landsat8数据来源：地理空间数据云

1.多光谱波段辐射定标：

输出数据类型：Float,

最后自行设置输出路径。

单击Input Radiance Image按钮，选择上一步准备好的辐射亮度值数据；

大气模型（Atmospheric Model）：根据季节及经纬度选择六种大气模式中的一个，

气溶胶模型（Aerosol Model）：根据影像实际情况选择，

输出格式为：ENVI；

点击OK执行，得到高分辨率多光谱影像数据。

以上就是landsat8多光谱与全色波段影像融合全部流程。

刘霄 赵来 刘福寿 黄金亮 杨新临 阿也提古丽·斯迪克

城市建成区具体包括市区内分布比较集中能够连成片的区域以及分散在城市周边距离市区较近的但是与城市有很密切联系的农村区域[1]。本文所述的城市建成区是基于Landsat8遥感影像提取的喀什市建成区的范围，使用OLI影像数据，在分析区建城区光谱特征的基础上，分别利用监督分类法、非监督分类法、面向对对象法以及基于几种光谱指数的分类方法对喀什市的建城区信息进行提取。目的在于找出适合研究区的建城区信息提取方法，为城市扩张动态监测、城市科学合理规划和土地资源保护提供技术支撑[2]。

1 研究区概况与数据来源

喀什市位于73°20′～79°57′E，35°20′～40°18′N，其东西部与下辖县疏附县接壤，北部被古玛塔格山环绕，南面和疏勒县隔克孜勒苏河遥相对。喀什市具有独特的区位优势，喀什地区行政公署设立在此处，所以喀什市具有指挥和连接喀什地区的政治、军事、经济文化以及交通的重要地位。

1.2 研究区数据来源

本文使用的数据包括由地理空间数据云共享平台提供的，获取时间为2018年6月13日的Landsat8遥感影像的OLI数据。本文利用Landsat8数据的1～7波段进行建成区信息提取，为了便于识别组合5、4、3波段生成标准假彩色合成图像。

2.1 数据预处理及建成区光谱特征分析

为了消除各种系统内部和外部因素导致的辐射畸变和大气散射等的影响，本文利用ENVI软件的FLAASH工具对Landsat8 OLI数据的每个波段进行辐射定标及大气校正，然后进行波段组合得到用于建成区信息提取的多波段图像[3]。通过ENVI软件提供的Z波谱剖面工具从影像上获取建成区的波谱曲线，建成区在第1波段和第5波段的反射率较高，第2和第3波段的反射率较低，在第6和第7波段的反射率没有相同的变化趋势。因此在建成区信息提取中前五个波段能够发挥较好的作用。

2.2 建城区信息提取方法

在ENVII 软件中创建红色感兴趣区建成区，白色感兴趣区非建成区，在 Zoom窗口绘制多边形感兴趣区[4]。通过ENVI软件使用 Jeffies-Matusita 和 TransformedDivergence 两个参数来衡量可分离性，两个参数值在 0～2.0 之间，代表所选感兴趣区之间的可分离性的好坏，大于1.9的值说明所选的感兴趣区之间分离性较好;如果参数值偏低，应该通过编辑感兴趣区或选择新的感兴趣区来提高它们之间的可分离性;如果参数值小于1，將它们合并为一个地类[5]。

非监督分类，也称为聚类分析或点群分析，是在预先不知道图像中地物的类别特征的情况下，由计算机根据像间光谱特征的相似程度进行归类合并的分类方法[6]。本次项目中，根据高德地图中的喀什地区遥感图的目视解译结果，将喀什土地利用类型划分为建设用地、耕地、林地、草地未利用地和水域六类。确定在非监督分类中的类别为15，选择ISODATA，在display中显示原始影像，在display选择ISODATA分类结果，在Interactive Class Tool面板中选择各个分类结果的显示，得出影像与分类结果的叠加。

判断建成区范围主要有三个条件：“实际开发建设”、“集中连片”、“设施基本具备”[7]。利用面向对象影像分析方法在Landsat 8 影像中提取城市建设用地，本文选择喀什市作为实验区，首先采用面向对象的影像分析技术，在Landsat 8 影像中提取城市建设用地区域，以满足“实际开发建设”和“设施基本具备”这两个条件，之后对初步提取出的城市建设用地区域，采取二次分割与分类的方法进行处理，以满足“集中连片”的条件。

2.2.4 基于几种光谱指数的分类方法

本文将归一化建筑指数、归一化差异水体指数和归一化植被指数组合，用于建成区的提取。在植被遥感中，归一化植被指数（NDVI）的应用最为广泛，它是植被覆盖度的最佳指示因子，是植被监测的重要指标，常用于植被显示分布[8]，ENVI中NDBI使用算法如下：

归一化差异水体指数会受到土壤背景的影响，用中红外波替代了近红外波，得到了改进后的归一化水体指数（MNDWI），其公式为：

在上述公式中，GREEN为Landsat8数据中的第3波段，MIR为Landsat8数据中的第6波段。通过ENVI的波段运算工具分别计算三个指数，将三个指数组合成一个三波段影像，通过监督分类中的最大似然法对图像进行分类，提取建成区[9]。

本文利用混淆矩阵法评价上述几种信息提取方法的提取结果，利用ENVI提供的Confusion Matrix工具计算混淆矩阵来评价分类结果的精度[10]。混淆矩阵中，能最直观的反映影像分类的是总体分类精度和Kappa系数，总体分类精度是被正确分类的像元数与总像元数的比值，分类精度数值越大则分类精度越高，Kappa系数是评价分类结果一致性和衡量分类精度的重要指标记作K，K的取值范围是[-1，1]，K>0.8时表明一致性极好，0.6

利用ENVI提供的Confusion Matrix工具分别计算原始影像的监督分类和非监督分类结果、人工解译的新影像以及NDBI的新影像的最大似然分类结果的混淆矩阵，如表1。

分析四种方法所得分类结果和输出的混淆矩阵可以看出：（1）总体分类效果最好的方法是NDBI法，分类精度达到93.28%，Kappa系数为0.85，分类结果与原始影像的一致性较好，制图精度和用户精度分别为90.57%和90.98%均高于最大似然法、K-mean法和人工解译法，从输出的分类结果也可以看出NDBI法的分类结果效果最好，建成区大多比较集中且连成片，主城区与机场的边界线比较清晰并且它们之间的主要公路也能清楚地辨别。（2）其次是最大似然法，分类精度为84.07%，Kappa系数为0.64，从分类结果可以看到主城区的建设用地分布比较集中，但是建成区边界相对来说有些模糊，连接主城区与机场的主要交通道路也被漏分。（3）分类效果最差的是人工解译法，总体分类精度仅78.39%，Kappa系数也只有0.59，分类结果与原始影像数据的一致性低很多。并且其漏分误差最高达到了42.61%，表示有42.61%的建成区的像元未被分类到建成区类别内，输出的分类结果结合原始影像可以看出最大似然法把喀什市主城区几块面积较大的建设用地都划分到非建成区内，且分类得出的建成区范围都比较零散和稀疏。

为进一步验证四种方法的精度，本文计算各结果中建成区的面积与喀什市国民经济和发展统计公报中提供的喀什市建成区面积进行精度评价。打开ENVI中的Class Statisticis工具计算各分类结果中的建成区面积，将计算得到的面积与之相比较并计算其误差，最大似然法提取的建成区面积为62.61km2，提取结果的误差为11.80%，K-mean法提取的建成区面积为61.05km2，提取结果的误差为14.00%，而NDBI法是误差最小的方法，提取的建成区面积与喀什市建成区面积最为相似为74.18km2，误差仅为4.40%。

本文对基于Landsat8的OLI遥感影像的城市建成区提取方法进行了研究，得出了结论，但由于操作者自身专业背景知识不够丰富，技术操作水平有局限，存在许多不足之处需要改进。

（1）本文直接使用的Landsat8OLI数据空间分辨率为30m，属于中空间分辨率。若通过主成分变换融合，能够得到具有高分辨率的多光谱融合图像，通过高分辨率影像提取建成区信息会更好。

（2）另一方面，在进行监督分类选择训练样本时，本文遥感图像的解译者相关背景知识与专業知识有限，选择和评价样本的时候存在误差。可通过非监督做聚类，选择样本时以聚类图做参考，提高样本质量。

[1]崔靓. 改革开放以来中国城镇居民消费结构研究[D].吉林大学，2017.

[2]陈可欣. 基于高分辨率遥感影像的建成区扩张与驱动力研究[D].浙江大学，2016.

[3]李爱民. 基于遥感影像的城市建成区扩张与用地规模研究[D].解放军信息工程大学，2009.

[4] 史晓云. 城市化加速期城市用地规模扩展研究——以南京市为例[D].南京农业大学，2004.

[5]孙毓晗.基于DMSP-OLS夜间灯光数据的城市扩张监测与分析[D].辽宁师范大学，2017.

[6]孙善磊，周锁铨，魏国栓，吉宗伟，陈红梅.环杭州湾地区城市扩张的遥感动态监测[J].自然资源学报，2008，（02）：327-335.

[8]高啸.遥感影像城市范围自动提取方法研究[D].西北大学，2014.

[9]杨智翔，何秀凤.基于改进的NDBI指数法的遥感影像城镇用地信息自动提取[J].河海大学学报（自然科学版），2010，（02）：181-184.

（作者单位：新疆农业大学）

/)，共选出四个测试点，干扰噪声包括建筑群及阴影、山体及阴影、农田、裸土、冰雪、薄云等。数据具体情况如所示，红色方框内的区域为待研究区，影像的云量和主要噪声见。

3.1. 辐射校正及大气校正

辐射校正(radiometric correction)是指对由于外界因素，数据获取和传输系统产生的系统的、随机的辐射失真或畸变进行的校正，消除或改正因辐射误差而引起影像畸变的过程。辐射校正分为两步，星上校正(如式(1))和气顶层反射率校正(如式(2))。

为探测器可探测到的最大辐射亮度，即最大灰度值所对应的辐射亮度， ${}_{}{}_{}$

$\frac{{}_{}{}^{}}{0_{}}$

为星上辐射亮度，d为日地距离， $0_{}$ 大气顶层的太阳平均光谱辐射，即大气顶层太阳辐照度， $$

大气校正是指传感器最终测得的地面目标的总辐射亮度并不是地表真实反射率的反映，其中包含了由大气吸收，尤其是散射作用造成的辐射量误差。大气校正就是消除这些由大气影响所造成的辐射误差，反演地物真实的表面反射率的过程。大气校正采用FLAASH (Fast Line-of-Sight Atmospheric Analysis of Spectral Hypercubes)模型。

3.2. 水体指数构建

水体在可见光到近红外波段反射率呈下降的趋势，其中在绿光波段反射率较高，红光波段次高，近红外波段最低，而常见噪声中均存在绿光波段和红光波段反射率明显小于近红外波段的现象 [8]。基于此分析，水体在绿光波段和红光波段的反射率减去近红外波段均大于0，而在噪声中则小于0 [9]。因此新构建水体指数模型为：

表示Landsat-8数据上第i波段所对应的反射率。

阈值法提取水体通常采用人工手动调节最优阈值的方法，该方法需进行多次重复实验确定最优阈值，过程受人为误差影响。K均值聚类法操作简单，可实现计算机自动分类，减少人工误差的影响。本文采用K均值聚类对水体进行提取，设置分类数目、变化阈值和最大迭代次数分别为10、0.01和10000。将分类结果合并为水体和非水体两类 [7]。

为验证模型的应用效果，将GRN-WI与5种常用水体指数模型进行对比分析，各种水体指数模型见。选取湖南常德及益阳地区、凉山地区、兰州地区共三幅landsat8 OLI影像，4种环境各异的实验区，分别用6种模型进行水体信息提取，采用混淆矩阵计算提取结果的精度，并对相同地区不同模型的提取结果进行对比分析。

4.1. 常德地区(实验区一)

实验区一位于常德市鼎城区西洞庭管理区北面，毗邻杭瑞高速，大小为397 × 294像元，涵盖的水体有湖泊、河流、池塘和一些细小水体。各模型提取结果如所示，错分或漏分之处在图中用白圈标出。GRN-WI、MBWI、AWEInsh、NDWI、TCW在研究区左侧中部出现错分或漏分，NEW和NDWI在研究区左下角有一定程度的错分或漏分，NEW在研究区中部细小水体还出现一些漏分之处，AWEInsh、NDWI、TCW在研究区右上角均有漏分，采用混淆矩阵对提取结果进行精度评定，精度评价结果见。在研究区内选取水体和非水体样本作为检验点，检验点在研究区内均匀选取，水体样本包含所有类型水体，非水体样本需包含各类地物和阴影。总体而言该区域GRN-WI的提取效果较优。

4.2. 益阳地区(实验区二)

实验区二位于益阳市区，研究区大小为328 × 252像元，主要水体信息为流经城区的资水河及其支流、湖泊和水塘等。市区内包含大量高反射建筑物，建筑物阴影、绿地等。如所示，GRN-WI、MBWI、NDWI在研究区中部有不同程度的错分或漏分，在研究区右上角的，GRN-WI、MBWI、NDWI和NEW模型均出现不同程度的漏分现象，研究区中下部的支流中NEW出现明显漏分，AWEInsh、NEW、TCW在研究区中部和右下角存在一定程度的错分。混淆矩阵进行精度评定结果见，由精度评定结果可知，GRN-WI模型在该区域提取效果总体上有一定优势。

4.3. 凉山地区(实验区三)

为验证GRN-WI对大量山体阴影、冰雪、裸土的抑制能力，选取实验区三位于四川省凉山市西侧雅砻江与理塘河交汇处，大小为946 × 843像元，该区域水体主要为雅砻江与理塘河，水体有一定程度结冰，周围被群山围绕，有大量的山体阴影和裸土，部分山区覆盖有冰雪。

提取结果如所示，MBWI、NEW、TCW在试验区右侧、左上角及左下角均出现一定程度的错分，错分区域均为山区阴影区域，MBWI和TCW对左上角结冰的水体有不同程度的漏分，AWEInsh在研究区右侧和左上角也出现一定程度的错分现象，NDWI在右侧有少量的错分，而GRN-WI仅在研究区上方出现零星错分。精度评定结果见，由精度评定结果可知，GRN-WI在该区域提取精度为99.73%，kappa系数为99.46%，总体误差为0.54%，提取效果较其它水体指数而言，精度明显提高。

4.4. 兰州地区(实验区四)

在实际研究中，经常会遇到数据质量不佳，含有大量薄云的情况。为验证GRN-WI的抑制薄云的能力，选取位于兰州刘家峡水库附近含较多薄云的区域为实验区四，该区域除有较多的薄云外，还存在较多裸土及一些山体阴影，为水体提取研究常遇到的情况。

实验结果如所示，6种模型在研究区右下角均出现不同程度的错分，NDWI和MBWI在研究区薄云较多左上角均出现一定程度漏分现象，NEW在研究区左上方，右上方出现错将薄云提取为水体的现象，TCW和AWEInsh受薄云影响较少，但在研究区右下方阴影处有一定错提，而GRN-WI在该区域受影响较小，相对其它模型有一定优势。具体精度评价结果见。

本文通过分析遥感影像中水体和非水体光谱特征的差异，构建基于绿光、红光和近红外波段的水体指数(GRN-WI)。收集了5种常用的水体指数模型，在4种不同环境下进行水体提取试验，经精度评价和对比分析，得出以下结论：

1) 构建的GRN-WI模型在复杂环境下能有效提取水体信息，抑制阴影、建筑物、低反射地物、薄云和冰雪等噪声。总体精度优于96.21%，kappa系数优于92.35%，总体误差小于8.15%，总体优于其它指数。

2) 在含有大量山体阴影和冰雪的区域，GRN-WI模型不仅能有效抑制冰雪，且对山体阴影以及低反射物的抑制效果更佳，提取效果明显优于其它指数。

3) GRN-WI基于绿光、红光和近红外波段构建，而目前遥感影像的数据源多数覆盖可见光到近红外波段，为进一步验证GRN-WI的有效性，可从以下两个方面展开：一方面可尝试将该模型应用到其它数据源上，如GF-1,GF-2等国产卫星影像上；另一方面可将其应用于提取长时间序列的水体，验证模型的稳定性。

贵州大学引进人才科研项目(贵大人基合字(2020)43)；

武汉大学地球空间环境与大地测量教育部重点实验室开放基金资助(No.20-01-02)；

贵州大学培育项目(贵大培育[2020]57号)。