刘钊，赵桐，廖斐凡，李帅，李海洋

(清华大学土木工程系交通工程与地球空间信息研究所，北京 100084)

0 引言

近年来，中国的城市化进程突飞猛进，而现实城市发展进程的指标之一就是城市建成区。根据国家质量技术监督局和国家建设部共同发布的《城市规划基本术语标准》，建成区定义为： 城市行政区内实际已成片开发建设、市政公用设施和公共设施基本具备的区域[1]。城市建成区是反映城市综合经济实力和城市化水平的重要指标。获取历年以来城市建成区数据，对于城市的建设和管理企业的决策等具有重要的意义。

城市建成区的提取是近年来遥感应用领域研究的热点内容。传统的研究方法主要包括都市化指数(urban index, UI)[2]、归一化建筑指数(normalized difference built-up index, NDBI)[3]、归一化植被指数(normalized difference vegetation index, NDVI)[4]等方法。这些指数不仅可以单独运用，也可相互结合综合运用[5]，能够得到更好的效果。传统方法由于是通过地物的光谱特征提取关键信息，经常出现同谱异物或者同物异谱的现象，从而使该类方法很不稳定，在识别地物时容易存在较大误差。

机器学习方法中，随机森林法[6]、支持向量机法[7]以及无监督的聚类方法[8]同样可以完成建成区的识别。Gong等[9]应用哨兵2号影像采用随机森林算法，在Google Earth Engine平台上达到了72.6%的高精度。机器学习的算法优点在于算法简单，运行速度快。但算法简单带来的缺陷就是层次太浅，无法处理复杂的分类问题，以及面对大数据量的问题时，预测的精度会受到限制。所以，传统机器学习算法并不是当今热点问题的最优解。……