吉林大学学报(地球科学版) ›› 2021, Vol. 51 ›› Issue (4): 1284-1294.doi: 10.13278/j.cnki.jjuese.20200151
• 地球探测与信息技术 • 上一篇
王博帅, 蒲东川, 李婷婷, 牛雪峰
Wang Boshuai, Pu Dongchuan, Li Tingting, Niu Xuefeng
摘要: 夜光遥感影像记录的城市灯光与人类活动密切相关,已广泛应用于城市信息提取。珞珈一号作为新一代夜光遥感数据源,比以往的夜光数据具有更高的空间分辨率和光谱分辨率,可以更清晰地表达城市建成区范围和内部结构。本文利用珞珈一号夜光遥感影像,通过人类居住指数(human settlement index, HSI)、植被覆盖和建筑共同校正的城市夜光指数(vegetation and build adjusted nighttime light urban index, VBANUI)及支持向量机(support vector machine, SVM)监督分类3种方法对长春市城市建成区进行提取,并与利用NPP/VIIRS(suomi national polar-orbiting partnership/visible infrared imaging radiometer suite)夜光遥感影像、采用同样方法得到的结果对比。结果显示:本文提出的VBANUI提高了传统植被覆盖校正的城市夜光指数(vegetation adjusted nighttime light urban index, VANUI)的提取精度,使用珞珈一号夜光遥感影像通过VBANUI提取的城市建成区结果最优,其Kappa系数为0.80,总体分类精度为90.74%;使用珞珈一号和NPP/VIIRS夜光遥感影像通过HSI按最佳阈值提取城市建成区的Kappa系数分别为0.75和0.72,总体分类精度分别为88.27%和86.54%;复合数据的SVM监督分类法中Landsat-NDBI、Landsat-NDBI-VIIRS、Landsat-NDBI-LJ和Landsat-NDBI-LJlog的Kappa系数分别为0.602、0.627、0.643和0.681,总体分类精度分别为81.11%、81.52%、82.25%和84.48%。研究结果表明:3种提取方法下,均为使用珞珈一号夜光遥感影像的结果优于使用NPP/VIIRS夜光遥感影像的结果,证明相比于NPP/VIIRS夜光遥感影像,珞珈一号夜光遥感影像更适用于城市尺度的建成区范围提取。
中图分类号:
[1] 肖金成,刘保奎.改革开放40年中国城镇化回顾与展望[J].宏观经济研究,2018(12):18-29. Xiao Jincheng, Liu Baokui. Review and Prospect of China's Urbanization in the Past 40 Years of Reform and Opening-Up[J]. Macroeconomic Research, 2018(12):18-29. [2] 尹荣尧,孙翔.中国快速城市化的资源保障隐忧、生态困境与对策[J].现代经济探讨,2014(2):63-65,87. Yin Rongyao, Sun Xiang. Resource Security Concerns, Ecological Dilemma and Countermeasures for China's Rapid Urbanization[J]. Discussion on Modern Economy, 2014(2):63-65,87. [3] Foley J A,Defries R, Asner G P, et al. Global Consequences of Land Use[J]. Science, 2005, 309:570-574. [4] 李德仁,张过,沈欣,等.珞珈一号01星夜光遥感设计与处理[J].遥感学报,2019,23(6):1011-1022. Li Deren, Zhang Guo, Shen Xin, et al.Design and Processing of Luojia 101 Night-Light Remote Sensing[J]. Journal of Remote Sensing, 209, 23(6):1011-1022. [5] Li D, Li X. An Overview on Data Mining of Nighttime Light Remote Sensing[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44:591-601. [6] Li X, Xu H, Chen X, et al. Potential of NPP-VIIRS Nighttime Light Imagery for Modeling the Regional Economy of China[J]. Remote Sensing, 2013, 5:3057-3081. [7] Yu B, Shu S, Liu H, et al. Object-Based Spatial Cluster Analysis of Urban Landscape Pattern Using Nighttime Light Satellite Images:A Case Study of China[J]. Int J Geogr Inf Sci, 2014, 28:2328-2355. [8] Li X, Zhou Y Y, Cao C Y. Remote Sensing of Night-Time Light[J]. Int J Remote Sensing, 2017, 38:5855-5859. [9] Jing W, Yang Y, Yue X, et al. Mapping Urban Areas with Integration of DMSP/OLS Nighttime Light and MODIS Data Using Machine Learning Techniques[J]. Remote Sensing, 2015, 7:12419-12439. [10] 何春阳,李景刚,陈晋,等.基于夜间灯光数据的环渤海地区城市化过程[J].地理学报,2005,2(3):409-417. He Chunyang, Li Jinggang, Chen Jin, et al. Urbanization Prosess of Bohai Rim Region Based on Night Light Data[J]. Journal of Geography, 2005, 2(3):409-417. [11] Imoffm M, Lawerence W T, Stutzer D C. A Technique for Using Composite DMSP/OLS "City Light" Satellite Data to Map Urban Area[J]. Remote Sensing of Environment, 1997, 61(3):361-370. [12] Zhou Y, Smith S, Elvidge C, et al. Cluster-Based Method to Map Urban Area from DMSP/OLS Nightlight[J]. Remote Sensing of Environment, 2014, 147:173-185. [13] 陈佐旗. 基于多源夜间灯光遥感影像的多尺度城市空间形态结构分析[D].上海:华东师范大学,2017. Chen Zuoqi. Spatial Morphological Structure Analysis of Multi-Scale Cities Based on Remote Sensing Image of Multi-Source Night Lights[D]. Shanghai:East China Normal University, 2017. [14] 王博. 基于NPP-VIIRS夜间灯光遥感影像的杭州城市结构发展变化分析[D].杭州:浙江大学,2019. Wang Bo. Analysis of Urban Structure Development and Change in Hangzhou Based on NPP-VIIRS Night Light Remote Sensing Image[D]. Hangzhou:Zhejiang University, 2019. [15] 刘沁萍,杨永春,付冬暇,等.基于DMSP_OLS灯光数据的1992~2010年中国城市空间扩张研究[J].地理科学,2014,34(2):129-136. Liu Qinping, Yang Yongchun, Fu Dongxia, et al. Urban Spatial Expansion in China from 1992 to 2010 Based on DMSP_OLS Light Data[J]. Geoscience, 2014, 34(2):129-136. [16] 长春市统计局. 2018年长春市国民经济和社会发展统计公报[N]. 长春日报,2019-05-30(6). Changchun Municipal Bureau of Statistics. 2018 Statistical Bulletin on Changchun's National Economic and Social Development[N]. Changchun Daily, 2019-05-30(6). [17] 徐涵秋,唐菲.新一代Landsat系列卫星:Landsat 8遥感影像新增特征及其生态环境意义[J].生态学报,2013,33(11):3249-3257. Xu Hanqiu, Tang Fei. New Generation of Landsat Series Satellites:New Features of Landsat 8 Remote Sensing Image and Its Ecological Environment Significance[J]. Journal of Ecology, 2013, 33(11):3249-3257. [18] Lu D S, Tian H Q, Zhou G M, et al. Regional Mapping of Human Settlements in Southeastern China with Multisensor Remotely Sensed Data[J]. Remote Sensing of Environment, 2008, 112:3668-3679. [19] 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,2017. Tang Min. Application of NPP-VIIRS Night Light Remote Sensing Image Based on Logarithmic Transformation in Urban Built-Up Area Extraction[D]. Shanghai:East China Normal University, 2017. [20] Zhang Q, Schaaf C, Seto K C. The Vegetation Adjusted NTL Urban Index:A New Approach to Reduce Saturation and Increase Variation in Nighttime Luminosity[J]. Remote Sensing of Environment, 2013, 129:32-41. [21] 李二珠. 半监督支持向量机高光谱遥感影像分类[D].徐州:中国矿业大学,2014. Li Erzhu. Semi-Supervised Hyperspectral Remote Sensing Image Classification by Support Vector Machines[D]. Xuzhou:China University of Mining and Technology, 2014. [22] 王明常,朱春宇,陈学业,等.基于FPN Res-Unet的高分辨率遥感影像建筑物变化检测[J].吉林大学学报(地球科学版),2021,51(1):296-306. Wang Mingchang, Zhu Chunyu, Chen Xueye, et al. Building Change Detection High Resolution Remote Sensing Images Based on FPN Res-Unet[J]. Journal of Jilin University (Earth Science Edition), 2021, 51(1):296-306. [23] Li Xi, Zhao Lixian, Li Deren. Mapping Urban Extent Using Luojia 1-01 Nighttime Light Imagery[J]. Sensors, 2018, 18(11). doi.org/10.3390/s18113665. [24] 张华. 遥感数据可靠性分类方法研究[D].徐州:中国矿业大学,2012. Zhang Hua. Research on Reliability Classification Method of Remote Sensing Data[D]. Xuzhou:China University of Mining and Technology, 2012. |
[1] | 牟丹, 张丽春, 徐长玲. 3种经典机器学习算法在火山岩测井岩性识别中的对比[J]. 吉林大学学报(地球科学版), 2021, 51(3): 951-956. |
[2] | 刘云鹏, 郭春影, 秦明宽, 吴玉, 裴柳宁. 基于PCA-SVM算法对稀土元素与稀土判别指标耦合数据集的铀矿床分类[J]. 吉林大学学报(地球科学版), 2021, 51(3): 723-733. |
[3] | 尹超, 周爱红, 袁颖, 王帅伟. 基于邻域粗糙集和支持向量机的固结系数预测[J]. 吉林大学学报(地球科学版), 2019, 49(3): 746-754. |
[4] | 韩启迪, 张小桐, 申维. 基于决策树特征提取的支持向量机在岩性分类中的应用[J]. 吉林大学学报(地球科学版), 2019, 49(2): 611-620. |
[5] | 徐守余, 路研, 王亚. 基于支持向量机的浊积扇低渗透储层流动单元研究[J]. 吉林大学学报(地球科学版), 2018, 48(5): 1330-1341. |
[6] | 王明常, 张馨月, 张旭晴, 王凤艳, 牛雪峰, 王红. 基于极限学习机的GF-2影像分类[J]. 吉林大学学报(地球科学版), 2018, 48(2): 373-378. |
[7] | 卢文喜, 郭家园, 董海彪, 张宇, 林琳. 改进的支持向量机方法在矿山地质环境质量评价中的应用[J]. 吉林大学学报(地球科学版), 2016, 46(5): 1511-1519. |
[8] | 王常明, 田书文, 王翊虹, 阮云凯, 丁桂伶. 泥石流危险性评价:模糊c均值聚类-支持向量机法[J]. 吉林大学学报(地球科学版), 2016, 46(4): 1168-1175. |
[9] | 杨雪峰, 王雪梅, 毛东雷. 塔里木河下游土地利用覆被MISR多角度遥感制图[J]. 吉林大学学报(地球科学版), 2016, 46(2): 617-626. |
[10] | 秦喜文, 刘媛媛, 王新民, 董小刚, 张瑜, 周红梅. 基于整体经验模态分解和支持向量回归的北京市PM2.5预测[J]. 吉林大学学报(地球科学版), 2016, 46(2): 563-568. |
[11] | 牟丹, 王祝文, 黄玉龙, 许石, 周大鹏. 基于最小二乘支持向量机测井识别火山岩类型:以辽河盆地中基性火山岩为例[J]. 吉林大学学报(地球科学版), 2015, 45(2): 639-648. |
[12] | 杨佳佳, 姜琦刚, 赵静, 徐言, 孟翔冲. 基于改进的SVM技术和高光谱遥感的标准矿物定量计算[J]. J4, 2012, 42(3): 864-871. |
[13] | 牛瑞卿, 彭令, 叶润青, 武雪玲. 基于粗糙集的支持向量机滑坡易发性评价[J]. J4, 2012, 42(2): 430-439. |
[14] | 许长福, 李雄炎, 谭锋奇, 于红岩, 李洪奇. 任务驱动数据挖掘方法的提出及在低阻油层识别中的应用[J]. J4, 2012, 42(1): 39-46. |
[15] | 王利花, 周云轩, 田波. 基于TM和ETM+影像数据的东沙环礁珊瑚礁监测[J]. J4, 2011, 41(5): 1630-1637. |
|