在21世纪的第一个十年中，城市化在中国迅速加速，主要是以农业土地为代价。为了改善与这两种土地利用类型之间的耦合动力学相关的可用区域信息，我们融合了中等分辨率成像光谱仪（MODIS）的数据和来自DMSP / OLS仪器的稳定夜间灯观测，以绘制250米空间分辨率的分数城市覆盖图。中国东部，中部和南部城市最近的城市扩张已经迅速发布。为实现这一目标，我们使用Landsat数据得出的高质量校准信息构建了随机森林回归模型。以估算2001年和2010年的亚像素城市百分比。为温带和热带地区建立了单独的模型，然后评估了面积在18,000到31,000平方公里之间的9个城市。MODIS估算的城区面积与基于Landsat的结果相比，平均绝对误差约为9-15％。不同输入特征集的测试表明，与仅使用MODIS 250米特征相比，包括来自缩小的MODIS 500 m波段和夜间灯的数据可以改善城市土地面积的估计。基于这些结果，我们在2001年和2010年为中国温带和亚热带的4个MODIS瓦片制作了城市土地利用的墙到墙地图，从而证明了粗糙空间分辨率数据在绘制城市土地利用和农田损失方面的效用。区域和更大的规模。

1.简介

与城市化的环境，社会和经济影响感兴趣的研究，规划和政策社区对于与城市空间范围和动态相关的准确和及时的信息至关重要。例如，关于不透水城市覆盖的数量和空间分布的信息是了解表面能量流如何影响当地和区域气候，管理风暴径流和估计灾害风险以及监测水质的关键要求（Arn fi eld，2003; Hurd＆Civco，2004; Kalnay＆Cai，2003）。在过去十年中经历了快速城市发展的亚洲部分地区（Frolking，Milliman，Seto，＆Friedl，2013; Montgomery，2008; United Nations，2012），以及对农业土地的影响已经显示出对当地和区域气候。空气和水质，土壤质量和作物产量产生负面影响。因此，需要反复评估城市地区的变化，以解决人口密集地区的公共卫生，环境质量和粮食安全等众多问题。

尽管在基于遥感的城市地区监测方法方面取得了很大进展，但绝大多数进展都是基于使用中高空间分辨率的光学和雷达数据源。由于所涉及的数据量，将这些方法中的一些扩展到局部范围之外是具有挑战性的，因此，在区域到全球范围内提供可靠和重复的城市信息仍然是一项具有挑战性的任务。中等空间分辨率仪器具有相对较低的重复时间的进一步缺点，这引入了许多用于绘制城市区域的问题，包括由于云和重气溶胶（用于光学传感器）而丢失的数据，以及实质的图像到图像的表现。差异。

粗糙的空间分辨率数据，例如可从分辨率成像光谱仪（MODIS）获得的数据，仅用于绘制城市区域的有限背景。由于数据量远小于Landsat的数据量，因此MODIS数据的区域到大陆范围的土地覆盖和土地利用映射是可行的。因为MODIS数据存档可以追溯到2000年，MODIS的另一个优势是提供了一致且经过良好校准的时间序列，涵盖了亚洲许多城市地区的重大变化时期。迄今为止，大多数使用MODIS数据绘制城市土地覆盖图的研究都集中在创建二元图（即城市与非城市土地）的方法上。由于大多数城市土地利用，尤其是城乡边缘地区的土地利用，发生在远低于MODIS空间分辨率的尺度上，因此在亚像素尺度上对城市土地利用的表征至关重要，迄今为止，这一点尚未得到充分研究。在遥感文献中。为了解决这个问题，本文所描述的研究的主要目标是：（1）开发和评估在2001年至2010年间以250米空间分辨率绘制中国城市及其周围城市土地利用率的方法，以及（2）探索MODIS在十年时间尺度上量化中国城市土地利用区域动态的能力。为了实现这些目标，我们开发了一些方法，使用非线性回归模型来绘制250米空间分辨率的子像素分数城市覆盖，从多时相MODIS图像。作为分析的一部分，我们还评估了来自国防气象卫星计划（DMSP）系列运行的MODIS（500米和1公里）和夜间灯光数据（标称1公里）是否以及如何包含更粗略的空间分辨率数据线扫描系统（OLS）影响我们基于模型的亚像素城市分数估计。然后，我们应用我们的方法为四个MODIS瓦片创建城市土地利用图，其中包括中国人口最密集和最活跃的地区近600万平方公里。

背景

2.1 “城市”土地的定义

城市化是人口，建筑结构和经济活动扩展并变得更加密集的全球现象，最近已成为全球变化中一个重要且未被充分研究的组成部分。但是，城市土地利用的定义可能因所解决的问题而有所不同。因此，精确和依赖于上下文的定义是什么意思

通过城市土地使用这一术语至关重要。通常，使用了两种广泛类型的定义：社会人口学定义和物理定义。使用地缘政治，人口统计和社会经济标准来描述城市土地（与非城市或农村地区相对）的大多数定义。例如，联合国从不同国家和地区遵守的城市信息使用了十多个不同的城市定义，涉及行政边界，人口规模或密度以及经济指标。另一方面，城市土地的物理定义使用人造结构和材料的存在，例如不透水面的数量作为主要标准。这种类型的定义通常用于遥感应用，其中可以通过卫星传感器观察表面反射与其材料之间的直接关系。例如，Taubenbouml;ck等人。将城市化区域定义为由建筑环境（包括建筑物，道路，跑道和其他设施）主导的像素。由于城市土地利用在低于遥感仪器的空间分辨率的尺度上变化很大，因此通常使用亚像素分数来确定像素是否是城市。例如，Mertes等。将城市土地定义为250米MODIS像素，其中N 50％的面积由非植被构造特征覆盖。在本文中，我们使用城市土地的物理定义，并将“城市”定义为覆盖有建筑材料（混凝土，沥青，砾石，屋顶材料等）的建筑区域，这些建筑材料构成包括建筑物和铺砌道路在内的结构。在本文中，我们还可以互换使用“城市土地”和“城市覆盖”这两个术语。请注意，因为我们的目标是映射亚像素分数城市覆盖，我们不需要特定的亚像素城市覆盖阈值来定义像素

由城市土地利用组成。

2.2 城市土地遥感

在过去几十年中，各种遥感数据源已被用于绘制人类住区。在各个城市的规模，中等空间分辨率的光学遥感数据已被广泛用于绘制城市土地利用的范围和扩展出于同样的目的。为了探索与城市土地覆盖相关的亚像素信息，一些研究使用了植被不透水的表土（VIS）模型之后的光谱分离方法。在区域到全球范围内，粗空间分辨率遥感数据是绘制城市范围的主要数据来源。特别是，DMSP系列OLS仪器的夜间照明（NTL）观测提供了一个独特且广泛使用的数据来源，用于在大面积上绘制城市区域。认识到这一局限性，NTL数据已与其他粗分辨率数据融合，如MODIS和SPOT-VEGETATION，以映射城市范围。最近还进行了一些研究，证明了粗糙空间分辨率遥感数据可以捕捉全球城市扩张的可能性，特别是30米全球土地覆盖图（GlobeLand30）发布于2000年和2010年（Chen et al。，2015）。虽然这些努力提供了令人感动的结果，即大面积的中等空间分辨率城市测绘变得越来越可行，但它仍然是极其资源和劳动密集型的。

2.3中国城市土地遥感

许多遥感研究已经解决了中国复杂和动态城市环境的映射任务。由于许多这些研究的空间范围有限，研究界仍然主要依赖于九个全球数据集提供的城市范围信息。其中三个是全球性的足迹生物群落人口数（千）建筑面积（​​km2）数据集专门关注城市土地覆盖：MODIS 1 km城市土地覆盖，MODIS 500 m城市土地覆盖和全球农村城市测绘项目GRUMP）。四个数据集提供土地覆盖类型，包括城市类：矢量地图（VMap）0级，全球土地覆盖2000（GLC2000），GlobCover和欧洲航天局气候变化倡议（ESA CCI）土地覆盖），以及两个数据集连续测量城市土地（即分数城市覆盖）（全球不透水面积图（IMPSA）和全球环境历史数据库（HYDE3））。此外，即使这些数据集中的七个使用来自遥感的信息，它们都代表静态时间点，并且没有一个定期更新。最近，更全面的城市扩张观点来自Wang等人。 （2012年），他们记录了1990年至2010年期间中国147个最大城市的增长情况，将Landsat图像中的城市居民数字化。然而，他们的结果仅包括每个城市的有限核心区域，并且这些地图不能在中国境外使用。因此，上面确定的全球城市数据集仍然是中国城市范围内最可行的信息来源。由于这些数据集中的每一个都是从不同的数据源生成并使用不同的城市土地利用定义，因此它们之间的差异可能很大，尤其是在东亚。这种不一致的一个关键来源可归因于使用粗空间分辨率数据（遥感和其他方式）将二进制标签（即，城市与非城市）分配给相对大的像素。本文的一个关键目标是改进大面积城市土地利用的可用方法和表示，特别关注亚洲。

3.研究领域

我们选择了9个“足迹”作为研究区域，每个足迹包含中国东部，南部和西南部的主要大都市区（2010年人口500万）：北京，天津，成都，西安，杭州，宁波，昆明，广州和福州（图1）。这些城市中的每个城市在人口和建成区域都经历了2001年至2010年间的快速扩张（表1），每个城市覆盖的面积介于~18,000和~31,000平方公里之间。足迹分布在Olson等人定义的两个生物群系中。 （2001年）：东亚的温带和热带 - 亚热带地区。这两个生物群落包括由土地覆盖构成，气候制度和农业实践所定义的不同的物理城市环境（例如，中国北方每年一次收获，而中国南方每年收获三次收获）。对于每个足迹，我们关注城市覆盖和农业用地，并从我们的分析中排除所有非城市，非农业区域。此外，我们将我们的方法应用于四个MODIS瓦片（h27v05，h27v06，h28v05，h28v06），以生成中国东部，南部和西南部的墙到墙城市分数图，其中每个瓦片由4800times;4800组成250米MODIS像素。这些瓷砖与“足迹”完全重叠，除了北京，成都和西安的足迹（部分被截获）。

4.数据集

我们为这项工作使用了四种不同的数据来源，包括（1）收集5 MODIS 250米，500米和1公里数据产品2001-2002和2009-2010，（2）DMSP / OLS夜间照明数据2001 - 2010年，（3）基于Landsat的专题地图描绘了“稳定的”土地覆盖类别以及大约2001 - 2010年的变化区域，以及（4）中国人口普查数据（用于评估结果）。

4.1MODIS数据

我们使用了250米MODIS增强植被指数（EVI）产品（MOD09Q1G_EVI）以及波段1（红色）和波段2（近红外波段）来自MODIS 8天250米表面反射产品（MOD09Q1），MODIS 8天500米表面的4-7波段反射（LST）来自MODIS 8天1公里的LST产品（MOD11A2）2001-2002和2009-2010。 MOD09Q1G_EVI产品很高质量EVI数据集，使用增强型进行间隙填充和平滑TIMESAT算法（在Tan等人（2011）中描述）。所有MODIS数据集都重新采样到250米的空间分辨率。为了减少数据维度和最大化信息内容，我们使用了5月至9月生长季中每种产品的年平均值，最小值和最大值作为模型中的预测变量。

4.2夜间灯光数据

我们在2001年至2010年期间使用了版本4 DMSP / OLS稳定照明产品（NOAA NGDC，2013）。 DMSP稳定照明产品通过滤波观察提供来自宽光谱带（0.4-1.1mu;m）的夜间图像的年复合物，以消除月光，杂散光，云和短暂光源（如光纤和气体）的影响FL顷。（DN）的范围在0到63之间，其中0对应于无光或缺失数据，DN值1-63对应于OLS传感器的最低可检测辐亮度和饱和度辐射之间的辐射。由于辐射测量性能的差异，车载辐射校准的缺乏以及传感器随时间的退化，来自不同OLS仪器的数据需要相互校准才能用于评估光照随时间的变化。由于多年来可以从多种仪器中获得多种复合材料，因此我们根据来自DMSP卫星F12（表示为F121999）的1999年数据，每年选择一个合成图像，其中来自校准的最高R2（Elvidge，Hsu） ，Baugh，＆Ghosh，2014）。校准的DN值计算如下DN^rsquo;=C₀ C₁*DN C₂*DN²这里DN是稳定灯产品的DN值，DN#39;是校准后的DN值。所选复合材料及其校准系数列于表2中。我们进一步调整了每个像素的2001-2010 NTL时间序列。基于NTL在我们研究区域内不随时间减少的假设（Liu，He，＆Yang，2011）。此步骤的目的是在NTL DN的时间轨迹中消除虚假的“下降”。对于每个像素，我们检查了从2002年开始的时间轨迹。如果DN值低于前一年，我们将其替换为前一年的DN值。因此，2001年至2010年的所有年份数据被用于创建2001-2002和2009-2010的最终，时间一致的数据集，可用于亚像素城市分数模型。最终调整的DN值在0和63处截断，重新投影到MODIS正弦投影，并使用最近邻法重新采样到MODIS 250 m网格。

4.3基于Landsat的地图

我们使用基于Landsat的城市扩展地图绘制了九个足迹，以校准回归模型并评估模型预测。对于北京的足迹，我们使用监督的多时相Landsat图像分类来绘制稳定类（自然植被，水，农业和城市）和变化类（农业到城市，大约从2001年到2010年）。训练所有稳定和变化的多边形手动选择类，并使用径向基函数内核在ENVI 4.8的支持向量机分类器中执行分类。对于天津，成都，西安，广州，昆明，福州，杭州和宁波的足迹，我们使用了施耐德和默特斯（2014）的Landsat地图。这些地图包含了从20世纪70年代末到2009年的“稳定”和“变化”类，每隔3 - 5年我们汇总以匹配北京变化图中的类别，提供2000 - 2009年从农业到城市土地的变化估计。 Bei-jing足迹通过视觉解释验证了分层随机样本，并结合了同年的Google Earth图像（如果有的话）。其他八个足迹通过Google地球图像（一年内），现场访问以及多个分析师对测试网站的照片解释进行了广泛验证。这8幅地图的总体精度平均为9

英语原文共 17 页

资料编号：[5583]