基于遥感的建成区提取综述分析

进入21世纪以来，城市规划越来越受到重视，遥感技术由于其观测范围大，获取信息的速度快、周期短、多尺度、可重复等优点在城市规划中起到的作用也日益明显。建成区作为城市规划中不可或缺的一个要素，也可以采用基于遥感技术的方法进行提取。基于遥感技术的建成区提取研究经过十几年的发展已经有了长足的进步，国内外不同的学者在建成区遥感提取方面做了大量的研究工作，多种基于遥感技术的建成区提取技术与方法相继被提出，大大提高了建成区提取的精度。基于遥感技术的提取建成区的方法主要有：目视解译法、光谱混合分析法、指数法、基于深度学习的方法、其他方法等。

1.3.2.1　建成区的概念及其界定方法

建成区的概念使用得比较广泛，建成区通常具备以下特点。

①功能性。已建设区域隶属于建成区，需要有承担居民生产、生活服务的功能，要求其能满足城市对于发展建设的需求。

②空间性。建成区要求区域内市政公用设施、公共设施完备，因此建成区需要体现出城市已开发建设所形成的城市风貌和特色。

③设施齐备性。市政公用设施和公共设施应该基本完善是对建成区的要求，必须能够满足城市居民生产、生活的需求。

④建设的延续性。建成区的扩张一般都是由内部向外部进行，因此建成区的建设要体现城市发展建设的延续性。

⑤发展动态性。城市建成区建设的延续性注定城市建成区是一个不断扩张、动态发展的过程。

多位学者专家从自己的研究方向出发，给出了建成区不同的定义。《城市规划基本术语标准》（GB/T 50280-98）给出了城市建成区的定义：城市建成区是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地区。《城市规划概论》中定义：建成区是一个市政区范围内经过征用的土地和实际建设发展起来的非农业生产建设的地段，是某一发展阶段城市建设在地域分布上的客观反映。《现代地理学辞典》定义：建成区是城市行政范围内，实际建成或正在建成的、相对集中分布的地区。周一星等认为，建成区是市区和镇区内经过征用的土地和实际发展起来的城镇非农业活动的建设地段，具有基本的市政设施。华晨等则认为，城镇建成区是在城市行政区域内，具有市或镇建制以及被征用的土地中，实际已开发建设的、基础设施与服务设施基本具备的非农业活动建设用地。黄欢欢等梳理了组成城镇建成区的三个要素：属性、功能和形态。

不同国家、地区的历史背景和发展阶段各异，各自面临的问题也不同，因此各个国家、地区都根据各自需求制定了相应的标准和方法来界定城市，因此其标准和原则也各不相同。

一般而言，国外城乡划分标准有三个：一是人口规模和密度； 二是基础设施完善度和建筑物密度；三是人口就业构成。美国采用人口密度来划分乡村和城镇地域。英国则采用建筑物密度来划定城市聚居区。日本采用自己定义的人口集中地区作为城市统计基本单元。国外的方法是根据自身城市化发展特点来制定和完善的，具有较强的操作性。

我国还处于城镇化的高速发展阶段，建成区扩展迅猛，统计城市人口时范围难以确定，因此难以用人口密度作为建成区评判指标。利用土地属性、配套设施情况和地域空间形态更适合我国的国情。徐强采用“两证一书”汇总法，确定了建成区范围统计的细化标准。华晨等基于城镇建成区的概念，对建成区界定的逻辑关系、方法、流程及标准进行了探讨和梳理。吴云清提出了都市发展区的范围界定方法，并对其中存在的问题进行了思考。胡忆东等总结出国内建成区面积统计的基本方法有多要素综合判定法、土地供给累计法和土地利用调查法。本书主要结合多要素综合判定法来界定建成区。

1.3.2.2　目视解译法

目视解译法是一种最基本的遥感解译方法，也是使用最早的一种解译方法，也称为目视判读，它是指人类通过目视观察或者借助专业判读仪在遥感数据上获取特定地物信息的过程。李爱民总结了目视解译法的流程：获取遥感数据，分辨、检测相关信息，确定物体的特征、属性，识别遥感数据，描述数据上各种地物关系，根据数据上属性、类别、关系做系统的地学解译。姜放等从四个方面（建立解译，色调和颜色解译，图型解译，大小和形状解译）列出了目视解译法中存在的一些问题，并给出了提高目视解译速度、精度的方法。

总体来说，目视解译法的缺点是效率低、对人员解译经验要求较高，其优点是解译精度高。(www.xing528.com)

1.3.2.3　光谱混合分析法

光谱混合分析法（SMA）主要面向的是中低分辨率的遥感数据，因为这种数据分辨率较低，像元中普遍含有混合像元。通过该方法可以提高中低分辨率遥感数据的分类精度。

里德构建了V-I-S（植被-不透水地表-土壤）模型，通过固定端元，把地表视为土壤、不透水面和植被的线性组合，该模型随即被广泛应用。吴长山等将V-I-S模型应用在ETM+数据^[1]上，真正实现了可操作性的混合像元光谱分解。然而上述方法也存在缺点：首先是固定端元，水体的因素未被考虑；其次是裸土信息无法和不透水面有效区分；最后就是计算复杂，难以应用于大范围信息提取。在线性光谱变换前，吴长山先对遥感数据进行正规化，提高了不透水面反演结果精度。唐菲等利用Hyperion数据^[2]来选取端元，并筛选出最有效的11个特征波段，使端元提取更为准确。为了解决固定端元的问题，罗伯茨等提出了多端元光谱混合分析法，提出了像元端元要有变化性，解决了SMA的固定端元限制问题。樊风雷等对多端元光谱混合分析法进行改进，通过光谱距离和光谱角评估光谱库和影像之间的光耦相似性，可以识别最有代表性的端元。

1.3.2.4　指数法

指数法是利用遥感影像中不同波段进行运算，构建出增强和提取城市建设用地指数的方法。

查勇等基于TM^[3]数据构建了归一化建筑指数（NDBI），实验结果表明该方法是一种高效的提取城镇用地信息的方法。徐涵秋采用修正后的归一化差异水体指数、归一化建筑指数、土壤调节植被指数构建了建筑用地指数，对建筑用地信息进行了有效的提取。巴蒂等提出了一个新指数用于Landsat 8 OLI^[4]数据的建设用地信息提取，实验表明，相较于归一化建筑指数，该方法可以有效降低分类过程中出现的漏分和错分情况。周艺等发现，基于TM、ETM数据设计的NDBI针对Landsat 8 OLI数据已经不再使用，他们构建了一个新的指数——包含裸地的建成区指数（BBI），实现了OLI数据的高精度提取。

综上所述，指数法是通过波段运算构建指数来实现信息提取，它的优点是计算简便，提取效率高，但是针对不同传感器获取数据之间的泛化能力较弱。

1.3.2.5　基于深度学习的方法

深度学习是机器学习领域中的一个新的方向，近年来，随着人工智能和机器学习的进步，也给遥感图像处理领域带来了新的发展和机遇。利用传统的基于像元的分类方法分类结果造成大量的“椒盐”噪声，而面向对象的分类方法，在提取地物类别时考虑的不再是一个个像元，而是综合考虑了像元之间的光谱、上下文、纹理等特征，先将遥感数据进行多尺度的分割，选择合适的分割尺度，再利用深度学习技术完成海量样本的训练，实现计算机从遥感影像中自动识别建成区，最终获取城市建成区的范围。基于深度卷积神经网络来进行图像的处理和识别是深度学习应用较为广泛的领域。

冯丽英开展了基于深度学习技术的高分辨率遥感影像建设用地信息提取研究，将多尺度分割后得到的影像对象转换为满足深度卷积神经网络的数据格式，将面向对象分割技术和深度学习技术结合起来形成一个完备的建设用地提取流程，证明了深度学习技术在遥感数据分类领域的优势。

将深度学习技术引入遥感影像分类领域，提高遥感影像分类的效率，能更加准确地识别遥感影像上的地物，提高分类精度。深度学习方法为基于遥感的建成区提取提供了一种新的思路。

1.3.2.6　其他方法

其他分类方法包括应用比较广泛的最大似然法、监督分类、非监督分类、面向对象的分类方法等，本书不再赘述。除此之外，还有利用光学数据之外的其他数据辅助进行建成区的提取，例如夜间灯光数据、雷达数据等，都可以有效地提高建成区提取的精度。

综上所述，城市建成区提取作为遥感影像分类应用方向之一，随着遥感技术的发展，建成区提取方法会更加自动化和智能化，建成区提取的精度也会进一步提高。