面向GF-1影像的比值建筑用地指數(shù)構(gòu)建

楊文治， 張友靜， 尹新沆， 王金龍

(河海大學(xué)地球科學(xué)與工程學(xué)院，南京　210098)

?

面向GF-1影像的比值建筑用地指數(shù)構(gòu)建

楊文治， 張友靜， 尹新沆， 王金龍

(河海大學(xué)地球科學(xué)與工程學(xué)院，南京210098)

摘要：針對(duì)GF-1影像缺少短波紅外波段的問題，根據(jù)建筑用地信息在纓帽變換(Kauth-Thomas transformation,KT)前2個(gè)分量具有高對(duì)比度的特征，提出了一種比值建筑用地指數(shù)(ratio build-up index,RBI)。在不同的時(shí)空條件下，利用該指數(shù)分別提取了湖北省鐘祥市和襄陽(yáng)市樊城區(qū)的建筑用地信息，并將其結(jié)果與常規(guī)分類器和建筑用地指數(shù)等方法提取的結(jié)果進(jìn)行了比較。結(jié)果表明，RBI方法提取的建筑用地信息總精度和Kappa系數(shù)均較高，且對(duì)裸地信息具有較好的抑制能力。

關(guān)鍵詞：GF-1影像； 建筑用地指數(shù)(RBI)； 纓帽變換(KT)； 精度分析

0引言

利用遙感影像提取建筑用地信息的方法主要分為以下3類： ①基于典型地物的光譜特征或譜間關(guān)系知識(shí)等，用分類器或決策樹法提取建筑用地信息[1-4]； ②基于分類技術(shù)提取建筑用地信息[5-7]； ③通過(guò)建筑用地指數(shù)模型自動(dòng)提取建筑用地信息[8-9]。由于建筑物的光譜或譜間關(guān)系在不同區(qū)域和不同圖像之間存在較大差異，所以前2類方法的提取精度均不高。而第3類方法僅需通過(guò)波段運(yùn)算便可得到結(jié)果，具有操作簡(jiǎn)單，人工干預(yù)少且自動(dòng)化程度高的特點(diǎn)，因此目前應(yīng)用較為廣泛。Zha等[10]根據(jù)裸地和建筑用地在TM4和TM5波段的光譜特征，建立了歸一化差值建筑用地指數(shù)(normalized difference built-up index,NDBI)； 徐涵秋[11-12]基于數(shù)據(jù)維壓縮技術(shù)，構(gòu)建了指數(shù)型建筑用地指數(shù)(index-based built-up index,IBI)； 吳志杰等[13]在IBI指數(shù)的基礎(chǔ)上，構(gòu)建了增強(qiáng)型建筑用地指數(shù)(enhanced index-based built-up index,EIBI)。上述研究均根據(jù)建筑用地在短波紅外波段的反射特征，通過(guò)譜間關(guān)系建立相應(yīng)指數(shù)提取建筑用地信息。

目前高分影像數(shù)據(jù)只有藍(lán)、綠、紅和近紅外4個(gè)波段，無(wú)法構(gòu)建基于短波紅外波段的建筑用地指數(shù)。針對(duì)這一問題，本文利用建筑用地在纓帽變換(Kauth-Thomas transformetion,KT)后的影像特征，提出了一種面向高分影像的比值建筑用地指數(shù)(ratio build-up index,RBI)，并結(jié)合實(shí)例研究證明了該指數(shù)能夠準(zhǔn)確地提取建筑用地信息，且對(duì)裸地信息具有較好的抑制能力。

1實(shí)驗(yàn)區(qū)概況與數(shù)據(jù)源

以湖北省鐘祥市和襄陽(yáng)市樊城區(qū)為實(shí)驗(yàn)區(qū)。鐘祥市位于湖北省中北部，該區(qū)地物特征復(fù)雜，包括陰影、裸地、細(xì)小河流及江心洲等，這些地物的影像均易與建筑用地混淆。樊城區(qū)位于湖北省西北部，由于成像時(shí)間處于冬季，圖像中有大量裸露的休耕地及河灘沙地影像，這些地物的影像也易與建筑用地混淆。

本研究選用鐘祥市2013年8月6日的GF-1影像數(shù)據(jù)。GF-1衛(wèi)星是我國(guó)高分辨率對(duì)地觀測(cè)系統(tǒng)的首發(fā)星[14-15]，搭載6臺(tái)多光譜相機(jī)(2臺(tái)2 m全色/8 m多光譜相機(jī)，4臺(tái)16 m多光譜相機(jī))，具有高、中空間分辨率對(duì)地觀測(cè)和大幅寬成像相結(jié)合的特點(diǎn)。為了比較本文提出的RBI與目前常規(guī)指數(shù)提取建筑用地的精度，選用了含有短波紅外波段的Landsat8影像為對(duì)比數(shù)據(jù)，該影像的獲取日期和覆蓋范圍均與GF-1的一致。同時(shí)，為了研究RBI在不同時(shí)空條件下的適用性，還選用樊城區(qū)2014年1月23日的GF-1影像和同日期該區(qū)域的Landsat8影像作驗(yàn)證。為了消除大氣和光照等因素的影響，對(duì)遙感圖像進(jìn)行了輻射校正，將圖像的灰度值轉(zhuǎn)換為地物真實(shí)反射率。GF-1和Landsat8(不包括熱紅外波段)的部分波段參數(shù)如表1所示。

表1　GF-1和Landsat8數(shù)據(jù)部分波段參數(shù)

2原理和方法

2.1建筑用地的光譜特征

為了分析建筑用地信息在GF-1影像上的光譜特征及其與背景地物的差異,對(duì)鐘祥市的水體、林地、耕地、建筑用地及裸地5 類典型地物進(jìn)行了采樣，其光譜特征曲線如圖1所示。

圖1　鐘祥市實(shí)驗(yàn)區(qū)典型地物在GF-1影像上的

由于GF-1影像無(wú)法提供可以構(gòu)建常規(guī)建筑用地指數(shù)的短波紅外波段數(shù)據(jù)，且建筑用地和裸地的光譜特征相似，難以使用單個(gè)原始波段或原始波段組合提取建筑用地信息，因此有必要?jiǎng)?chuàng)建一個(gè)面向GF-1影像的建筑用地指數(shù)。

2.2比值建筑用地指數(shù)的構(gòu)建

KT變換是一種特殊的線性變換，可以視為一種有固定系數(shù)的主成分變換，通過(guò)多維旋轉(zhuǎn)產(chǎn)生新的主分量，并達(dá)到降維的目的[16]。KT變換矩陣最初是由Kauth和Thomas根據(jù)MSS圖像的數(shù)據(jù)特征總結(jié)提出的[17]，且主要是針對(duì)MSS圖像的綠、紅和2個(gè)近紅外波段所進(jìn)行的變換，其模型顯然不適用于GF-1影像，而IKONOS影像各波段參數(shù)與GF-1影像基本一致，因此本文采用Horne[18]在2003年針據(jù)IKONOS多光譜影像數(shù)據(jù)計(jì)算并提出的變換矩陣對(duì)GF-1影像進(jìn)行KT變換。

KT變換后得到的4個(gè)分量如圖2所示。

圖2　典型地物在GF-1影像上經(jīng)過(guò)KT變換結(jié)果

由于98%以上的圖像信息主要集中在KT變換的前2個(gè)分量[19]中，所以地物在這2個(gè)分量中具有較高可分性。

KT變換的第1分量(KT1)為

KT1=0.326X藍(lán)+0.509X綠+0.56X紅+0.567X近紅外，

(1)

式中：X藍(lán)，X綠，X紅，X近紅外分別為藍(lán)、綠、紅和近紅外波段的反射率。從式(1)可知，KT1在數(shù)值上等于4個(gè)波段反射率的加權(quán)和，反映了地物總體反射率。由圖2可知，在KT1上各典型地物的變換值從高到低依次為耕地、建筑用地、裸地、林地及水體。

KT變換的第2分量(KT2)為

KT2=-0.311X藍(lán)-0.356X綠-0.325X紅+0.819X近紅外，

(2)

可以看出，KT2在數(shù)值上等于近紅外波段數(shù)值減去可見光波段數(shù)值。由于植被在近紅外波段具有高反射率的特征，因此耕地和林地的變換值在KT2中分列第1位和第2位； 而從前文可知，由于水體反射率從紅光波段到近紅外波段呈現(xiàn)下降趨勢(shì)，且在近紅外波段的反射率明顯低于其他地物，所以水體在KT2中變換值最低，且為負(fù)值。

在KT變換前2個(gè)分量中，建筑用地處于耕地和水體之間，但是建筑用地在前2個(gè)分量的對(duì)比度顯然大于其他地物，因此可以構(gòu)建一個(gè)類似于比值植被指數(shù)(ratio vegetation index,RVI)的比值建筑用地指數(shù)(ratio build-up index,RBI)，具體公式為

RBI=KT1/KT2 。

(3)

3結(jié)果與分析

3.1建筑用地信息的RBI提取

利用RBI提取GF-1影像中的建筑用地信息一般包括以下步驟： ①影像預(yù)處理(輻射校正)； ②對(duì)藍(lán)、綠、紅及近紅外4個(gè)波段數(shù)據(jù)進(jìn)行KT變換，得到KT1和KT2； ③利用KT1和KT2構(gòu)建RBI，以增強(qiáng)建筑用地信息； ④目視判讀，選擇實(shí)驗(yàn)區(qū)(圖3(左))中典型地物的訓(xùn)練樣本，統(tǒng)計(jì)分析其在RBI中的特征值，利用建筑用地與其他地物差異顯著的特征值作為判定閾值，提取建筑用地信息，提取結(jié)果如圖3(右)所示。

圖3鐘祥市2013年8月6日GF-1影像(左)和RBI提取的建筑用地結(jié)果(右)

Fig.3GF-1 image of Zhongxiang region on August 6,2013(left) and extracted built- up result(right) using RBI

由圖3可以看出，利用RBI指數(shù)可以有效地提取建筑用地信息，且有效地抑制了裸地和江心洲對(duì)建筑用地的影響。

3.2與常規(guī)分類器的比較

為了將RBI與常規(guī)分類器的提取效果進(jìn)行對(duì)比，選擇最大似然分類法(maximum likelihood classification,MLC)、神經(jīng)網(wǎng)絡(luò)法(neural network classification,NNC)和支持向量機(jī)法(support vector machine classification,SVMC)對(duì)實(shí)驗(yàn)區(qū)進(jìn)行分類，提取建筑用地信息，其結(jié)果如圖4所示。

(a) MLC提取結(jié)果(b) NNC提取結(jié)果 (c) SVMC提取結(jié)果

圖4分類器提取的建筑用地結(jié)果

Fig.4Extracted built- up results using Classifiers

對(duì)比圖3和圖4可以發(fā)現(xiàn),RBI和常規(guī)分類器的提取效果均很好，而RBI對(duì)于抑制南部丘陵地區(qū)裸地和江心洲的效果明顯優(yōu)于常規(guī)分類器。

為了對(duì)分類結(jié)果進(jìn)行定量分析，本文結(jié)合現(xiàn)有的土地利用圖像與實(shí)驗(yàn)區(qū)GF-1 PMS2 傳感器獲取的2 m全色/8 m多光譜數(shù)據(jù)，采用隨機(jī)抽樣的方式，在鐘祥市實(shí)驗(yàn)區(qū)抽取800個(gè)驗(yàn)證像元作為檢驗(yàn)樣本，建立幾種分類方法的混淆矩陣(表2)。從表2的生產(chǎn)者精度來(lái)看，4種方法對(duì)于建筑用地的提取精度都超過(guò)了89.0%，但由于“過(guò)分類”以及不能有效區(qū)分裸地，導(dǎo)致使用者精度較低。從總精度和Kappa系數(shù)來(lái)看，RBI的分類精度均高于常規(guī)分類器，表明RBI指數(shù)抑制裸地信息的效果明顯。

表2　基于分類器所得的混淆矩陣

3.3與常規(guī)指數(shù)的比較

目前，NDBI，IBI和EIBI這3個(gè)指數(shù)在提取建筑用地信息方面應(yīng)用較為廣泛。NDBI是根據(jù)建筑用地信息在TM4和TM5波段中呈上升趨勢(shì)的特點(diǎn)構(gòu)建的，但是裸地信息在TM4和TM5波段上的趨勢(shì)與建筑用地信息一致，并且裸地在TM5波段上的反射率最高，因此NDBI 在提取建筑用地信息時(shí)常常受到裸地信息的影響[20]； IBI采用指數(shù)型構(gòu)建[21]，但是由于IBI是基于NDBI創(chuàng)建的，所以不可避免地包含裸地信息，裸地信息在NDBI中最高，在改進(jìn)的歸一化水體指數(shù)(modified normalized difference water index,MNDWI)中最低，因此，由NDBI和MNDWI創(chuàng)建的IBI反而加強(qiáng)了裸地信息； EIBI是在IBI基礎(chǔ)上建立的，能夠抑制裸地信息，增強(qiáng)建筑用地信息。

上述指數(shù)都需要短波紅外波段來(lái)構(gòu)建。為了比較RBI和目前常規(guī)指數(shù)的提取效果，選取了與前文GF-1數(shù)據(jù)采集日期和圖像覆蓋范圍一致的Landsat8影像用于比對(duì)，主要包括以下操作： ①影像預(yù)處理(輻射校正)； ②將影像重采樣為16 m，與GF-1影像分辨率一致； ③構(gòu)建NDBI,IBI和EIBI指數(shù)圖像，對(duì)建筑用地信息進(jìn)行增強(qiáng)； ④統(tǒng)計(jì)分析典型地物在各指數(shù)中的特征值，利用建筑用地與其他地物差異顯著的特征值作為判定閾值，提取建筑用地信息，結(jié)果如圖5所示； ⑤使用與RBI精度驗(yàn)證一致的檢驗(yàn)樣本，建立混淆矩陣(表3)。

(a) NDBI提取結(jié)果 (b) IBI提取結(jié)果 (c) EIBI提取結(jié)果

圖5　常規(guī)指數(shù)提取的建筑用地結(jié)果

對(duì)比圖3和圖5可以發(fā)現(xiàn)，RBI和其他3個(gè)指數(shù)對(duì)城市建筑用地信息的提取效果均較好，但RBI和EIBI抑制裸地信息的效果優(yōu)于NDBI和IBI。與RBI相比，常規(guī)指數(shù)存在將江心洲錯(cuò)分為建筑用地的現(xiàn)象。為了分析造成上述現(xiàn)象的原因，本文利用與前文一致的訓(xùn)練樣本，統(tǒng)計(jì)鐘祥實(shí)驗(yàn)區(qū)各典型地物在4個(gè)指數(shù)圖像中的均值，其結(jié)果如表4所示。

表4　鐘祥市典型地物指數(shù)均值

由表4可知： ①建筑用地信息在RBI和EIBI中指數(shù)值最高； ②在RBI中，建筑用地和裸地之間的差值明顯大于其他指數(shù)。然而由于各指數(shù)的構(gòu)建公式不同，所以指數(shù)值的范圍也不同，因此本文對(duì)4個(gè)指數(shù)圖像統(tǒng)一做0~255的灰度拉伸，利用與前文一致的訓(xùn)練樣本，比較了典型地物在各指數(shù)圖像中的灰度值(圖6)。由圖6可知，RBI中建筑用地與裸地之間的灰度值之差顯然大于其他指數(shù)的。由于江心洲主要由裸地構(gòu)成，而RBI拉大了建筑用地與裸地之間的差異，使得RBI提取建筑用地信息的閾值范圍大于其他常規(guī)指數(shù)，所以RBI在區(qū)分易與建筑用地混淆的裸地和江心洲信息方面的效果優(yōu)于其他指數(shù)。

圖6　4種指數(shù)圖像灰度值特征

從表3的生產(chǎn)者精度來(lái)看，常規(guī)指數(shù)與RBI提取建筑用地信息的精度相差不大，最低也達(dá)到了84.0%，說(shuō)明4種指數(shù)都具有增強(qiáng)建筑用地信息的效果。RBI和EIBI對(duì)于非建筑用地信息提取的精度明顯高于NDBI和IBI，說(shuō)明RBI和EIBI抑制裸地信息的效果優(yōu)于NDBI和IBI。從總精度和Kappa系數(shù)來(lái)看，RBI依然最高，故RBI提取建筑用地信息的效果優(yōu)于其他指數(shù)。

3.4方法驗(yàn)證

為了驗(yàn)證RBI在不同時(shí)空條件下的適用性，本文選用2014年1月23日湖北省襄陽(yáng)市樊城區(qū)的GF-1影像和同日期該區(qū)域的Landsat8影像，分別利用RBI，SVMC和EIBI 3種方法提取建筑用地信息，其結(jié)果如圖7所示。

(a) 原始真彩色合成圖像(b) RBI提取結(jié)果(c) SVMC提取結(jié)果 (d) EIBI提取結(jié)果

圖7樊城區(qū)2014年1月23日GF-1號(hào)原始影像和RBI，SVMC,EIBI提取的建筑用地結(jié)果

Fig.7GF-1 image of Fancheng region on January 23,2014 and extracted built- up results using RBI,SVMC and EIBI

對(duì)比3種方法的提取結(jié)果可以發(fā)現(xiàn)，RBI和EIBI抑制裸地信息的效果優(yōu)于SVMC； RBI提取城市建筑用地的效果優(yōu)于EIBI。

為了定量比較3種方法的提取精度，本文采用隨機(jī)抽樣的方式，在樊城實(shí)驗(yàn)區(qū)抽取700個(gè)驗(yàn)證像元作為檢驗(yàn)樣本，建立混淆矩陣(表5)。

表5　樊城實(shí)驗(yàn)區(qū)精度驗(yàn)證數(shù)據(jù)

由表5可知，RBI法的總精度和Kappa系數(shù)指標(biāo)均高于SVMC和EIBI。

4結(jié)論

1)在目前GF-1影像沒有短波紅外波段的情況下，采用KT變換前2個(gè)分量構(gòu)建的比值建筑用地指數(shù)(ratio build-up index,RBI)提取建筑用地的方法是可行的。利用該指數(shù)提取建筑用地信息的總體精度達(dá)到89.0%以上，明顯高于目前幾種常規(guī)分類方法的提取精度。

2)RBI與目前常規(guī)的建筑用地指數(shù)相比，在突出建筑用地信息的同時(shí)，能抑制裸地信息。

3) 在不同時(shí)空條件下，利用RBI提取建筑用地信息依然可行。

需要說(shuō)明的是： ①由于RBI構(gòu)建時(shí)要用到受大氣影響較大的藍(lán)光波段，故對(duì)遙感影像需做輻射定標(biāo)和大氣校正。②RBI與其他指數(shù)相比雖然增強(qiáng)了建筑用地信息，但是由于裸地和建筑用地光譜特征具有相似性，使得二者始終存在重疊區(qū)域，因此，為了抑制裸地信息的影響，單獨(dú)依靠RBI設(shè)定閾值一定會(huì)造成建筑用地信息的遺漏，對(duì)于農(nóng)村建筑用地這類建筑用地和裸地的混合像元影響尤其明顯，這也是RBI法提取建筑用地的局限性。③由于目前還沒有針對(duì)GF-1影像的KT變換模型，所以本文使用的是基于IKONOS影像的KT變換模型。

參考文獻(xiàn)(References)：

[1]趙萍,馮學(xué)智,林廣發(fā).SPOT衛(wèi)星影像居民地信息自動(dòng)提取的決策樹方法研究[J].遙感學(xué)報(bào),2003,7(4):309-315.

Zhao P,Feng X Z,Lin G F.The decision tree algorithm of automatically extracting residential information from SPOT images[J].Journal of Remote Sensing,2003,7(4):309-315.

[2]彭正林,毛先成,劉文毅,等.基于多分類器組合的遙感影像分類方法研究[J].國(guó)土資源遙感,2011,23(2):19-25.doi:10.6046/gtzyyg.2011.02.04.

Peng Z L,Mao X C,Liu W Y,et al.Method for classification of remote sensing images based on multiple classifiers combination[J].Remote Sensing for Land and Resources,2011,23(2):19-25.doi:10.6046/gtzyyg.2011.02.04.

[3]饒萍,王建力,王勇.基于多特征決策樹的建設(shè)用地信息提取[J].農(nóng)業(yè)工程學(xué)報(bào),2014,30(12):233-240.

Rao P,Wang J L,Wang Y.Extraction of information on construction land based on multi-feature decision tree classification[J].Transactions of the Chinese Society of Agricultural Engineering,2014,30(12):233-240.

[4]陳波,張友靜,陳亮.結(jié)合紋理的SVM遙感影像分類研究[J].測(cè)繪工程,2007,16(5):23-27.

Chen B,Zhang Y J,Chen L.RS image classification based on SVM method with texture[J].Engineering of Surveying and Mapping,2007,16(5):23-27.

[5]Weng Q H,Hu X F.Medium spatial resolution satellite imagery for estimating and mapping urban impervious surfaces using LSMA and ANN[J].IEEE Transactions on Geoscience and Remote Sensing,2008,46(8):2397-2406.

[6]Zhang Y J,Chen L,He C.Estimating urban impervious surfaces using LS-SVM with multi-scale texture[C]//Urban Remote Sensing Event,2009 Joint.Shanghai,China:IEEE,2009:1-6.

[7]Ridd M K.Exploring a V-I-S(vegetation-impervious surface-soil) model for urban ecosystem analysis through remote sensing:Comparative anatomy for cities[J].International Journal of Remote Sensing,1995,16(12):2165-2185.

[8]吳宏安,蔣建軍,張海龍,等.比值居民地指數(shù)在城鎮(zhèn)信息提取中的應(yīng)用[J].南京師大學(xué)報(bào):自然科學(xué)版,2006,29(3):118-121.

Wu H A,Jiang J J,Zhang H L,et al.Application of ratio resident-area index to retrieve urban residential areas based on Landsat TM data[J].Journal of Nanjing Normal University:Natural Science,2006,29(3):118-121.

[9]徐涵秋,杜麗萍.遙感建筑用地信息的快速提取[J].地球信息科學(xué)學(xué)報(bào),2010,12(4):574-579.

Xu H Q,Du L P.Fast extraction of built-up land information from remote sensing imagery[J].Journal of Geo-Information Science,2010,12(4):574-579.

[10]Zha Y,Gao J,Ni S.Use of normalized difference built-up index in automatically mapping urban areas from TM imagery[J].International Journal of Remote Sensing,2003,24(3):583-594.

[11]徐涵秋.基于壓縮數(shù)據(jù)維的城市建筑用地遙感信息提取[J].中國(guó)圖象圖形學(xué)報(bào),2005,10(2):223-229.

Xu H Q.Remote sensing information extraction of urban built up land based on a data dimension compression technique[J].Journal of Image and Graphics,2005,10(2):223-229.

[12]Xu H Q.Extraction of urban built-up land features from Landsat imagery using a thematic-oriented index combination technique[J].Photogrammetric Engineering and Remote Sensing,2007,73(12):1381-1392.

[13]吳志杰,趙書河.基于TM圖像的“增強(qiáng)的指數(shù)型建筑用地指數(shù)”研究[J].國(guó)土資源遙感,2012,24(2):50-55.doi:10.6046/gtzyyg.2012.02.10.

Wu Z J,Zhao S H.A study of enhanced index-based built-up index based on Landsat TM imagery[J].Remote Sensing for Land and Resources,2012,24(2):50-55.doi:10.6046/gtzyyg.2012.02.10.

[14]路云閣,劉采,王姣.基于國(guó)產(chǎn)衛(wèi)星數(shù)據(jù)的礦山遙感監(jiān)測(cè)一體化解決方案——以西藏自治區(qū)為例[J].國(guó)土資源遙感,2014,26(4):85-90.doi:10.6046/gtzyyg.2014.04.14.

Lu Y G,Liu C,Wang J.Integrated solutions for mine remote sensing monitoring based on domestic satellite images:A case study of Tibet[J].Remote Sensing for Land and Resources,2014,26(4):85-90.doi:10.6046/gtzyyg.2014.04.14.

[15]白照廣.高分一號(hào)衛(wèi)星的技術(shù)特點(diǎn)[J].中國(guó)航天,2013(8):5-9.

Bai Z G.The technical features of GF-1[J].Aerospace China,2013(8):5-9.

[16]費(fèi)鮮蕓,張志國(guó),高祥偉.基于纓帽變換的IKONOS數(shù)據(jù)融合[J].計(jì)算機(jī)工程與應(yīng)用,2008,44(2):233-235.

Fei X Y,Zhang Z G,Gao X W.Study on IKONOS data fusion based on tasseled cap transformation[J].Computer Engineering and Applications,2008,44(2):233-235.

[17]Kauth R J,Thomas G S.The tasseled cap——a graphic description of the spectral-temporal development of agricultural crops as seen by Landsat[C]//Proceedings of the Symposium on Machine Processing of Remotely Sensed Data.Indiana,1976:159.

[18]Horne J H.A tasseled cap transformation for IKONOS images[C]//ASPRS 2003 Annual Conference Proceedings.2003:60-70.

[19]周家香,朱建軍,左廷英.IKONOS圖像的纓帽變換方法[J].礦山測(cè)量,2006(1):13-14,50.

Zhou J X,Zhu J J,Zuo T Y.Tasseled cap transformation method for IKONOS images[J].Mine Surveying,2006(1):13-14,50.

[20]楊智翔,何秀鳳.基于改進(jìn)的NDBI指數(shù)法的遙感影像城鎮(zhèn)用地信息自動(dòng)提取[J].河海大學(xué)學(xué)報(bào):自然科學(xué)版,2010,38(2):181-184.

Yang Z X,He X F.Automatic extraction of urban land-use information from remote sensing images based on improved NDBI method[J].Journal of Hohai University:Natural Sciences,2010,38(2):181-184.

[21]Xu H.A new index for delineating built-up land features in satellite imagery[J].International Journal of Remote Sensing,2008,29(14):4269-4276.

(責(zé)任編輯： 刁淑娟)

下期要目

閆利多光譜遙感影像植被覆蓋分類研究進(jìn)展

李萬(wàn)倫礦山環(huán)境高光譜遙感監(jiān)測(cè)研究進(jìn)展

王思勝基于ALOS/PALSAR數(shù)據(jù)的山地冰川流速估算方法比較研究——以喀喇昆侖地區(qū)斯克洋坎力冰川為例

李亮融合時(shí)間特征的高分辨率遙感影像分類方法

陸丁滒基于Google Earth影像的漓江水系形態(tài)特征提取與分析

毋兆鵬基于CLUE_S 模型的精河流域綠洲土地利用空間格局多情景模擬

王雪利用機(jī)載LiDAR數(shù)據(jù)和高分辨率圖像提取復(fù)雜城區(qū)的建筑物

郭紅燕面向石油遙感信息服務(wù)的多時(shí)相影像數(shù)據(jù)管理

張微高分辨率遙感衛(wèi)星在東昆侖成礦帶找礦預(yù)測(cè)中的應(yīng)用

張焜高分一號(hào)衛(wèi)星影像在中印邊界楚魯松杰村一帶地質(zhì)災(zāi)害調(diào)查中的應(yīng)用

Construction of ratio build-up index for GF-1 image

YANG Wenzhi, ZHANG Youjing, YIN Xinhang, WANG Jinlong

(SchoolofEarthSciencesandEngineering,HohaiUniversity,Nanjing210098,China)

Abstract:In view of the facts that the high resolution image is usually lack of shortwave infrared wavelengths and that the first two components of KT transformation have the characteristics of high contrast, this paper proposes a ratio build-up index (RBI) with GF-1 images as the data source. Under different temporal-spatial conditions, the ratio build-up index was used to extract the build-up land information of Zhongxiang City and Fancheng District of Xiangyang City in Hubei Province, and the result was compared with results of the common classifiers and the common build-up index’s extractions. It is shown that the accuracy and Kappa of RBI extraction are better, and RBI has good inhibition capability on bare land information.

Keywords:GF-1 Image； ratio build-up index (RBI)； KT transformation； accuracy analysis

作者簡(jiǎn)介：第一 楊文治(1989-)，男，碩士研究生，主要從事遙感技術(shù)機(jī)理與應(yīng)用研究。Email： 199962972@qq.com。

中圖法分類號(hào)：TP 751.1

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001-070X(2016)01-0035-08

基金項(xiàng)目：高分水利遙感應(yīng)用示范系統(tǒng)(一期)項(xiàng)目(編號(hào)： 08-Y30B07-9001-13/15)資助。

收稿日期：2014-08-08；

修訂日期：2014-11-15

doi:10.6046/gtzyyg.2016.01.06

引用格式： 楊文治，張友靜，尹新沆,等.面向GF-1影像的比值建筑用地指數(shù)構(gòu)建[J].國(guó)土資源遙感,2016,28(1):35-42.(Yang W Z,Zhang Y J,Yin X H,et al.Construction of ratio build-up index for GF-1 image[J].Remote Sensing for Land and Resources,2016,28(1):35-42.)