论文速递全球30m高分辨率多时间序列城市用地制图产品发布

Posted 2021-05-02 地理模拟系统

High-resolution multi-temporal mapping of global urban land using Landsat images based on the Google Earth Engine Platform

 

 

论文发表在Remote Sensing of Environment

Xiaoping Liu, Guohua Hu, Yimin Chen*, Xia Li*, Xiaocong Xu, Shaoying Li, Fengsong Pei and Shaojian Wang, High-resolution multi-temporal mapping of global urban land using Landsat images based on the Google Earth Engine Platform, Remote Sensing of Environment, Volume 209, May 2018, Pages 227-239.https://doi.org/10.1016/j.rse.2018.02.055.

论文下载链接：

https://www.sciencedirect.com/science/article/pii/S003442571830066X

 

【摘要】

全球城市用地动态信息的准确和及时获取是研究生态环境问题的基础。然而，当前的全球城市用地产品通常空间分辨率较粗或者时间序列缺失。该研究利用Google Earth Engine（GEE）地理云计算平台生成了一套从1990-2010年全球高分辨率多时相城市用地产品（每5年一期）。并使用了一种创新性的城市用地综合指数方法（Normalized Urban Areas Composite Index，NUACI）进行分类样本参数的分区标定和校正。最终，获得的数据产品总体精度达到0.81-0.84，制图精度和用户精度分别达到0.50-0.60和0.49-0.61，全球尺度上的Kappa系数达到0.53-0.50。其中国家尺度上验证中美两国数据产品的平均kappa系数分别达到0.33和0.42。该研究通过分析发现全球城市用地面积从1990年的45.10±0.12万km²增长到2010年的74.71±0.15万km²，占全球地表覆盖面积的0.63%。其中仅中美印三国就贡献了全球城市用地增量的43%（三者占全球国土面积的14%）。

 

【引言】

自2000年以来已经有许多研究利用例如MODIS数据、DMSP-OLS夜间灯光数据等遥感数据获取全球城市用地产品，但是这些城市用地产品大多在500-1000 m左右的分辨率，且大多只包含1-2个时间点，难以满足长时间序列的全球城市用地动态分析需求。而随着Landsat遥感数据的逐渐全面公开，它成了更适合于全球高分辨率城市用地制图的数据源。目前已有两套基于Landsat系列数据的全球多类土地利用数据产品，分别是FROM-GLC (Gong et al.2013) 以及GlobeLand30(Chen et al. 2015)，但是却只包含2000和2010年的数据。因此该研究工作的主要目的是弥补高分辨率全球城市用地产品的时间序列缺陷，为全球城市研究提供支持。

而目前利用Landsat遥感数据进行全球城市用地制图面临着三大挑战。第一是海量的影像筛选工作，考虑到不同地区的气候条件，筛选和拼接覆盖全球范围的无云或少云的高质量遥感影像需要付出极大的工作量。第二是高强度的数据处理需求，高分辨率的全球城市用地制图中需要处理超过万景的遥感影像需要超高性能计算机软硬件的支持。第三是可适用于全球范围的城市用地分类算法，目前有许多基于Landsat数据的城市用地制图算法都只在区域尺度内得到验证，难以满足全球高分辨率城市用地制图的需求。因此，该研究我们使用了具有高效影像筛选和数据处理性能的Google Earth Engine (https://earthengine.google.org)地理科学计算云平台，用于克服全球高分辨率城市用地制图的前两大挑战。同时该研究还使用Liu et at. (2015)年提出的归一化城市用地综合指数(NUACI)算法，这种算法能够将多种归一化指数组合起来用于城市用地的自动识别，从而能够应对全球制图的第三大挑战。

 

【方法】

基于NUACI方法的全球城市用地制图包括以下几个步骤：

1.    根据Schneider et al. (2010)提出的城市生态分区方案进行分区参数校正。

2.    基于GEE平台采集城市用地样本，获取分区质心参数和阈值参数。

3.    对NUACI指数进行分区阈值分割提取最终城市用地。

4.    与参考数据对比验证精度，并与其他主流城市用地产品比较验证。

 

• Google Earth Engine平台与NUACI算法

Google Earth Engine是一个PB级数据科学计算与地理可视化云平台。它存储了至今长达几十年的历史遥感影像存档，并提供一系列的分布式数据存储和访问方案。该研究使用了云量得分筛选方法拼接组合了目标年份前后两年的所有Landsat TM5，最终得到高质量的覆盖全球的LandsatTM反射率数据。然后通过波段运算获取年平均的NDWI、DNVI和NDBI，并个根据分区的质心参数计算得到全球时间序列的NUACI指数，然后使用阈值分割得到最终的全球城市用地。

NUACI归一化城市用地综合指数采用了三个归一化指数合成（分别是归一化水体指数NDWI，归一化植被指数NDVI，归一化建筑物指数NDBI）。图1展示了包括亚热带气候以及沙漠气候典型地区的城市与其他非城市用地的特征差异。图中显示城市样本的聚集规律为分布在较大的NDBI和较小的NDWI与NDVI值附近，可用以下公式表述：

其中，UNTL表示利用DMSP-OLS灯光数据掩膜，NDWIi,NDVIi,NDBIi分别表示对应像元的NDWI,NDVI和NDBI。aNDWI,bNDVI,cNDBI则为一组质心参数。  

图1、典型城市的土地利用NDWI、DNVI和NDBI特征空间投影

• 分区参数化方案

NUACI算法所需的质心参数和阈值参数会随着全球各地区的物理和社会特征差异而变化。根据Schneider et al. (2010)提出的城市生态分区方案，该研究共使用了除第16个分区以外的所有生态分区（其中16为永久冰雪覆盖）。如图2所示，在这15个生态分区中各选择3个样本采集城市（Centroidsites所示），选取3个阈值标定城市（Thresholdsites），分别用于质心参数求取和阈值优化标定。

图2、全球城市生态分区方案与采样城市点分布

质心参数：首先以所选Centroid sites城市点为中心生成一个20-25公里缓冲区，在缓冲区中随机选取城市样本点。研究中每个生态分区1000个样本，全球共采集15000个样本点。然后计算每个城市生态分区内样本点在NDWI、DNVI和NDBI三个特征上的频次分布图。如图 3所示，大部分的样本在这三个特征空间上都近似的表现为高斯分布，因而这些像元可以通过阈值分割的方式与其他地物类型区分开来。将计算得到的NDWI、DNVI和NDBI质心参数输入GEE平台执行波段运算得到NUACI指数

阈值参数：以所选Threshold sites城市进行面向对象分类方法得到土地利用数据，从而作为阈值优化的标定参考。如图 4所示可，计算不同阈值分割结果与标定参考数据的精度指标quantity disagreement 和 allocation disagreement（Q+A），最终得到各生态分区的最佳阈值参数。

图 3、城市样本点NDWI、DNVI和NDBI频次分布图（15个城市生态分区,2000年数据）

图4、阈值分割结果的QA精度随阈值变化曲线（15个城市生态分区，2000年数据）

 

【结果展示】

利用GEE平台和上述方法提供的质心参数即可获取如图 5所示的全球NUACI指数结果，这里以上海、东京和纽约为例展示。进一步使用上述方法提供的分割阈值可得到如图 6所示城市用地分割结果，通过与Landsat TM5遥感影像进行对比，可见产品结果不仅能够清晰的区分城市边界，许多易与城市用地混淆的用地类型例如裸土，灌木、荒漠等所包围的细小破碎城市斑块也能准确地提取。

图 5、典型城市的多时相NUACI指数结果

图 6、四个典型城市的城市用地分类结果与LandsatTM对比（2000年）

【精度验证】

精度验证是全球数据产品发布的重要环节，首先，该研究以2000年为例，将全球高分辨率城市用地产品与其他产品例如GlobeLand30  MODIS500m,GLC2000, GRUMP  and IMPSA进行对比，如图7所示可表现数据产品的精度。

图 7、基于NUACI指数的城市用地分类结果与其他城市用地产品对比

定量化的精度评价方案如下。在全球随机选取了如图 8所示的300个6×6 km验证样区，统计每个样区的六种产品数据与参考数据的城市用地面积并绘制散点图。如图9所示x轴表示产品数据的城市用地面积，y轴是参考数据的城市用地面积，斜实线表示产品数据与参考数据面积的拟合线，其中拟合结果的RMSE越低、R²越高则表示产品精度越高。由图可见该研究提出的全球城市用地产品拟合最佳（R²为0.88; 斜率0.99），而其他产品的拟合斜率都小于1，意味着这些产品都高估了城市用地面积。

图 8、6×6 km参考数据样区分布（共300个样区）

图 9、300个样区不同产品的城市用地面积与参考数据城市用地面积散点图

最后是数据产品的多时相质量检验。这一精度评价工作将在国家展开，首先从中美各随机选择25个城市，然后对各城市不同年份的数据进行精度验证。如图10所示中国25个城市中平均Kappa系数分别为0.23 (1990), 0.32 (1995), 0.32 (2000), 0.36 (2005) 和0.42 (2010)，美国25城市中各年平均Kappa系数分别为0.36(1990), 0.41 (2000), 0.43 (2005) 和0.46 (2010)。

图 10、使用中美土地利用覆盖数据集验证多时相的城市用地产品kappa精度

【应用分析】

基于这一全新发布的1990-2010年高分辨率多时相全球城市用地制图产品，该研究分析了全球城市用地变化的典型扩张过程。如图 11所示，全球6个典型城市20年间每5年的城市用地迅速扩张。表 1所示显示了20年间全球各大洲城市用地面积增长，并将这些统计结果与Gong et al.(2013) (0.66%), Zhou et al. (2015)(0.50%) and Liu et al. (2014) (0.45%)的前人的研究报告进行对比验证。表 2在国家尺度统计了20年间城市用地增长，其中中国、美国和印度贡献了全球城市增长的43%，但其国土面积之和只占全球的14%。这些分析只是本文发布全球多时相高分辨率城市用地产品的一个简要分析，而这些数据还可以用于许多其他城市研究，例如未来区域乃至全球尺度的城市增长预测和模拟。

图 11、1990-2010多时相城市用地扩张分析（选定6个全球大城市）

表 1、1990-2010年全球各大洲城市用地面积以及其95%质心区间统计

 表 2、1990-2010年全球各大洲城市用地面积以及其95%质心区间统计

【结论】

该研究利用Google Earth Engine平台获取了一套全新的30m分辨率多时相全球城市用地产品，数据产品总体精度达到0.81–0.84，kappa系数达到0.43–0.50。基于这一数据产品，分析了全球城市用地扩张过程，研究发现20年间全球城市用地增长了74.71 ± 0.15 万km²，占地表覆盖面积的0.46%（1990年）增加到0.63% (2010年)。中国、美国和印度全球三大经济体贡献了全球城市增长的43%。我们在该研究提出的全球30m城市用地数据产品目前可通过网络公开下载使用，我们期待全球所有相关研究者能够使用和评价这套全新1990-2010年全球30m城市用地产品，未来的工作也将在此基础上进一步深化并逐步完善这套数据产品。

 

【论文引用与数据下载】

Xiaoping Liu, Guohua Hu, Yimin Chen*, Xia Li*, Xiaocong Xu, Shaoying Li, Fengsong Pei and Shaojian Wang, High-resolution multi-temporal mapping of global urban land using Landsat images based on the Google Earth Engine Platform, Remote Sensing of Environment, Volume209, May 2018, Pages 227-239. https://www.sciencedirect.com/science/article/pii/S003442571830066X

 

全球城市用地产品下载链接：http://www.geosimulation.cn/GlobalUrbanLand.html