄｏｉ:１０.６０４６/ｇｔｚｙｙｇ.２０１６.０３.０４.
ＬｉＦꎬＭｉＸＮꎬＬｉｕＪꎬｅｔａｌ.ＳｐａｔｉａｌｉｚａｔｉｏｎｏｆＧＤＰｉｎＢｅｉｊｉｎｇｕｓｉｎｇＮＰＰ－ＶＩＩＲＳｄａｔａ[Ｊ].ＲｅｍｏｔｅＳｅｎｓｉｎｇｆｏｒＬａｎｄａｎｄＲｅｓｏｕｒｃｅｓꎬ２０１６ꎬ２８(３):１９－２４.ｄｏｉ:１０.６０４６/ｇｔｚｙｙｇ.２０１６.０３.０４. [１３]唐敏.基于对数变换的ＮＰＰ－ＶＩＩＲＳ夜间灯光遥感影像在城市建成区提取中的应用[Ｄ].上海:华东师范大学ꎬ２０１７.
ＴａｎｇＭ.ＵｒｂａｎＢｕｉｌｔ－ｕｐＡｒｅａＥｘｔｒａｃｔｉｏｎＦｒｏｍＬｏｇａｒｉｔｈｍＴｒａｎｓ￣ｆｏｒｍｅｄＮＰＰ－ＶＩＩＲＳＮｉｇｈｔｔｉｍｅＬｉｇｈｔＣｏｍｐｏｓｉｔｅＤａｔａ[Ｄ].Ｓｈａｎｇ￣ｈａｉ:ＥａｓｔＣｈｉｎａＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙꎬ２０１７.
[１４]ＺｈａｎｇＱＬꎬＳｅｔｏＫＣ.Ｍａｐｐｉｎｇｕｒｂａｎｉｚａｔｉｏｎｄｙｎａｍｉｃｓａｔｒｅｇｉｏｎａｌａｎｄｇｌｏｂａｌｓｃａｌｅｓｕｓｉｎｇｍｕｌｔｉ－ｔｅｍｐｏｒａｌＤＭＳＰ/ＯＬＳｎｉｇｈｔｔｉｍｅｌｉｇｈｔｄａｔａ[Ｊ].ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔꎬ２０１１ꎬ１１５(９):２３２０－２３２９.
[１５]ＹｕＢＬꎬＴａｎｇＭꎬＷｕＱＳꎬｅｔａｌ.Ｕｒｂａｎｂｕｉｌｔ－ｕｐａｒｅａｅｘｔｒａｃｔｉｏｎｆｒｏｍｌｏｇ－ｔｒａｎｓｆｏｒｍｅｄＮＰＰ－ＶＩＩＲＳｎｉｇｈｔｔｉｍｅｌｉｇｈｔｃｏｍｐｏｓｉｔｅｄａｔａ[Ｊ].ＩＥＥＥＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇＬｅｔｔｅｒｓꎬ２０１８ꎬ１５(８):
１２７９－１２８３.
[１６]蔡红玥ꎬ姚国清.基于分水岭算法的高分遥感图像道路提取优化方法[Ｊ].国土资源遥感ꎬ２０１３ꎬ２５(３):２５－２９.ｄｏｉ:１０.６０４６/ｇｔｚｙｙｇ.２０１３.０３.０５.
ＣａｉＨＹꎬＹａｏＧＱ.Ｏｐｔｉｍｉｚｅｄｍｅｔｈｏｄｆｏｒｒｏａｄｅｘｔｒａｃｔｉｏｎｆｒｏｍｈｉｇｈｒｅｓｏｌｕｔｉｏｎｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｂａｓｅｄｏｎｗａｔｅｒｓｈｅｄａｌｇｏｒｉｔｈｍ[Ｊ].
ＲｅｍｏｔｅＳｅｎｓｉｎｇｆｏｒＬａｎｄａｎｄＲｅｓｏｕｒｃｅｓꎬ２０１３ꎬ２５(３):２５－２９.
ｄｏｉ:１０.６０４６/ｇｔｚｙｙｇ.２０１３.０３.０５.
[１７]ＬｅｗｉｓＨＧꎬＢｒｏｗｎＭ.Ａｇｅｎｅｒａｌｉｚｅｄｃｏｎｆｕｓｉｏｎｍａｔｒｉｘｆｏｒａｓｓｅｓｓｉｎｇａｒｅａｅｓｔｉｍａｔｅｓｆｒｏｍｒｅｍｏｔｅｌｙｓｅｎｓｅｄｄａｔａ[Ｊ].ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇꎬ２００１ꎬ２２(１６):３２２３－３２３５.
[１８]郭玉静ꎬ王妍ꎬ郑毅ꎬ等.滇西北高原湖泊剑湖流域景观时空演变特征[Ｊ].浙江农林大学学报ꎬ２０１８ꎬ３５(４):６９５－７０４.
ＧｕｏＹＪꎬＷａｎｇＹꎬＺｈｅｎｇＹꎬｅｔａｌ.ＴｅｍｐｏｒａｌａｎｄｓｐａｔｉａｌｅｖｏｌｕｔｉｏｎｏｆｌａｎｄｓｃａｐｅｓｉｎＪｉａｎｈｕＬａｋｅｂａｓｉｎｏｆｎｏｒｔｈｗｅｓｔｅｒｎＹｕｎｎａｎＰｒｏｖｉｎｃｅ[Ｊ].ＪｏｕｒｎａｌｏｆＺｈｅｊｉａｎｇＡ＆ＦＵｎｉｖｅｒｓｉｔｙꎬ２０１８ꎬ３５(４):６９５－７０４.
[１９]郭莎莎ꎬ胡守庚ꎬ瞿诗进.长江中游地区多尺度耕地景观格局演变特征[Ｊ].长江流域资源与环境ꎬ２０１８ꎬ２７(７):１６３７－１６４６.
ＧｕｏＳＳꎬＨｕＳＧꎬＱｕＳＪ.Ｍｕｌｔｉ－ｓｃａｌｅａｎａｌｙｓｉｓｏｆｆａｒｍｌａｎｄｌａｎｄ￣ｓｃａｐｅｄｙｎａｍｉｃｐａｔｔｅｒｎｉｎｔｈｅｍｉｄｄｌｅｒｅａｃｈｅｓｏｆｔｈｅＹａｎｇｔｚｅＲｉｖｅｒ[Ｊ].ＲｅｓｏｕｒｃｅｓａｎｄＥｎｖｉｒｏｎｍｅｎｔｉｎｔｈｅＹａｎｇｔｚｅＢａｓｉｎꎬ２０１８ꎬ２７(７):１６３７－１６４６.
Ｅｘｔｒａｃｔｉｏｎｏｆｕｒｂａｎｂｕｉｌｔ－ｕｐａｒｅａｓｂａｓｅｄｏｎＳｅｎｔｉｎｅｌ－２Ａ
ａｎｄＮＰＰ－ＶＩＩＲＳｎｉｇｈｔｔｉｍｅｌｉｇｈｔｄａｔａ
ＬＩＵＺｈｉｌｉ１ꎬＺＨＡＮＧＱｉｂｉｎ１ꎬＹＵＥＤｅｐｅｎｇ１ꎬＨＡＯＹｕｇｕａｎｇ２ꎬＳＵＫａｉ１
(１.ＣｏｌｌｅｇｅｏｆＦｏｒｅｓｔｒｙꎬＢｅｉｊｉｎｇＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙꎬＢｅｉｊｉｎｇ１０００８３ꎬＣｈｉｎａꎻ２.Ｅｘｐｅｒｉｍｅｎｔａｌ
ＣｅｎｔｅｒｏｆＤｅｓｅｒｔＦｏｒｅｓｔｒｙꎬＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＦｏｒｅｓｔｒｙꎬＢａｙａｎｎｕｒ０１５２００ꎬＣｈｉｎａ)
Ａｂｓｔｒａｃｔ:Ｒｅｃｅｎｔｌｙꎬｔｈｅｕｔｉｌｉｚａｔｉｏｎｏｆｎｉｇｈｔｔｉｍｅｌｉｇｈｔｄａｔａａｎｄｏｐｔｉｃａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓｔｏｅｘｔｒａｃｔｕｒｂａｎｂｕｉｌｔ－ｕｐａｒｅａｓｈａｓｂｅｃｏｍｅａｒｅｓｅａｒｃｈｈｏｔｓｐｏｔꎬａｎｄｔｈｅｖｅｇｅｔａｔｉｏｎａｄｊｕｓｔｅｄｎｉｇｈｔｔｉｍｅｌｉｇｈｔｄａｔａ(ＮＴＬ)ｕｒｂａｎｉｎｄｅｘ(ＶＡＮＵＩ)ｉｓｗｉｄｅｌｙｕｓｅｄ.Ｈｏｗｅｖｅｒꎬｉｔｍａｙｅａｓｉｌｙｌｅａｄｔｏｃｏｎｆｕｓｉｏｎｏｆｂｕｉｌｄｉｎｇｓａｎｄｗａｔｅｒｂｏｄｉｅｓａｔｔｈｅｅｄｇｅｏｆｔｈｅｃｉｔｙꎬａｎｄｔｈｅｓｐａｔｉａｌｒｅｓｏｌｕｔｉｏｎｉｓｒｅｌａｔｉｖｅｌｙｌｏｗ.ＴｈｅｒｅｆｏｒｅꎬｓｏｍｅｉｍｐｒｏｖｅｍｅｎｔｓｗｅｒｅｍａｄｅｏｎｔｈｉｓｉｎｄｅｘｉｎｔｈｉｓｐａｐｅｒꎬａｎｄｔｈｅｂｕｉｌｄｉｎｇａｄｊｕｓｔｅｄＮＴＬｕｒｂａｎｉｎｄｅｘｗａｓｐｒｏｐｏｓｅｄ.Ｔｈｅｍｅａｎｓｗａｓｕｓｅｄｔｏｅｘｔｒａｃｔｕｒｂａｎｂｕｉｌｔ－ｕｐａｒｅａｓｉｎＢａｏｔｏｕＣｉｔｙｉｎｔｈｉｓｐａｐｅｒ.Ｆｉｒｓｔｌｙꎬｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅｂｕｉｌｄ－ｕｐｉｎｄｅｘ(ＮＤＢＩ)ｗａｓｅｘｔｒａｃｔｅｄｆｒｏｍＳｅｎｔｉｎｅｌ－２ＡｉｍａｇｅｄａｔａａｎｄｉｔｗａｓｃｏｍｂｉｎｅｄｗｉｔｈＮＴＬｔｏｏｂｔａｉｎｂｕｉｌｄｉｎｇａｄｊｕｓｔｅｄＮＴＬｕｒｂａｎｉｎｄｅｘＢＡＮＵＩｗｉｔｈｔｈｅｓｐａｔｉａｌｒｅｓｏｌｕｔｉｏｎｏｆ２０ｍꎬｗｈｉｃｈｈａｓｈｉｇｈｅｒｓｐａｔｉａｌｒｅｓｏｌｕｔｉｏｎａｎｄｍｏｒｅｉｎｆｏｒｍａｔｉｏｎａｂｏｕｔｔｈｅｂｕｉｌｄｉｎｇ.Ｆｉｎａｌｌｙꎬｔｈｅｗａｔｅｒｓｈｅｄｓｅｇｍｅｎｔａｔｉｏｎａｌｇｏｒｉｔｈｍｗａｓａｐｐｌｉｅｄｔｏｔｈｅｅｘｔｒａｃｔｉｏｎｏｆｕｒｂａｎｂｕｉｌｔ－ｕｐａｒｅａｏｆＢａｏｔｏｕＣｉｔｙｆｒｏｍＢＡＮＵＩꎬＶＡＮＵＩａｎｄＮＴＬꎬａｎｄｔｈｅｒｅｓｕｌｔｓｗｅｒｅｃｏｍｐａｒａｔｉｖｅｌｙｓｔｕｄｉｅｄ.Ｔｈｅｅｘｔｒａｃｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｏｖｅｒａｌｌｐｒｅｃｉｓｉｏｎｏｆｔｈｅｕｒｂａｎｂｕｉｌｔ－ｕｐａｒｅａｅｘｔｒａｃｔｅｄｂｙＢＡＮＵＩｃｏｕｌｄｒｅａｃｈ９３.６１％ꎬｔｈｅＫａｐｐａｃｏｅｆｆｉｃｉｅｎｔｉｓ０.７９３４ꎬｔｈｅｕｓｅｒａｃｃｕｒａｃｙｉｓ８１.３４％ꎬａｎｄｔｈｅｐｒｏｄｕｃｅｒａｃｃｕｒａｃｙｉｓ８５.３４％.Ｔｈｅｅｘｔｒａｃｔｉｏｎｒｅｓｕｌｔｓａｒｅｃｏｎｓｉｓｔｅｎｔｗｉｔｈｔｈｅｄｉｓｔｒｉｂｕｔｉｏｎｏｆａｃｔｕａｌｕｒｂａｎｂｕｉｌｔ－ｕｐａｒｅａꎬａｎｄｔｈｅａｃｃｕｒａｃｙｉｓｈｉｇｈ.Ｔｈｅｒｅｓｕｌｔｉｓｂｅｔｔｅｒｔｈａｎｔｈｅａｒｅａｅｘｔｒａｃｔｅｄｂｙｔｈｅｏｔｈｅｒｔｗｏｋｉｎｄｓｏｆｄａｔａ.Ｔｈｉｓｍｅｔｈｏｄｃｏｕｌｄｐｒｏｖｉｄｅｓｏｍｅｒｅｆｅｒｅｎｃｅｆｏｒｔｈｅｓｔｕｄｙｏｆｔｈｅｅｘｔｒａｃｔｉｏｎｏｆｕｒｂａｎｂｕｉｌｔ－ｕｐａｒｅａｆｒｏｍＮＴＬꎬａｎｄｃｏｕｌｄａｌｓｏｂｅｕｓｅｄｔｏｍｏｎｉｔｏｒｔｈｅｄｅｖｅｌｏｐｍｅｎｔｏｆｕｒｂａｎｐｌａｎｎｉｎｇ.
Ｋｅｙｗｏｒｄｓ:ｎｉｇｈｔｔｉｍｅｌｉｇｈｔｄａｔａꎻＳｅｎｔｉｎｅｌ－２Ａｄａｔａꎻｕｒｂａｎｂｕｉｌｔ－ｕｐａｒｅａꎻＢＡＮＵＩꎻｗａｔｅｒｓｈｅｄｓｅｇｍｅｎｔａｔｉｏｎ
(责任编辑:张仙) ４３２。