High-Precision Urban Boundary Extraction and Urban Sprawl Spatial-Temporal Analysis in China's Prefectural Cities from 2000 to 2016
-
摘要: 城区边界和城区面积是城镇化的重要表征和扩展分析的基础。然而城区边界存在概念和提取标准不统一、精度较低、可比性较差等问题。为此，提出了基于高分辨率影像和地理信息资料辅助的城区半自动化提取方法，充分利用高分辨率影像上的城市景观特征、先验地理信息知识和一系列标准规则，以得到精度高、一致性强的数据。以中国337个地级以上城市为研究区，采用该方法得到了2000年、2005年、2010年、2016年4期城区边界成果，并开展了城区时空扩展及用地效率等相关分析。结果表明：①16年间城区扩展迅速，城区主要集中分布在东部和中部，东西部地区差异大；②城市用地效率与城镇化发展水平显著相关，城区扩展以外延型为主；③大多城市城区扩展超前于人口增长，少量城市城区扩展滞后于人口增长；④城区扩展以占用耕地为主。Abstract: Urban boundary and area is an important indicator for urban sprawl analysis. However, concept and extraction standard of urban boundary were inconsistent, and the resolution of images was coarse, resulting in lower precision and incomparable urban boundary. To solve above problems, a semi-automatic method of urban boundary extraction is proposed by using high-resolution image and geographic information data. Urban landscape and form characteristics, geographical knowledge, and a series of standardized rules are combined to generate high-precision and consistent urban boundary. Urban boundaries of China's 337 prefectural cities in year 2000, 2005, 2010 and 2016 are extracted with above-mentioned method. Together with other thematic data, urban sprawl is analyzed. Results show that: ① China's prefectural cities has undergone a rapid urbanization from year 2000 to 2015 with a high degree of concentration and regional differences. ②The efficiency of urban land use is significantly related to the development level of urbanization. The sprawl models of most cities are extensive. ③Most cities are faced with the problem that urban expansion is ahead of population growth, while a few cities expansion lag behind population growth. ④Cultivated land is the main source of urban expansion areas.
-
Keywords:
- urban boundary /
- urban sprawl /
- high-resolution images /
- China's prefectural cities
-
随着全球经济快速发展，各国都在经历快速城镇化的过程，国家与国家、城市与城市之间的联系越来越密切。一方面，城市作为人类生产和生活的主要场所，给人们带来了经济发展贸易往来的便利[1]。另一方面，城市扩张导致不透水面(impervious surface area，ISA)占比迅速上升。不透水面作为城市的重要组成部分，被定义为地表水不能渗透的人工材料硬质表面。城市及其周边的自然环境和地表覆盖类型发生从自然地表转化为低密度建筑物、从低密度建筑区转化为高密度建筑区等一系列转变，使得环境承受能力减弱，耕地、植被、湿地、水域等的自然地表陆续减少[2]。不透水面的增多、大量自然地表消失对生态环境造成难以恢复的破坏。地表覆盖是指地球表面各种物质类型及其自然属性与特征的综合体，其空间分布不仅能够反映社会经济活动进程，决定地表水热和物质平衡，影响生物地球化学循环，也改变着陆地-大气的水分、能量和碳循环，以至引起气候变化[3]。20世纪90年代后，全球变化研究人员越来越认识到土地利用/覆被变化的重要性[4]，它逐渐成为全球环境变化研究的核心部分，是全球变化模型(如净生产力模型、生态系统新陈代谢模型以及碳循环模型等)的重要输入变量，也是大多数气候变化区域响应模型的基础数据[5]。
随着全球变化研究的深入，国家以及国际相关组织一直致力于利用遥感技术研究全球或区域的地表覆盖及其变化信息，以便更精确地预测未来城市扩张的趋势和影响[6]。经过十多年努力，美国、欧洲国家和中国对全球地表覆盖产品的研制已经取得显著的成果，目前已有6套全球地表覆盖产品面向公众提供数据支持与服务[7]。这6套数据分别为IGBP DISCover 1992—1993年1 km空间分辨率全球土地覆盖数据集、UMD 1992—1993年1 km空间分辨率全球土地覆盖数据集、GLC2000 1 km空间分辨率全球土地覆盖数据集、MOD12Q1-2001 1 km分辨率全球土地覆盖数据集、GlobCover2009 300 m分辨率全球土地覆盖数据集、GlobeLand30 30 m分辨率全球地表覆盖产品[8]。
但是由于中国城市化进程加快及变化研究的不断发展，1 km、300 m甚至是30 m的地表覆盖遥感数据产品已经不能满足现在研究变化的需要，模型研究相关单位需要有更高的空间分辨率、更精确的地表覆盖数据产品[9-10]。同样，不透水面在海绵城市建设中发挥着重要作用，研究如何将不透水面信息用于定量化建模，应用于不透水面INFOWORKS模型(现代排水模型软件)、暴雨洪水管理模型(storm water management model，SWMM)和考虑不透水面丰度影响的碳水通量估算非常重要。因此，如何获得高精度的不透水面信息是亟待解决的问题[11-12]。
1 高分辨率遥感影像不透水面自动提取面临的挑战
1.1 多源多时相影像色调差异对不透水面提取参数的影响
由于传感器镜头畸变、气候条件及地形等因素的影响，遥感影像一般会存在光谱偏差和云雾覆盖，导致地物的光谱信息发生改变，且由于现有硬件技术的限制，获取低空间分辨率的多光谱影像和高分辨率的全色影像的信息量有限；同时，大面积影像处理时涉及多时相拼接分类问题，以江西省为例，采用高分一号、高分二号、资源三号等多种数据源才能完全覆盖。多时相往往造成错分类：冬季植被与夏季植被会被分为不同类别，雨季河床和枯水季河床也会分为不同类别，冬季大雪覆盖区域分类结果不可靠。诸如此类的问题都是由不同时相影像引起的，因此如何通过影像融合、特征提取等方式提高影像信息量是开展大面积高分辨率不透水面提取需要研究的第一个问题。
由于高分辨率不透水面提取依赖于影像的光谱、纹理、形状、语义等低层与高层特征，上述问题的存在都给高效的不透水面提取带来困难，因此，如何提高影像的亮度和对比度，有效地恢复影像的光谱偏差，去除云雾影响，提高多光谱影像的空间分辨率，降低光谱损失，为影像分类提供更丰富的可供查询的空间特征与光谱特征[13]，是遥感影像处理需要解决的重要问题。
1.2 云及阴影遮挡
云层遮挡使得光线难以到达地面，在影像上形成了“盲区”。被云层遮挡的地物的光谱信息不能被卫星传感器接受，导致获取的遥感影像不清晰，甚至无法读取，极大地阻碍了遥感影像的应用[14]。同时，城市建筑群高大且密集的分布使得高分辨遥感影像上存在大量的阴影，导致阴影覆盖区域的光谱信息缺失，引起影像解译困难、解译精度低等问题(见图 1)。因此，高分辨率遥感影像的阴影检测和提取是高分辨率遥感影像数据解译的重要步骤。
1.3 分割尺度影响不透水面提取精度
不透水面之间存在着规模大小的差异，单一尺度的不透水面提取必然会出现过分割或者分割不完全的情况。如图 2所示，由于不同的地物类型各自具有其最适宜的分割尺度，为保证不透水面信息提取的精细化程度，正确反映城市复杂地表不透水面地理空间分布格局，需要了解不透水面随分割尺度变化的效应[15]。因此，不透水面尺度确定与各层次不透水面最优尺度选择成为同质区对象提取要解决的基本问题。针对城市复杂地表不透水面地物多层次结构特点，分层次设定尺度阈值，根据各层次同质区对象的光谱和空间特征，确定多特征异质度准则，基于同质区对象内部异质性最小和对象间异质性最大原则，使各尺度的同质分割达到最优化的程度，从而实现不透水面特征的多尺度表达，是需要研究的问题。
1.4 同物异谱
同物异谱与同谱异物在判读中难以直接定性，主要是由于地物综合光谱信息(混合像片)、区域环境背景差异及图像处理等因素造成的。地物相互之间的混淆是对提取结果影响较大的一个问题。在地表覆盖类型之间存在光谱混淆，特别是在城市低亮度不透水面和农业用地或者湿地之间，高亮度不透水面和裸土之间，如图 3所示。同样，之前的研究表明[16-17]，这种光谱混淆问题被认为是遥感影像地表覆盖信息提取的一大挑战。
在水体分类问题中，采用归一化差分水指数(normalized difference water index，NDWI)等指数能获得较好的分类效果，但是水体的纹理特征、光谱特征与阴影光谱相似度较高，造成水体与阴影的混淆。归一化差分植被指数(normalized difference vegetation index，NDVI)是植被分类常用指数，但是单凭NDVI指数依旧会使植被与低反照率建筑混淆。道路作为不透水面的典型类别之一，其精度极大地影响最终不透水提取的质量和精度。道路在分类过程中容易与裸土、细长田埂混淆。为了提高道路分类精度，加入纹理特征，减少部分道路与裸土的混淆。但从影像来看，细长田埂和较暗的道路仍很难区分，因此，如何提高道路提取效果仍需继续研究。
2 不透水面提取模型
城市不透水面的提取并不是一个纯粹的遥感影像分类问题或单一的土地利用/覆盖问题，城市不透水面与城市规划和发展形态、城市建设所使用的材质等相关，仅使用高分辨率影像的图特征或谱特征来提取城市不透水面具有很大的不确定性，需要融合城市“地物-材质”的空间特征和光谱特征才能解决不透水面提取问题。因此，本文提出了首先对影像进行“地物-材质”结构的同质区分割，进而实现图谱合一的不透水面提取方法，在对多源高分辨率遥感影像图谱信息进行深入挖掘的基础上，构建一种图谱特征逐层融合的多分类器集成迭代分类提取模型。该模型改变了以往仅依赖单分类器和固定特征输入的不透水面提取模式，通过自适应地逐层次递进式特征融合迭代分类和多分类器集成增强分类结果的稳健性，实现城市不透水面的准确高效提取。
城市不透水面通常是人工建造的，与自然地物相比，不透水面对象通常边缘明确，形状多为几何图形及其组合，而自然对象的边缘常呈现渐变的特性，且渐变范围较大，形状也多不规则。相比其他人工地物，道路具有狭长的线性特征，道路同质区的描述可主要利用形状特征。在纹理特征表现上，城市不透水面与透水面也存在较大差异，建筑物的材质一般为水泥、瓦片、金属、大理石等。在高空间分辨率遥感影像中，建筑物同质区的描述可以利用形状、纹理等特征。然而，由于不透水面受植被、阴影等遮挡，以及不透水面自身存在遮挡，单一的几何特征不能有效描述不透水面与其他地物的差异性。因此，本文首先研究同质区对象图特征的描述和提取过程，如图 4所示。
![]()
图 4 多尺度同质区空间特征的描述和提取Figure 4. Description and Extraction of Spatial Characteristics of Multi-scale Homogeneous Regions由图知谱是对空间对象的光谱认知过程，可以提高城市区域复杂场景下各尺度不透水面光谱认知的准确性。利用同质区对象内光谱的异质性指数来度量“地物-材质”同质区内像元光谱的差异性。光谱异质性指数常用每个波段光谱反射率的标准差的均值来表示。图 5表示“地物-材质”同质区对象的谱特征描述和提取流程。
![]()
图 5 “地物-材质”同质区对象的谱特征描述和提取Figure 5. Description and Extraction of Spectral Feature of Homogeneous Regions根据以上对图特征和谱特征的提取获得用于城市不透水面提取的图谱特征集，可通过单分类器求取影像中包括不透水面在内的各地物分布。但实际上由于城市尺度上不透水面构成十分复杂，基于固定特征输入的单分类器很难对其进行有效区分。为克服该问题，本文提出了一种图谱特征逐层融合的多分类器集成不透水面提取模型(见图 6)。
![]()
图 6 图谱特征逐层融合的多分类器集成不透水面提取模型Figure 6. Multi-classifier Integrated Impervious Surface Extraction Model with Spectral and Spatial Feature3 基于深度学习的不透水面提取方法
深度学习是计算机科学领域中一个新的学习方向。深度学习可学习一种深层非线性网络结构，实现复杂函数的逼近，具有从少数样本中学习数据集本质特征的能力。为了提高分类能力，首先基于高分辨率卫星影像构建不透水面样本库，利用深度卷积网络提取图像特征，并进行逐像素的类别概率预测，然后利用带空间上下文约束的条件随机场对预测得到的类别概率进行整体优化[18]。
本文采用的基于深度学习的高分影像不透水面提取流程主要包括两个阶段，如图 7所示。在第一阶段中，利用深度卷积网络对影像局部特征进行提取。为了实现高分遥感影像不透水面的高精度提取，保留两个池化层以得到更为密集的特征图。同时，为了保证网络仍能够对影像的多尺度特征进行提取，进一步引入空洞卷积对影像特征进行提取。空洞卷积是对标准卷积核的大小进行扩张，以扩大卷积核的感受野。即使不通过池化，也能有较大的感受野看到更多的信息。在第二阶段中，为了避免预测结果受噪声等因素的影响，在预测时充分考虑到空间相邻像素的语义关系。将输入影像根据其邻域关系构建成网络图，在深度网络提取特征的基础上，进一步引入高阶语义信息对特征进行优化，最终实现不透水面的精确提取。
![]()
图 7 面向高分影像不透水面提取的深度卷积网络Figure 7. Deep Convolution Network of Impervious Surface Extraction Based on High-Resolution Remote Sensing Image记网络输入的遥感影像为I，深度卷积网络可以表示为一系列线性变换和非线性激活操作。对于包含(2L+M)层的深度卷积网络，其前L层为卷积+池化层，中间M层为空洞卷积层，而后L层为反池化+反卷积层，最后的输出特征如下：
$$ \begin{array}{l} \mathit{F}\left( \mathit{\boldsymbol{I}} \right){\rm{ = Relu(unpooling(}}{\mathit{\boldsymbol{H}}_{{\rm{2}}\mathit{L}{\rm{ + }}\mathit{M}{\rm{ - 1}}}}{\rm{)}} \otimes \\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;{\mathit{\boldsymbol{W}}_{{\rm{2}}\mathit{L}{\rm{ + }}\mathit{M}}}{\rm{ + }}{\mathit{\boldsymbol{b}}_{{\rm{2}}\mathit{L}{\rm{ + }}\mathit{M}}}{\rm{)}} \end{array} $$ (1) 式中，⊗表示反卷积操作；第l层的隐含节点可以表示为：
$$ {\mathit{\boldsymbol{H}}_\mathit{l}}{\rm{ = }}\left\{ \begin{array}{l} {\rm{pooling}}\left( {{\rm{Relu}}\left( {\left( {{\mathit{\boldsymbol{H}}_{\mathit{l}{\rm{ - 1}}}}} \right){\rm{*}}{\mathit{\boldsymbol{W}}_\mathit{l}}{\rm{ + }}{\mathit{\boldsymbol{b}}_\mathit{l}}} \right)} \right), \\ \;\;\;\;\;\;\;\;\;\mathit{l}{\rm{ = 1, 2}} \cdots \mathit{L}\\ {\rm{Relu}}\left( {\left( {{\mathit{\boldsymbol{H}}_{\mathit{l}{\rm{ - 1}}}}} \right){ \otimes _{{\mathit{S}_\mathit{l}}}}{\mathit{\boldsymbol{W}}_\mathit{l}}{\rm{ + }}{\mathit{\boldsymbol{b}}_\mathit{l}}} \right){\rm{, }}\\ \;\;\;\;\;\;\;\;\mathit{l}{\rm{ = }}\mathit{L}{\rm{ + 1}} \cdots \mathit{L}{\rm{ + }}\mathit{M}\\ {\rm{Relu}}\left( {{\rm{unpooling}}\left( {{\mathit{\boldsymbol{H}}_{\mathit{l}{\rm{ - 1}}}}} \right){ \otimes _{{\mathit{S}_\mathit{l}}}}{\mathit{\boldsymbol{W}}_\mathit{l}}{\rm{ + }}{\mathit{\boldsymbol{b}}_\mathit{l}}} \right), \\ \;\;\;\;\;\;\;\;\mathit{l}{\rm{ = }}\mathit{L}{\rm{ + }}\mathit{M}{\rm{ + 1}} \cdots {\rm{2}}\mathit{L}{\rm{ + }}\mathit{M}{\rm{ - 1}} \end{array} \right. $$ (2) 式中，*为卷积运算；⊗Sl为Sl步长的空洞卷积；H0=I；Wl和bl分别表示卷积核和偏置项；pooling(·)和unpooling(·)分别为池化和反池化函数；Relu(·)=max(·, 0)为网络的非线性激活函数。
对于学习得到的特征F(I)，进一步采用softmax回归对类别的概率进行预测:
$$ {{\mathit{\hat p}}_{\mathit{i}{\rm{, }}\mathit{k}}}{\rm{ = softmax}}\left( {{\mathit{F}_\mathit{i}}\left( \mathit{I} \right)} \right){\rm{ = }}\frac{{{{\rm{e}}^{\mathit{\boldsymbol{W}}_k^{\rm{T}}{\mathit{F}_\mathit{i}}\left( \mathit{\boldsymbol{I}} \right)}}}}{{\sum\limits_{{c_j} \in C} {{{\rm{e}}^{\mathit{\boldsymbol{W}}_j^{\rm{T}}{\mathit{F}_\mathit{i}}\left( \mathit{\boldsymbol{I}} \right)}}} }} $$ (3) 式中，$ {\hat p_{i, k}}$表示预测得到的第i个像素属于类别cj∈C的概率; C={c1, c2, c3}为类别标签集合，分别对应透水面、不透水面和水体。
人工标记实验区域样本，其中30%作为训练样本用于支持向量机(support vector machine, SVM)与随机森林(random forest, RF)测试中，其余70%用于测试深度学习、SVM与RF精度。深度学习模型、RF和SVM的不透水面提取结果如图 8所示。可以看出，相较RF和SVM，深度学习方法在准确提取不透水面、更好地保留不透水面结构信息的同时，能够有效抑制影像噪声对不透水面提取结果的影响，具有更好的鲁棒性和更高的提取精度。同样，表 1数据也表明深度学习模型能获取更高精度的提取结果。
![]()
图 8 深度学习模型、RF和SVM模型对比效果Figure 8. Classification Results of Deep Learning Model, RF and SVM Models表 1 深度学习模型与RF和SVM模型精度对比Table 1. Accuracy Results of Deep Learning Model, RF and SVM Models方法 总体精度/% Kappa系数 深度学习模型 95.55 0.916 7 随机森林(RF) 94.11 0.890 3 支持向量机(SVM) 94.22 0.890 5 4 全国2 m级不透水面遥感提取
针对高分辨率遥感影像图谱特征单一的问题，本文提出图谱特征逐层融合的多分类器集成不透水面提取模型, 实现了基于深度学习的不透水面提取方法，构建了多尺度不透水面提取和监测技术体系，针对不透水面信息提取中的自适应机制问题提出了多尺度提取概念模型[19]。多尺度不透水面提取和监测技术体系的建立综合了图谱特征逐层融合的多分类器集成思想及深度学习提取方法。如图 9所示，原始影像进行分割后划分为不同复杂程度的场景，不同的场景用于不同的特征参与到学习模型中进行更高精度的分类。最后将道路、建筑等不透水地物合并，获取最优提取结果。
以中国31个省(直辖市、自治区)为研究区域(其中不包含香港、澳门、台湾等区域)。基于资源三号、高分一号和高分二号等高分遥感影像数据，对影像采用分幅处理，人工标记每幅影像的训练样本，通过构建融合多特征的不透水面提取模型，完成了全国31个省(直辖市、自治区)2 m不透水面信息提取，如图 10所示(地图来源于原国家测绘地理信息局标准地图服务系统，http://bzdt.nasg.gov.cn/index.jsp)。
![]()
图 10 中国2 m不透水面信息提取结果(不包含香港、澳门、台湾等区域)Figure 10. Impervious Surface Map in Mainland China5 结语
城市不透水面信息作为城市化过程中水文环境效应研究的重要参数，也是定量评估城市土地覆盖结构组合对人居环境产生影响的核心内容。城市扩张的研究重点在城市不透水面信息的提取，而精准的不透水面信息的提取是关键[20]。本文讨论了当前全球地表覆盖产品在模型应用、城市扩张等相关研究应用中的优势及不足；构建了图谱特征逐层融合的多分类器集成不透水面提取模型，提出了基于深度学习的不透水面提取方法；基于多源高分辨率遥感影像提取了全国2 m不透水面专题信息，为海绵城市科学规划工作提供了有力保障，为城市热环境的科学调控提供数据支撑，也可以为未来城市发展以及生态规划与整治提供科学参考，用于优化城市生产、生活、服务和生态空间布局。
-
![]()
图 1 全国337个地级以上城市及地域分布
Figure 1. 337 Prefectural Cities and the Spatial Distribution of China
![]()
图 4 全国地级以上城市2000—2016年城区面积空间分布图
Figure 4. Spatial Distribution Map of Urban Area of China's Prefectural Cities 2000—2016
![]()
图 5 全国地级以上城市2000—2016年城区扩展面积空间分布图
Figure 5. Spatial Distribution Map of Urban Sprawl Area of China's Prefectural Cities 2000—2016
![]()
图 6 2000—2016年全国地级以上城市扩展类型空间分布图
Figure 6. Spatial Distribution Map of Urban Sprawl Types of China's Prefectural Cities 2000—2016
![]()
图 7 全国各省市2000—2016年地级以上城市用地增长弹性系数图
Figure 7. Map of Urban Sprawl Coordination Coefficient of China's Prefectural Cities 2000—2016
![]()
图 8 2000—2016年全国各省市空间扩展占用土地比例图
Figure 8. Proportion of Land Use Occupied by Urban Sprawl Areas of China's Prefectural Cities 2000—2016
表 1 本文用到的主要遥感影像数据
Table 1 Main Remote Sensing Images Used in This Paper
序号 时相 主要数据类型(分辨率: m) 1 2000年 航空影像(1)、IKONOS(1) 2 2005年 Quickbird(0.61)、航空影像(1)、IKONOS(1)、SPOT5(2.5) 3 2010年 Worldview-1(0.5)、Worldview-2(0.5)、Quickbird(0.61)、航空影像(1)、SPOT5(2.5)、ALOS(2.5)、CIRS-P5(2.2) 4 2016年 航空影像(0.5)、高景一号(0.5)、Pleiades(0.5)、北京二号(0.8)、高分二号(1)、SPOT-6(1.5)、SPOT-7(1.5)、天绘一号(2)、ZY-3(2.1) 覆盖面积占比 Worldview-1/2占23.14%，航空影像占20.06%，IKONOS占17.75%，其他占39.05% 
下载: 导出CSV
-
[1] 龙瀛, 韩昊英, 毛其智.利用约束性CA制定城市增长边界[J].地理学报, 2009, 64(8):999-1008 doi: 10.3321/j.issn:0375-5444.2009.08.010 Long Ying, Han Haoying, Mao Qizhi. Establishing Urban Growth Boundaries Using Constrained CA[J]. Acta Geographica Sinica, 2009, 64(8):999-1008 doi: 10.3321/j.issn:0375-5444.2009.08.010
[2] 邹德慈.发展中的城市规划[J].城市规划, 2010, 34(1):24-28 http://d.old.wanfangdata.com.cn/Periodical/csgh201001004 Zou Deci. Urban Planning in Progress[J]. City Planning Review, 2010, 34(1):24-28 http://d.old.wanfangdata.com.cn/Periodical/csgh201001004
[3] 李昕, 文婧, 林坚.土地城镇化及相关问题研究综述[J].地理科学进展, 2012, 31(8):1042-1049 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=QK201204380935 Li Xin, Wen Jing, Lin Jian. Review of Research on Land Urbanization and Related Studies[J]. Progress in Geography, 2012, 31(8):1042-1049 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=QK201204380935
[4] 车前进, 段学军, 郭垚, 等.长江三角洲地区城镇空间扩展特征及机制[J].地理学报, 2011, 66(4):446-456 http://d.old.wanfangdata.com.cn/Periodical/dlxb201104002 Che Qianjin, Duan Xuejun, Guo Yao, et al. Urban Spatial Expansion Process, Pattern and Mechanism in the Yangtze River Delta[J]. Acta Geographica Sinica, 2011, 66(4):446-456 http://d.old.wanfangdata.com.cn/Periodical/dlxb201104002
[5] 牟凤云, 张增祥, 迟耀斌, 等.基于多源遥感数据的北京市1973-2005年间城市建成区的动态监测与驱动力分析[J].遥感学报, 2007, 11(2):257-268 http://d.old.wanfangdata.com.cn/Periodical/ygxb200702018 Mou Fengyun, Zhang Zengxiang, Chi Yaobin, et al. Dynamic Monitoring of Built-up Area in Beijing Du-ring 1973-2005 Based on Multi-original Remote Sensed Images[J]. Journal of Remote Sensing, 2007, 11(2):257-268 http://d.old.wanfangdata.com.cn/Periodical/ygxb200702018
[6] 胡德勇, 李京, 陈云浩, 等.基于多时相Landsat数据的城市扩张及其驱动力分析[J].国土资源遥感, 2006, 18(4):46-49 doi: 10.3969/j.issn.1001-070X.2006.04.012 Hu Deyong, Li Jing, Chen Yunhao, et al. An Analysis of Urban Expansion and Its Dynamics Based on Multi-temporal Landsat Data[J]. Remote Sensing for Land & Resources, 2006, 18(4):46-49 doi: 10.3969/j.issn.1001-070X.2006.04.012
[7] 龚健雅, 彭飞飞, 王乐, 等.利用视差进行立体像对的建成区检测方法[J].武汉大学学报·信息科学版, 2016, 41(4):427-433 http://ch.whu.edu.cn/CN/abstract/abstract5410.shtml Gong Jianya, Peng Feifei, Wang Le, et al.Built-up Area Detection from a Stereo Pair Using Disparity Information[J]. Geomatics and Information Science of Wuhan University, 2016, 41(4):427-433 http://ch.whu.edu.cn/CN/abstract/abstract5410.shtml
[8] 邹进贵, 陈艳华, 丁鸽, 等.利用DMSP/OLS灯光影像提取城镇建成区的聚类阈值法[J].武汉大学学报·信息科学版, 2016, 41(2):196-201 http://ch.whu.edu.cn/CN/abstract/abstract3455.shtml Zou Jingui, Chen Yanhua, Ding Ge, et al.A Clustered Threshold Method for Extracting Urban Built-up Area Using the DMSP/OLS Nighttime Light Images[J]. Geomatics and Information Science of Wuhan University, 2016, 41(2):196-201 http://ch.whu.edu.cn/CN/abstract/abstract3455.shtml
[9] 陈基伟, 韩雪培.高分辨率遥感影像建筑容积率提取方法研究[J].武汉大学学报·信息科学版, 2005, 30(7):580-582 http://ch.whu.edu.cn/CN/abstract/abstract2224.shtml Chen Jiwei, Han Xuepei.Semiautomatic Extraction of Floor Area Ratio Based on Construction Shadow in High Resolution Remote Sensing Image[J]. Geomatics and Information Science of Wuhan University, 2005, 30(7):580-582 http://ch.whu.edu.cn/CN/abstract/abstract2224.shtml
[10] 段德罡, 黄博燕.中心城区概念辨析[J].现代城市研究, 2008, 23(10):20-24 doi: 10.3969/j.issn.1009-6000.2008.10.004 Duan Degang, Huang Boyan. Differentiation and Analysis of the Concept of Central City Region[J]. Modern Urban Research, 2008, 23(10):20-24 doi: 10.3969/j.issn.1009-6000.2008.10.004
[11] 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[J].地理学报, 2016, 71(6):928-939 http://d.old.wanfangdata.com.cn/Periodical/dlxb201606003 Xu Zening, Gao Xiaolu. A Novel Method for Identifying the Boundary of Urban Built-up Areas with POI Data[J]. Acta Geographica Sinica, 2016, 71(6):928-939 http://d.old.wanfangdata.com.cn/Periodical/dlxb201606003
[12] Schneider A, Friedl M A, Potere D. Mapping Glo-bal Urban Areas Using MODIS 500-m Data:New Methods and Datasets Based on 'Urban Ecoregions'[J]. Remote Sensing of Environment, 2010, 114(8):1733-1746 doi: 10.1016/j.rse.2010.03.003
[13] 王丰龙, 刘云刚.中国城市建设用地扩张与财政收入增长的面板格兰杰因果检验[J].地理学报, 2013, 68(12):1595-1606 doi: 10.11821/dlxb201312001 Wang Fenglong, Liu Yungang. Panel Granger Test on Urban Land Expansion and Fiscal Revenue Growth in China's Prefecture-Level Cities[J]. Acta Geographica Sinica, 2013, 68(12):1595-1606 doi: 10.11821/dlxb201312001
[14] 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(1):210-222 http://www.sciencedirect.com/science/article/pii/S0034425712003653
[15] 徐惟诚.中国大百科全书-精粹本[M].北京:中国大百科全书出版社, 2002 Xu Weicheng. Encyolopedia of China[M]. Beijing:Encyclopedia of China Publishing House, 2002
[16] 中华人民共和国建设部.城市规划基本术语标准:Gb/T 50280-98[M].北京:中国建筑工业出版社, 1999 Ministry of Housing and Urban-Rural Development of P.R.C. Standard for a Basic Terminology of Urban Planning:Gb/T 50280-98[M]. Beijing:China Architecture & Building Press, 1999
[17] Li X, Gong P, Liang L. A 30-year (1984-2013) Record of Annual Urban Dynamics of Beijing City Derived from Landsat Data[J]. Remote Sensing of Environment, 2015, 166(1):78-90 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=fd9d7e89ed039a0ed285e9cade3bc474
[18] 李苗, 臧淑英, 吴长山, 等.哈尔滨市城乡结合部不透水面时空变化及驱动力分析[J].地理学报, 2017, 72(1):105-115 http://d.old.wanfangdata.com.cn/Periodical/dlxb201701009 Li Miao, Zang Shuying, Wu Changshan, et al. Spatial and Temporal Variation and Its Driving Forces of Urban Impervious Surface in Urban-Rural Continuum of Harbin[J]. Acta Geographica Sinica, 2017, 72(1):105-115 http://d.old.wanfangdata.com.cn/Periodical/dlxb201701009
[19] 张甜, 王仰麟, 刘焱序, 等. 1987-2015年深圳市主城区景观演变过程多时相识别[J].地理学报, 2016, 71(12):2170-2184 http://www.cqvip.com/QK/90059X/201612/671014318.html Zhang Tian, Wang Yanglin, Liu Yanxu, et al. Multi-temporal Detection of Landscape Evolution in Western Shenzhen City During 1987-2015[J]. Acta Geographica Sinica, 2016, 71(12):2170-2184 http://www.cqvip.com/QK/90059X/201612/671014318.html
[20] Schneider A, Woodcock C E. Compact, Dispersed, Fragmented, Extensive? A Comparison of Urban Growth in Twenty-five Global Cities Using Remotely Sensed Data, Pattern Metrics and Census Information[J]. Urban Studies, 2008, 45(3):659-692 doi: 10.1177/0042098007087340
[21] Griffiths P, Hostert P. Mapping Megacity Growth with Multi-sensor Data[J]. Remote Sensing of Environment, 2010, 114(2):426-439 doi: 10.1016/j.rse.2009.09.012
[22] Friedl M A, Mciver D K, Hodges J C F, et al. Global Land Cover Mapping from MODIS:Algorithms and Early Results[J]. Remote Sensing of Environment, 2002, 83(1-2):287-302 doi: 10.1016/S0034-4257(02)00078-0
[23] Wan B, Guo Q, Fang F, et al. Mapping US Urban Extents from MODIS Data Using One-Class Classification Method[J]. Remote Sensing, 2015, 7(8):10143-10163 doi: 10.3390/rs70810143
[24] Bartholome E M, Belward A S. GLC2000:A New Approach to Global Land Cover Mapping from Earth Observation Data[J]. International Journal of Remote Sensing, 2005, 26(9):1959-1977 doi: 10.1080/01431160412331291297
[25] Costa J N D, Bielecka E, Calka B, et al. Uncertainty Quantification of the Global Rural-Urban Mapping Project over Polish Census Data[C]. The 10th International Conference Environmental Engineering, Vilnius Gediminas Technical University, Lithuania, 2017
[26] Guindon B, Zhang Y, Dillabaugh C. Landsat Urban Mapping Based on a Combined Spectral-Spatial Methodology[J]. Remote Sensing of Environment, 2004, 92(2):218-232 doi: 10.1016/j.rse.2004.06.015
[27] Gao F, de Colstoun E B, Ma R, et al. Mapping Impervious Surface Expansion Using Medium-Resolution Satellite Image Time Series:A Case Study in the Yangtze River Delta, China[J]. International Journal of Remote Sensing, 2012, 33(24):7609-7628 doi: 10.1080/01431161.2012.700424
[28] Sun Z, Wang C, Guo H, et al. A Modified Norma-lized Difference Impervious Surface Index (MNDISI) for Automatic Urban Mapping from Landsat Imagery[J]. Remote Sensing, 2017, 9(9):942-959 doi: 10.3390/rs9090942
[29] Son N T, Chen C R. Urban Growth Mapping from Landsat Data Using Linear Mixture Model in Ho Chi Minh City, Vietnam[J]. Journal of Applied Remote Sensing, 2012, 6(1):100-106 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=169117ba7fb9e4921de718b69d6a1574
[30] Angiuli E, Trianni G. Urban Mapping in Landsat Images Based on Normalized Difference Spectral Vector[J].IEEE Geoscience & Remote Sensing Letters, 2013, 11(3):661-665 http://ieeexplore.ieee.org/document/6587128/
[31] Wang L, Li C C, Ying Q, et al. China's Urban Expansion from 1990 to 2010 Determined with Sate-llite Remote Sensing[J]. Science Bulletin, 2012, 57(22):2802-2812 doi: 10.1007/s11434-012-5235-7
[32] 陈洪, 陶超, 邹峥嵘, 等.一种新的高分辨率遥感影像城区提取方法[J].武汉大学学报·信息科学版, 2013, 38(9):1063-1067 http://ch.whu.edu.cn/CN/abstract/abstract2752.shtml Chen Hong, Tao Chao, Zou Zhengrong, et al. Automatic Urban Area Extraction Using a Gabor Filter and High-Resolution Remote Sensing Imagery[J]. Geomatics and Information Science of Wuhan University, 2013, 38(9):1063-1067 http://ch.whu.edu.cn/CN/abstract/abstract2752.shtml
[33] 陶超, 谭毅华, 蔡华杰, 等.面向对象的高分辨率遥感影像城区建筑物分级提取方法[J].测绘学报, 2010, 39(1):39-45 http://d.old.wanfangdata.com.cn/Periodical/chxb201001008 Tao Chao, Tan Yihua, Cai Huajie, et al. Object-Oriented Method of Hierarchical Urban Building Extraction from High-Resolution Remote-Sensing Imagery[J]. Acta Geodaetica et Cartographica Sinica, 2010, 39(1):39-45 http://d.old.wanfangdata.com.cn/Periodical/chxb201001008
[34] 倪欢, 林祥国, 宁晓刚.直角点特征引导的遥感影像居民地提取方法[J].武汉大学学报·信息科学版, 2017, 42(5):648-655 http://ch.whu.edu.cn/CN/abstract/abstract5732.shtml Ni Huan, Lin Xiangguo, Ning Xiaogang. A Method for Extracting Human Settlements from Remote Sensing Image Using Right Angle Corners Features[J]. Geomatics and Information Science of Wuhan University, 2017, 42(5):648-655 http://ch.whu.edu.cn/CN/abstract/abstract5732.shtml
[35] Ning X, Lin X. An Index Based on Joint Density of Corners and Line Segments for Built-up Area Detection from High Resolution Satellite Imagery[J].ISPRS International Journal of Geo-Information, 2017, 6(11):338-356 doi: 10.3390/ijgi6110338
[36] 林祥国, 宁晓刚.融合直角点和直角边特征的高分辨率遥感影像居民点提取方法[J].测绘学报, 2017, 46(1):83-89 http://d.old.wanfangdata.com.cn/Periodical/chxb201701010 Lin Xiangguo, Ning Xiaogang. Extraction of Human Settlements from High Resolution Remote Sensing Imagery by Fusing Features of Right Angle Corners and Right Angle Sides[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(1):83-89 http://d.old.wanfangdata.com.cn/Periodical/chxb201701010
[37] 焦利民, 吴苏.利用自组织网络分析1990-2010年中国主要城市扩展特征[J].武汉大学学报·信息科学版, 2014, 39(12):1435-1440, 1471 http://ch.whu.edu.cn/CN/abstract/abstract3137.shtml Jiao Limin, Wu Su.Analyzing the Characteristics of the Expansion of the Metropolises in China from 1990 to 2010 Using Self-organizing Neural Network[J]. Geomatics and Information Science of Wuhan University, 2014, 39(12):1435-1440, 1471 http://ch.whu.edu.cn/CN/abstract/abstract3137.shtml
[38] 吴晓青, 胡远满, 贺红士, 等. SLEUTH城市扩展模型的应用与准确性评估[J].武汉大学学报·信息科学版, 2008, 33(3):293-296 http://ch.whu.edu.cn/CN/abstract/abstract1565.shtml Wu Xiaoqing, Hu Yuanman, He Hongshi, et al.Accuracy Evaluation and Its Application of SLEUTH Urban Growth Model[J]. Geomatics and Information Science of Wuhan University, 2008, 33(3):293-296 http://ch.whu.edu.cn/CN/abstract/abstract1565.shtml
[39] 戴芹, 陈雪, 马建文, 等.基于遥感数据SOFM网络分类的五种城市增长方式鉴别方法应用研究[J].武汉大学学报·信息科学版, 2005, 30(6):525-528 http://ch.whu.edu.cn/CN/abstract/abstract2201.shtml Dai Qin, Chen Xue, Ma Jianwen, et al.Analysis of Five Forms of Urban Expansion Identification Mo-del Based on SOFM Classification Results of Remote Sensing Data[J]. Geomatics and Information Science of Wuhan University, 2005, 30(6):525-528 http://ch.whu.edu.cn/CN/abstract/abstract2201.shtml
[40] 刘耀林, 刘艳芳, 明冬萍.基于灰色局势决策规则的元胞自动机城市扩展模型[J].武汉大学学报·信息科学版, 2004, 29(1):7-13 http://ch.whu.edu.cn/CN/abstract/abstract4591.shtml Liu Yaolin, Liu Yanfang, Ming Dongping. Urban Expansion Model Based on Cellular Automata of Decision-Making with Grey Situation[J]. Geomatics and Information Science of Wuhan University, 2004, 29(1):7-13 http://ch.whu.edu.cn/CN/abstract/abstract4591.shtml
[41] 第一财经周刊. 《以后请不要再说"北上广深": 2018中国最新1-5线城市排名出炉!》[EB/OL].[2018-04-26]. https://www.cbnweek.com/articles/normal/20927 China Business News Weekly. 《Please Don't Say "Beijing, Shanghai, Guangzhou and Shenzhen" in the Future: The Latest Ranking of 1-5 Level Cities in China is Released》[EB/OL].[2018-04-26]. https://www.cbnweek.com/articles/normal/20927
[42] Gong P, Howarth P J. Land-use Classification of SPOT HRV Data Using a Cover-Frequency Method[J]. International Journal of Remote Sensing, 1992, 13(8):1459-1471 doi: 10.1080/01431169208904202
[43] Gong P, Howarth P J. Frequency-based Contextual Classification and Gray-level Vector Reduction for Land-use Identification[J]. Photogrammetric Engineering and Remote Sensing, 1992, 58(4):423-437
[44] 杨永春, 杨晓娟. 1949-2005年中国河谷盆地大型城市空间扩展与土地利用结构转型——以兰州市为例[J].自然资源学报, 2009, 24(1):37-49 doi: 10.3321/j.issn:1000-3037.2009.01.005 Yang Yongchun, Yang Xiaojuan. Research on Urban Spatial Expansion and Land Use Inner Structure Transformation of the Large Valley-basin Cities in China from 1949 to 2005-A Case Study of Lanzhou[J]. Journal of Natural Resources, 2009, 24(1):37-49 doi: 10.3321/j.issn:1000-3037.2009.01.005
[45] 阿斯耶姆·图尔迪, 阿里木江·卡斯木.基于多源遥感数据的奎屯市城市扩展分析[J].水土保持研究, 2013, 20(2):233-237 http://d.old.wanfangdata.com.cn/Periodical/stbcyj201302045 Asiyemu Tuerdi, Alimujiang Kasimu. Analysis of Urban Expansion in Kuitun City Based on Multi-source Remote Sensing Data[J]. Research of Soil and Water Conservation, 2013, 20(2):233-237 http://d.old.wanfangdata.com.cn/Periodical/stbcyj201302045
[46] Wang H, Ning X, Zhang H, et al. Urban Boundary Extraction and Urban Sprawl Measurement Using High-Resolution Remote Sensing Images:A Case Study of China's Provincial Capital[J]. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2018, XLII-3:1713-1719 doi: 10.5194/isprs-archives-XLII-3-1713-2018
[47] 刘纪远, 王新生, 庄大方, 等.凸壳原理用于城市用地空间扩展类型识别[J].地理学报, 2003, 58(6):885-892 doi: 10.3321/j.issn:0375-5444.2003.06.012 Liu Jiyuan, Wang Xinsheng, Zhuang Dafang, et al. Application of Convex Hull in Identifying the Types of Urban Land Expansion[J]. Acta Geographica Sinica, 2003, 58(6):885-892 doi: 10.3321/j.issn:0375-5444.2003.06.012
-
期刊类型引用(5)
1. 余博洋，秦淑洁，沈定涛，李思青，王结臣. 基于高分辨率无人机影像和U-Net网络的乡村地区不透水面提取方法研究. 测绘地理信息. 2024(05): 59-65 . 
百度学术
2. 张新长，黄健锋，宁婷. 高分辨率遥感影像耕地提取研究进展与展望. 武汉大学学报(信息科学版). 2023(10): 1582-1590 . 百度学术
3. 杨妍菲，张晓祥，薛明慧. 基于GEE平台的山地城市城镇扩展演变研究——以重庆市主城区为例. 测绘地理信息. 2022(05): 78-83 . 百度学术
4. 刘书颖，张翔，徐晶，谷芳华，贾海峰. 基于冗余分析的城市河湖水污染成因及尺度效应. 中国环境科学. 2022(10): 4768-4779 . 百度学术
5. 卢阳，杨建思，黄昕，杨其全，马嵩. 面向局部气候带的城市形态对地表温度的影响. 武汉大学学报(信息科学版). 2021(09): 1412-1422 . 百度学术
其他类型引用(20)
计量
- 文章访问数: 1443
- HTML全文浏览量: 183
- PDF下载量: 353
- 被引次数: 25
