2024, Vol. 44文章信息
- 李沐森, 钱雨果, 郭辰萌, 周伟奇, 韩立建, 王伟民
- LI Musen, QIAN Yuguo, GUO Chenmeng, ZHOU Weiqi, HAN Lijian, WANG Weimin
- 基于路网斑块的城市建成区制图新方法
- A new method of urban built-up area mapping based on road network patches
- 生态学报. 2024, 44(24): 10989-11003
- Acta Ecologica Sinica. 2024, 44(24): 10989-11003
- http://dx.doi.org/10.20103/j.stxb.202403310676
-
文章历史
- 收稿日期: 2023-03-31
- 网络出版日期: 2024-09-23
2. 中国科学院大学, 北京 100049;
3. 中国科学院生态环境研究中心, 北京城市生态系统研究站, 北京 100085;
4. 深圳市环境监测中心站, 深圳 518049;
5. 广东大湾区区域生态环境变化与综合治理国家野外科学观测研究站, 深圳 518049
2. University of Chinese Academy of Sciences, Beijing 100049, China;
3. Beijing Urban Ecosystem Research Station, Research center for Eco-Environmental Sciences, Beijing 100085, China;
4. Shenzhen Environmental Monitoring Center, Shenzhen 518049, China;
5. National Field Scientific Observation and Research Station of Regional Ecological Environment Change and Comprehensive Management in Guangdong Greater Bay Area, Shenzhen 518049, China
城市建成区是人类活动最集中、生态功能退化最严重、人与自然矛盾最突出的区域。随着全球城市化进程的加快, 建成区的扩张不断侵占自然景观[1—4], 导致了许多环境问题[5—6]。大量有关生态系统服务[1]、热岛、空气污染、绿度的生态学研究在城市中展开[7—11]。因此, 准确量化城市建成区边界对城市生态学研究具有重要意义。
已有研究常用多光谱数据、夜间灯光数据和其它社会经济数据, 基于像元提取建成区边界[11—22]。然而不同的数据具有不同的分辨率, 例如常用的多光谱数据分辨率有Modis的500m、Landsat的30m、高分系列的2m和10m以及亚米级；而社会经济数据例如夜光数据分辨率有来源于DMSP/OLS的1km, 及NPP/VIIRS的500m, POI数据则为矢量。基于低分辨率数据提取的建成区常常出现锯齿状边界, 并且容易与农村区域混淆；基于高分辨提取的建成区常导致建成区的破碎和不连续[23—24]。基于POI核密度提取的建成区边界常与实际情况相差较大[25]。由此可见, 利用不同空间分辨率遥感影像提取的建成区具有不同的制图单元大小, 导致提取的建成区边界缺乏可比性, 对后续城市范围的认识和景观格局的分析造成影响。此外, 有研究表明在像元水平进行多数据的融合会导致空间匹配上的错误, 提取到实际不存在的区域[26], 进一步扩大了建成区边界与真实边界的差异。
为了解决以上问题, 本文提出了一种基于路网斑块的城市建成区制图新方法。路网斑块是由城市道路形成的自然分割单元[27—28], 它不仅能准确地反映城市的实际形状, 还提供了在路网斑块水平融合多源数据的可能性。本文基于路网斑块, 利用不同种类的数据组合提取了建成区, 并将这些结果分别与在像元水平上的提取结果进行对比。研究还通过引入景观格局指数对这些结果和真实建成区之间的差异进行评价, 旨在为城市的规划管理和城市生态学研究提供边界支撑。
1 研究区概况与数据来源 1.1 研究区概况研究选取以“摊大饼”形式扩张的北京市[29]和“多核心”发展模式的深圳市[30]两个典型城市, 以检测本方法的通用性。北京是我国政治中心和文化中心, 东与天津相连, 其余均与河北省相邻, 行政区面积为16410km2(图 1)。北京建城距今已有3000多年, 改革开放以来北京城市化发展迅速, 常住人口从871.5万人增长到现在的2184.3万人, GDP从108.8亿元增长到43760.7亿元。北京市的发展规划, 经历了多次的修正, 从工业化到去工业化, 从最初的“摊大饼”式发展到如今的构建“一核一主一副、两轴多点一区”的城市空间结构, 生态问题逐步得到解决。
|
| 图 1 研究区和其相邻城市 Fig. 1 Study area I. 廊坊市, II.天津市, III.珠海市, IV.香港特别行政区, V.澳门特别行政区 |
深圳是我国南部海滨城市, 地处广东省南端, 珠江口东岸, 行政区面积为1997km2(图 1)。深圳市是我国改革开放之后, 城市化速度最快、程度最高的城市。据深圳市统计年鉴记录, 从1979年到2023年, 深圳市常住人口由31.41万人增长到1766.18万人, GDP从1.96亿元增长为32387.68亿元。与北京相比, 深圳市建成区比较分散, 面积较小但人口更加集中, 呈明显的多核心格局。然而由于国土空间有限, 人口大量涌入, 城市发展与自然资源不足的矛盾突出。因此, 精准的建成区数据可以为北京市及深圳市的城市生态学研究起到支撑作用。
1.2 数据来源研究中使用的数据主要有：(1)高分辨率遥感影像；(2)夜间灯光影像；(3)中等分辨率遥感影像；(4)矢量数据, 包括高德地图POI矢量数据和OSM路网络数据(表 1)。高分数据和路网数据用于路网斑块的分割, 夜间灯光数据、中等分辨率遥感数据和POI数据用于提取建成区。
| 数据 Data |
传感器 Sensor |
数据特征 Data features |
年份 Year |
数据来源 Data sources |
| 高分辨率遥感影像 High resolution remote sensing image |
GF—2 | 1m | 2020 | https://data.cresda.cn/#/2dMap |
| 夜间灯光影像 Nighttime light image |
NPP/VIIRS | 500m | 2022 | https://ngdc.noaa.gov/ |
| 中等分辨率遥感影像 Medium resolution remote sensing image |
Landsat-8 OLI Landsat-9 OLI |
30m | 2021 2022 |
https://www.gscloud.cn/ |
| 兴趣点Point of interest | — | 矢量 | 2022 | https://lbs.amap.com/ |
| 路网Road network | — | 矢量 | 2020 | https://www.openstreetmap.org/ |
中分数据选择夏季无云的影像(云量 < 5%)。所有数据均在ArcMap 10.8中按研究区进行剪裁, 并转换成WGS-1984坐标系。计算过程在ArcMap平台中进行, 在融合多源数据时将不同分辨率的栅格数据重采样为成常用的30m分辨率。
2 研究方法基于路网斑块提取建成区分两步, 第一步是利用路网和高分数据分割路网斑块, 第二步是在斑块水平提取建成区。研究基于夜间灯光数据、POI数据以及将多光谱、夜间灯光和POI数据融合得到三种建成区提取结果。接下来在像元水平上也分别按此数据组合提取建成区, 用于与斑块水平的建成区提取结果进行对比。其中基于夜光数据的建成区提取结果按照夜光数据的分辨率得出建成区范围(500m), 基于POI数据的建成区提取结果得到建成区边界矢量, 基于多源数据融合的建成区提取结果按照常用的30m分辨率得到建成区范围。最后对这些结果进行精度验证和景观格局指数分析, 评价基于路网斑块提取建成区方法的适用性。
2.1 结合路网和遥感影像的路网斑块分割研究利用OSM路网矢量和高分遥感影像, 结合面向对象的算法开展了路网斑块的提取。在路网与高分影像空间配准的基础上, 通过以下4个步骤划分了路网斑块：(1)加载所有等级的道路数据, 利用vector-based segmentation算法, 划分出最为精细的路网斑块；(2)通过remove算法去除小面积的破碎路网斑块, 并将其合并到相邻的大斑块中, 得到初步的路网斑块；(3)通过morphology算法识别形状复杂的路网斑块, 并提取复杂斑块的枝杈；(4)通过remove算法将枝杈合并到相邻的路网斑块中, 得到最终路网斑块结果(图 2)。
|
| 图 2 路网斑块的划分流程 Fig. 2 Division process of road patches |
所有的算法都在Trimble eCognition软件平台中完成, 四个步骤的具体分析方法和参数如下：
(1) vector-based segmentation算法以道路矢量来划分路网斑块, 且保持与高分影像的像元对齐(图 3), 通过将线矢量数据的栅格化, 实现矢量数据与栅格数据的融合。该方法可以结合已有各个等级的道路数据, 划分出大小各异的斑块, 为后面路网斑块的提取和优化奠定基础。
|
| 图 3 利用vector-based segmentation算法将矢量道路与栅格影像融合 Fig. 3 Vector-based segmentation algorithm is used to fuse vector road with raster image |
(2) 在算法1提取的精细路网斑块的基础上, 利用remove算法删除细碎的非路网斑块, 且将细碎斑块合并到具有最大共同边界的相邻斑块中。本研究中, 利用试错分析法, 最终选择长宽比≥6的斑块、宽度＜100m的斑块, 以及面积小于20hm2的斑块应用remove, 得到了初步的路网斑块结果(图 4, 其中白色为目标斑块, 红色和空值为有待合并的细碎斑块)。
|
| 图 4 利用remove算法删除细碎的非路网斑块 Fig. 4 Remove algorithm is used to delete fine non-road patches |
(3) 针对所得到的初步划分结果存在形状不规整的问题(图 5), 本研究利用morphology工具对初步的路网斑块进行形态学处理。具体来说, 利用160m×160m的正方形掩膜对每一个斑块进行分析, 若斑块可以完全包含掩膜则保留, 若不能完全包含掩膜, 则将不能包含掩膜的区域分离成临时斑块(图 5, 紫色为临时斑块)。
|
| 图 5 利用morphology工具对初步的路网斑块进行形态学处理 Fig. 5 Morphology tool is used to deal with the preliminary road patches morphologically |
(4) 利用remove算法删除临时斑块, 且将临时斑块合并到具有最大共同边界的相邻斑块中。得到了最终的路网斑块结果(图 6, 其中白色为路网斑块, 紫色为待合并的临时枝杈斑块)。
|
| 图 6 利用remove算法删除临时斑块 Fig. 6 Delete temporary plaque by remove algorithm |
(1) 基于夜光数据提取建成区
阈值法是一种利用夜间灯光亮度或相关城市指数提取建成区研究中经常使用的方法, 该方法容易操作且准确性较高[31]。本文中在像元水平提取建成区时采用参考数据比较法确定提取建成区的阈值, 参考数据在下文给出。在斑块水平提取建成区时, 先计算每个路网斑块的夜光亮度(DN)均值, 然后按照每个斑块平均亮度的大小对每个路网斑块排序, 最后累加每个路网斑块的面积, 直到与参考建成区面积差距最小。
(2) 基于POI数据提取建成区
在斑块水平提取建成区时, 先计算每个路网斑块中POI的密度(POI数量/斑块面积), 以此作为该斑块的POI数据特征。然后再利用上一步的统计方法对路网斑块排序, 最后得到提取建成区的阈值。在像元水平提取建成区时本文应用核密度估计法, 该方法常被用于利用POI数据提取建成区的研究中[32—33]。此方法需要先对POI数据进行核密度分析以得到稳定的密度分布图, 搜索半径影响核密度分析结果的稳定性[34], 不同的城市最佳搜索半径不同。经过试验, 确定北京市搜索半径为3000m, 深圳市搜索半径为2000m。该方法相关公式如下所示：
|
(1) |
式中, POIi为点i的核密度值; Kj表示点j的权重；Dij表示点i和j的欧氏距离；R表示区域的带宽(Dij < < R)；n表示点j在区域中的数量。
|
(2) |
式中, ΔSd1/2为POI核密度等值线的值与与闭合等值线理论面积Sd的理论半径的增量；r为城市空间结构变化的容许值。
(3) 基于多源数据融合据提取建成区
夜光数据存在光溢出效应, 利用夜光数据提取建成区容易造成边界部分的错分, 已有的研究通过引入NDVI数据抑制边缘的亮度溢出[35]。此外, 许多研究者通过融合夜光数据和POI数据, 增加对城市社会经济信息和人类活动的描述[17]。由于NDVI、NTL和POI密度值在数值上存在较大差异, 本研究运用“几何均值法”在斑块水平进行数据融合, 提出基于路网斑块的NDVI和POI修正的夜光城市指数(NDVI and POI adjust NTL urban index based on patch, P-NPANUI)。几何均值法是一种被广泛使用的数据融合方法, 可以有效消除数据之间的极值影响, 保留原始信息。经几何均值计算后, 有效弥补了部分斑块数据缺失的问题。在斑块水平提取建成区时, 计算每个路网斑块的P-NPANUI指数, 以此作为特征数据。然后再对所有的路网斑块按P-NPANUI指数大小进行排序, 同样通过统计的方法寻找与参考数据面积差距最小的临界点, 从而确定提取建成区的最佳阈值。P-NPANUI指数相关公式如下所示：
|
(3) |
|
(4) |
式中, P-NPANUIi表示斑块i的指数值；NDVIi表示斑块i的NDVI均值；NTLi表示斑块i的亮度均值；POIi表示斑块i的兴趣点密度均值。
在像元水平提取建成区时, 计算每个像元的NPANUI指数, 然后利用参考数据比较法确定提取建成区的阈值, 相关公式如下所示：
|
(5) |
式中, NPANUIi表示像元i的指数值；NDVIi表示像元i的NDVI值；NTLi表示像元i的亮度值；POIi表示像元i的兴趣点核密度值。
2.3 参考边界提取参考相关文献[36]和《城市(县城)和村镇建设统计报表制度》(2021版), 本文对建成区从生物物理层面和社会经济层面两方面定义。在生物物理层面, 建成区指的是建设集中连片的地区。在社会经济层面, 建成区指的是人口集中、公共设施完善, 能够满足城市多样化的城市功能和需求的区域。由于已有的公开数据存在城市定义不全面和分辨率不一致的问题, 本文选用目视判读人机交互的方式, 手动绘制建成区边界。目视判读是专业人员通过直接观察或借助其它辅助在遥感影像上获取特定目标地物信息的过程[37—38]。经人工绘制的北京建成区面积为1461km2, 深圳市建成区面积为961km2。
2.4 精度验证及景观指数分析 2.4.1 精度验证混淆矩阵是表示分类为某一类点的个数与实际为该类别点的数量的比较阵列, 基于混淆矩阵可以计算出生产者精度、用户精度、总体精度和Kappa系数。用户精度又称错分精度, 用于反映分类结果中分类正确的概率；生产者精度又称漏分精度, 用于反映已知地面类型被分类正确的概率；总体精度表示分类的结果与参考数据的总体一致程度；Kappa系数用于检验分类结果与实际结果的一致性, 其系数越接近1则分类可信度越高。
2.4.2 景观指数分析景观格局指数是反映景观结构组成和空间配置的定量指标, 由于混淆矩阵难以验证提取结果的空间分布特征, 引入景观格局指数能够得到更全面而准确的评价结果。景观格局指数多达数百种, 但许多指数的意义相近[39—40]。研究针对建成区这一景观, 从建成区斑块的分布、形状和边界这三种角度选取了景观破碎度、周长面积比、边缘密度和景观形状指数这几种指标来描述建成区的景观格局信息。
研究种所使用的景观格局指数均由Fragstats 4软件计算得出。计算公式由表 2列出[41—42]。
| 景观格局指数 Landscape pattern index |
描述 Describe |
计算公式 Formula |
| 景观破碎度 Landscape fragmentation |
景观破碎度表征景观被分割的破碎程度, 反映景观空间结构的复杂性(单位：个/km2) |  |
| 周长面积比 Perimeter-Area Ratio(PARA) |
是一类景观的自身周长和其面积之比, 可以看作是对景观形状复杂程度的简单测度 |  |
| 边缘密度 Edge density(ED) |
用于揭示景观或类型被边界分割的程度(单位m/ha) |  |
| 景观形状指数 Landscape shape index(LSI) |
分析景观类型形状的复杂程度 |  |
| Ni表示景观类型为i的斑块数量；Ai表示景观型为i的斑块面积；Ci表示景观型为i的斑块周长；E表示景观内斑块边界总长度；A表示整个景观的面积 | ||
经统计北京市路网斑块划分结果数量为15219个, 平均面积为0.88km2(图 7), 斑块的分布呈现中心密度高, 四周密度降低的趋势。主要原因在于主城区外围存在大量的自然空间, 这部分路网斑块稀疏, 斑块面积大。在延庆、怀柔、密云等地的城区出现斑块密度增大的现象, 但很快降低。由此可知, 北京市路网斑块在城市化程度高的地区密度高, 单位斑块面积小。城市化程度低的地区斑块密度低, 单位斑块面积大, 与北京市“摊大饼”式的建设格局基本相符。
|
| 图 7 北京和深圳路网斑块分割结果 Fig. 7 Segmentation results of road patches in Beijing and Shenzhen |
深圳路网斑块数量为4598个, 平均面积约为0.43km2(图 7)。从斑块的空间分布来看, 深圳市南部斑块数量最多, 单个斑块面积小；中部与东部斑块密度相似, 单个斑块面积稍大；西南斑块密度低, 单个斑块面积较大。城市化程度高的地区斑块数量多, 城市化程度低的地区斑块数量少。斑块的空间分布基本符合深圳市“多点多核心”的格局。
3.2 建成区提取结果及精度北京市和深圳市建成区提取结果如图 8、图 9所示。北京市的NTL、P-NTL、POI、P-POI、NPANUI、P-NPANUI结果阈值分别为23.33、20.20、200、108.44、12.40和12.43, 深圳阈值分别为24.58、23.18、300、184.10、15.53和14.97。除基于POI数据的Density-Graph分析法划定的北京市和深圳市面积为934km2和766km2以外, 其余结果面积均接近参考边界的面积。精度评价是验证结果重要步骤, 实验采用混淆矩阵对精度进行评价。在研究区按照人工划分的城市和非城市两个区域分别选取1000个随机点, 北京和深圳两地的精度在表 3、表 4中列出。
|
| 图 8 北京提取结果和参考边界对比 Fig. 8 Comparison between Beijing extraction results and reference boundary NTL：夜间灯光指数Nighttime light index；P-NTL：基于斑块的夜间灯光指数Nighttime light index base on patch；POI：兴趣点Point of interest；P-POI：基于斑块的兴趣点密度估计Density estimation based on patch；NPANUI：NDVI和POI修正的夜光城市指数NDVI and POI adjust NTL urban index；P-NPANUI：基于斑块的NDVI和POI修正的夜光城市指数NDVI and POI adjust NTL urban index based on patch |
|
| 图 9 深圳提取结果和参考边界对比 Fig. 9 Comparison between Shenzhen extraction results and reference boundary |
| 方法 Method |
非建成区/% Non-built up area |
建成区/% Built up area |
总体精度/% Overall accuracy |
卡帕系数 Kappa |
||
| 像元Pixel | NTL | PA | 98 | 81 | 88 | 0.77 |
| UA | 80 | 98 | ||||
| 斑块Patch | P-NTL | PA | 98 | 83 | 90 | 0.80 |
| UA | 83 | 98 | ||||
| 像元Pixel | POI | PA | 99 | 58 | 77 | 0.55 |
| UA | 66 | 99 | ||||
| 斑块Patch | P-POI | PA | 99 | 84 | 90 | 0.81 |
| UA | 83 | 99 | ||||
| 像元Pixel | NPANUI | PA | 99 | 86 | 92 | 0.84 |
| UA | 86 | 99 | ||||
| 斑块Patch | P-NPANUI | PA | 89 | 90 | 94 | 0.88 |
| UA | 99 | 99 | ||||
| PA：生产者精度Producer′s accuracy；UA：用户精度User′s accuracy；NTL：夜间灯光指数Nighttime light index；P-NTL：基于斑块的夜间灯光指数Nighttime light index base on patch；POI：兴趣点Point of interest；P-POI：基于斑块的兴趣点密度估计Density estimation based on patch；NPANUI：NDVI和POI修正的夜光城市指数NDVI and POI adjust NTL urban index；P-NPANUI：基于斑块的NDVI和POI修正的夜光城市指数NDVI and POI adjust NTL urban index based on patch | ||||||
| 方法 Method |
非建成区/% Non-built up area |
建成区/% Built up area |
总体精度/% Overall accuracy |
卡帕系数 Kappa |
||
| 像元Pixel | NTL | PA | 87 | 85 | 86 | 0.72 |
| UA | 85 | 87 | ||||
| 斑块Patch | P-NTL | PA | 88 | 91 | 89 | 0.79 |
| UA | 91 | 88 | ||||
| 像元Pixel | POI | PA | 95 | 73 | 84 | 0.68 |
| UA | 87 | 94 | ||||
| 斑块Patch | P-POI | PA | 88 | 87 | 88 | 0.74 |
| UA | 87 | 88 | ||||
| 像元Pixel | NPANUI | PA | 90 | 91 | 91 | 0.81 |
| UA | 91 | 90 | ||||
| 斑块Patch | P-NPANUI | PA | 94 | 92 | 93 | 0.85 |
| UA | 92 | 94 |
基于不同的数据组合, 以路网斑块为制图单元提取的建成区精度水平更高(表 3、表 4)。北京地区NTL的精度水平比深圳略高, 总体精度为88%, Kappa系数为0.77。经路网斑块修正后, P-NTL在两地精度水平均提升。北京地区总体精度达到90%, Kappa系数为0.80。深圳地区总体精度和Kappa系数提升了3%和7%, 达到了89%和0.79。POI总体精度在北京为77%, Kappa系数只有0.55, 比深圳地区低了7%和13%。而使用路网斑块修正后, 两地精度水平提升明显。其中在P-POI北京总体精度提升了13%, 达到了90%。Kappa系数提升了26%, 达到了0.81, 漏分精度也提高了26%。P-POI在深圳错分精度由94%下降至88%, 但漏分精度上升了14%, 总体精度和Kappa系数均有上升, 达到了88%和0.74。NPANUI总体精度在北京为92%, 在深圳为91%, Kappa系数分别为0.84和0.81。经路网斑块修正后, P-NPANUI在两地精度水平仍有一定提升。其中北京总体精度、漏分精度和Kappa系数为94%、90%和0.88, 分别提升了2%、4%和4%。深圳总体精度、错分精度和Kappa系数为93%、94%和0.85, 分别提升2%、4%和4%。错分精度北京保持不变, 漏分精度在深圳基本不变。P-NPANUI在北京减少了遗漏, 在深圳修正了错误, 在两地均取得了最佳结果。
以路网斑块为制图单元提取建成区减少了漏分, 填补了建成区内部的空洞, 使建成区内更连续。对于夜间灯光数据, 由于城市内部某些区域在夜间缺乏照明, 能观察到在NTL内部存在较多空洞(图 8、图 9)。经路网斑块修正后, P-NTL内部空洞明显减少, 内部更连续。对于POI数据, 核密度估计法寻找的阈值突变点会低估建成区, 造成大面积的遗漏。而将制图单元更换为路网斑块并利用参考比较法确定阈值后, P-POI有效补充了建成区的漏分(图 8、图 9)。
以路网斑块为制图单元提取建成区减弱了边界锯齿, 使边界曲线变化更合理。如图 10, 以像元为制图单元提取的建成区(NTL)由于分辨率较低, 建成区边界产生明显的锯齿。此外, 核密度估计法提取的建成区结果边界过于平滑, 边缘细节简单, 丢失了许多城市信息(图 8、图 9)。对于多源数据, NPANUI边界处有许多细碎的小斑块(图 8、图 9), 城市信息碎片化严重, 边界曲线变化不合理(图 11)。将制图单元变换为路网后, 减弱了边界锯齿, 增加了边缘细节并使破碎的建成区斑块合并成整体, 边界曲线变化趋于合理。
|
| 图 10 北京市NTL和P-NTL对比 Fig. 10 Comparison between NTL and P-NTL in Beijing 黑色线代表路网斑块 |
|
| 图 11 NPANUI和P-NPANUI对比 Fig. 11 Comparison between NPANUI and P-NPANUI 黑色线代表路网斑块 |
路网斑块对建成区提取结果的破碎化、边缘复杂程度和形状都具有明显的修正作用。北京和深圳两个城市由于建成区建设格局不同, 利用不同的数据组合提取建成区表现出了不同的景观格局水平(表 5、表 6)。北京地区建成区提取结果的景观破碎度、边缘密度和景观形状指数均低于深圳地区, 说明北京市建成区建设格局较为简单, 深圳市较为复杂, 复合实际情况。以景观破碎度为例, 在北京市, NTL、POI、NPANUI提取的建成区景观破碎度分别为0.13、0.02和2.70, 与实际差距分别为0.10、-0.01和2.67。在深圳市, 这三种结果景观破碎度与实际的差距分别为-0.09、-0.23和1.05。将制图单元换作路网斑块后, 在北京P-NTL和P-NPANUI的景观破碎度与实际差距缩小为0.07和0, P-POI不变。在深圳, P-NTL、P-POI和P-NPANUI景观破碎度与实际差距缩小为0.04、0.03和0.09。对于周长面积比、边缘密度和景观形状指数, 路网斑块对POI和NPANUI的修正效果明显, 对NTL的修正效果较弱。
| 方法 Method |
斑块数量 Number of plaques |
周长/km Girth |
景观破碎度 landscape fragmentation |
周长面积比 Perimeter-Area Ratio |
边缘密度 Edge density |
景观形状指数 Landscape shape index |
|
| 像元Pixel | NTL | 187 | 1688 | 0.13 | 1.15 | 1.02 | 5.78 |
| 斑块Patch | P-NTL | 145 | 1633 | 0.10 | 1.13 | 1.01 | 5.72 |
| 像元Pixel | POI | 20 | 375 | 0.02 | 0.40 | 0.29 | 3.44 |
| 斑块Patch | P-POI | 24 | 886 | 0.02 | 0.60 | 0.54 | 4.22 |
| 像元Pixel | NPANUI | 3963 | 2245 | 2.70 | 1.53 | 1.37 | 6.89 |
| 斑块Patch | P-NPANUI | 47 | 1047 | 0.03 | 0.71 | 0.63 | 4.52 |
| 参考边界 Reference boundary |
— | 46 | 875 | 0.03 | 0.58 | 0.62 | 4.50 |
| 方法 Method |
斑块数量 Number of plaques |
周长/km Girth |
景观破碎度 landscape fragmentation |
周长面积比 Perimeter-Area Ratio |
边缘密度 Edge density |
景观形状指数 Landscape shape index |
|
| 像元Pixel | NTL | 171 | 886 | 0.18 | 0.92 | 4.01 | 7.31 |
| 斑块Patch | P-NTL | 298 | 948 | 0.31 | 0.99 | 4.04 | 7.35 |
| 像元Pixel | POI | 32 | 453 | 0.04 | 0.59 | 2.80 | 5.96 |
| 斑块Patch | P-POI | 293 | 856 | 0.30 | 0.89 | 3.97 | 7.26 |
| 像元Pixel | NPANUI | 1269 | 1108 | 1.32 | 1.15 | 5.44 | 8.89 |
| 斑块Patch | P-NPANUI | 348 | 936 | 0.36 | 0.98 | 4.10 | 7.41 |
| 参考边界Reference boundary | — | 255 | 671 | 0.27 | 0.70 | 3.84 | 7.16 |
在像元水平融合多源数据虽然能在一定程度上提高分类精度, 但建成区提取结果在景观格局水平上与实际存在较大差异。以景观破碎度、边缘密度和景观形状指数为例, 尽管NPANUI提取建成区总体精度和Kappa系数在两个研究区都在90%左右, 但这些景观格局指标与实际差别较大, 盲目应用这些结果可能会导致一些问题。具体为北京分别与实际差距2.67、0.75和2.39, 深圳分别与实际差距1.05、1.62和1.73。将制图单元换作路网斑块后, 上述指标在北京和深圳两个研究区与实际差距分别缩小为0、0.01、0.02和0.09、0.26、0.25, 均比以像元为制图单元提取建成区的结果差距更小。
4 讨论 4.1 基于斑块提取建成区的优势本文提出了一种在斑块水平提取建成区的方法, 为城市生态学研究提供了新的边界参考。路网斑块作为一种新的计算单元, 在提取建成区时可以使用单一数据也可以融合多源数据。与像元相比, 基于路网斑块提取建成区结果受数据质量影响小, 相同数据条件下能够提升结果的准确性, 减少和真实建成区在空间分布上的差异。与此同时, 以往的研究由于使用的数据分辨率不同, 提取结果边界不统一, 空间分布与实际差别大。本研究利用数据源的信息而非像元边界, 通过判定路网斑块的城市属性确定建成区。基于斑块的建成区范围极大的减小了锯齿状边界和混合像元的影响, 统一了边界的提取范围, 使之与真实情况更加相符。
另一方面, 以路网斑块为制图单元提取的建成区对边界内的景观破碎度影响较小, 有利于进行建成区内景观格局及生态系统服务的研究。建成区这一景观是人类活动和自然相互作用的结果[43], 不同城市建成区的形成有其历史、人文、社会和自然等原因。许多城市在经历“摊大饼”式发展后, 现在转而期望构建城市总体“多点多核心”格局的新发展目标。已有的研究只在精度水平上验证了结果, 对景观格局的分析还不够深入。本文基于景观格局分析发现在像元尺度提取建成区结果与实际差别较大, 对建成区格局的模拟存在不足, 难以为其它生态学研究提供数据支撑。
总的来说, 基于路网斑块的提取方法综合简单的阈值就可达到较高的精度, 在不同格局的城市试验中对建成区景观格局的模拟效果突出, 且逻辑清楚避免了深度学习无法解释的黑箱也无需耗费时间训练和标定样本数据。在未来进行大尺度研究时, 所提方法利用简单的数据就能迅速得到高精度的结果, 可用于城市群或全国的生态学分析。
4.2 局限性和发展前景本方法目前还存在一些局限性。首先, 方法的准确性在一定程度上依赖路网斑块分割方法的性能。由于建成区边缘路网相对稀疏, 导致边缘斑块内部会包含一部分自然区域, 影响结果的准确性。未来可以通过修改分割规则使路网斑块分割结果更符合实际情况。其次, 在城市内部某些区域, 由于城市信息相对较少可能造成遗漏。例如大型景区公园, 封闭的单位和高档小区, 这些区域夜间灯光亮度和POI数量较低。该区域具有城市功能而未被分为建成区, 未来可以通过分析这些区域的空间位置加以区分。
目前我国对建成区的界定标准主要参考国家统计局、住房和城乡建设部两部门的相关规定和制度。在统计口径上城市(县城)建设统计中的城市建成区等同于国家统计局的城区[44—45]。它们二者的区别在于国家统计局以居(村)一级为最小划分单元, 住房和城乡建设部以镇(乡)一级作为最小划分单元。在建成区或城区统计上, 实际上将上述行政管辖范围整体纳入或排除, 与建成区实体存在一定差距[45]。本文提出的方法可结合POI数据(包含居(村)和镇(乡)政府点位信息), 以路网斑块为制图单元建立统计上城乡的空间表征, 用于城市生态学的在综合维度的研究。
5 结论本文基于路网斑块提出了一种在斑块尺度提取建成区的方法。并利用三种不同的数据组合提取了建成区, 比较了它们与像元尺度上提取建成区结果之间的差别。与基于像元的建成区提取方法相比, 本文所提方法可以减少边界锯齿和分辨率不统一的问题, 提高提取结果的精度, 并使结果在景观格局和空间细节上更接近真实情况。本文所提方法具有较高的适用性和稳定性, 既适用于格局不同的城市, 也适用于不同类型的数据组合。对于建成区内部, 所提方法可以通过增加城市斑块填补内部空洞。对于建成区边缘, 所提方法减少了由数据局限性引起的景观破碎化。与多源数据相比, 本文所提方法对单一数据源提取结果的精度提升幅度较大, 但使用多源数据协同提取结果精度更高。这表明基于路网斑块的方法使用单一数据就能获得高精度结果, 可以应对快速提取需求。而使用多源数据可以获得更精准的结果, 适用于更细致的研究。总的来说, 本文所提方法是一种有效且实用的方法, 它可以准确地提取出城市的建成区边界, 为城市的生态规划与管理提供有力的支持。
| [1] |
Zhou W Q, Jiao M, Yu W J, Wang J. Urban sprawl in a megaregion: a multiple spatial and temporal perspective. Ecological Indicators, 2019, 96: 54-66. DOI:10.1016/j.ecolind.2017.10.035 |
| [2] |
Lin Z X, Xu Y P, Wang Q, Luo S, Lu M, Yu Z H. River system changes under urban expansion: Insights from the Suzhou-Wuxi-Changzhou metropolitan area, China. Journal of Hydrology: Regional Studies, 2024, 53: 101766. DOI:10.1016/j.ejrh.2024.101766 |
| [3] |
党雪薇, 周亮, 胡凤宁, 袁博, 唐建军. 关中平原城市群扩张对生态用地的多尺度影响. 生态学报, 2022, 42(7): 3020-3032. |
| [4] |
李嘉艺, 孙璁, 郑曦. 基于适应性循环理论的区域生态风险时空演变评估——以长江三角洲城市群为例. 生态学报, 2021, 41(7): 2609-2621. |
| [5] |
Bradfield A A, Nagy C M, Weckel M, Lahti D C, Habig B. Predictors of mammalian diversity in the New York metropolitan area. Frontiers in Ecology and Evolution, 2022, 10: 903211. DOI:10.3389/fevo.2022.903211 |
| [6] |
Wang J L, Zhou W Q, Pickett S T A, Yu W J, Li W F. A multiscale analysis of urbanization effects on ecosystem services supply in an urban megaregion. Science of the Total Environment, 2019, 662: 824-833. DOI:10.1016/j.scitotenv.2019.01.260 |
| [7] |
闫章美, 周德成, 张良侠. 我国三大城市群地区城市和农业用地地表热环境效应对比研究. 生态学报, 2021, 41(22): 8870-8881. |
| [8] |
王煜, 唐力, 朱海涛, 麦有全, 何伟彪, 王伟民, 刘凯, 苏红波. 基于多源遥感数据的城市热环境响应与归因分析——以深圳市为例. 生态学报, 2021, 41(22): 8771-8782. |
| [9] |
宿兴涛, 冯静, 安豪, 李亚云, 朱晓蕾. 2015—2021年京津冀典型城市PM2.5和O3污染趋势变化分析. 大气科学, 2023, 47(5): 1641-1653. |
| [10] |
江原, 郝媛媛, 黄祎宸. 基于夜间灯光数据的甘青宁城市扩展及其建成区植被变化特征. 生态学报, 2022, 42(10): 3974-3988. |
| [11] |
杨纯, 蒋恬田, 李欣, 李小马. 绿化覆盖率对城市绿地破碎度与地表温度的关系的影响. 生态环境学报, 2024, 33(2): 242-248. |
| [12] |
Javed A, Cheng Q M, Peng H, Altan O, Saleem N. Review of spectral indices for urban remote sensing. Photogrammetric Engineering & Remote Sensing, 2021, 87(7): 513-524. |
| [13] |
As-syakur A R, Adnyana I W S, Arthana I W, Nuarsa I W. Enhanced built-up and bareness index (EBBI) for mapping built-up and bare land in an urban area. Remote Sensing, 2012, 4(10): 2957-2970. |
| [14] |
Sun Z C, Wang C Z, Guo H D, Shang R R. A modified normalized difference impervious surface index (MNDISI) for automatic urban mapping from landsat imagery. Remote Sensing, 2017, 9(9): 942. |
| [15] |
You Y F, Wang S Y, Ma Y X, Chen G S, Wang B, Shen M, Liu W H. Building detection from VHR remote sensing imagery based on the morphological building index. Remote Sensing, 2018, 10(8): 1287-1287. |
| [16] |
Zhang Q F, He C Y, Liu Z F. Studying urban development and change in the contiguous United States using two scaled measures derived from nighttime lights data and population census. GIScience & Remote Sensing, 2014, 51(1): 63-82. |
| [17] |
Wang M C, Song Y L, Wang F Y, Meng Z G. Boundary extraction of urban built-up area based on luminance value correction of NTL image. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14: 7466-7477. |
| [18] |
Jiang C, Miao Y H, Xi Z L. A new method of extracting built-up area based on multi-source remote sensing data: a case study of Baoding central city, China. Geocarto International, 2022, 37(20): 6072-6086. |
| [19] |
Li F, Yan Q W, Zou Y J, Liu B L. Extraction accuracy of urban built-up area based on nighttime light data and POI: a case study of Luojia 1-01 and NPP/VⅡRS nighttime light images. Geomatics and Information Science of Wuhan University, 2021, 46(6): 825-835. |
| [20] |
Wu Z T, Wei X D, He X J, Gao W J. Identifying urban built-up areas based on spatial coupling between nighttime light data and POI: a case study of Changchun. Buildings, 2023, 14(1): 19. |
| [21] |
Li X M, Song Y S, Liu H, Hou X Y. Extraction of urban built-up areas using nighttime light (NTL) and multi-source data: a case study in Dalian city, China. Land, 2023, 12(2): 495. |
| [22] |
Zhang J, Yuan X D, Lin H. The extraction of urban built-up areas by integrating night-time light and POI data—a case study of Kunming, China. IEEE Access, 2021, 9: 22417-22429. |
| [23] |
Wang H B, Gong X S, Wang B B, Deng C, Cao Q. Urban development analysis using built-up area maps based on multiple high-resolution satellite data. International Journal of Applied Earth Observation and Geoinformation, 2021, 103: 102500. |
| [24] |
Zhang Q, Huang X, Zhang G X. Urban area extraction by regional and line segment feature fusion and urban morphology analysis. Remote Sensing, 2017, 9(7): 663. |
| [25] |
许泽宁, 高晓路. 基于电子地图兴趣点的城市建成区边界识别方法. 地理学报, 2016, 71(6): 928-939. |
| [26] |
Zhang J, Zhang X, Tan X P, Yuan X D. Extraction of urban built-up area based on deep learning and multi-sources data fusion-The application of an emerging technology in urban planning. Land, 2022, 11(8): 1212. |
| [27] |
Kong L, He Z W, Chen Z S, Luo M L, Du Z, Zhu F Q, He L. Spatial distribution and morphological identification of regional urban settlements based on road intersections. ISPRS International Journal of Geo-Information, 2021, 10(4): 201. |
| [28] |
Lin Y Y, Hu X S, Lin M S, Qiu R, Lin J G, Li B Y. Spatial paradigms in road networks and their delimitation of urban boundaries based on KDE. ISPRS Int J Geo Inf, 2020, 9: 204. |
| [29] |
白光. 基于经济自组织的特大城市职住空间结构演化研究——以北京和东京为例[D]. 北京: 北京交通大学, 2021.
|
| [30] |
首都之窗. 《北京城市总体规划(2016年-2035年)》. (2017-09-29)[2024-05-20]. https://www.beijing.gov.cn/gongkai/guihua/wngh/cqgh/201907/t20190701_100008.htm.
|
| [31] |
Milesi C, Elvidge C D, Nemani R R, Running S W. Assessing the impact of urban land development on net primary productivity in the southeastern United States. Remote Sensing of Environment, 2003, 86(3): 401-410. |
| [32] |
Xu Z N, Gao X L, Wang Z Q, Fan J. Big data-based evaluation of urban parks: a Chinese case study. Sustainability, 2019, 11(7): 2125. |
| [33] |
He X, Zhang Z M, Yang Z J. Extraction of urban built-up area based on the fusion of night-time light data and point of interest data. Royal Society Open Science, 2021, 8(8): 210838. |
| [34] |
Heidenreich N B, Schindler A, Sperlich S. Bandwidth selection for kernel density estimation: a review of fully automatic selectors. AStA Advances in Statistical Analysis, 2013, 97(4): 403-433. |
| [35] |
Zhang Q L, Schaaf C, Seto K C. The vegetation adjusted NTL urban index: a new approach to reduce saturation and increase variation in nighttime luminosity. Remote Sensing of Environment, 2013, 129: 32-41. |
| [36] |
Lossifova D, Doll C, Gasparatos A. Defining the urban. Taylor and Francis, 2017, 288-291. |
| [37] |
彭凯锋, 蒋卫国, 侯鹏, 凌子燕, 牛振国, 毛德华, 黄卓. 结合多源专题数据和目视解译的大区域密集湿地样本数据生产. 遥感学报, 2024, 28(2): 334-345. |
| [38] |
魏慧, 吕昌河, 尹旭. 青藏高原耕地的空间分异及其影响因素. 地理科学, 2023, 43(3): 379-387. |
| [39] |
张林艳, 夏既胜, 叶万辉. 景观格局分析指数选取刍论. 云南地理环境研究, 2008, 20(5): 38-43. |
| [40] |
何鹏, 张会儒. 常用景观指数的因子分析和筛选方法研究. 林业科学研究, 2009, 22(4): 470-474. |
| [41] |
朱凌一, 王勇. 基于夜光遥感影像的苏南城市群建成区提取方法. 地理空间信息, 2023, 21(10): 44-48. |
| [42] |
李志强. 城市内部景观动态及其对热岛效应影响——以深圳市为例[D]. 北京: 中国科学院大学, 2020.
|
| [43] |
陈利顶, 孙然好, 刘海莲. 城市景观格局演变的生态环境效应研究进展. 生态学报, 2013, 33(4): 1042-1050. |
| [44] |
林广思. 城市绿地统计问题及分析. 城市规划, 2013, 37(5): 80-84. |
| [45] |
王浩, 刘娅菲, 宁晓刚, 张翰超. 城区边界遥感提取研究进展. 测绘科学, 2019, 44(6): 159-165. |