毕业设计（论文）基于高分辨率遥感影像的南京市建成区提取.doc

《毕业设计（论文）基于高分辨率遥感影像的南京市建成区提取.doc》由会员分享，可在线阅读，更多相关《毕业设计（论文）基于高分辨率遥感影像的南京市建成区提取.doc（28页珍藏版）》请在三一办公上搜索。

1、毕 业 设 计中文题目基于高分辨率遥感影像的南京市建成区提取英文题目Extraction of Built-up Area in Nanjing By Using High-Resolution Remotely SensedImagery 系 别：计算机与信息工程学院年级专业：2010级空间信息与数字技术姓 名：学 号：1020012118指导教师：职 称：讲师2014 年 5月 毕业设计（论文）诚信声明书本人郑重声明：在毕业设计（论文）工作中严格遵守学校有关规定，恪守学术规范；我所提交的毕业设计（论文）是本人在 指导教师的指导下独立研究、撰写的成果，设计（论文）中所引用他人的文字、研究成果

2、，均已在设计（论文）中加以说明；在本人的毕业设计（论文）中未剽窃、抄袭他人的学术观点、思想和成果，未篡改实验数据。本设计（论文）和资料若有不实之处，本人愿承担一切相关责任。学生签名： 年 月 日摘 要随着城市化进程的不断深化，城市建成区面积不断增加，城市土地利用格局发生了显著的变化，生态环境也受到重大影响。而城市建成区是衡量城市发展水平的重要指标，是城市综合实力与现代化水平的重要标志。近年来，随着高分辨率卫星遥感图像应用的不断深入，在土地利用、城市规划、环境监测等方面发挥越来越重要的作用。利用高分辨率遥感影像快速准确地获取城市外部轮廓信息，掌握城市建成区面积数据，进而了解城市空间扩展情况，对城

3、市规划管理和对生态环境的研究有重要意义。本研究运用QUICKBIRD高分辨率遥感影像，以南京市浦口区部分区域为研究区，利用归一化植被指数（NDVI），完成对城市建成区的快速提取。同时对建成区景观指数的计算，分析所提取建成区的破碎度及连通性。并提取建成区的外部轮廓线及面积等特征。本研究为高分辨率遥感影像进行城市建成区提取提供研究思路。关键词：城市化；建成区；高分辨率卫星影像；信息提取；南京市ABSTRACT With the continuous deepening of urbanization, the built-up areas keep increasing. Also, signif

4、icant changes in land use pattern have taken place in cities and have impact on the ecological environment. The urban built-up area is an important indicator of the level of city comprehensive strength and modernization. In recent years, the application of high-resolution satellite imagery is deepen

5、ing and playing na important role in land use, urban planning, environment monitoring and many other aspects. Quickly and accurately getting the outline, acreage of urban built-up area, then knowing the expansion of cities are of great importance to urban management and the study of environment. Thi

6、s study is based on high-resolution remotely sensed imagery like QUICKBIRD, the study area selected here is in Pukou district, Nanjing. Quickly extract the outline, acreage of urban built-up area using indexes such as NDVI. It also analyses the degree of fragmentation and connectivity of urban area

7、extracted. This study provides ideas for extracting urban built-up area based on high-resolution remotely sensed imagery.Key Words: urbanization; built-up area high-resolution remotely sensed imagery; information extraction; Nanjing目 录第1章 绪论11.1 研究背景及意义11.2 国内外研究现状11.3 主要研究内容2第2章 研究区及数据42.1 研究区概况42.

8、2 数据与预处理5第3章 建成区提取83.1 特征分析83.1.1 空间特征分析83.1.2 光谱特征分析93.2 遥感指数选取103.3 建成区的提取113.3.1 建成区范围提取113.3.2 建成区边界提取133.3.3 建成区面积统计143.4 对比评价153.4.1 景观结构分析153.4.2 与RVI提取结果对比153.5 定量评价183.5.1 目视解译183.5.2 精度评价18第4章 结论与展望204.1 研究结论204.2 研究展望20参考文献22致 谢24第1章 绪论1.1 研究背景及意义用高分辨率遥感影像信息来获取城市建成区现状及变化状况，已经成为当今城市研究方面的热点

9、之一。通过此研究，不仅可以为相关部门制定相应城市发展战略提供科学依据，而且对于一座城市的发展与管理具有重要的意义。近三十年来，航天遥感技术经历了十分快速的发展，在光谱分辨率、空间分辨率、时间分辨率等方面都有巨大的进步，已经具有高空间分辨率、高光谱分辨率、全天时、全天候、实时/准实时的对地观测能力1。运用如QUICKBIRD等高分辨率遥感卫星影像，结合各种有效的信息提取方法，快速提取城市建成区，并计算出建成区面积，提取建成区边界线。从而为高分辨率遥感影像进行城市建成区提取提供研究思路。1.2 国内外研究现状 胡忆东等2以武汉市为例，结合遥感卫星影像，以及城市供水、交通、医疗、教育等设施资料，运用

10、多要素法，综合地对城市建成区进行界定。对于杭州市的建成区研究，王伟武等3在杭州市建成区的提取方面有一定的研究，并成功提取了短期杭州城市建成区数据。徐涵秋、陈本清4以厦门市作为研究区，结合遥感专题信息提取技术和空间叠加分析技术，对城市空间扩展状况进行研究。并运用线性拉伸、假彩色合成以及边缘锐化等遥感图像增强方法有效提取城市建成区边界。城市化与不透水面的增加有着较强的相关性，因此，对于城市不透水面的研究对于研究城市建成区具有很大的参考意义。徐涵秋5应用不透水表面的最强热辐射波段和最弱发射波段在多光谱内之间的关系，构建出归一化差值不透水表面指数(NDISI)，完成了对福州市不透水面指数的提取。200

11、4年杜风兰，田庆久等6基于高分辨率IKONOS遥感影像，运用面向对象的地物分类法，对南京市区的部分区域进行了地物分类实验，并评价了分类结果的精度，得出面向对象的遥感图像分类方法在高分辨率遥感卫星的信息提取方面效果较好。赵鸿燕，饶欢，张璋7基于高分辨率遥感影像，对城市建筑物提取进行研究，并采用多光谱影像的融合方法提取建筑物轮廓特征。李天华，马玲，杨武年等8根据研究区特点，利用城市建成区与植被在光谱上的差异，结合仿归一化植被指数法和最大似然监督分类的优势，完成对建成区的提取。王跃，程丹9运用亮温值来提取苏州市建成区范围，设置亮温阈值，亮温高于此阈值的范围界定为建成区，低于此阈值的范围界定为非建成区

12、。刘珍环，王仰麟等10经研究后发现，融合多元数据，集成多种数学运算法则是遥感信息提取的主要发展趋势。随着中分辨率(10100 m)数据与高分辨率(0.35 m)数据的广泛应用，中尺度分辨率的信息提取精度也得以提高。Mundia11结合社会经济数据，运用三个具有不同时相的遥感影像数据，分析奈洛比市的土地利用的动态变化和城市建成区的扩展过程，并采用GIS方法，分析土地利用变化状况。NDBI指数的提取与归一化植被指数（NDVI）密切相关，杨山12通过对NDVI的深入分析，提出NDBI的概念，后由查勇等改为归一化建筑指数13。AVNISH VARSHNEY14通过其研究得出改进的归一化建筑指数（NDB

13、I）算法需要人工选择变化区域的训练样本，而且在其研究中运用多时相遥感数据自动提取建成区的变化区域。同时试图通过NDBI差分算法自动获取建成区变化范围而并不需要生成多日期建成区区域。所得到的变化结构被证明准确度更高。城市建成区的提取与不透水面的提取有着很强的关联性。而在在不透水面的提取方面，Wu15在光谱上分析了同种城市地物景观，发现存在较大差异，在此基础上成功完成对哥伦布市不透水面的提取。Martino Pesaresi, Daniele Ehrlich,Ivano Caravaggi等人16测试了一个可以在卫星影像中识别建成区的自动的程序，并以1:50,000的名义尺度输出。输入数据是一组5

14、4景IKONOS和QUICKBIRD影像，这些影像代表着众多在全球层面上的大城市中人们的聚居形态。自动影像信息提取的方法是基于各向异性的旋转不变的结构的灰度共生矩阵方法，也被称为PANTEX方法。总体上，对于城市建成区提取的研究主要是基于中低分辨率遥感影像，基于高分辨率遥感影像的城市建成区提取研究较少。本研究正是基于高分辨率遥感影像，实现对城市建成区的快速提取，从而为高分辨率遥感影像进行城市建成区提取提供研究思路。1.3 主要研究内容伴随着城市化进程，城市建成区面积是处于不断增加过程的，相应的，耕地等其他土地利用类型大量被占用。城市土地利用格局不断发生变化，生态环境受到重大影响。城市建成区是衡

15、量一个城市发展的重要指标之一，是城市综合实力和现代化水平的重要标志。目前，随着社会的发展和城市规模的扩大，城市建成区也在不断发生变化。对城市建成区进行研究，对于合理进行城市规划、城市生态环境研究等都具有十分重要的意义。因此，结合国内外的研究状况及方法，本论文的主要研究内容即为基于高分辨率遥感影像的城市建成区信息提取，本研究为高分辨率遥感影像进行城市建成区提取提供研究思路。基于此目标，本研究以南京市浦口区顶山镇部分地区为研究区，基于NDVI，经过一系列后处理，结合目视解译方法，完成对城市建成区的提取。并计算建成区景观指数，分析建成区提取的破碎度、连通性，评价基于NDVI提取城市建成区的效果。本研

16、究为高分辨率遥感影像进行城市建成区提取提供研究思路。本研究建成区提取具体流程如图1.1所示。QUICKBIRD遥感数据几何校正光谱特征分析遥感指数选取NDVI计算Pansharp融合空间特征分析阈值分割、碎斑处理建成区提取景观结构分析目视解译结论与RVI提取结果对比精度评价 对 比 评 价 定 量 评 价基于指数的建成区快速提取预处理图1.1 建成区提取流程图 第2章 研究区及数据2.1 研究区概况南京市地处长江下游的宁镇丘陵山区，即位于北纬31143227、东经1182211914之间，总面积6597km2，属于北亚热带季风气候，四季分明，雨水充沛，年平均气温为16，夏季最高温38，冬季最低

17、温度达零下88。南京市中国经济发达地区长江三角洲的重要城市之一，经济发达，历史悠久，是江苏省的经济、科学、教育和文化中心。南京市城市化开展早，发展迅速，而改革开放至今是城市空间扩展量最大、最快的时期。目前南京行政区化包含11区，分别为为玄武、秦淮、建邺、鼓楼、浦口、栖霞、雨花台、六合、江宁、高淳和溧水。本文的研究区为南京市浦口区顶山镇部分区域，成像范围为南京市浦口区顶山镇部分地区( E 118 40 40.34 E 118 41 47.82 , N 32 7 3.23 N 32 8 2.40 ) ，面积共3.35平方千米。如图2.1、图2.2所示： 图2.1 研究区地理位置 图2.2 研究区Q

18、UICKBIRD影像（432合成） 本研究区中，建成区范围较非建成区大，主要位于研究区中部，下方及左方区域，主要地物类型为建设用地，以及少部分林地与水体。非建成区主要包括林地、耕地，林地主要位于研究区上方、右上方，且分布集中，面积较大。耕地主要位于研究区右方，面积较大，其中包含一定数量单体建筑物，依照非建成区定义，应该被归并于非建成区类别。水体主要为位于研究区右方的河流，依照建成区概念，应归并于建成区类别。本研究区各类别的GoogleEarth影像如图2.3所示。 a）建成区（上方） b）建成区（中部） c）建成区（左方） d）水体 e）耕地 f）林地（上方） g）林地（右上方） h）建成区中

19、的林地 i）非建成区中的建设用地图2.3 研究区GoogleEarth影像2.2 数据与预处理本文以QUICKBIRD标准遥感影像（全色0.61m+多光谱0.24m）为数据源，量化等级为11bit，获取时间为2004年9月8日。在信息提取前进行有效的影像数据预处理，能够提高信息提取精度。影像数据预处理主要包括几何校正以及图像融合。a）QUICKBIRD多光谱影像（432合成） c）细节对比 d）融合后的图像PANSHARPb）QUICKBIRD全色影像图2.4 研究区遥感影像PANSHARP融合前后影像 QUICKBIRD高分辨率遥感影像全色数据分辨率为0.61m，多光谱数据分辨率2.44m。

20、QUIKBIRD遥感影像多光谱数据具有丰富的光谱信息，通过彩色合成，有利于提取图像信息，但分辨率较低。全色波段数据分辨率高达0.61m，但由于其为灰度图像，影像上地物颜色比较一致，不能够准确分辨地物。因此，有必要对多光谱波段数据与全色波段数据进行融合，在保留QUICKBIRD多光谱影像丰富的光谱信息的同时，增强影像的视觉效果，最终提高地物判别准确性17。本研究采用的是PANSHAP变换，将多光谱与全色波段数据进行融合处理。PANSHARP变换是基于统计学原理，利用最小方差技术，最佳匹配参与融合的波段的灰度值，为减少融合的颜色偏差，运用此原理调整单个波段的灰度分布，另外还对所有输入波段进行一系列

21、统计运算，消除融合结果对数据集较强的依赖性，融合过程的自动化程度也相应提高18。融合结果证明PANSHARP融合方法对于图像增强效果显著，有效地保留了多光谱波段的光谱信息及全色波段的清晰度，细节、纹理都比较清晰。第3章 建成区提取人工测绘等传统手段，在获取建成区信息，面临着资金需要量大、数据更新不及时等问题。而卫星遥感对地观测技术具有很多传统手段不具有的优点，如数据来源连续、费用低、宏观性好等。用遥感影像来获取信息，能有效降低成本、提高效率。特别是近年来高分影像数据的普及运用，卫星遥感观测技术在城市规划、生态研究等方面发挥着越来越重要的作用。本研究基于QUICKBIRD高分辨率遥感影像，结合N

22、DVI，实现南京市建成区的快速提取，为高分辨率遥感影像在城市建成区提取的应用提供研究思路。3.1 特征分析3.1.1 空间特征分析本研究基于的是QUICKBIRD高分辨率遥感影像，融合后的影像分辨率达0.61m。较中低分辨率遥感影像，高分影像具有更大的数据量，地物的几何信息、拓扑信息表现得更为明显，可以获取更多的地物结构、形状及纹理信息。 a）耕地 b）水体 c）建筑物（大） d）建筑物（小） e）建成区中植被 f）块状植被 图3.1 研究区遥感影像主要地物特征 如本研究区，位于右方的耕地呈条状分布；位于中部、上方的建筑物几何特征明显，形状规整，几何形体上多呈现正方形、长方形等规则图形；研究区

23、中水体主要为河流，呈条状，在影像上容易辨别；林地在影像中主要呈块状分布，且面积较大，在建设用地之间也存在部分植被，这部分植被面积较小，分布较分散。各类地物具体特征如图3.1所示。3.1.2 光谱特征分析为了分析研究区城市建设用地在QUICKBIRD遥感影像上的光谱曲线及与非建设用地的差异，随机选择实验区中具有代表性的样本数据，进行地物光谱特性分析。根据目视解译效果，分别在影像上选取城市建设用地、林地、耕地、水体4类典型地类样区，其中林地分为阳坡和阴坡。做出城市建设用地、林地（阳坡、阴坡）、耕地、水体的采样光谱均值及光谱曲线，如表3.1、图3.2所示。由图3.1可知，林地（阴坡、阳坡）、建设用地

24、、耕地在QUICKBIRD影像第三波段和第四波段之间均是呈上升趋势，水体在第三波段与第四波段之间呈下降趋势；建设用地在第三波段和第四波段之间上升趋势较缓，林地（阴坡、阳坡）、耕地在第三波段和第四波段间上升趋势较快。耕地的光谱特征与林地的光谱特征类似。表3.1 研究区域典型地物采样光谱均值地物蓝光绿光红光近红外建设用地251.18326.33209.35234.01阳坡216.71 276.29 155.14 314.29 阴坡200.14 259.86 143.00 219.14 耕地244.75302.75188.25281.5水体211.6283.8159.9142.3图3.2 研究区域典

25、型地物的光谱曲线 3.2 遥感指数选取归一化植被指数的定义是近红外波段与可见光波段像元值之差与这两个波段像元值之和的比值。其公式为： （1）式中，代表近红外波段的像元值，即QUICKBIRD影像第四波段的像元值；代表红光波段的像元值，即QUICKBIRD影像第三波段的像元值。 归一化植被指数（NDVI）在一定程度上能够消除地形起伏与地物阴影对地物波谱信息的影响，提高遥感影像的解像力，是指示植被生长状态及植被覆盖度的最佳因子，与植被分布密度有较强的线性相关17。因此，可以通过NDVI提取研究区的建设用地区域，并经过后处理，可以完成对建成区信息的提取。本研究在研究区各类别提取样本点，得出建设用地与

26、非建设用地的NDVI统计表（表3.2），并在林地（阳坡、阴坡）、耕地、建设用地及水体中各随机选取五个具有各类别典型特征的采样点，采样点归一化植被指数（NDVI）值分布如图3.3所示。 表3.2建设用地与非建设用地的归一化植被指数 NDVI建设用地非建设用地阳坡阴坡耕地水体最大值0.090.410.270.34-0.05最小值0.060.300.130.18-0.07平均值0.070.340.200.23-0.06 图3.3 研究区随机采样点NDVI值分布 从表3.2、图3.3中可以得出，在NDVI均值中，水体最小，一般都处于零值以下，建设用地NDVI值大于水体，且一般处于零值以上。非建设用地包

27、括林地（阴坡、阳坡）、耕地，NDVI值大于建设用地。林地（阳坡）NDVI均值最大，林地（阴坡）、耕地NDVI值接近。但是，本研究主要是区分建设用地与非建设用地。因此，理论上能够运用NDVI，选取适当阈值，区分研究区中的建设用地及非建设用地，并通过后处理，完成对研究区建成区的提取。3.3 建成区的提取3.3.1 建成区范围提取经过不断尝试，发现归一化植被指数（NDVI）的平均值M和标准差D可以作为定量指标来提取建设用地：NDVIM-D/2为建设用地；NDVIM-D/2为非建设用地。并经过不断尝试，选取-0.05为阈值，以区分建设用地与水体。表3.3 归一化植被指数的平均值与标准差平均值M标准差D

28、阈值（M-D/2）0.1290.1220.068根据统计得到的阈值，对NDVI影像进行密度分割。本研究所选研究区域内的河流属于建成区范围，所以将分类后的水体部分并入建设用地区域。将建设用地设为红色，非建设用地设为绿色。结果如图3.4所示。 图3.4 密度分割后的NDVI影像 由于本研究选取的为QUICKBIRD高分辨率卫星影像，分辨率较高，单纯利用光谱信息进行信息提取，会产生许多斑块，需要对生成的数据进行后处理。本研究采取的方法首先是中值滤波及低通滤波。中值滤波属于非线性滤波，输出的为观测样本分布中心的最小绝对值估计，在保持边界与滤除高频噪声干扰方面具有较好的效果，中值滤波运用一个奇数点的移动

29、窗口，这个移动窗口成为中值窗，中值为窗口内各点按其数值进行大小排序后中间的那个数，用中值代替窗口中心点的值19。中值滤波法对颗粒噪声有较好的消除效果。同时，中值滤波在图像处理中，对边缘也有较好的保护作用，是一种经典的平滑噪声方法。中值滤波的关键是变换核大小的选取，由于本研究使用的是高分辨率遥感影像，噪声所含像元数较大，经过多次试验，本研究中选取的变换核（Kernel Size）大小为17。低通滤波可以保留图像中的低频成分，这样可以使图像平滑。在选定变换核的大小后，每个变换核中的元素权重相同，中心像元值由外围值的均值来代替。经过低通滤波后的图像较变换前的图像更加平滑，使由于高分辨率卫星影像清晰度

30、较高导致的碎斑现象削弱。为了在消除碎斑、平滑图像的同时，尽量保持原图特征。经过多次试验，本研究选取的变换核（Kernel Size）大小为13，Image Add Back为40%。本研究所选研究区域内的河流属于建成区范围，所以将分类后的水体部分并入建设用地区域。处理后的结果如图3.5所示。图3.5 滤波、类别合并后的NDVI密度分割图 本研究区建成区区域内存在着较大范围的植被，需要将其划分为建成区范围，而非建成区域中也混杂着滤波未能消除的碎斑，需要将其划分为非建成区。结合对原图像的目视解译，经过处理后的分类结果图像如图3.6所示。 图3.6 分类结果图3.3.2 建成区边界提取本研究采用目视

31、解译方法来提取建成区边界。本研究所选研究区的建成区范围较非建成区大，主要位于研究区中部，下方及左方区域。本研究区中，非建成区主要包括林地、耕地，林地主要位于研究区上方，且分布集中，面积较大。建设用地区域中间也包含着部分林地，但依照建成区的概念，位于建设用地区域中的林地应该被界定为建成区。耕地主要位于研究区的左方，成块状分布，其中包含着个别房屋，依照建成区的概念，这些房屋应该被界定为非建成区。因此，本研究结合建成区概念，将分类结果矢量化，结合原图像，在影像中勾勒出建成区的边界。建成区不同于传统的建设用地，建成区域内也可能包含着水体、植被等其他要素。因此，在勾勒建成区边界时，严格遵照建成区的定义，

32、将包含在建成区内的除建设用地之外的地物类型也列为建成区，将不属于建成区的建设用地排除在建成区范围之外。研究区原图与通过目视解译提取的研究区中建成区的边界如图3.7所示。b）原图像 a）分类结果图 c）建成区边界 图3.7 建成区边界提取3.3.3 建成区面积统计 本研究通过NDVI方法提取出研究区建成区范围，通过统计，得出建成区的面积大小，如表3.4所示。表3.4 建成区面积提取方法面积（km2）NDVI方法1.9523.4 对比评价3.4.1 景观结构分析由于本研究采用的数据为高分辨率卫星影像，在建成区提取过程中，会许多碎斑。经过后处理，混杂在建成区内的一些碎斑被归为建成区，混杂在非建成区中

33、的一些碎斑被归为非建成区。但是，一些碎斑无法被归入相应所属区域。因此，为了评价利用NDVI提取建成区的精度，本研究借助GIS技术与景观生态学的理论与方法，运用Fragstats软件，选择合适的指标与尺度，对基于NDVI提取建成区的结果图进行景观指标的计算，从而对基于NDVI提取提取城市建成区的结果进行生态学上的定量评价。运用Fragstats软件，可以计算出59个景观指标，但是其中许多指标具有很强相关性，表现的内容类似。因此，在了解其所有景观指标的具体意义的前提下，根据研究区域、研究方向及侧重方面的不同，可以选取最适合的景观指标22。本研究的研究目的高分辨率遥感卫星影像的建成区提取，运用的是Q

34、UICKBIRD高分辨率遥感影像。基于此，本研究选取的景观指标如下：（1）最大斑块指数（Largest Patch Index）：最大斑块指数等于某一类型拼块中最大拼块占据整个景观面积的比例，反应景观类型所占比例的均匀程度23。单位：百分比。范围：0LPI100。（2）斑块密度（Patch Density）：斑块密度的值等于每100公顷内的斑块数。斑块密度可以反映土地利用景观斑块空间分布的均匀程度。（3）蔓延度指标（Contagion Index）：CONTAG等于景观中各个斑块类型所占景观面积与各个斑块类型之间相邻的格网单元数目占总相邻的格网单元数目的比例的乘积，再乘以该值的自然对数之后的各

35、斑块类型之和，除以2倍的斑块类型总数的自然对数，其值加1后再转化为百分比的形式。CONTAG表示的是优势斑块类型的连接性，蔓延度指标越高，连通性越好。单位：百分比，范围：0CONTAG100。3.4.2 与RVI提取结果对比由于绿色植物在可见光红光波段与近红外波段的光谱响应十分不同，两者间的比值能够较为充分表达两反射率之间的差异，比值植被指数的表达式为： （2）随机叶绿素对红光有较强吸收作用，叶肉细组织在近红外波段有较强反射作用，因此，其与值有较大的差异，RVI值较高，而对于包括水体、裸土、人工特征物等的无植被地面，并不具有这种特殊的光谱响应，则RVI值低17。因此，可以通过比值植被指数（RV

36、I）提取研究区的建设用地区域，并经过后处理，提取城市建成区信息。本研究在研究区各个类别中提取样本点，得出建设用地与非建设用地的比值植被指数（RVI）统计表（表3.5）。在林地（阳坡、阴坡）、耕地、建设用地及水体中各随机选取五个具有各类别典型特征的采样点，采样点比值植被指数（RVI）值分布如图3.8所示。表3.5 研究区域建设用地与非建设用地的比值植被指数 RVI 建设用地非建设用地阳坡阴坡耕地水体最大值1.192.371.732.050.90最小值1.131.851.311.430.87平均值1.152.041.511.610.89图3.8 研究区随机采样点RVI值分布基于RVI完成对研究区建

37、成区的提取，结果图如图3-9所示。 图3.9 分类结果图将运用NDVI方法与运用RVI方法提取出的建成区进行景观分析，景观指标计算结果如表3.6所示。表3.6 分类结果景观格局指数图像最大斑块指数（LPI）斑块密度（PD）蔓延度指标（CONTAG）建成区非建成区RVI方法46.5814.13184.9724.51NDVI方法46.9217.87161.8025.66 运用NDVI方法提取建成区的结果图的最大斑块数（LPI）大于运用RVI方法提取建成区的结果图，说明在NDVI方法生成的结果图中，建成区及非建成区类别中最大拼块占据整个类别面积比例较大，提取结果完成性较好。NDVI方法生成结果图的斑

38、块密度（PD）小于RVI方法生成的结果图，说明NDVI方法提取建成区单位面积生成斑块数目较少，分布较均匀。NDVI方法生成的结果图的蔓延度指标（CONTAG）大于RVI方法生成的结果图，说明NDVI方法生成的结果图优势斑块的联通性较RVI方法更好。 通过景观格局指数的计算，可以看出利用RVI方法提取出的城市建成区的最大斑块面积占建成区、非建成区面积的比例分别为46.58%，14.13%，利用NDVI方法提取出的城市建成区的最大斑块面积占建成区、非建成区面积的比例分别为46.92%，17.87%，说明利用NDVI方法提取城市建成区最大斑块面积占总面积较大，破碎度较小。利用RVI方法提取出的城市建

39、成区的斑块密度为184.97，利用NDVI方法提取出的城市建成区的斑块密度为161.80，说明利用NDVI方法提取出的建成区单位面积碎斑数目较RVI方法提取出的建成区少，景观更加紧凑。利用NDVI方法提取出的城市建成区的蔓延度指标为25.66%，利用RVI方法提取出的城市建成区的蔓延度指标为24.51% ，说明利用NDVI提取的城市建成区的景观破碎度较小，连通性、完整性较好。运用NDVI对建成区提取结果效果较好，景观零碎度小，连通性、完整性较高。因此，运用NDVI完成对建成区的提取效果好，适合于建成区提取。3.5 定量评价3.5.1 目视解译 图3.10为基于分类结果图，结合目视解译提取出的建

40、成区边界与原图像叠合后的对照。结果证明运用NDVI完成对建成区的提取是可行的，具有较高的精度。 图3.10 原图像与目视解译结果叠合影像3.5.2 精度评价本研究通过NDVI方法提取出研究区建成区范围，通过统计，得出各提取的建成区的面积大小，如表3.7所示。表3.7 建成区面积提取方法面积（km2）NDVI方法1.952目视解译方法2.042 结果证明，运用NDVI方法提取的城市建成区面积为目视解译提取建成区面积的95.6%，基本可以完成建成区的提取。第4章 结论与展望4.1 研究结论对于高分辨率遥感影像，常用的遥感目标识别方法主要有三种：目视解译的遥感目标识别，基于像元的遥感目标识别以及面向

41、对象的遥感目标识别。本研究是基于QUICKBIRD高分辨率遥感影像，结合NDVI，综合运用了目视解译的遥感目标识别方法及基于像元的遥感目标识别方法，成功完成了对建成区的提取，具有快速、准确的特点。本文基于QUICKBIRD高分辨率遥感卫星数据，以南京市浦口区顶山镇局部区域为研究区，首先对遥感图像进行预处理，然后运用PANSHARP方法对影像多光谱与全色波段进行融合。然后分析研究区典型地物的光谱特征，做出研究区典型地物光谱特征曲线，经过试验，发现利用NDVI可以完成对建成区的快速提取。经过反复尝试，发现平均值M和标准差D可以作为定量指标来提取建设用地。并经过后处理，完成对研究区建成区的提取。为了

42、评价利用NDVI提取城市建成区的效果，本研究以RVI方法提取的建成区为对照样本，对提取的建成区进行景观格局指数的计算，通过分析，得出运用NDVI提取研究区建成区较RVI方法效果更好的结论。并运用NDVI方法处理后的图像，结合目视解译方法，成功完成对研究区建成区边界、面积的提取。证明基于NDVI的计算，以及合适阈值的选取，能够快速完成对城市建成区的提取。且具有较高精度，较小破碎度，整体效果较好。4.2 研究展望（1）高分辨率遥感影像具有较高的空间分辨率，图像细节表现的提升同时也带来一些问题，比如细节部分过于清晰导致像元光谱复杂性增加，从而导致信息提取难度的加大。本研究利用比值植被指数、归一化植被

43、指数完成对建成区的提取，产生大量碎斑，经过后处理消除部分碎斑，但仍会有一些碎斑的存在。（2）受数据源限制，本研究只是针对局部区域进行建成区提取试验，并未完成对整个城市建成区的提取。把应用区域拓展到整个城市，是未来研究的主要方向。（3）虽然利用NDVI对研究区建成区的提取结果基本准确，但是由于使用数据为高分数据，存在不同程度的碎斑问题。此外，如何根据建成区建设用地材料的不同来细化阈值的选取，以便能够对采用不同材质的建成区进行提取，也是需要进一步研究的方向之一。 因此，上述各方面的问题，将有待于在今后的研究中进行进一步的改进和完善，而这也将成为今后这方面研究的方向。参考文献1 明冬萍, 骆剑承,

44、沈占锋等. 高分辨率遥感影像信息提取与目标识别技术研究J. 测绘科学, 2005, 30(3): 18-20.2 胡忆东, 吴志华, 熊伟等. 城市建成区界定方法研究以武汉市为例J. 城市规划, 2008, 32(4): 88-96.3 王伟武, 金建伟, 肖作鹏等. 近18年来杭州城市用地扩展特征及其驱动机制J. 地理研究, 2009(3): 685695.4 陈本清, 徐涵秋. 城市扩展及其驱动力遥感分析以厦门市为例J. 经济地理, 2005, 25(1): 79-88.5 徐涵秋. 城市不透水面与相关城市生态要素关系的定量分析J. 生态学报, 2009, 29(5): 2456-2462.6 杜凤兰, 田庆久, 夏学齐等. 面向对象的地物分类法分析与评价J. 遥感技术与应用, 2004: 19(1): 20-23.7 赵鸿燕, 饶欢, 张璋. 基于高分辨率影像城市建筑物研究J. 影像技术,