王海軍，孔祥冬，武克軍，張 勃，卓 壯，任 琪

1.成都理工大學(xué) 工程技術(shù)學(xué)院，四川 樂(lè)山 614000

2樂(lè)山師范學(xué)院 四川旅游發(fā)展研究中心，四川 樂(lè)山 614000

3.西北師范大學(xué) 地理與環(huán)境學(xué)院，蘭州 730072

1 前言

成渝城市圈是由成都和重慶兩個(gè)大型城市為雙核心，毗鄰的中小城市為衛(wèi)星城的重要城市群，也是中國(guó)西南地區(qū)城市化程度較高的地區(qū)。尤其是隨著成渝、成綿樂(lè)高速鐵路、公路網(wǎng)的完善，使得路網(wǎng)沿線和雙核心輻射區(qū)城市化進(jìn)程明顯加快。城市化進(jìn)程的提速，勢(shì)必對(duì)周?chē)纳鷳B(tài)化環(huán)境、耕地資源等，產(chǎn)生脅迫和侵蝕。城市化擴(kuò)展速度、方向不同，對(duì)于比鄰區(qū)的生態(tài)脅迫程度也不同，因此對(duì)于成渝地區(qū)城市化進(jìn)程的空間擴(kuò)展情況的研究十分必要。

傳統(tǒng)城市化監(jiān)測(cè)方法主要有兩種：第一，采用多期較高分辨率遙感數(shù)據(jù)進(jìn)行自動(dòng)分類(lèi)、統(tǒng)計(jì)，從而定性定量地分析城市擴(kuò)展情況。由于城市下墊面地物類(lèi)型復(fù)雜，存在“同物異譜”和“同譜異物”的問(wèn)題，很難得到較高精度的分類(lèi)結(jié)果；第二，基于航拍數(shù)據(jù)，利用人工目視解譯的方法，對(duì)城市地物分類(lèi)，該種方法分類(lèi)精度高，但是工作量巨大，時(shí)效性不好。鑒于上述兩點(diǎn)，本文采用間接的方法來(lái)分析和監(jiān)測(cè)城市擴(kuò)展情況，利用城市夜晚燈光亮度（DMSP/OLS）來(lái)反映城市分布情況，長(zhǎng)時(shí)間序列的亮度數(shù)據(jù)監(jiān)測(cè)城市擴(kuò)展情況。該方法的原理是：衛(wèi)星傳感器在夜晚開(kāi)機(jī)成像，拍攝到城市夜晚的燈光亮度和分布情況，數(shù)據(jù)亮度值范圍0～63。亮度值越高表明該區(qū)域是城市分布的概率就越高，反之亦然。該數(shù)據(jù)可以真實(shí)反映出區(qū)域城市分布情況。長(zhǎng)時(shí)間序列的DMSP/OLS數(shù)據(jù)在國(guó)外已經(jīng)得到了成熟的檢驗(yàn)和應(yīng)用[1-7]，近幾年DMSP/OLS理論和應(yīng)用研究也逐步受到國(guó)內(nèi)學(xué)者的關(guān)注。

目前，對(duì)于DMSP/OLS圖像上的城市區(qū)域提取方法主要采用的是灰度閾值法，通過(guò)設(shè)定閾值，大于該閾值的即為城市區(qū)，小于該閾值則為非城市區(qū)。該方法將圖像的最小單位設(shè)定為像元（pixel），通過(guò)對(duì)于單個(gè)像元的DN值進(jìn)行分析，來(lái)將像元進(jìn)行歸類(lèi)統(tǒng)計(jì)。往往會(huì)對(duì)非城市區(qū)的高亮度像素歸為城市，存在錯(cuò)分的現(xiàn)象。為解決此問(wèn)題，本文采用梯度分割+灰度閾值的方法進(jìn)行城市區(qū)域的識(shí)別與分類(lèi)。該方法的主要原理是：首先基于圖像的紋理、結(jié)構(gòu)、灰度的聚類(lèi)特點(diǎn)，將圖像的像元（pixel）通過(guò)梯度分割法分割成大小不同的對(duì)象（object）。再通對(duì)圖像的平均DN值進(jìn)行統(tǒng)計(jì)，計(jì)算出城市區(qū)的閾值范圍。從而將城市區(qū)從全景圖像上識(shí)別出來(lái)。

2 數(shù)據(jù)獲取與研究方法

2.1 數(shù)據(jù)獲取

夜光遙感數(shù)據(jù)為美國(guó)國(guó)家地理中心（NGDC）在2013年發(fā)布的第5版的非福射定標(biāo)夜間平均燈光強(qiáng)度數(shù)據(jù)（DMSP/OLS），該數(shù)據(jù)為全球夜間燈光影像，空間分辨率1 km，DN 值范圍0～63，數(shù)據(jù)目前有F10、F12、F14、F15、F16、F18，6顆衛(wèi)星探測(cè)到的1992—2013年共21年的數(shù)據(jù)。此夜光強(qiáng)度數(shù)據(jù)與對(duì)應(yīng)年份的遙感影像數(shù)據(jù)相比，具有反映城市分布，更加直觀、數(shù)據(jù)處理量小、數(shù)據(jù)時(shí)效性好。DMSP/OLS在夜間工作，能夠探測(cè)到城市燈光、小規(guī)模居民點(diǎn)、交通道路、車(chē)流等發(fā)出的低強(qiáng)度燈光，可以綜合反映人類(lèi)活動(dòng)信息；且與NOAA/AVHRR的空間分辨率、時(shí)間分辨率相當(dāng)，適合動(dòng)態(tài)監(jiān)測(cè)大尺度城鎮(zhèn)擴(kuò)展；交通網(wǎng)、行政區(qū)劃、地形等數(shù)據(jù)來(lái)源于國(guó)家基礎(chǔ)地理信息中心，交通網(wǎng)數(shù)據(jù)用于與城市燈光分布點(diǎn)匹配，地形數(shù)據(jù)與行政區(qū)劃數(shù)據(jù)用于夜光遙感數(shù)據(jù)分割與分類(lèi)。

2.2 研究方法

2.2.1 圖像定標(biāo)

DMSPOLS夜光圖像據(jù)是由多顆衛(wèi)星獲取，由于OLS傳感器未做星上定標(biāo)，因此F10（1992—1994年）、F12（1994—1999年）、F14（1997—2003年）、F15（2000—2007年）、F16（2004—2009年）、F18（2010—2013年）多顆衛(wèi)星獲取的圖像缺乏可比性[8-9]。因此本文采用圖像間相互校正法[8]對(duì)1992—2013年21期夜光圖像進(jìn)行校正處理。F16（2007年）圖像DN累計(jì)值最高，選取其作為參考數(shù)據(jù)。結(jié)合本文實(shí)驗(yàn)區(qū)內(nèi)綿陽(yáng)市城市發(fā)展較為平穩(wěn)，DN值變化幅度較小的特點(diǎn)，選取綿陽(yáng)市地區(qū)作為定標(biāo)區(qū)。構(gòu)建定標(biāo)區(qū)內(nèi)參考圖像與待矯正圖像DN值一元二次回歸模型并計(jì)算回歸系數(shù)。以此回歸系數(shù)采用式（1）對(duì)1992—2013年的數(shù)據(jù)進(jìn)行校正（校正采用Arcgis10空間分析模塊實(shí)現(xiàn)）。

其中IMG與IMG0（未定標(biāo)）分別是校正前后的圖像，a、b、c為回歸系數(shù)。

2.2.2 圖像識(shí)別

（1）圖像分割

圖像分割是圖像識(shí)別的基礎(chǔ)，圖像分割目的在于將圖像上不同的目標(biāo)分割成對(duì)象（object）。圖像分割依據(jù)圖像本身的顏色、紋理、灰度、結(jié)構(gòu)的差異而進(jìn)行的。本文通過(guò)對(duì)目前比較成熟的圖像處理平臺(tái)（Matlab、Envi、e-Cognition）進(jìn)行分析，選取從分割數(shù)據(jù)紋理、結(jié)果最適合的兩種方法：多尺度分割（Multi-resolution segmentation）和梯度分割（Contrast filter segmentation）[10-11]。多尺度分割技術(shù)源于醫(yī)學(xué)圖像識(shí)別，是一種自下而上逐級(jí)合并技術(shù)。圖像分割最大尺度（scale）即為圖像本身（1行×1列），分割最小尺度（scale）為一個(gè)像素并且圖像被分割成（n行×m列），實(shí)際應(yīng)用中往往是先將圖像分成像素級(jí)，在此基礎(chǔ)上逐級(jí)合并，直至合并后對(duì)象內(nèi)部異質(zhì)性最小，合并即停止。多尺度分割多用于多光譜和高光譜圖像的分割。梯度分割技術(shù)是對(duì)圖像灰度逐行檢測(cè)，檢測(cè)像素DN值變化梯度，如果發(fā)生明顯改變則視為圖像上不同斑塊的邊緣區(qū)，全景圖像檢測(cè)后，將全景圖像再次按照像素級(jí)別分割。梯度分割多用于全色波段圖像的分割，是一種自上而下的圖像分割技術(shù)。

（2）圖像分類(lèi)

圖像分類(lèi)是將分割后的圖像對(duì)象（object）定義到指定的分類(lèi)系統(tǒng)中的過(guò)程。本文分類(lèi)的目的在于將夜光圖像上的城市區(qū)和非城市區(qū)分開(kāi)，空間顯示出1992—2013年期間成渝地區(qū)城市化的進(jìn)程，因此本文建立的分類(lèi)系統(tǒng)為Urban和Un-urban。比較了最鄰近分類(lèi)和灰度閾值[12-13]分類(lèi)兩種分類(lèi)算法。閾值分類(lèi)更適合全色波段圖像分類(lèi)。通過(guò)對(duì)分割后的圖像灰度值的數(shù)據(jù)挖掘和訓(xùn)練，確定了不同年份圖像城市區(qū)閾值范圍，進(jìn)而完成圖像分類(lèi)。

（3）精度驗(yàn)證

圖像上單個(gè)對(duì)象的分類(lèi)精度，采用該對(duì)象（城市區(qū)域）的分類(lèi)統(tǒng)計(jì)面積與對(duì)象實(shí)際面積只差再與實(shí)際面積進(jìn)行比值計(jì)算。對(duì)于全景圖像分類(lèi)精度采用每個(gè)對(duì)象的面積差累計(jì)求和后與實(shí)際面積累計(jì)求和進(jìn)行比值[14-15]，計(jì)算原理如下公式所示：

其中，Ai表示圖像上單個(gè)對(duì)象分類(lèi)精度；An表示全景圖像上目標(biāo)分類(lèi)總精度；si表示城市區(qū)實(shí)際的面積；soi表示圖像上城市區(qū)分類(lèi)統(tǒng)計(jì)的面積；i→m表示圖像上分類(lèi)區(qū)的目標(biāo)個(gè)數(shù)。

3 成渝地區(qū)城市化進(jìn)程檢測(cè)

3.1 夜光圖像定標(biāo)

根據(jù)2.2.1小節(jié)所闡述的方法，構(gòu)建定標(biāo)區(qū)內(nèi)參考圖像與待矯正圖像DN值一元二次回歸模型并計(jì)算回歸系數(shù)。通過(guò)構(gòu)建參考圖像與待矯正圖像的回歸模型（圖1），統(tǒng)計(jì)分析出參考圖像F16-2007，與帶矯正圖像1992—2013年（除2007年）回歸模型的數(shù)學(xué)方程，并對(duì)其a、b、c三個(gè)參數(shù)進(jìn)行計(jì)算，建立起回歸系數(shù)表。利用公式（1）在Arcgis10空間分析模塊中，采用所建立的函數(shù)關(guān)系對(duì)各期圖像進(jìn)行運(yùn)算處理，得到的圖像即為定標(biāo)后的圖像。因?yàn)樵摂?shù)據(jù)均是以2007年圖像為參考數(shù)據(jù)，因此各期圖像具備可比性。可以用于后期圖像分類(lèi)后的城市化進(jìn)程的疊加分析。

3.2 圖像城市區(qū)識(shí)別

采用多尺度與梯度分割方法，對(duì)成渝地區(qū)定標(biāo)后的夜光圖像進(jìn)行分割實(shí)驗(yàn)。首先采用多尺度分割方法進(jìn)行分割，并且對(duì)分割參數(shù)：尺度（scale）、形狀（Shape）、緊致（Compactness）進(jìn)行設(shè)定，原則是自下而上，然后逐級(jí)合并。三項(xiàng)參數(shù)分別設(shè)置為：30、0.3、0.3，分割效果如圖2（a）、圖3（a）所示，對(duì)于小目標(biāo)（small object）分割效果較好，可以完全從背景圖像中識(shí)別出來(lái)，但是大的對(duì)象（big object）分割效果則不理想，存在碎化并且識(shí)別不完全的現(xiàn)象。在此基礎(chǔ)上，對(duì)分割結(jié)果進(jìn)行逐級(jí)合并，直至參數(shù)值為60、0.5、0.6時(shí)，大目標(biāo)分割效果較為理想，但是小目標(biāo)存在漏分的現(xiàn)象（圖2（b）、圖3（b））。對(duì)同一幅圖像，采用梯度分割方法進(jìn)行分割實(shí)驗(yàn)，分割參數(shù) object size=10 ，分割結(jié)果如圖2（c）、圖3（c）所示，對(duì)于成都和重慶兩個(gè)城市及毗鄰地區(qū)的中小城市目標(biāo)分割都較為理想，不存在錯(cuò)分和漏分的問(wèn)題，表明梯度分割方法適合該圖像的分割，并且效果理想，可用于該區(qū)域的圖像分割。通過(guò)梯度濾波的分割方法，將全景圖像上的目標(biāo)劃分成不同的對(duì)象。采用閾值分類(lèi)的方法，通過(guò)閾值實(shí)驗(yàn)，結(jié)果閾值在15～63范圍內(nèi)區(qū)域?yàn)槌鞘袇^(qū)。為了對(duì)分類(lèi)范圍的驗(yàn)證，對(duì)2013年圖像上眉山、樂(lè)山、資陽(yáng)、自貢、瀘州、南充、廣安、萬(wàn)州區(qū)、涪陵區(qū)，單個(gè)圖像對(duì)象的分類(lèi)精度采用公式（2）進(jìn)行精度評(píng)價(jià)，結(jié)果Ai值均小于0.071，同時(shí)對(duì)全景圖像目標(biāo)的總分類(lèi)精度進(jìn)行計(jì)算，結(jié)果An為0.052，表明對(duì)于圖像分類(lèi)的面積與真實(shí)面積偏差很小，說(shuō)明分類(lèi)結(jié)果是可信的。同時(shí)采用百度地圖數(shù)據(jù)與分類(lèi)結(jié)果數(shù)據(jù)進(jìn)行疊加顯示，城區(qū)邊界范圍吻合較好，說(shuō)明夜光圖像分類(lèi)結(jié)果精度較理想，可以用于城市變化監(jiān)測(cè)分析。

圖1 1992—2013年圖像校正模型及參數(shù)（部分回歸模型散點(diǎn)圖）

圖2 成都地區(qū)夜光圖像分割結(jié)果（2013年）

圖3 重慶地區(qū)夜光圖像分割結(jié)果（2013年）

3.3 成渝地區(qū)城市化進(jìn)程分析

通過(guò)圖像分割、分類(lèi)提取出城市區(qū)的1992—2013年每年矢量邊界。對(duì)每年的矢量邊界進(jìn)行疊加分析，顯示出城市區(qū)在不同年份擴(kuò)展情況（如圖4所示）。從圖上可以看出，成都和重慶以原有的城市中心區(qū)向外擴(kuò)展，1992—2003年來(lái)城市擴(kuò)展速度較慢，而從2004年以來(lái)擴(kuò)展速度很快，擴(kuò)展的范圍較大。成都及其比鄰區(qū)到2013年時(shí)，形成了以成都為核心，以綿陽(yáng)-德陽(yáng)-成都-眉山-樂(lè)山為軸線的發(fā)展趨勢(shì)。擴(kuò)展方向主要向東北和西南。結(jié)合成都及其比鄰區(qū)的重要交通網(wǎng)（圖5（a））發(fā)現(xiàn)，該區(qū)域已形成明顯的以成都為中心城和以綿陽(yáng)、遂寧、內(nèi)江、自貢、樂(lè)山、雅安為衛(wèi)星城的環(huán)狀城市發(fā)展結(jié)構(gòu)。同時(shí)中心城與衛(wèi)星城都有重要的交通網(wǎng)絡(luò)連接，形成了以成都市外環(huán)、S106、衛(wèi)星城間的交通線等，三環(huán)網(wǎng)絡(luò)結(jié)構(gòu)。重慶地區(qū)在2004—2013年城市擴(kuò)展速度較快，但是擴(kuò)展區(qū)域小于成都地區(qū)。重慶向四周擴(kuò)展的差異性較小，以向西為主。結(jié)合重慶周?chē)慕煌ňW(wǎng)（圖5（b））可見(jiàn)，重慶城市發(fā)展結(jié)構(gòu)特點(diǎn)呈現(xiàn)星型形狀，以重慶市為中心向四周輻射。而輻射區(qū)域主要是面向達(dá)州、南充、涪陵、瀘州。與成都相比，沒(méi)有形成明顯的環(huán)狀城市發(fā)展與交通網(wǎng)絡(luò)結(jié)構(gòu)。

圖4 成渝地區(qū)1992—2013年城市化進(jìn)程空間分布

圖5 成渝地區(qū)1992—2013年城市化結(jié)構(gòu)空間分布

4 結(jié)論

采用夜光遙感圖像對(duì)成渝城市群近21年的城市化進(jìn)行監(jiān)測(cè)分析。改變了傳統(tǒng)基于多光譜遙感數(shù)據(jù)直接進(jìn)行監(jiān)測(cè)的方法，而是利用城市燈光強(qiáng)度在長(zhǎng)時(shí)間序列內(nèi)的輻射變化，反映城市擴(kuò)展情況，為今后的城市發(fā)展與監(jiān)測(cè)提供一種新的思路與理念。同時(shí)在對(duì)于夜光圖像城市區(qū)識(shí)別方法上，本文對(duì)傳統(tǒng)方法進(jìn)行了創(chuàng)新，采用了梯度分割和灰度閾值分類(lèi)的組合方式，提高了對(duì)圖像城市區(qū)的識(shí)別精度。研究結(jié)果表明，對(duì)于定標(biāo)處理后圖像的識(shí)別精度An達(dá)到了0.052，提取的城市區(qū)面積范圍與百度地區(qū)城市區(qū)面積范圍很好的吻合，該方法大大提高了城市化監(jiān)測(cè)的時(shí)效性；成渝地區(qū)城市化擴(kuò)展呈現(xiàn)不同特點(diǎn)，成都以及毗鄰區(qū)主要呈現(xiàn)以綿陽(yáng)-德陽(yáng)-成都-眉山-樂(lè)山為主軸的東北西南向擴(kuò)展特點(diǎn)，而城市擴(kuò)展提速是從2003年以后開(kāi)始，近10年該地區(qū)城市擴(kuò)展范圍增加明顯。而重慶地區(qū)則是重慶為核心向四周擴(kuò)展，沒(méi)有明顯的擴(kuò)展較快的方向；近21年成都和重慶的城市擴(kuò)展呈現(xiàn)了獨(dú)特的擴(kuò)展結(jié)構(gòu)，成都及其毗鄰區(qū)呈現(xiàn)明顯的三層環(huán)狀結(jié)構(gòu)，第一層為成都外環(huán)、第二層為s106省道，將彭州、樂(lè)至、中江、眉山、都江堰等城市進(jìn)行了串聯(lián)、第三層為綿陽(yáng)、遂寧、內(nèi)江、自貢、樂(lè)山。而重慶的擴(kuò)展結(jié)構(gòu)呈現(xiàn)星型，以重慶為中心向外輻射，輻射方向主要是西北和西南，尤其是向成都方向。

[1]Liu Z F，He C Y，Zhang Q F，et al.Extracting the dynamics of urban expansion in China using DMSP-OLS nighttime light data from 1992 to 2008[J].Landscape and Urban Planning，2012，106（1）：62-72.

[2]Wu J，He S，PENG J，et al.Inter calibration of DMSPOLS nighttime light data by the invariant region method[J].International Journal of Remote Sensing，2013，34（20）：7356-7368.

[3]Pandey B，Joshi P K，Seto K C.Monitoring urbanization dynamics in India using DMSP/OLS night time lights and SPOT-VGT data[J].International Journal of Applied Earth Observation and Geo-information，2013，23：49-61.

[4]Li X，Xu H M，Chen X L，et al.Potential of NPP-VIIRS nighttime light imagery for modeling the regional economy of China[J].Remote Sensing，2013，5（6）：3057-3081.

[5]Forbes D J.Multi-scale analysis of the relationship between economic statistics and DMSP-OLS night Light images[J].GIs Science and Remote Sensing，2013，50（5）：483-499.

[6]Keola S，Andersson M，Hall O.Monitoring economic development from space：Using night light and land cover data to measure economic growth[J].World Development，2015，66：322-334.

[7]Min B，Gaba K M，Sarr O F，et al.Detection of rural electrification in Africa using DMSP-OLS night lights imagery[J].International Journal of Remote Sensing，2013，34（22）：8118-8141.

[8]Elvidge C D，Ziskin D，Baugh K E，et al.A fifteen year record of global natural gas flaring derived from satellite data[J].Energies，2009，2（3）：595-622.

[9]Baugh K，Elvidge C，Ghosh T，et al.Development of a 2009 stable lights product using DMSP-OLS data[C]//Proceedings of the Asia Pacific Advanced Network，2010.

[10]Benz U C，Hofmann P，Willhauck G，et al.Multi-resolution，object-oriented fuzzy analysis of remote sensing data for GIS-Ready information[J].SPRS Journal of Photogrammetry&Remote Sensing，2004，58：239-258.

[11]Sreejini K S，Govindan V K.Improved multi-scale matched filter for retina vessel segmentation using PSO algorithm[J].Egyptian Informatics Journal，2015，16：253-260.

[12]Baraldi P，Cannarile F，Maio F D，et al.Hierarchical k-nearest neighbors classification and binary differential evolution for fault diagnostics of automotive bearings operating under variable conditions[J].Engineering Applications of Artificial Intelligence，2016，56：1-13.

[13]Issac A，Sarathi M P，Dutta M K.An adaptive threshold based image processing technique forimproved glaucoma detection and classification[J].Computer Methods and Programs in Biomedicine，2015，122（2）：229-244.

[14]Wang Haijun，Kong Xiangdong，Zhang Bo.The simulation of lucc based on logistic-CA-Markov model in Qilian Mountain area，China[J].Sciences in Cold and Arid Regions，2016，8（4）：350-358.

[15]Wang Haijun，Dai Shengpei，Huang Xiaobin.The remote sensing monitoring analysis based on object-oriented classification method[C]//ChineseConferenceon Image and Graphics Technologies，2013：92-101.