留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

利用资源三号卫星影像阴影提取建筑容积率

霍少峰 顾行发 占玉林 张文豪

霍少峰, 顾行发, 占玉林, 张文豪. 利用资源三号卫星影像阴影提取建筑容积率[J]. 武汉大学学报 ● 信息科学版, 2018, 43(3): 444-450. doi: 10.13203/j.whugis20150191
引用本文: 霍少峰, 顾行发, 占玉林, 张文豪. 利用资源三号卫星影像阴影提取建筑容积率[J]. 武汉大学学报 ● 信息科学版, 2018, 43(3): 444-450. doi: 10.13203/j.whugis20150191
HUO Shaofeng, GU Xingfa, ZHAN Yulin, ZHANG Wenhao. Extracting Building Plot Ratio with Shadow of ZY-3 Image[J]. Geomatics and Information Science of Wuhan University, 2018, 43(3): 444-450. doi: 10.13203/j.whugis20150191
Citation: HUO Shaofeng, GU Xingfa, ZHAN Yulin, ZHANG Wenhao. Extracting Building Plot Ratio with Shadow of ZY-3 Image[J]. Geomatics and Information Science of Wuhan University, 2018, 43(3): 444-450. doi: 10.13203/j.whugis20150191

利用资源三号卫星影像阴影提取建筑容积率

doi: 10.13203/j.whugis20150191
基金项目: 

国家自然科学基金 41371416

国家自然科学基金 41471310

高分重大专项 Y4D00100GF

“十二五”民用航天预研 Y1K00200KJ

详细信息
    作者简介:

    霍少峰, 硕士, 主要从事标准定量遥感研究。huosf@radi.ac.cn

    通讯作者: 占玉林, 副研究员。zhanyl@radi.ac.cn
  • 中图分类号: P237

Extracting Building Plot Ratio with Shadow of ZY-3 Image

Funds: 

The National Natural Science Foundation of China 41371416

The National Natural Science Foundation of China 41471310

Major Special Project: the China High-Resolution Earth Observation System Y4D00100GF

the Civil Space "12th Five-Year" Project Y1K00200KJ

More Information
    Author Bio:

    HUO Shaofeng, master, specializes in standard quantitative remote sensing inversion.E-mail:huosf@radi.ac.cn

    Corresponding author: ZHAN Yulin, associate professor. E-mail: zhanyl@radi.ac.cn
图(7) / 表(1)
计量
  • 文章访问数:  1044
  • HTML全文浏览量:  89
  • PDF下载量:  457
  • 被引次数: 0
出版历程
  • 收稿日期:  2015-05-17
  • 刊出日期:  2018-03-05

利用资源三号卫星影像阴影提取建筑容积率

doi: 10.13203/j.whugis20150191
    基金项目:

    国家自然科学基金 41371416

    国家自然科学基金 41471310

    高分重大专项 Y4D00100GF

    “十二五”民用航天预研 Y1K00200KJ

    作者简介:

    霍少峰, 硕士, 主要从事标准定量遥感研究。huosf@radi.ac.cn

    通讯作者: 占玉林, 副研究员。zhanyl@radi.ac.cn
  • 中图分类号: P237

摘要: 如何快速准确地确定建筑容积率是当前研究的热点,建筑物高度是容积率提取的基础。在传统的基于阴影的高度反演技术的基础上,引入了一种高度校正模型,提高了高度反演的精度。利用面向对象技术从资源三号卫星影像中获取建筑物的阴影特征,采用高度校正模型反演了高度信息,进而估算了建筑物的楼层数量,结合建筑面积估算出了容积率。以楼层数为单位进行实地抽样验证,发现高度校正后的精度由90.213%提高到了92.375%,证明了该模型的有效性。

English Abstract

霍少峰, 顾行发, 占玉林, 张文豪. 利用资源三号卫星影像阴影提取建筑容积率[J]. 武汉大学学报 ● 信息科学版, 2018, 43(3): 444-450. doi: 10.13203/j.whugis20150191
引用本文: 霍少峰, 顾行发, 占玉林, 张文豪. 利用资源三号卫星影像阴影提取建筑容积率[J]. 武汉大学学报 ● 信息科学版, 2018, 43(3): 444-450. doi: 10.13203/j.whugis20150191
HUO Shaofeng, GU Xingfa, ZHAN Yulin, ZHANG Wenhao. Extracting Building Plot Ratio with Shadow of ZY-3 Image[J]. Geomatics and Information Science of Wuhan University, 2018, 43(3): 444-450. doi: 10.13203/j.whugis20150191
Citation: HUO Shaofeng, GU Xingfa, ZHAN Yulin, ZHANG Wenhao. Extracting Building Plot Ratio with Shadow of ZY-3 Image[J]. Geomatics and Information Science of Wuhan University, 2018, 43(3): 444-450. doi: 10.13203/j.whugis20150191
  • 建筑物容积率是在城市化过程中,为了防止出现建筑密度过大、土地利用低效、土地利用强度过大等可能导致的环境问题而制定的一项控制指标。建筑容积率自1957年首先被美国芝加哥城作为一个重要的控制指标以来,已被广泛应用到了世界上其他国家和地区[1]。对于城市的行政决策者而言,容积率不仅直接反映了城市生活环境的好坏,同时也是城市对城市环境和可持续发展重视的标志[2]。因此,快速、精确地提取建筑物容积率信息,对于城市管理与规划部门、房地产开发商、城市居民、城市环境等都有着重要的现实意义。

    近年来,随着遥感技术的快速发展,卫星影像的空间分辨率有大幅度提升。阴影是高分辨率影像的一种重要光谱特征,虽然影响遥感影像的分类效果[3],但同时也提供了相关目标的形状轮廓、高度、相对位置等信息。由此,很多学者开始利用遥感技术来提取建筑物的容积率,取得了较好的成果。文献[4]从航空像片出发,采用了直接法、阴影法、高差法和投影法4种方法估算了容积率,并分析了4种方法的特点。文献[2]利用Photoshop工具提取出了QuickBird影像上建筑物的阴影特征,通过构建阴影面积与建筑总面积的关系模型获得了街区容积率分布。文献[5]基于面向对象原理进行了重庆市遥感影像的阴影提取工作,从阴影长度出发估算了建筑物高度,最终提取出容积率信息。

    本文以北京市为例,采用资源三号高分辨率卫星影像提取阴影和建筑物面积,引入高度校正模型,从而更加精确地反演出建筑物高度和楼层数量信息,利用ArcGIS技术获取建筑面积和地块面积,最终获得容积率。

    • 容积率,即地块范围内地面以上总建筑面积与地块总用地面积的比值,是一个无量纲的值。用R表示容积率,其计算式为:

      $$ R = \frac{F}{A} $$ (1)

      式中,F为地块内修建的总建筑面积(m2);A为地块面积(m2)。

      由式(1)可知,只需求取出总建筑面积F和地块总面积A即可得到容积率。其中,总建筑面积等于建筑面积与楼层数之积,而建筑面积和地块总面积可以通过GIS技术获得。所以问题的关键在于获取楼层的数量,而这可通过建筑物的高度除以平均楼层高度来得到。假设建筑物垂直于地面,且其阴影未被遮挡,则其高度的计算方法如下。

      当卫星成像时,若太阳与卫星位于建筑物的同侧,会有部分阴影无法被卫星探测到,如图 1所示。

      图  1  太阳、卫星与建筑物之间的空间关系图

      Figure 1.  Diagram of Sun-Satellite-Building Spatial Relationship

      此时, 卫星探测到的阴影长度为:

      $$ {L_2} = L - {L_1} = \frac{H}{{\tan\beta }} - \frac{H}{{\tan\alpha }} $$ (2)

      式中,αβ分别是卫星和太阳的高度角, 可以通过查阅卫星资料得知。一旦获取到了沿太阳方位角θ方向的阴影长度L2,就可以依照下式推算出建筑物的高度:

      $$ H = {L_2} \cdot \frac{{\tan\alpha \cdot\tan\beta }}{{\tan\alpha - \tan\beta }} $$ (3)

      若卫星拍摄时为正视姿态,或卫星和太阳位于建筑物的异侧时,卫星将可以观测到建筑物的整个阴影,不存在有卫星观测不到的阴影部分,因此L1=0,L=L2,此时:

      $$ H = L\cdot\tan\beta $$ (4)

      求出高度H后,除以楼层平均高度即可获得楼层数量,最终估算出容积率。本文以2.8 m作为楼层的平均高度值进行估算[6]

    • 研究区位于中国北京市朝阳区奥林匹克公园西南侧,面积约为0.35 km2, 有高、中、低等典型建筑物,地物种类有建筑物、道路、植被、停车场等,建筑物形状为矩形、长宽比较大的矩形、方形、椭圆等形状,能够较好地代表北京市城区建筑特点。

      本文采用的数据为2013-04-06北京市资源三号卫星全色正视影像(图 2),分辨率优于2.1 m、北京市30 m分辨率数字高程模型(digital elevation model, DEM)数据,已校正的基准影像等。

      图  2  研究区卫星影像

      Figure 2.  Image of Study Area

    • 根据资源三号卫星影像、DEM数据以及基准影像,对数据进行了特征提取前的预处理,包括系统几何校正、几何精校正、裁剪、影像增强处理等。

      传统的遥感分类方法是基于单个像素的分类方法,包括监督和非监督分类等,主要适用于中低空间分辨率的遥感影像。虽然近来发展了人工神经网络、聚类等方法,在精度方面也有了较大提升,但这些方法原理上依旧属于基于像素的分类范畴,无法从根本上摆脱方法上的局限性。高分辨率遥感影像较中低分辨率具有更加清晰可辨的影像细节、纹理特征、图案信息和形状轮廓等特点,更利于阴影特征提取工作的顺利进行[7]。此外,在阴影提取过程中,“同物异谱、异物同谱”是一个影响分类精度的主要因素,而高分辨率卫星影像的光谱信息不是很丰富,且经常伴有光谱相互影响的现象,仅靠单一的光谱信息难以达到较好的特征提取效果。

      为了解决上述问题,提出了面向对象的特征提取方法,并逐渐成为高分辨率遥感影像特征提取的首选方法。面向对象特征提取方法的优势在于其在进行特征提取之前首先将影像的基本处理单元由孤立的像素转化成了单个“对象”。所谓“对象”,是指通过多尺度影像分割,依照色度、形状、与邻近对象的距离等属性生成的同质性目标[8]。其克服了传统依靠单个像素进行分类方法的不足,依据某个规则将周围邻近的像元组成一个个“对象”,达到了良好的特征提取效果[9-10]。相关研究表明,采用面向对象的分类方法对高分辨率影像有着更佳的分类效果,能够有效地去除“椒盐现象”,且更加符合人类的视觉习惯[11-12]

      本文选择ENVI 5.1软件的基于规则的面向对象的策略进行影像分类。经过多次重复操作、分析对比效果,采用如下参数设置:选择基于边缘检测的分割算法对影像进行分割,分割阈值为40;选择Full Lambda Schedule算法进行影像分割后的合并过程,合并阈值为60;纹理内核大小为3。根据影像特点为阴影特征添加4个属性:Spectral类型的Spectral Mean属性,范围为341.87~520.00;Spatial类型的Area属性,范围为180.00~25 800.00(m2);Spatial类型的Rectangular Fit属性,范围为0.35~1.0;Spatial类型的Elongation属性,范围为1.00~6.00。经过基于规则的面向对象分类方法提取到的阴影如图 3所示。

      图  3  阴影提取效果

      Figure 3.  Results of Shadow Extraction

    • 通过面向对象方法进行特征提取得到的往往是特征提取的初步结果,特征边界通常会有较为明显的锯齿化现象,且经常会因特征内部出现斑点或孔洞而缺少空间连续性,严重影响后续工作的进行。因此利用形态学原理对特征提取后的结果进行平滑处理,以得到较为规则、连续、平滑的建筑物侧面或阴影特征[13],有效地提高阴影长度的量测精度。

      本文采用形态学的闭运算方法进行平滑处理,对阴影特征进行先膨胀、后腐蚀运算,实现边界平滑效果的同时去除斑点或孔洞等。Kernel Size设置为3×3。此后,结合实际情况进行非阴影特征的判断和剔除等工作,同时生成相应的矢量文件。阴影优化效果如图 4所示,相应的矢量文件如图 5所示。

      图  4  阴影优化效果

      Figure 4.  Results of Optimized Shadow

      图  5  阴影优化矢量文件

      Figure 5.  Vector File of Optimized Shadow

    • 本文所指的阴影长度是指图 1中沿太阳方位角方向上的可见阴影长度L2。因此,本文采用如下步骤实现阴影长度的计算:(1)依据太阳方位角画出一组方向与太阳投射方向一致的平行线,并使其与阴影矢量相交,如图 6所示,红线部分即为与建筑物的阴影矢量相交的沿太阳方位角的平行线;(2)利用ArcGIS的Identity工具根据阴影矢量截取这些平行线;(3)借助ArcGIS软件可以获取这些被截取平行线段的长度,并将计算所得平均长度作为该阴影的长度。图 6中的阴影特征分别为构建高度校正模型的数字北京大厦和国家游泳中心水立方投影所成,它们位于研究区的东北方向约700 m处,与研究区边长相近,而资源三号卫星的轨道高度约为506 km,因此可以忽略它们位于研究区外的误差影响。选择这两个建筑物作为构建高度校正模型的原因是这两个建筑物较为规则,能够代表绝大多数建筑物的真实轮廓,其次数字北京大厦真实高度为56.35 m,水立方的真实高度为31.0 m,高度值在研究区内建筑物高度(约10~100 m)区间内,并处于中值的位置。基于以上考虑,将两者用于构建本文试验的高度校正模型。

      图  6  阴影长度计算示意

      Figure 6.  Calculating Length of Shadow

    • 依据阴影长度及太阳高度角计算出来的建筑高度含有较大的误差。为了提高高度提取的精度,通过两个建筑的真实高度和反演高度来构建一个高度校正模型。本文采用水立方和数字北京大厦两个建筑来构建高度校正模型,如图 6所示。

      按照上述阴影长度计算方法得到水立方的阴影长度为23.68 m,数字北京大厦的阴影长度为42.71 m。由于所采用数据为资源三号卫星的正视影像,所以卫星高度角α可以近似看作90°。此时L2=L,则建筑物高度H可按式(4)计算,其中太阳高度角β=54.10°,太阳方位角θ=154.82°。由此计算得出水立方的高度为32.71 m,数字北京大厦的高度为59.00 m。而实际调查得知水立方的真实高度为31.00 m,数字北京大厦的真实高度为56.35 m。

      因此可构建高度校正模型:

      $$ H' = a\cdot H + b $$ (5)

      其中,H′为真实高度; H为计算高度; ab为校正系数。代入水立方和数字北京大厦的反演高度和真实高度可得a=0.964, b=-0.532。从而:

      $$ H' = 0.964 \cdot H - 0.532 $$ (6)

      按此方法对研究区内其他建筑物的阴影进行计算,即可得到校正后的所有建筑的高度,并根据楼层平均高度计算出每栋建筑物的楼层数量。

    • 设研究区内单个建筑的面积为Si, 可计算得到该建筑的楼层数量Ni,所有建筑所占面积为S,则容积率的计算式为:

      $$ R = \frac{{\sum\limits_{i = 1}^n {{S_i}\cdot{N_i}} }}{S} $$ (7)

      其中,考虑到研究区内建筑物的真实情况,本文的SiS是通过人工识别各个建筑物,在ArcGIS软件中勾画出建筑物的占地轮廓并获取其相应的面积信息。Ni可以通过上述反演过程获得,最后计算得知建筑容积率R约为2.506,说明研究区属于小高层和二类高层项目,与研究区建筑高度及密度分布情况吻合较好。

    • 为了验证计算结果的准确性,本文采用理论与实际相结合的方法进行验证,实地抽样考察了36个建筑物的楼层数量,并与采用高度校正前后的反演结果加以对比分析。选择此验证方法基于两点原因[5]:(1)容积率的精度取决于从阴影的长度估算到建筑物高度的精度,这是主要误差因素;(2)难于获得真实的容积率资料来验证计算结果。

      实地考察与高度校正前后的反演计算结果如表 1所示。

      表 1  研究区建筑楼层抽样验证结果

      Table 1.  Sample Validating Results of Building Floor Number

      编号 实际楼层数 高度校正前 高度校正后
      估算高度 估算楼层数 精度(%) 估算高度 估算楼层数 精度(%)
      1 16 48.11 17 94.12 45.89 16 100
      2 3 9.60 3 100 8.73 3 100
      3 16 51.25 18 88.89 48.92 17 94.12
      4 17 48.05 17 100 45.83 16 94.12
      5 16 53.21 19 84.21 50.81 18 88.89
      6 13 33.30 11 84.62 31.6 11 84.62
      7 4 16.82 6 66.67 15.7 5 80
      8 11 30.43 10 90.91 28.83 10 90.91
      9 6 20.82 7 85.71 19.56 6 100
      10 31 93.7 33 93.94 89.89 32 96.88
      11 30 98.24 35 85.71 94.27 33 90.91
      12 6 17.62 6 100 16.47 5 83.33
      13 6 19.22 6 100 18.01 6 100
      14 30 97.70 34 88.24 93.75 33 90.91
      15 6 23.23 8 75 21.88 7 85.71
      16 6 19.22 6 100 18.01 6 100
      17 28 93.4 33 84.85 89.59 31 90.32
      18 30 96.90 34 88.24 92.98 33 90.91
      19 18 51.89 18 100 49.54 17 94.44
      20 25 76.88 27 92.59 73.65 26 96.15
      21 6 19.86 7 85.71 18.63 6 100
      22 18 52.85 18 100 50.47 18 100
      23 17 51.25 18 94.44 48.92 17 100
      24 6 19.22 6 100 18.01 6 100
      25 5 19.79 7 71.43 18.56 6 83.33
      26 10 28.19 10 100 26.67 9 90
      27 2 11.21 4 50 10.28 3 66.67
      28 6 16.02 5 83.33 14.93 5 83.33
      29 18 52.32 18 100 49.95 17 94.44
      30 18 50.19 17 94.44 47.9 17 94.44
      31 18 52.85 18 100 50.47 18 100
      32 6 16.82 6 100 15.7 5 83.33
      33 18 56.06 20 90 53.56 19 94.74
      34 10 35.94 12 83.33 34.14 12 83.33
      35 18 55.24 19 94.74 52.77 18 100
      36 28 82.81 29 96.55 79.38 28 100

      分析表 1可知,在36个建筑物中,采用高度校正模型后,有19个(52.8%)更加接近真实楼层数量,其中6个与真实楼层数量一致,8个与真实值相差1层,1个相差2层,4个相差3层;有11个(30.6%)与校正前的结果相同,其中6个均与真实值一致,3个与真实值相差1层,2个相差2层;只有6个(16.7%)较校正前的结果偏差更大。高度校正前后楼层数量不变的有11个,在发生变化的25个建筑物中,23个减小了1层,2个减小了2层。

      对36个建筑的反演精度进行统计发现,高度校正前的平均精度为90.213%,而校正后的平均精度则达到了92.375%,提高了2.162个百分点,效果较为明显。

      表 1中楼层数量不同的建筑物的平均反演精度进行统计,绘制出如图 7所示的采用高度校正前后的精度对比曲线图。

      图  7  高度校正前后精度对比

      Figure 7.  Accuracy Contrast Before and After Height Correct Model

      图 7中可以看出,一般情况下,精度与建筑物的高度呈正相关关系,建筑物越高,反演结果越精确,反之误差越大。如2层的精度最低,3~16层建筑的精度较前者有明显的提升,而17层及以上的建筑精度虽较前者只是略微有点提升,但趋于稳定。此外,除了楼层数为10的建筑以外,经过高度校正后的反演精度都有提升或基本维持不变。经分析,10层建筑采用高度校正模型后精度降低的原因在于研究区内只有一个10层建筑,误差较大。从两条曲线的波动情况来看,高度校正后的平均精度变得更加平稳,结果更加可靠。上述分析表明,在提取建筑容积率过程中引入高度校正模型后精度降低的原因在于研究区内只有一个10层建筑,误差较大。从两条曲线的波动情况来看,高度校正后的平均精度变得更加平稳,结果更加可靠。高度校正模型能够提高反演结果的精度,达到了预期目标。

    • 本文从资源三号卫星影像出发估算了容积率,具有效率高、精度高等优点。研究结果证明,引入高度校正模型的良好效果,以及遥感手段在反演城市建筑容积率方面良好的可行性。

      对结果分析得知,本文方法的误差来源主要有:(1)由于遥感成像和分类方面不可避免的缺陷,导致阴影的提取结果本身存在误差,如编号(见图 5)为6、17、34的建筑物;(2)在建筑密度较大的区域,由于阴影重叠或投射在其他筑物上,会出现较大的测量误差[14],如编号为11、14、17(见图 5)的建筑物;(3)不同类型建筑物的楼层高度不同,以及建筑物的顶层和底层往往作为其他用途,以2.8 m作为楼层高度均值也会造成楼层数估算误差,如编号为5、7、27(见图 5)的建筑物;(4)建筑物所占面积的量测也存在不可避免的误差。

      根据以上误差所在,今后将继续深入研究针对阴影特征提取的影像分类算法,提高阴影提取精度和加强实地调查容积率资料的力度,以获得真实容积率值来对反演的结果加以评价。

参考文献 (14)

目录

    /

    返回文章
    返回