樊风雷, 刘润萍, 张佃国

(1.华南师范大学地理科学学院，广州 510631；2. 山东省人工影响天气办公室，济南 250031)

城市建筑用地面积是城市地表环境重要的参数信息. 随着遥感的发展，基于遥感影像提取该参数信息成为可能. 目前，我国正处于工业化和城市化进程加快时期，国家正在推动城镇化的进程. 随着城镇化的推进，城市建设用地需求也将会不断增加，这必然使得人多地少的矛盾不断加剧[1]. 如何快速、有效和客观的提取城市建筑用地信息已成为一项城市发展规划和城市人居环境研究的重要基础工作. 另一方面，准确的城市建筑用地变化信息可使政府及时了解城市空间扩展信息，这对城市的健康可持续发展具有重要的现实意义. 在过去30年里，遥感由于其连续性和动态性的特点使得该技术得到了迅猛地发展，并逐渐成为探测各种地物类型变化的主要手段. 遥感卫星对地观测技术已成为城市地表信息研究中一个重要的分支，其中，基于遥感指数获得城市地表信息越来越受到重视. 近年来，利用仿归一化建筑指数(NDBI)提取城市建筑用地信息逐渐成为研究的热点. 杨山[2]、查勇等[3]提出了仿归一化植被指数(NDBI)，并用于提取无锡、南京等地的城市建筑用地信息. 潘卫华等[4]采用仿归一化植被指数(NDBI)和监督分类法，提取了泉州市城市空间信息. 王琳等[5]通过压缩数据维的方式，提取了福州市的城市建筑用地信息. 徐涵秋[6]基于谱间特征和归一化指数分析，提出了城市建筑用地信息提取方法，使建筑用地的提取精度提高到91%以上. 杨智翔等[7]提出了一种改进的NDBI指数，并提取南京主城区的城镇用地；彭光雄等[8]利用NDVI和NDWI，并通过设定阈值对TM数据进行了分类研究；戴建光等[9]同样利用NDBI和NDVI对金华市的城市建筑用地进行了提取. Varshney等[10-11]讨论和对比了利用遥感数据提取城市建筑的因子算法，指出了修改NDBI算法的必要性和重要性，并利用TM影像设计了自动NDBI提取算法. Bagan等[12]和Weng[13]也对基于遥感指数用来提取城市建筑面积的研究进行了理论剖析和概念设计，并提出了因子研究的方向. Weng[13]着重研究多因子联合进行地学信息，尤其是城市面积的提取. 通过上述研究可以看出当前提取城市建筑信息大致分为3个方法：(1)利用传统的分类器进行提取；(2)利用成熟的单一指数进行提取；(3)对传统成熟的指数进行改进和优化. 上述研究更多地关注于单一指标对城市建筑信息的提取，而没有讨论多因子联合提取的可能性.作为中国第三大城市的广州，其城市建筑信息尚未得到足够的研究，因此，本文在NDBI指数研究的基础上，采用多因子联合的模式，结合NDBI、NDVI和MDWI等指数提取了广州市1990年和2010年的建筑用地信息，并对广州市城市建筑面积进行了空间分析.

1 研究区域及研究数据

研究区域为广州市区，包括东山、荔湾、越秀、海珠、天河、芳村、白云和黄埔区. 广州市位于112°57′E～114°3′E、22°26′N～23°56′N之间. 其地势东北高、西南低. 北部和东北部是山区，中部是丘陵和台地，南部是珠江三角洲冲积平原. 采用的数据为1990 年10 月1日和2010年11月11日的TM影像数据. 这2个时相的图像数据获取时间比较接近，获取时间为秋季，基本上没有受到天气的干扰.

图1 研究区域

2 研究方法

以1990年的TM作为主图像，采用Map to Map的方式对2010年的TM图像进行几何纠正，几何校正后的图像精度误差RSM小于0.5个像元.

遥感衍生指数包括归一化植被指数(NDVI)，修正归一化水体指数(MNDWI)和归一化建筑指数(NDBI).

(1)归一化植被指数:

NDVI=(NIR-Red)/(NIR+Red)，

(1)

式中，NIR为近红外波段，Red为红光波段.

(2) 修正归一化水体指数:

NDWI=(Green-NIR)/(Green+NIR)，

(2)

式中，Green为绿光波段，NIR为近红外波段. 由于水体的反射从可见光到中红外波段逐渐减弱，在近红外和中红外波长范围内(700～2 500 nm)吸收性最强. 因此，用可见光波段和近红外波段构建的NDWI指数可以快速地提取影像中的水体信息. 但是，随着水体混浊程度的增加，水的反射曲线会逐渐往长波方向移动，致使水体在中红外区也会出现异常的反射，特别是城市内河由于都有不同程度的污染，这一现象更为明显. 因此，将原NDWI中的近红外波段替换为中红外波段，将式(2)改为：

NDWI=(Green-MIR)/(Green+MIR)，

[5]习近平：《决胜全面建成小康社会夺取新时代中国特色社会主义伟大胜利--在中国共产党第十九次全国代表大会上的报告》，北京：人民出版社，2017年，第40-41页。

(3)

式中，MIR为中红外波段. MNDWI指数可以进一步增强水体与其他地类的反差，有利于城市水体的提取.

(3)归一化建筑指数:

NDBI=(MIR-NIR)/(MIR+NIR)，

(4)

式中MIR为中红外波段，NIR为近红外波段. 该指数主要基于城市建筑用地(多为不透水面)在TM5波段的反射率高于4波段的特点而构建. 根据式(4)，NDBI取值大于0的为城镇用地，小于0的为非城镇用地. 但是由于建筑用地TM5和TM4波段之间的差异远不如构建水和植被指数的波段之间的差异明显(图2)，另外，许多其他地物具有5波段的反射率大于4波段的特点，因此单靠NDBI这一种指数提取城镇用地信息是不可靠的.

图2 3种主要地物的NDVI/NDBI/NDWI分布曲线

城市建成区的用地类型基本可以分为3大类型：建筑用地、植被和水体. 这3类地物与NDBI、NDVI和MNDWI等3个指数所表达的信息基本对应. 通过分析建筑、植被和水体3类地物所对应的NDBI、NDVI和MNDWI的值(图2)，结果表明：

(1)建筑地物：NDBI>NDVI>MNDWI；

(2)植被地物：NDVI>NDBI>MNDWI；

由此可见，若需要提取更为精确的建筑地物信息，需要寻找像元3个指数满足：

NDBI>NDVI>MNDWI，

或

NDBI>MNDWI>NDVI.

综合上述规律，本研究提出以下观点来获取建筑用地信息：任一图像像元的3个指数中，满足NDBI最大即为建筑信息.

本方法使得待提取的建筑用地信息具有NDBI波段同时大于NDVI波段和MNDWI波段的特征. 通过ENVI软件的波段运算(Band Math)功能，本文对NDBI指数同时大于NDVI指数和MNDWI指数的逻辑运算，从而可以通过抑制植被和水体的信息来有效地增强影像中的建筑用地信息. 本方法通过比对每个像元内的NDBI与NDVI和MNDWI的大小筛选出最大可能性的NDBI像元.

3 建筑用地信息提取及精度验证

利用上述方法和处理步骤，本研究对广州市1990和2010年的遥感影像进行了处理，获得广州市2个时相的NDBI指数.广州市区1990年和2010年的建筑用地信息提取结果如图3.

图3 广州市区建筑用地信息

采用高分辨率图像ALOS(2010年1月)作为参照，随机抽取研究区域内的200个点对获取的2010年NDBI指数图像进行精度评价分析. 200个抽样点包括了100个高密度建筑象元，75个中密度建筑象元；15个低密度建筑象元. 通过精度校验可以发现：在100个高密度建筑象元中，89个高密度建筑象元的NDBI值大于0.05，其精度达到89%；75个中密度建筑象元中，60个象元的NDBI值在0.02～0.05范围内，其精度达到80%；15个低密度建筑象元中，10个象元的NDBI值在-1～0.02范围内，其精度达到66.7%. 通过精度校验可以发现改进的NDBI方法可以很好地满足城市建筑信息的要求，改方法尤其对高密度的城市建筑信息提取更加有效.

4 结果与分析

4.1 广州市NDBI变化

NDBI分布图可以反映城市建筑密集程度，图4中亮度越高的地区代表建筑越密集，亮度较暗的地区是植被或者水体. 1990年研究区NDBI指数平均值为-0.06，2010年研究区NDBI平均值上升为0.09，20年间广州市区NDBI指数增加了0.15，反映了城市建筑地物增加量很大. 结合1990年和2010年的广州城区建筑用地信息提取结果可以看出，广州城市发展空间扩展的趋势是以老城区为中心向外辐射蔓延和沿道路(河流)带状扩展相结合的. 其中从市中心向东，向北的带状扩展趋势比较明显.

对1990年和2010年这2个时相影像中所提取的城市建筑用地信息进行统计，可以看出广州在20年内城市扩展是十分明显的. 城市建筑用地面积从1990年的192.7 km2增长到2010年的616.7 km2. 面积年均增长率达到了11.0%，净增面积是1990年城区面积的2倍以上.

4.2 广州市建筑密度变化

建筑密度指标作为地区规划的定额指标之一，能较好地反映区域内的建设拥挤状况，还能在一定程度上反映该地区的空间结构变化或扩张状况，指示土地利用是否合理，在区域规划中起着重要的作用[14]. 本文通过统计广州各区的建筑用地总面积，利用建筑用地总面积除以辖区面积来统计整个广州市的建筑密度. 该方法虽然不同于传统的建筑密度计算方法，但是它保证了研究空间的连续性，可以反映一个地区内的建筑物整体空间特征及区域间的差异性，具有一定的研究意义.

表1 1990年与2010年广州市区建筑用地信息表Table 1 The data of building lands of 1990 and 2010 of Guangzhou

越秀区和荔湾区是广州市最早开发的老城区，1990年建筑密度已经很高，10年间新增建筑用地面积不大，加上市政园林绿化建设的原因，建筑密度略有下降，但是仍然存在过高过密的情况. 东山区由于可利用土地不多，建筑用地面积轻微增长. 除东山区、荔湾区和越秀区3个中心城区外，其他5区建筑用地面积年均增长率均大于5%. 这5个区承载了1990—2010年20年间广州城市发展对新增建筑用地的需求. 芳村区由于受珠江阻隔与主城区交通联系不方便，发展起步较晚，随着90年代珠江隧道和广州地铁一号线相继投入使用，经济逐渐发展起来，新增建筑用地面积建筑用地面积18.2 km2. 海珠区在90年代初同样存在与主城区交通联系不便的制约因素，随着交通条件的改善，建筑用地面积增长了1倍，呈现由西向东的发展趋势. 白云区面积广阔，新增建筑用地面积高达276.7 km2. 主要集中在白云山西侧，沿主要交通干道由南向北发展. 天河区紧邻老城区，具有良好的地理区位. 从东西方向看，天河区是广州市向东发展城市带的起点. 从南北方向看，天河区是广州新城市中轴线经过的中心地区. 天河区新增建筑用地面积59.5 km2，建筑用地面积年均增长10.94%，仅次于白云区. 黄埔区10年间新增建筑用地面积42.6 km2，建筑用地面积年均增长8.77%，主要推动因素是东进的城市战略和广州经济技术开发区的发展. 各区的发展趋势体现了广州市北优、中调、东进的城市发展战略.

5 结论

利用NDBI、NDVI和MNDWI等3个遥感衍生指标对广州市1990—2010年近20年的城市建筑面积进行了提取，涉及了一个全新的提取方法，采用了多指标综合提取的办法，通过研究证明该方法用以提取城市建筑用地信息是可行的. 城市建筑用地信息可以在由NDVI、NDBI和MNDWI指数波段构成的影像中得以有效的提取，由这3种指数构成的新的3波段影像压缩了原影像数据的维数，减少了数据的相关性和冗余度，降低了不同地类间光谱混淆程度.

1990—2010年，广州市区城市化进程非常迅速，城市建筑用地从1990年的192.7 km2增长到2010年的616.7 km2. 城市建筑用地面积年均增长率达到了11.0%. 以行政区为单位统计了1990年和2010年广州市区的建筑用地变化情况，广州城市发展空间扩展的趋势是以老城区为中心向外辐射蔓延和沿道路(河流)带状扩展相结合的. 其中从市中心向东，向北的带状扩展趋势比较明显.

参考文献：

[1] 蔡玉梅,郑振源,马彦琳.中国土地利用规划的理论和方法探讨[J].中国土地科学,2005,10(5):31-35.

Cai Y M, Zheng Z Y, Ma Y L. Exploration of theory and methodology of land use planning in China[J]. China Land Science, 2005, 10(5):31-35.

[2] 杨山.发达地区城乡聚落形态的信息提取与分形研究——以无锡市为例[J].地理学报,2000, 55(6): 671-678．

Yang S. On extraction and fractional of urban land and rural residential spatial pattern in developed area[J]. Acta Geographica Sinica, 2000, 55(6): 671-678.

[3] 查勇,倪绍祥,杨山.一种利用TM 图像自动提取城镇用地信息的有效方法[J].遥感学报,2003, 7(1): 37-40．

Zha Y, Ni S X, Yang S. An effective approach to automatically extract urban land use from TM imagery[J]. Journal of Remote Sensing, 2003, 7(1): 37-40.

[4] 潘卫华,徐涵秋. 泉州市城市扩展的遥感监测及其城市化核分析[J].国土资源遥感,2004,64(4):36-38

Pan W H, Xu H Q. A study of urban spatial expansion of Quanzhou city on the basis of remote sensing technology and urbanization core analysis[J]. Remote Sensing for Land and Resources, 2004, 64(4): 36-38.

[5] 王琳,徐涵秋,李胜. 福州城市扩展的遥感动态监测[J].地球信息科学,2006,8(4):129-134

Wang L, Xu H Q, Li S. Dynamic monitoring of the urban expansion in Fuzhou of SE China using remote sensing technology[J]. Geo-Information Science, 2006,8(4): 129-134.

[6] 徐涵秋.基于谱间特征和归一化指数分析的城市建筑用地信息提取[J].地理研究,2005,24(2):311-320.

Xu H Q. Fast information extraction of urban built-up land based on the analysis of spectral signature and normalized difference index[J]. Geographical Research, 2005,24(2): 311-320.

[7] 杨智翔,何秀风.基于改进的NDBI指数法的遥感影像城镇用地信息自动提取[J].河海大学学报:自然科学版,2010,38(2):181-184.

Yang Z X, He X F. Automatic extraction of urban land use information from remote sensing images base on improved NDBI method[J]. Journal of Hohai University: Natural Sciences, 2010, 38(2): 181-184.

[8] 彭光雄,徐兵,沈蔚,等.TM图像的城镇用地信息提取方法研究[J].遥感技术与应用,2006,21(1):31-36.

Peng G X, Xu B, Shen W, Li J. Extracting urban land use on the TM imagery[J]. Remote Sensing Technology and Application, 2006, 21(1):31-36.

[9] 戴建光,蔡海良.基于TM影像的城市建筑用地信息提取方法研究[J].现代测绘,2008,31(6):35-38.

Dai J G, Cai H L. Methods for extraction of urban built up land information base on TM data[J]. Modern Surveying and Mapping, 2008,31(6): 35-38.

[10] Varshney A, Rajesh E. A comparative study of built-up index approaches for automated extraction of built-up regions from remote sensing data[J]. Journal of the Indian Society of Remote Sensing, 2014, DOI: 10.1007/s12524-013-0333-9.

[11] Varshney A. Improved NDBI differencing algorithm for built-up regions change detection form remote sensing data: an automated approach[J]. Remote Sensing Letters, 2013, 4(5): 504-512.

[12] Bagan H, Yamagata Y. Landsat analysis of urban growth: How Tokyo became the world’s largest megacity during the last 40 years[J]. Remote Sensing of Environment, 2012(127): 210-222.

[13] Weng Q. Remote sensing of impervious surfaces in the urban areas: Requirements, methods and trends[J]. Remote Sensing of Environment, 2012(117): 34-49.

[14] 陈莹,刘康,郑伟元,等.城市土地集约利用潜力评价的应用研究[J].中国土地科学,2002,16(4):26-29.

Cheng Y, Liu K, Zheng Y W, et al. Evaluating land use intensification potential in urban area its implications for practical land administration[J]. China Land Science, 2002, 16(4): 26-29.