基于GEE的東北三省城市建設(shè)用地?cái)U(kuò)張研究

王明常，劉 鵬，陳學(xué)業(yè)，王鳳艷，宋玉蓮，劉瀚元

1.吉林大學(xué)地球探測(cè)科學(xué)與技術(shù)學(xué)院，長(zhǎng)春 130026 2.自然資源部城市國(guó)土資源監(jiān)測(cè)與仿真重點(diǎn)實(shí)驗(yàn)室，廣東 深圳 518000 3.中國(guó)地質(zhì)調(diào)查局西安礦產(chǎn)資源調(diào)查中心，西安 711500

0 引言

我國(guó)城市化發(fā)展迅速。東北作為老工業(yè)基地，20世紀(jì)80年代就有較高的城市化水平。衛(wèi)星遙感影像能夠直觀準(zhǔn)確地反映出過(guò)去幾十年我國(guó)城市建設(shè)用地的擴(kuò)張情況。GEE(Google Earth Engine)遙感云計(jì)算平臺(tái)自免費(fèi)開(kāi)放以來(lái)得到了廣泛的應(yīng)用[1-2]，包括：水體變化監(jiān)測(cè)[3-4]、土地利用變化監(jiān)測(cè)[5]、畜牧業(yè)動(dòng)態(tài)變化監(jiān)測(cè)[6]、氣候變化對(duì)農(nóng)作物的影響研究[7]、城市水文評(píng)價(jià)多尺度不透水遙感監(jiān)測(cè)[8]、洪泛平原濕地長(zhǎng)期變化監(jiān)測(cè)[9]和土地覆被監(jiān)測(cè)[10]等。機(jī)器學(xué)習(xí)算法和云計(jì)算平臺(tái)的發(fā)展為城市用地制圖的發(fā)展帶來(lái)了新機(jī)遇[11]。傳統(tǒng)的大范圍城市建設(shè)用地面積測(cè)繪費(fèi)時(shí)費(fèi)力，更新速度較慢，隨著遙感云平臺(tái)的出現(xiàn)和遙感影像數(shù)據(jù)的不斷增加，基于GEE和遙感影像的城市建設(shè)用地提取研究逐漸趨于成熟，可快速提供大范圍長(zhǎng)時(shí)間序列更為可靠的數(shù)據(jù)，為制定應(yīng)對(duì)氣候變化、國(guó)土資源利用以及城市規(guī)劃與管理政策發(fā)揮重要作用。

Liu等[12]利用GEE對(duì)全球建設(shè)用地分布信息進(jìn)行提取，根據(jù)夜間燈光和Landsat數(shù)據(jù)綜合多個(gè)遙感指數(shù)，構(gòu)建歸一化城市綜合指數(shù)，基于大量地面樣本數(shù)據(jù)，用最佳閾值分割對(duì)城市范圍進(jìn)行提取，實(shí)現(xiàn)城市用地的自動(dòng)化識(shí)別。王博帥等[13]利用珞珈一號(hào)和NPP/VIIRS(suomi national polar-orbiting partnership/visible infrared imaging radiometer suite)夜光遙感影像比較了人類居住指數(shù)、植被覆蓋和建筑共同校正的城市夜光指數(shù)、支持向量機(jī)3種提取城市建成區(qū)的方法，結(jié)果表明使用珞珈一號(hào)夜光遙感影像通過(guò)植被覆蓋和建筑共同校正的城市夜光指數(shù)方法提取的城市建成區(qū)效果最好。Liu等[14]利用GEE和Landsat影像結(jié)合城市用地綜合指數(shù)方法，繪制30 m分辨率1985—2015年全球城市動(dòng)態(tài)圖。Gong等[15]利用2018年的10 m分辨率哨兵衛(wèi)星數(shù)據(jù)、OpenStreetMap、珞珈一號(hào)夜間燈光數(shù)據(jù)、騰訊移動(dòng)定位和高德興趣點(diǎn)(POI)等社會(huì)大數(shù)據(jù)，實(shí)現(xiàn)全國(guó)范圍城市土地利用制圖，制作了地塊尺度面向?qū)ο蟮母叻直媛食鞘型恋乩脠D。Zhang等[16]提出了分層語(yǔ)義認(rèn)知作為城市功能識(shí)別的一般認(rèn)知結(jié)構(gòu)，利用高分辨率衛(wèi)星影像和興趣點(diǎn)數(shù)據(jù)對(duì)北京城市功能區(qū)進(jìn)行識(shí)別。以上研究都取得較高的精度和較好的效果，但大多數(shù)采用一次分類，對(duì)長(zhǎng)時(shí)間序列大范圍城市建設(shè)用地?cái)U(kuò)張研究較少。

為研究城市建設(shè)用地(路面、混凝土、磚、石及其他人造不透水覆蓋層類型)擴(kuò)張情況，本文以東北三省為研究區(qū)，基于GEE云平臺(tái)，采用二次分類方法提取建設(shè)用地。首先利用夜間燈光數(shù)據(jù)和閾值分割法提取城市區(qū)域；其次構(gòu)建特征數(shù)據(jù)并進(jìn)行優(yōu)化，利用人工解譯和隨機(jī)森林算法結(jié)合最優(yōu)特征數(shù)據(jù)，對(duì)1989、1995、2001、2007、2013和2019年的Landsat去云月度合成影像中的建設(shè)用地進(jìn)行提??；最后進(jìn)行精度評(píng)價(jià)與比較，研究建設(shè)用地?cái)U(kuò)張時(shí)空變化情況，分析推力、彈力、阻力和支持力等驅(qū)動(dòng)城市建設(shè)用地?cái)U(kuò)張的機(jī)制。

1 研究區(qū)概況和數(shù)據(jù)源

1.1 研究區(qū)概況

東北三省為遼寧省、吉林省和黑龍江省(圖1)，地處中國(guó)中高緯度地區(qū)(118°50′E—135°05′E，38°43′N—53°33′N)，總面積約為91.57萬(wàn)km2，地形以平原、山地為主，主要屬濕潤(rùn)、半濕潤(rùn)溫帶大陸性季風(fēng)氣候，年降水量300～1 000 mm，平均海拔高度為323 m。

圖1 研究區(qū)概況

1.2 數(shù)據(jù)源與預(yù)處理

1.2.1 夜間燈光數(shù)據(jù)

NPP/VIIRS夜間燈光數(shù)據(jù)是由Suomi-NPP衛(wèi)星的可見(jiàn)光/紅外輻射成像儀(VIIRS)獲取的夜間燈光遙感影像(DNB波段)，為全球每月的夜間燈光數(shù)據(jù)，該數(shù)據(jù)集有背景噪聲、火光和極光等干擾。NPP/VIIRS夜間燈光數(shù)據(jù)亮度值每年呈增加趨勢(shì)，選取2019年1—12月12期數(shù)據(jù)，采用平均值法對(duì)12期數(shù)據(jù)求年平均值，得到研究區(qū)年度平均夜間燈光數(shù)據(jù)。

1.2.2 多光譜數(shù)據(jù)

Landsat5地表反射率數(shù)據(jù)集是由Landsat5 TM傳感器在大氣中校正且經(jīng)過(guò)正射校正的地表反射率，包含4個(gè)可見(jiàn)光、近紅外波段和2個(gè)短波紅外波段；Landsat8地表反射率數(shù)據(jù)集是由Landsat8 OLI/TIRS(operational land imager/thermal infrared sensor)傳感器經(jīng)大氣校正和正射校正的地表反射率，包含5個(gè)可見(jiàn)光、近紅外波段和2個(gè)短波紅外波段以及2個(gè)熱紅外波段。本研究所使用的3 142景Landsat表觀反射率(TOA)產(chǎn)品均來(lái)自GEE云平臺(tái)，分別選取了1989、1995、2001、2007年477、462、560、534景Landsat5 TM影像和2013、2019年510、599景Landsat8 OLI影像，空間分辨率均為30 m。對(duì)所有TOA產(chǎn)品進(jìn)行去云處理[17]，選取云量值小于30%的影像，其余影像被掩膜刪除。此方法的優(yōu)點(diǎn)是不會(huì)破壞波段原始值。為了提高分類精度并避免積雪對(duì)訓(xùn)練樣本的影響，選取4—11月份影像，對(duì)去云影像進(jìn)行鑲嵌、裁切處理并生成東北三省月度合成影像，用所有月度合成數(shù)據(jù)生成影像數(shù)據(jù)集。

1.2.3 地形數(shù)據(jù)

SRTM(shuttle radar topography mission)數(shù)字高程模型產(chǎn)品是由美國(guó)“奮進(jìn)”號(hào)航天飛機(jī)上搭載的SRTM系統(tǒng)采集后經(jīng)過(guò)數(shù)據(jù)處理制成的數(shù)字高程模型。本研究使用了30 m分辨率的SRTM1產(chǎn)品。

1.2.4 經(jīng)濟(jì)和人口數(shù)據(jù)

本文中經(jīng)濟(jì)和人口數(shù)據(jù)來(lái)自《中國(guó)統(tǒng)計(jì)年鑒》[18]、《遼寧統(tǒng)計(jì)年鑒》[19]、《吉林統(tǒng)計(jì)年鑒》[20]和《黑龍江統(tǒng)計(jì)年鑒》[21]。

2 研究方法

通過(guò)借鑒國(guó)內(nèi)外城市土地利用信息提取的研究經(jīng)驗(yàn)，基于GEE云平臺(tái)，利用閾值分割法提取城市區(qū)域，構(gòu)建特征數(shù)據(jù)并進(jìn)行特征優(yōu)化，合理選取訓(xùn)練樣本，將最優(yōu)特征作為輸入對(duì)象，再利用隨機(jī)森林算法提取建設(shè)用地，并進(jìn)行精度評(píng)價(jià)與比較。技術(shù)流程如圖2所示。

圖2 技術(shù)流程

2.1 城市區(qū)域提取

基于NPP/VIIRS夜間燈光數(shù)據(jù)，利用閾值分割法提取城市區(qū)域。2019年度平均夜間燈光數(shù)據(jù)(圖3)灰度值(Gdn)的范圍為(0，168)，根據(jù)觀察可知燈光存在溢出現(xiàn)象。經(jīng)實(shí)驗(yàn)分析與比較，選取Gdn=0.8作為分割閾值劃分城市區(qū)域邊界，對(duì)非城市區(qū)域進(jìn)行掩膜處理得到城市區(qū)域。先確定城市區(qū)域再提取建設(shè)用地，避免了林地、裸地和鹽堿地等其他無(wú)關(guān)地物類別對(duì)提取建設(shè)用地的影響。

a.東北三省；b.沈陽(yáng)；c.長(zhǎng)春；d.哈爾濱。

2.2 建設(shè)用地提取

2.2.1 樣本數(shù)據(jù)選取

Collect Earth是聯(lián)合國(guó)糧農(nóng)組織開(kāi)發(fā)的開(kāi)源目視解譯工具，可以通過(guò)時(shí)間序列信息調(diào)用Landsat影像數(shù)據(jù)，利用關(guān)鍵物候期的彩色合成圖像目視解譯出更準(zhǔn)確的土地利用信息[22]。將研究區(qū)劃分為建設(shè)用地和非建設(shè)用地，基于Collect Earth利用目視解譯的方法得到5 280個(gè)樣本數(shù)據(jù)，2/3樣本用于訓(xùn)練，1/3樣本用于精度評(píng)價(jià)。

2.2.2 特征數(shù)據(jù)構(gòu)建

光譜特征是地物分類的主要特征，在Landsat月度合成影像中選取藍(lán)波段、綠波段、紅波段、近紅外波段、短波紅外1波段和短波紅外2波段作為光譜特征。

通過(guò)構(gòu)建遙感專題指數(shù)可以有效提高分類精度[23]。經(jīng)過(guò)處理后的Landsat 數(shù)據(jù)為月度合成影像，通過(guò)原始光譜波段構(gòu)建指數(shù)特征：歸一化植被指數(shù)(normalized difference vegetation index, NDVI)、增強(qiáng)型植被指數(shù)(enhanced vegetation index, EVI)[24]、改進(jìn)歸一化水體指數(shù)(modified normalized difference water index, MNDWI)[25]和歸一化建筑指數(shù)(normalized difference built-up index, NDBI)[26]，計(jì)算公式分別為：

(1)

(2)

(3)

(4)

式中：Indvi、Ievi、Imndwi、Indbi分別為NDVI、EVI、MNDWI、NDBI的指數(shù)值；Rnir、Rr、Rb、Rg、Rmir分別為近紅外、紅、藍(lán)、綠、中紅外波段的反射率。

紋理作為圖像的重要屬性應(yīng)用于圖像分類中。由于短波紅外波段用于分辨道路、水和植被等更有效，因此使用Landsat短波紅外波段構(gòu)建灰度共生矩陣(gray-level co-occurrence matrix, GLCM)，利用GEE云平臺(tái)中的glcmTexture函數(shù)可計(jì)算出18個(gè)紋理特征。本研究選取最常用的6個(gè)紋理特征：角二階矩、對(duì)比度、相關(guān)性、方差、逆差距和熵[27]。

本研究使用SRTMGL1_003數(shù)據(jù)構(gòu)建地形特征：海拔高度、坡度、坡向和山體陰影。

2.2.3 特征數(shù)據(jù)優(yōu)化

太多的特征數(shù)據(jù)會(huì)導(dǎo)致運(yùn)算效率和分類精度的降低。SEaTH算法是一種有效的特征優(yōu)化算法，可篩選出最優(yōu)分類特征[28]。SEaTH算法根據(jù)地物特征的正態(tài)分布，利用Jeffries-Matusita距離(簡(jiǎn)稱J-M距離，用J表示)衡量?jī)深惖匚顲1和C2間的可分性。J的計(jì)算公式如下：

J=2(1-e-B)；

(5)

(6)

2.2.4 隨機(jī)森林算法分類

隨機(jī)森林(random forest, RF)算法是Bagging(bootstrap aggregating)的一個(gè)擴(kuò)展變體，在以決策樹(shù)為基學(xué)習(xí)器構(gòu)建Bagging集成的基礎(chǔ)上，進(jìn)一步在決策樹(shù)的訓(xùn)練過(guò)程中引入隨機(jī)屬性選擇。RF算法的基學(xué)習(xí)器是決策樹(shù)。RF學(xué)習(xí)器可以分類也可以回歸，在最終的分類時(shí)可以輸出概率。隨著個(gè)體學(xué)習(xí)器數(shù)目的增加，RF算法通常會(huì)收斂到更低的泛化誤差[30]。

RF分類器即通過(guò)構(gòu)造多個(gè)訓(xùn)練集得到?jīng)Q策樹(shù)，通過(guò)T輪訓(xùn)練得到分類器序列{h1(x),h2(x),…,hT(x)}，構(gòu)成一個(gè)多決策樹(shù)的分類器組合，通過(guò)學(xué)習(xí)器投票的置信度來(lái)確定輸出結(jié)果[31]。采用Bagging抽樣策略，使用2/3的樣本用于分類器訓(xùn)練和1/3的樣本用于分類精度評(píng)估，則有

(7)

式中：H(x)為樣本x的分類結(jié)果；ht為單個(gè)決策樹(shù)分類器；y為輸出變量；Ⅱ(*)為指示函數(shù)。RF算法泛化誤差的上界滿足

(8)

決策樹(shù)數(shù)目對(duì)分類精度有重要的影響[32]。通過(guò)綜合考慮分類精度和運(yùn)行速度，將決策樹(shù)數(shù)目設(shè)置為n=400，利用RF算法在城市區(qū)域范圍中提取出建設(shè)用地。

2.2.5 精度評(píng)價(jià)方法

利用驗(yàn)證樣本數(shù)據(jù)構(gòu)建混淆矩陣，評(píng)價(jià)建設(shè)用地與非建設(shè)用地的分類精度，具體評(píng)價(jià)指標(biāo)包括總體精度(overall accuracy, OA)和Kappa系數(shù)[33]。

2.3 城市空間擴(kuò)張度量

通過(guò)城市建設(shè)用地?cái)U(kuò)張面積(ΔS)、擴(kuò)張速率(v)和擴(kuò)張強(qiáng)度(K)3個(gè)時(shí)空特征測(cè)度指標(biāo)來(lái)分析城市建設(shè)用地?cái)U(kuò)張時(shí)空變化，計(jì)算公式分別為：

ΔS=Sb-Sa；

(9)

(10)

(11)

式中：Sa和Sb分別為研究期間前期和后期的城市建設(shè)用地面積；ΔT為時(shí)間間隔。城市擴(kuò)張強(qiáng)度指數(shù)是對(duì)擴(kuò)張面積的年平均化，也是對(duì)擴(kuò)張速率的標(biāo)準(zhǔn)化，消除了城市規(guī)模初始狀態(tài)對(duì)擴(kuò)張?zhí)卣鞯挠绊?。按照擴(kuò)張強(qiáng)度可將城市擴(kuò)張類型分為5類[34]：高速擴(kuò)張型(K>20%)、快速擴(kuò)張型(14%

3 結(jié)果與分析

3.1 特征優(yōu)化結(jié)果

通過(guò)原始光譜波段和特征構(gòu)建得到6個(gè)光譜特征、4個(gè)指數(shù)特征、6個(gè)紋理特征和4個(gè)地形特征共計(jì)20個(gè)特征數(shù)據(jù)(圖4)，將3種類別(1.建設(shè)用地；2.水體；3.植被)進(jìn)行兩兩組合，計(jì)算每種類別組合和每種特征的J-M距離(表1)。由于只提取建設(shè)用地，所以選擇表1類別組合1-2、1-3中J>1的特征數(shù)據(jù)，最終得到12個(gè)最優(yōu)特征數(shù)據(jù)(表2)。

表2 特征優(yōu)化結(jié)果

海拔高度的單位為m；坡度、坡向的單位為(°);山體陰影為灰度值。

表1 類別組合和特征的J-M距離

3.2 建設(shè)用地提取精度評(píng)價(jià)與比較

利用OA和Kappa系數(shù)對(duì)不同年份建設(shè)用地提取結(jié)果進(jìn)行評(píng)價(jià)(圖5)，結(jié)果表明各年份提取結(jié)果都有較高的精度。東北三省平均OA和Kappa系數(shù)分別為95.88%和0.92，沈陽(yáng)平均OA和Kappa系數(shù)分別為96.86%和0.94，長(zhǎng)春平均OA和Kappa系數(shù)分別為96.08%和0.92，哈爾濱平均OA和Kappa系數(shù)分別為95.96%和0.92。Gong等[35]提供了1978—2017年中國(guó)建設(shè)用地制圖產(chǎn)品，利用本文驗(yàn)證樣本對(duì)其中2013年長(zhǎng)春市建設(shè)用地進(jìn)行精度評(píng)價(jià)，平均OA和Kappa系數(shù)分別為91.56%和0.88。本文的提取結(jié)果與Gong等提供的建設(shè)用地制圖產(chǎn)品對(duì)比如圖6所示，其中b為本研究建設(shè)用地提取結(jié)果輪廓疊加到Landsat影像上的顯示效果?？梢钥闯?，與Gong等提取結(jié)果相比，本文所用方法提取結(jié)果精度較高而且效果較好。

圖5 研究區(qū)精度評(píng)價(jià)

a.2013年長(zhǎng)春市部分區(qū)域Landsat影像；b.本研究建設(shè)用地提取輪廓；c.本研究提取結(jié)果；d.Gong等[35]提取結(jié)果。

3.3 省會(huì)城市建設(shè)用地?cái)U(kuò)張時(shí)空變化

沈陽(yáng)、長(zhǎng)春和哈爾濱城市建設(shè)用地?cái)U(kuò)張時(shí)空變化如表3所示?？梢钥闯觯荷蜿?yáng)在2001—2007年為低速擴(kuò)張型，長(zhǎng)春和哈爾濱在2007—2013年為低速擴(kuò)張型，其他時(shí)間3個(gè)城市都屬于緩慢擴(kuò)張型；1989—2019年沈陽(yáng)建設(shè)用地?cái)U(kuò)張面積較大，而且擴(kuò)張平均速率較快，長(zhǎng)春次之，哈爾濱最慢。主城區(qū)30年的擴(kuò)張情況如圖7所示，沈陽(yáng)主要向西、南方向擴(kuò)張，長(zhǎng)春向四周擴(kuò)張，哈爾濱主要向西北方向擴(kuò)張。

a.沈陽(yáng)；b.長(zhǎng)春；c.哈爾濱。

表3 擴(kuò)張面積、擴(kuò)張速率和擴(kuò)張強(qiáng)度統(tǒng)計(jì)表

3.4 城市建設(shè)用地、經(jīng)濟(jì)和人口變化

1989、1995、2001、2007、2013和2019年?yáng)|北三省所有城市以及長(zhǎng)春、沈陽(yáng)和哈爾濱建設(shè)用地提取結(jié)果如圖8所示，城市建設(shè)用地面積、經(jīng)濟(jì)和人口變化如圖9所示。東北三省所有城市30年建設(shè)用地面積總共擴(kuò)張49.07%，經(jīng)濟(jì)增長(zhǎng)25.93倍，人口增加11.12%；沈陽(yáng)建設(shè)用地面積擴(kuò)張2.25倍，經(jīng)濟(jì)增長(zhǎng)28.74倍，人口增加47.42%；長(zhǎng)春建設(shè)用地面積擴(kuò)張2.09倍，經(jīng)濟(jì)增長(zhǎng)63.39倍，人口增加20.30%；哈爾濱建設(shè)用地面積擴(kuò)張1.80倍，經(jīng)濟(jì)增長(zhǎng)31.85倍，人口增加9.02%。2013—2019年，東北三省GDP總量減少7.7%，總?cè)丝跍p少1.66%；哈爾濱人口減少4.4%且經(jīng)濟(jì)增長(zhǎng)緩慢，沈陽(yáng)、長(zhǎng)春經(jīng)濟(jì)和人口雖呈增長(zhǎng)趨勢(shì)，但人口增長(zhǎng)較慢，相應(yīng)城市建設(shè)用地面積也增加緩慢。

a.東北三?。籦.沈陽(yáng)；c.長(zhǎng)春；d.哈爾濱。

a.東北三省；b.沈陽(yáng)；c.長(zhǎng)春；d.哈爾濱。

3.5 城市建設(shè)用地?cái)U(kuò)張驅(qū)動(dòng)機(jī)制

城市建設(shè)用地?cái)U(kuò)張驅(qū)動(dòng)機(jī)制主要包括推力、支持力、彈力和阻力[36]。推力是推動(dòng)城市擴(kuò)張進(jìn)程的主要因素，主要包括人口、經(jīng)濟(jì)和交通等因素。由上述東北三省城市建設(shè)用地、經(jīng)濟(jì)和人口變化情況可知，人口增加的速度和經(jīng)濟(jì)發(fā)展的速度與城市建設(shè)用地?cái)U(kuò)張速度變化規(guī)律基本一致。分析其原因主要為：人口增加會(huì)帶來(lái)居住、就業(yè)、醫(yī)療、教育和娛樂(lè)等需求的增加，從而會(huì)加大對(duì)城市基礎(chǔ)設(shè)施及相關(guān)工程的建設(shè)，經(jīng)濟(jì)的快速發(fā)展也會(huì)促進(jìn)基礎(chǔ)設(shè)施的擴(kuò)建。而人口的減少和經(jīng)濟(jì)的下降則會(huì)導(dǎo)致城市建設(shè)用地?cái)U(kuò)張速率和強(qiáng)度的降低，甚至?xí)?dǎo)致城市建設(shè)用地收縮。人口因素和經(jīng)濟(jì)因素是促進(jìn)城市擴(kuò)張的主要因素。

支持力是指為城市擴(kuò)張?zhí)峁┍憬輻l件的因素，包括自然環(huán)境和行政因素。豐富的礦產(chǎn)資源、水資源和肥沃的黑土地是東北三省城市發(fā)展的自然基礎(chǔ)，三江平原、松嫩平原和遼河平原為城市發(fā)展建設(shè)提供了優(yōu)越的地理?xiàng)l件。東北振興戰(zhàn)略是東北三省城市擴(kuò)張重要的行政因素。

彈力作為推動(dòng)城市擴(kuò)張的動(dòng)力作用于城市不同區(qū)域，包括開(kāi)發(fā)區(qū)、高新區(qū)和大學(xué)城等的建設(shè)，影響城市化進(jìn)程和城市擴(kuò)張模式。

阻力是指阻礙城市擴(kuò)張的因素，包括生態(tài)環(huán)境保護(hù)和文化遺址保護(hù)等。為了保護(hù)生態(tài)環(huán)境，東北三省一些城市放棄了很多盈利企業(yè)發(fā)展的機(jī)會(huì)；城市建設(shè)也要考慮到對(duì)文化遺址的保護(hù)。阻力因素的作用導(dǎo)致了城市擴(kuò)張速率和強(qiáng)度的降低。

4 結(jié)論及展望

本研究基于GEE云平臺(tái)，利用NPP/VIIRS年度平均夜間燈光數(shù)據(jù)和閾值分割法提取了城市區(qū)域；利用Landsat去云月度合成影像制作不同年份影像集，構(gòu)建了指數(shù)特征、紋理特征和地形特征；利用SEaTH算法對(duì)特征數(shù)據(jù)進(jìn)行了優(yōu)化；利用RF算法分別提取了東北三省1989—2019年每6年時(shí)間間隔的城市建設(shè)用地，并進(jìn)行精度評(píng)價(jià)和比較；分析了省會(huì)城市建設(shè)用地?cái)U(kuò)張時(shí)空變化情況，東北三省城市建設(shè)用地、經(jīng)濟(jì)和人口的變化以及城市建設(shè)用地?cái)U(kuò)張驅(qū)動(dòng)機(jī)制。得到以下結(jié)論：

1)基于Landsat月度合成影像可以減少云和雪等的影響，獲得較好的建設(shè)用地提取效果。利用夜間燈光和Landsat數(shù)據(jù)通過(guò)二次分類先提取城市區(qū)域再提取其中建設(shè)用地的方式，避免了林地、裸地和鹽堿地等其他無(wú)關(guān)地物類別對(duì)分類的干擾，提高了分類效率和精度。

2)利用SEaTH算法進(jìn)行特征優(yōu)化，根據(jù)J-M距離的取值將特征數(shù)量從20個(gè)精簡(jiǎn)到12個(gè)，降低了運(yùn)行載荷的同時(shí)提高了分類精度。本研究平均總體精度和Kappa系數(shù)分別為96.19%、0.92，有較高的精度和可靠性。

3)東北三省城市建設(shè)用地的擴(kuò)張是復(fù)雜的動(dòng)態(tài)變化過(guò)程，省會(huì)城市中沈陽(yáng)擴(kuò)張速率較快，長(zhǎng)春次之，哈爾濱最慢。推力、支持力、彈力和阻力是驅(qū)動(dòng)城市建設(shè)用地?cái)U(kuò)張的主要機(jī)制，人口因素和經(jīng)濟(jì)因素是推動(dòng)城市建設(shè)用地?cái)U(kuò)張的主要因素，自然基礎(chǔ)和行政因素提供了便捷條件，開(kāi)發(fā)區(qū)、高新區(qū)和大學(xué)城等的建設(shè)影響城市擴(kuò)張模式，生態(tài)環(huán)境和文化遺址保護(hù)會(huì)導(dǎo)致城市建設(shè)用地?cái)U(kuò)張速率和強(qiáng)度的降低。

利用遙感云平臺(tái)可以進(jìn)行長(zhǎng)時(shí)間序列大范圍城市建設(shè)用地提取，提取成果可為城市時(shí)空變化研究提供借鑒和參考。本研究?jī)H討論了城市建設(shè)用地的提取，對(duì)建設(shè)用地中更詳細(xì)土地利用信息(如商業(yè)區(qū)、住宅區(qū)、工業(yè)區(qū)等)提取還需尋找更加有效的技術(shù)方案。各種遙感云平臺(tái)和遙感數(shù)據(jù)的出現(xiàn)，為我們進(jìn)行城市土地利用信息的提取提供了多種選擇，以便獲取高精度、高分辨率和更加豐富的城市土地利用信息數(shù)據(jù)產(chǎn)品。