基于遥感影像的城市扩张监测方法述评

摘要：伴随社会经济的迅速发展和人口的快速增长，城市扩张的速度明显加快，快速获取城市的扩张变化，对城市的可持续发展规划意义重大。遥感技术能够快速、准确地获取城市用地的位置、状态、数量等信息，成为监测用地扩张的主要技术手段。该文首先介绍了城市化进程及其影响，进而分析了城市扩张监测的重要性及遥感技术监测的必要性，对国内外城市扩张遥感监测示例进行说明，重点叙述了城市扩张遥感监测的主要方法及其优缺点，最后对城市扩张监测的发展趋势进行了展望。

关键词：城区扩张 卫星遥感 变化监测 分类

中图分类号：TP751 文献标识码：A 文章编号：1674-098X（2015）10（c）-0042-02

城市化是指人口向城市和郊区集中的过程，随着经济的发展和人口的不断增长，城市化步伐日益加快，成为中国经济社会发展的主要推动力，与此同时也使得城区用地规模迅速扩张，造成土地利用现状发生变化，对生态环境产生巨大的影响[1]。

及时了解城市发展信息，客观分析城市扩张及驱动力，对科学合理指导城市规划、保护有限的土地资源具有非常重要的意义。

近年来，随着遥感技术、空间定位技术、计算机技术等的发展，在数据采集、处理、分析、应用等方面日趋先进，可以满足对土地资源实行“快、高、新、动”（即快速、高技术、新信息源、动态研究） 监测的要求。

1 国内外研究现状

国外研究起步较早，如R.Welch通过对TM影像假彩色合成图像进行目视解译，提取城市的建成区面积，并分析了面积与人口的关系;J.G.Masek等利用Landsat影像和MSS影像，研究了华盛顿地区的城市扩张动态变化[2]。

国内从80年代后期开始研究，如陈本清、徐涵秋研究了厦门市1989～2000年间城市空间扩展规律;李爱民以遥感影像为基础，借助GIS技术分析了河南郑州8年间建成区扩展的时空特征及与人口增长之间的关系[3]。陈淑兴等以山东济南市为例，采用监督分类方法提取城市5年期间的扩展情况[4]。

2 城市扩张遥感监测研究方法

2.1 遥感影像解译法

2.1.1目视解译

主要是对影像进行识别，确定影像上物体的属性、特征等信息。该方法基于解译者的先验知识和经验，判读精度较高，但具体实施相对较繁琐，效率不高。魏斌通过目视解译，提取了青岛市辖区2002、2006、2010、2013年TM影像的土地利用类型图，研究城市空间扩展变化[1];

2.1.2计算机解译

计算机解译基于计算机系统，结合遥感影像与知识库中地物的解译经验和地物成像规律，完成对图像的分析和理解。具体方法分为监督分类、非监督分类、决策树等方法。

（1）监督分类。

监督分类又称训练分类法，事先要有已知地物的先验知识，根据先验知识选择训练样本，

利用计算机统计每种训练样本，然后比较未知像元和训练样本，进而划分未知像元。具体的监督分类方法有最大似然法、最小距离法、平行六面体法、马氏距离法等。

（2）非监督分类法。

非监督分类法是以集群为理论基础，事先没有已知类别的先验知识，根据图像本身的统计特征及地物的分布来划分地物类别，分类后的地物类别属性需经野外调查才能确定，属于边学习边分类。该方法的优点是分类依据为像元波谱间的相似程度，不需要丰富的先验知识。缺点是基于光谱容易造成错分或漏分。

（3）其它分类方法。

决策树分类法和人工神经网络分类法，其中决策树（Decision tree）是通过对训练样本进行学习生成决策规则，然后基于决策规则对影像数据进行分类的一种方法。基本思想是用一组变量来预测每个样本属于哪种类型的概率，通过决策树学习，对遥感数据进行进行逐级细分的分类方法。目前该方法已广泛应用于各种遥感影像信息提取和土地利用/土地覆盖分类中，同时在城市信息提取中得到的广泛应用。该方法的优点是：决策树规则结构简单、易于理解、计算效率高，可排除训练样本存在噪声使得分类精度降低的问题。

人工神经网络（Artificial Neural Networks，简称ANN）基于生物原理数学模型，通过对人脑神经系统结构与功能的模拟进行信息处理，该方法基于数学距离度量，通过对网络用某种模式进行训练来获得知识。目前基于神经网络技术的遥感图像分类方法在土地覆盖、作物分类等方面开展了大量研究，效果显著。

2.2 影像计算法

影像计算是指影像之间的数学运算，常用的有差值法和比值法，是对不同年代、相近时相的影像进行几何校正后，用新的遥感影像的某波段像元，减去或除以旧年份的影像对应波段的相应像元。

当地物类型未变化时，影像色调与纹理表现正常;当地物类型发生变化时，影像色调与纹理表现较为突兀不同，与周围的地物不协调，由此判断变化信息，进而评价分析。

影像计算法操作简单，具有一定的应用价值，但该方法对数据源的要求较严格，季相差异会造成同物异谱现象，影响监测精度。

2.3 指数法

2.3.1归一化建筑指数法

归一化建筑指数（normalized difference built-up index，简称NDBI指数）指根据建筑用地在短红外波段的反射率比近红外波段的大而建立的。具体表达式为NDBI=（TM5-TM4）/（TM5+TM），在近红外与短波红外波段，城镇亮度值较，其他地类亮度值较小，因此影像上NDBI大于0的区域应为城镇。

该方法计算、应用都相对较简单，但由于建筑物在近红外与短波红外的光谱特性与裸地、灌木丛相似，因而单纯以NDBI大于0来提取建筑用地信息，常常混有其它地物信息，需结合其他方法提高建筑用地的提取精度。

2.3.2三指数合成法

鉴于NDBI的缺点，一些学者提出了与其他指数波段假彩色合成，提取城市用地信息的方法，称为三指数合成法。

三指数合成法的原理是：将城市用地类型分为建设用地、植被和水体三大类，分别构建三个遥感指数，代表三个地类。三个指数影像假彩色合成后得到三波段合成影像。由此减少了数据的相关性和冗余度，降低了不同地类的光谱混淆度，地物可分性较好。

2.4 主成分分析法

主成分分析法是对不同时相的数据做主分量变换，变换后有用的信息集中于前几个波段，压缩数据并突出主要的信息，进而从中提取变化信息。主成分分析法主要包括多波段主成分变换、主成分差异法和差异主成分法。

由于多波段影像数据间存在相关性，通过主成分变换可以将原来多波段中的有用信息集中到尽可能少的成分中，并使数据的方差达到最大，达到突出主要信息和压缩数据的目的，便于信息的提取。燕琴等将1米分辨率的多光谱IKONOS影像和全色SPOT影像叠加作主分量变换 ，然后选取适宜的特征分量进行假彩色合成，进而生成光谱特征变异影像以突出变化信息。

2.5 光谱特征变异法

该方法又称为影像融合法，指通过对两个不同时相的数据融合发现变化特征。融合后不同时相影像在相同位置上相同目标会反映出相似的光谱特征，不同地物会有不同的光谱特征，从而监测变化。该方法只有融合时相相近的遥感影像才能准确的判断出变化区域，对于不同季相的影像，相同地物的光谱特征差异会出现监测误差。

2.6 其它方法

不同学者针对城区扩展的变化监测进行了多种方法的尝试，包括利用统计学、建立数学模型等，交叉学科的加入使得动态监测技术更加完善与日趋成熟，遥感技术与多学科的融会是遥感科学发展的必然趋势。

3 结语

科学、合理、准确的监测城市扩展情况，可以有效引导城市的空间扩展，合理调控城市发展规模，为城市的合理规划、城市科学经营管理提供科学依据。

该文对基于遥感影像进行城市边界信息提取的方法进行了归纳总结，城区扩张的监测方法很多，每种方法都有各自的优缺点，具体采用何种方法，往往会受到遥感数据、研究区域、城区特点等多因素制约，目前没有一个既定标准，在具体分析时，需结合已有数据资料、研究地区等通过实践进行检验。

参考文献

[1] 魏斌.基于GIS与RS的城市空间扩展研究分析―以青岛市为例[D].烟台：鲁东大学，2014.

[2] G Masek J，Goward S N，Lindsay F E.Dynamics of urban growth in the Washington DC Metropolitan area，1973-96，from Spacesat observation[J].International Journal of Remote Sensing，2000（18）：3473-3475.

[3] 李爱民，刘杉，吕安民.基于卫星遥感影像的郑州市建成区扩展变化研究[D].郑州大学学报，2011，32（2）：125-128.

[4] 陈淑兴，韩波，柯长青，等.济南市建成区扩展的时空特征及驱动力分析[J].地理空间信息，2009，7（5），117-120.