0.97_基于ETM影像的杭州市城市化及其驱动力研究.docVIP

基于ETM影像的杭州市城市化及其驱动力研究 黄润，严俊，陈茂霖，石婷婷，陈晗 （武汉大学 遥感信息工程学院, 湖北 武汉 430079）1．引言 城市化是一个国家和地区经济、社会、文化和科技水平的重要标志，也是衡量该国家和地区社会组织程度和管理水平的重要标志。[1]城市的城区扩展往往伴随着城市周边地区土地利用的急剧变化，一直是人们研究城市问题的重要内容。[2] 常规方法很难及时地得到现状的土地利用资料，遥感的方法可以很好地弥补这方面的缺陷，[3]是城区提取、研究城区扩张的有力手段。 对基于影像的城市区域提取已有大量相关研究，如R Welch[5]对城市建成区面积的提取，Ventura[6]对美国 Beaver Dam城市边缘地所做的土地利用分类，孟飞等[7]对 ETM 图像中的城镇及其背景信息的提取。然而，大部分相关研究都基于像素分析。本研究采用面向对象的方法，以杭州市为例、主城区扩张为焦点，分析其城市化进程及驱动力。 2．数据准备 2.1 研究区 杭州位于中国东南沿海北部，是浙江省省会，副省级城市，也是长三角第二大经济城市，南翼经济、金融、物流、文化中心。本区属亚热带季风性气候，雨量充沛。全年平均气温17.5℃，平均相对湿度70.3%。近年来，随着经济快速发展，城市扩展日益加剧，用地规模不断扩大，城郊结合处土地资源日益减少。 2.2 数据源 本研究实验数据主要是2000年、2003年、2005年和2008年四个时相的ETM影像，辅助数据包括杭州市行政区划图以及社会经济方面等统计数据。 2.3 数据预处理 对于2005年和2008年的影像条带，这里使用多影像自适应局部回归进行修复。影像纠正上使用Erdas Image 9.2（下称Erdas），对不同时相的ETM数据进行几何校正、辐射校正和实验区裁剪。其中几何校正采用多项式校正方法，辐射校正采用直方图匹配方法。 3．面向对象的分割分类 3.1 面向对象的影像分割分类 与基于象元的分类技术相比，面向对象的分类技术成果精度要高得多，因为信息提取的基本单元为有意义的影像对象，参与分类的有对象对象空间信息与领域信息。[8] 尤其当影像空间分辨率较高时，同一地物类别内部出现较多的纯象元，内部异质性增大，采用面向象元的分类方法难度增加，且造成提取结果存在严重的“椒盐现象”。[9]基于上述考虑，本研究决定采用面向对象的分割分类方法来提取各地物类别。 3.2多尺度影像分割 3.2.1多尺度影像分割原理： 影像分割所采用的方法为区域合并算法，即合并时选取相邻区域，通过判断它们的性质差异是否小于某一阈值来决定是否合并。异质性值f 的计算方法为： f=w×hcolor+(1-w)×hshape 其中，hcolor为对象的光谱异质性指标，hshape为对象的形状异质性指标，ω为对应的权重。 在不同分割尺度上遥感信息的提取精度有较大差异，且对于某类别信息的提取，存在一个理论的最优尺度使信息提取精度达到最高。[10]本研究分别解求各类别的最佳分割尺度，并采取合适的分割次序以期取得最佳分割效果。 3.2.2各地物最佳分割尺度的求解 这里采用樊恒通[D]提出的面积相对差指标来评价不同尺度下的分割效果，相对差R计算方法为： S0代表对象真实面积和，S1代表按一定尺度分割后所有分割对象的面积和，n为分割区域内包含的对象的个数。R值越小，表示越接近真实值，尺度选择越理想。以2000年影像中的植被为例（图1），R值与尺度的关系如图。结果表明，植被，江、湖，小支流的最佳分割尺度分别为70、100、30。 图1 植被的分割尺度与R值的关系图 3.3 方案分割分类 分类中使用到的遥感特征：归一化植被指数归一化水体指数归一化建筑指数  图2 2003年影像分割分类方案 分类完成后即可计算各年份中各类别的在实验区中的覆盖度，结果如下表所示。从图中可较为明显地看出主城区面积逐年增长，而郊区则逐渐被蚕食。 图3 各年份主要地类覆盖度比较 3.4 基于影像的主城区变化检测 使用Erdas提取各年份分类后的影像中的主城区区域，并做好相应的变化检测，结果如图4，可以看出各区呈现出良好的区块性和集中性。  图4 近十年杭州市主城区扩张 4．城市化进程及其驱动力分析 4.1 城镇区域扩展方向的分析 从建筑区的扩展方向可以得出城市化的方向。杭州市主城区西南临龙井山，东南临钱塘江，城区南方已无法扩展，主要的扩展方向主要在北、东、西三个方向。主城区扩张检测图上1-5号区域分别代表三墩镇、良渚镇、拱墅区（31、32）、下城区和彭埠镇，是2000年至2008年建筑区扩张最明显的区域。经分析处理，杭州城区扩展方向如图所示。 可以看到，下城区和彭埠镇在2005至2008年间飞速向东扩张；拱墅区向北扩张，速度平缓；良渚镇、拱墅区向西北方向扩张，