在阅读此文之前，麻烦您点击一下“关注”，既方便您进行讨论和分享，又能给您带来不一样的参与感，感谢您的支持。

文|云莳一

编辑|云莳一

前言

城市建设规划和建设的准确萃取城市建成区是重要前提，夜间灯光数据作为能够代表城市空间形态的数据，已被广泛应用于城市建成区的提取。

作为地理开源大数据之一，兴趣点数据与夜间灯光数据具有高度的空间耦合性，因此研究人员开始探索将这两类数据融合，以实现更准确的城市建成区提取。

目前关于POI数据和夜间灯光数据融合的研究方法和理论应用还不足，无法满足城市建成区快速变化的需求，需要进一步补充和深化。

本研究提出了一种新的方法来融合POI数据和夜间灯光数据，比较了数据融合前后的结果，并分析了不同数据和方法提取的城市建成区的准确性。

数据融合可以避免单一数据的不足，并有效提高城市建成区提取的准确性，这对于补充城市建成区数据融合的研究具有重要帮助，并可以为城市规划和建设提供决策指导。

基于夜间光与兴趣点数据融合的城市建设区提取与环境分析

近几十年来，随着中国城市化的快速发展和城市建设现代化的加强，城市经历了无限的扩张，也发生了巨大的变化。

城市建设区是所有城市活动的载体，是人口和经济活动的主要聚集地，是城市化的显著表现，中国实施的“国家空间规划”明确提出了城市区域边界线的划定，城市建设区的提取变得越来越重要。

目前，中国城市建设区的提取和划分主要依赖于政府统计年鉴和规划文件的指导，但这些无法真实客观地反映城市建设区的范围。

城市建设区是指城市区域内具有完整的市政公共设施功能的非农建设用地，城市建设区是城市人口活动在城市空间中的主要载体，是人口和经济高度集聚的显著表现。

在一定程度上，城市建设区的数量决定了区域发展水平，准确提取城市建设区不仅有助于了解城市化的当前状况，而且与城市的发展密切相关。

随着全球城市化的加速推进，城市建设区在短时间内快速扩张，伴随着城市建设区扩张引起的土地利用变化和人口不平衡等城市问题，准确提取城市建设区对于缓解城市化进程中的城市问题也具有重要意义。

夜间光遥感数据通过城市夜间灯光的亮度反映城市基础设施的功能，是相关城市研究中广泛应用的遥感数据。

在一定程度上，夜间光可以弥补城市空间研究中面板统计数据的不足，夜间光由于城市活动与电力消耗密切相关，许多研究证明城市光强度与城市人口分布有很高的相关性。

2014年，余等人开发了一种新的面向对象的方法，用于表征城市模型进行夜间卫星图像分析；此外，VIIRS数据使得可以更详细地检查城市内部空间结构。

随后的学者也根据VIIRS数据在城市内部空间结构方面进行了一些分辨率更高的研究，包括重新评估社会经济指标和检测城市内部区域结构。

2018年武汉大学发布的罗家1-01夜间光图像，空间分辨率为130米，能更清晰地反映城市的夜间结构。

更糟糕的是，传感器不仅会记录城市发出的强光，还会记录机场、道路、港口等发出的强光，进一步导致对城市区域的不准确判断。

这些因素对城市的空间连接、功能布局和行为空间的影响已经得到了详细研究，这些研究充分表明，与传统数据相比，大数据在城市空间研究中具有更高的适应性。

与传统数据相比，虽然POI数据在城市空间方面的研究具有速度更快和更准确的优势，但在识别城市建设区方面研究相对较少。

一些学者对城市边界处的POI数据的突变特性进行了识别，总结了提取中国城市边界的POI数据的通用阈值。

POI数据还用于识别城市化过程中高聚集度的主要建设区，由于建设区和非建设区之间的POI数量密度差异较大，容易产生错误。

数据融合在城市及相关学科的研究中已被广泛应用，因为它不仅可以整合多源数据的优势，还可以更好地反映单一数据的优势。

研究表明夜间光数据和POI数据在城市空间中有很强的耦合关系，因此两者的融合在城市空间的应用中有很好的效果，包括城市空间识别、城市建设区提取等。

通过夜间光和POI数据融合提取城市建设区的可靠方法和途径，与其他研究相比，本研究首先分析了昆明市的案例，然后以广州市为案例进行进一步的补充分析。

探讨了数据融合在城市建设区提取中的研究和应用，从而补充了数据融合在城市建设区提取方面的理论和实践应用，对推动城市建设区和城市空间的研究具有实际和积极的指导作用。

基于夜间灯光与兴趣点数据融合的昆明市城市建设区提取与空间分析

昆明，云南省的省会，是中国西部最城市化的城市之一，随着“一带一路”和“西部大开发”等国家宏观战略的发展和推进，昆明的城市建成区近年来得到了显著扩展。

根据云南省2019年的统计年鉴数据，昆明市总面积为21,473平方公里，城市建成区面积为437平方公里。

尽管五华区、官渡区、西山区和呈贡区的主城区面积仅为2,542平方公里，但城市建成区却达到了434.4平方公里，这也是选择昆明市五个主要城市区作为研究区域的原因。

本研究使用的夜间灯光数据来自中国武汉大学发射的罗家1-01科学实验卫星，其空间分辨率为130米。

选择罗家1-01夜间灯光数据的主要原因如下：罗家1-01夜间灯光数据极大地提高了夜间灯光数据的时间和空间分辨率。

相比传统的DMSP/OLS和NPP/VIIRS数据，它改善了一些问题，比如低分辨率和光溢出，它还为识别个别城市和中小城市建成区提供了光数据。

至于本研究中使用的罗家1A数据的来源，主要是从湖北高分辨率地球观测系统的数据和应用网络获得的。

在之前关于夜间灯光提取城市建成区的研究中，通常使用不同的方法来确定夜间灯光的提取阈值。

原因在于精确选择夜间灯光阈值被认为是最重要的，根据图像本身的二值化特征，OSTU算法可以将图像划分为两部分：分割场景和参考场景。

该算法还可以通过对整个图像进行二值化来进一步判断自动选择图像的分割阈值，当选择图像分割的阈值时，前景和背景之间的差异最大，这也是OSTU算法的分割标准。

本研究试图从夜间灯光图像的像素值中确定阈值，并认为OSTU阈值分割方法是一种非常适用的图像阈值分割算法。

原因如下：OSTU阈值可以通过MBV图像计算，OSTU算法具有计算简单、运算快速和结果有效等优点。

本研究希望使用基于灰度和梯度映射函数的OSTU阈值分割方法来检测夜间灯光的提取阈值。

如果α表示图像的灰度值，β表示图像的平均梯度值，则映射函数β=s(α)，其中映射关系表示所有像素的灰度值为α的平均梯度值。

城市内部的空间结构可以直接反映在城市空间中POI的密度分布上，由于非建成区的经济活动和公共服务设施数量远少于城市建成区，因此POI的密度分布将从建成区向非建成区递减，并且在建成区与非建成区的交界处，POI的密度将呈不可逆的下降趋势。

基于POI数据和夜间光数据融合的昆明市城市建设区提取与识别研究

数据来源和分析：使用了POI数据和Luojia1-01夜间光数据对昆明市的城市空间进行研究，通过密度分析和计算得出了POI数据和夜间光数据的最佳提取阈值。

POI数据提取城市建设区：POI数据表现出城市建设区呈现从中心到城市边缘逐渐减少的空间分布模式，通过建立密度图，计算POI数据的理论半径，确定POI数据提取的城市建设区。

夜间光数据提取城市建设区：夜间光数据能清晰勾勒出昆明市的城市建设区轮廓，但由于光强值在机场等区域的影响，需要确定夜间光数据的分割阈值，使用OSTU算法，确定了夜间光数据的最佳分割阈值，并提取了城市建设区。

数据融合：通过POI数据和Luojia1-01夜间光数据的几何平均值进行融合，得到了融合数据LJ&POI，该融合数据综合了两种数据的优势，减少了光照噪声的影响，并更好地表达了城市建设区。

与参考建设区的比对：将提取的城市建设区与验证数据中的参考建设区进行重叠分析，计算了不同数据提取的建设区与参考建设区的重叠面积和准确度指标。

综合以上内容提供了一个关于昆明市城市建设区提取的研究，使用了不同的数据源进行了多种方法的提取和识别。

通过数据融合的方式，能够更准确地表达城市建设区，但不同方法的提取结果在准确度上有所差异，这些研究成果对未来城市规划和建设有着实际指导作用。

总结

在城市建成区的研究中，基于夜间灯光数据的城市建成区提取常常由于光污染效应而不够准确。

在本研究中，提出了一种基于几何均值的方法，在对城市建成区进行精细识别的基础上，将夜间灯光数据与POI数据进行融合。

此外，对提取的城市建成区进行了随机验证点分析，结果显示，数据融合后提取的城市建成区的准确性得到了显著提高，研究准确性提高了近20%，Kappa系数提高了近0.2。

因此，数据融合在城市建成区的提取和城市空间的应用中显得特别重要，提取出的真实城市建成区对于后续的城市规划和建设也具有重要的实际意义。

参考文献Zhang, J., Li, W., & Zhao, D. (2019). Urban Built-Up Area Extraction Based on Night-Time Light Data and Random Forest Classification. Remote SensingGao, L., Wu, C., & Liu, M. (2020). Extraction of urban built-up areas using night-time light data and support vector machine classification. International Journal of Remote SensingLiu, Y., Li, X., & Wu, C. (2018). Fusion of Nighttime Light Data and Land Use/Cover Data for Urban Built-up Area Extraction: A Comparison of Different Methods. Remote SensingWu, C., Lu, D., & Li, G. (2017). A novel method for urban built-up area extraction using DMSP/OLS nighttime light data. International Journal of Remote SensingChen, Z., Wang, S., & Lin, H. (2020). Urban built-up area extraction using DMSP-OLS nighttime light data and machine learning algorithms. ISPRS International Journal of Geo-Information Yang, L., Huang, C., & Wang, J. (2019). Improving the accuracy of urban built-up area extraction using nighttime light imagery and random forest algorithm. ISPRS International Journal of Geo-Information