1研究区概况与分析方法
1．1研究区概况本文以西安市长安区为研究区，长安区位于关中盆地中部偏南，范围介于东经108°38'～109°14'，北纬33°47'～34°18'之间，全区面积1580km2，南北跨度约55km，东西跨度约52km，辖22个街道办事处、34个城市社区、606个行政村，是建设中的西安现代国际化大都市新型主城区。土地利用类型以农用地、城乡、林地和居民用地为主。近年来，随着经济的快速发展和人口的增加，城市建筑用地在土地利用类型中的变化十分显著，并成稳步上升的趋势。1．2数据源基于影像的光谱分辨率及空间分辨率，影像获取成本和难易程度等因素的考虑，研究采用的数据源包括:LandsatTM影像资料(127﹨36)，时间为2010年6月17日。该区域1∶50000地形图，《西安市统计年鉴(2010年)》以及其他辅助图件。从影像上来看，当时研究区上空晴朗无云，地面特征清晰，图像受干扰较少。1．3研究方法本研究主要利用ErdasImagine9．2遥感处理软件，首先对2010年的遥感图像进行几何精校正、拼接，然后切取覆盖研究区大小为512×512像元的典型区域作为试验区，面积约为213km2。为了保证光谱的原始性，未做进一步光谱增强处理。研究的总体思路是对试验区TM影像进行波谱特征分析，制作植被专题影像、水体专题影像和城市建筑用地专题影像;然后将三幅专题影像组合成一幅新影像，通过简单谱间关系阈值处理，得到城市建筑用地信息提取图;最后对提取结果做精度评价。具体研究的技术流程如图1所示。
2城市建筑用地和典型地物光谱特征分析
在城市范围内，城市建筑用地包括居住地、公共设施、工业、仓储、对外交通、道路广场、市政公用设施及特殊用地等(不包括水域)［1］。试验区的土地利用类型有:城市住宅用地、零星居民点、工业设施用地、道路、耕地、林地、草地、裸地、坑塘水面、河流，其中前四项属于城市建筑用地。在TM影像(30×30m2的分辨率，TM6除外)上，城市住宅用地规律性较强、建筑面积较大、屋顶平整且纹理特征明显，故像元多为灰度值偏大的纯净像元;零星的居民点多为独立楼房，青瓦或红瓦的尖顶，房屋周围空地、道路、林地等散乱配置，房屋一般不超过30×30m2，故像元多为混合像元;工业设施房屋的占地面积一般较大，屋顶多为铁皮刷漆的建筑材料，纹理和颜色特征明显，故像元多为灰度值较大的纯净像元;道路在影像上呈现出纵横交错的棋盘状，两侧绿化带更易于辨识道路。根据我国车行道类型标准:主干道宽为30～45m，次干道宽为25～40m，支路宽为12～15m左右。故主干道像元多为纯净像元，次干道和支路像元多为混合像元。遥感图像数据中像元灰度值的大小及其变化主要由地物类型的变化引起。本研究利用不同地类在不同波段上的灰度值不同，分析和找出城市建筑用地和其他背景地物之间的差异，提取城市建筑用地。对每一种典型地物选取五个样本，测定各波段的光谱值均值。结果见表1和图2。图2可知，裸地在TM2，TM3，TM4，TM5，TM7处的灰度值都大于其他地物，用表达式TM2+TM3+TM4+TM5+TM7＞T(T为阈值)，T大于等于434时，即可将裸地从其他地物中提取出来。植被(包括耕地、林地和草地)具有在波段4的灰度值均高于其他地类(除裸地外)，波段2和波段3的灰度值偏低的特征。水体(包括坑塘水面和河流)在各波段上的灰度值都偏低，尤其是波段5和波段7的灰度值明显低于其他地物。城市建筑用地(包括城市住宅用地、零星居民点、工业设施用地和道路)的波谱走向大致相同，波段2、波段3、波段5和波段7的灰度值高于植被和水体，在波段4上，城市建筑用地的灰度值比植被要小，比水体要大，但是道路与河流的灰度值差异不大。
3归一化差异型指数影像的创建
3．1植被专题影像土壤调节植被指数SAVI(SoilAdjustedVegetationIn-dex)是Hute［8］通过对棉花和草在深色和浅色土壤背景下反复试验得出的。通过引入土壤调节因子l以消除土壤背景对植被的干扰。用SAVI指数代替常用归一化植被指数NDVI提取城市植被信息，是因为NDVI不适宜提取低植被覆盖区的植被信息，而城市建成区却多为植被覆盖率小于30%的低植被覆盖区［9］，SAVI比较适用于低植被覆盖区，其探测下限可低至15%［10］。因此，根据本试验区植被覆盖度、土壤背景等因素，选取SAVI指数提取城市植被信息。土壤调节指数SAVI的公式如下［11］:SAVI=NIＲ－Ｒe()d1[()]+l/NIＲ+Ｒe()d+n(1)式中，NIＲ，Ｒed分别为TM4，TM3波段。n为土壤调节因子，数值介于0到1之间，0和1分别代表植被覆盖率极高和极低的两种极端情况，通常n=0．5时，可较好地减弱土壤背景的差异。3．2水体专题影像由于水体的反射从可见光到中红外波段逐渐减弱，在近红外和中红外波长范围内吸收性最强，几乎无反射［12］，因此，用可见光波段的最高反射和近红外波段的最低吸收之间的反差，可以快速地提取影像中的水体信息。McFeeters［13］提出NDWI指数，其公式如下:NDWI=()Green－NIＲ/()Green+NIＲ(2)式中，Green是绿光波段，即TM2波段，NIＲ为TM4波段。钟春棋［14］利用TM影像不同地物的比值差异，利用逻辑表达式if(TM2+TM3)/(TM4+TM5)＞2andTM2＞40then1ElseNull自动提取研究区较大范围的专题湿地水体，水体信息效果明显。由于本文试验区中水体的波谱曲线与其他地物难以区分，尤其与道路，故用以上表达式不能有效提取水体信息，根据本试验区水体的波谱曲线特征，可采用逻辑表达式有效提取:if(TM2+TM3)/(TM5+TM7)＞0．75andTM3＜50then1ElseNull。3．3城市建筑用地专题影像杨山提出的仿归一化植被指数，后由查勇［6］等改称为归一化建筑指数。其公式如下:NDBI=()MIＲ－NIＲ/()MIＲ+NIＲ(3)式中，MIＲ，NIＲ分别为TM5，TM4波段。该指数主要基于城市建筑用地(不透水面)在波段5的反射率高于波段4的特点而创建。分析各地类在波段4、波段5处的灰度值发现，不只是建筑用地具有这一特点，本文试验区中耕地、林地和草地在波段5处的灰度值也大于波段4的特点。认识到这一点，查勇［6］等采用了NDBI－SAVI指数结合的方法有效提取城市用地。由于该试验区属于城市郊区，区域内部植被覆盖比城市中心大，所以经过多次试验，采取NDBI－2×SAVI指数结合的方法能很好地提取试验区城市建筑用地信息。根据以上分析，分别提取了试验区的植被专题影像、水体专题影像和城市建筑用地专题影像(如图3所示)，代表试验区三种主要土地利用类型。从图3可以看出，植被专题影像效果较好(如图3a所示)，植被成高亮度显示，城市建筑用地成黑色显示。水体专题影像的效果较差(如图3b所示)，水体成亮白色显示，由于有不少道路也被误分为水体，形成噪音，裸地显示为黑色斑块。城市建筑用地专题影像提取效果较好，城市建筑用地成灰色显示，图中植被和水体显示为黑色，但是也有部分植被被误分为城市建筑用地，呈现为灰色，裸地为暗灰色，其不属于城市建筑用地。
4城市建筑用地信息提取
根据谱间特征可以将城市建筑用地提取出来，基于这样的研究思路，将植被专题影像、水体专题影像和城市建筑用地专题影像组合为一幅新影像，通过压缩波段维数的方式简化谱间分析过程。其中，每幅影像分别代表一个波段，即B1(植被专题影像)、B2(水体专题影像)和B3(城市建筑用地专题影像)，在新影像中选取植被、水体、城市建筑用地的样本，求取采样点灰度值均值，绘制光谱特征曲线，如图4所示。经简化后，新影像中的光谱特征曲线的波谱间特征变化规律清晰易见，城市建筑用地在波段1(B1)处的灰度值均值最小，在波段3(B3)处的灰度值均值最大，所以可据此采用逻辑判断表达式IfB3/B1＞1．3then1ElseNull提取试验区的城市建筑用地信息。图5是实验区的城市建筑用地信息的提取结果图，植被和水体成黑色显示，城市建筑用地成亮白色显示，与实地城市建筑用地的空间分布情况基本吻合。
5精度评价
利用上述方法提取的结果与原始影像进行叠加，采用目视判读检验提取效果，本文所用方法的总体提取效果令人满意，特别是对于面积较大的城市建筑用地。为了评价其精度，本文随机选取了150个样本，建立混淆矩阵，计算其生产者精度、使用者精度、总精度。结果表明，城市建筑用地生产者精度为84．2%，使用者精度为91．9%，总精度为85．3%(见表2)。6结束语1)研究表明，利用SAVI提取城市植被信息的效果比用NDVI好，利用NDBI－2×SAVI相结合的方法提取城市建筑用地专题影像恰好弥补了单一依靠NDBI的不足，但是也有部分植被被误分为城市建筑用地。通过分析新影像的光谱特征，运用逻辑判断表达式IfB3/B1＞1．3then1ElseNull提取试验区的城市建筑用地信息。2)运用综合指数分析法提取城市建筑用地，应更加注重研究区光谱信息的深入分析和挖掘，然后创建正确的差异型指数模型，并且该方法受时相影响较小，只需根据研究区波谱特征设定阈值大小，即可将城市建筑用地从复杂的城市背景地物中提取出来。3)研究结果也存在一定问题，提取的城市建筑用地面积要比实际偏小。可能存在两个原因:一是遥感影像中存在混合像元，部分城市建筑用地像元中含有植被和阴影信息;二是受其他地物覆盖，道路和水利建筑设施的提取面积减少，如道路被两侧绿化带树冠遮盖，河堤被沿河两侧的树冠遮盖，所以道路河堤等建筑用地被细化。
作者：湛青青 王辉源 单位：西北大学 城市与环境学院
