一种基于NDBI的城市夜间灯光数据去饱和方法与流程

本发明是一项对地观测领域的技术，针对DMSP/OLS夜间灯光数据的饱和现象，提出了一种基于NDBI的城市夜间灯光数据去饱和方法，通过构建基于NDBI修正的灯光指数BANTLI，能够实现夜间灯光数据饱和效应的有效缓解。

背景技术：

城镇化已成为当今世界发展的总体趋势，城镇化的主要表现为城镇人口的增加、城镇面积的扩张，城镇的快速发展对区域社会经济和生态环境的可持续发展有着直接影响。遥感作为一项大区域快速监测技术已成为城市空间信息提取、城市发展水平评价的重要手段。随着夜间灯光数据（Nighttime light, NTL）的广泛应用，DMSP/OLS已被证明是进行城镇监测与评价研究的有效数据源。

DMSP/OLS数据是由美国军事气象卫星(Defense Meteorological Satellite program, DMSP)搭载的传感器(Operational Linescan System, OLS)获取的全球夜间灯光数据。区别于一般传感器，OLS传感器具有较高的光电放大能力，能探测到城镇灯光、火光、车流、渔船灯光等与人类活动密切相关的信息，适合动态监测大尺度城镇扩展。

由于DMSP/OLS夜间灯光数据的辐射探测范围较窄，在灯光强度较高的城市中心会出现灯光饱和现象，探测到夜间灯光值往往比实际的要小。灯光饱和现象降低了NTL在城市中心的灯光值，掩盖了城市中心区的灯光强度差异，从而影响基于灯光强度数据的相关监测评价模型的精度。

Letu 等人 (2010年) 利用三次回归模型校正了基于行政单元尺度的灯光强度饱和问题，但这种方法不能体现每个行政单元内部的灯光强度差异，即不能应用于像元尺度。随后，Letu等人 (2012年)基于1999年的非饱和灯光数据又提出了基于像元尺度的NTL校正方法，该方法假设灯光饱和区域等灯光强度在1996-1999期间没有变化，然而这种假设在城市化进展较快的区域不成立。Ziskin等人 (2010) 采用低增益NTL数据与高增益NTL数据相融合的方法校正了2006年的全球NTL数据，缓解了饱和问题且效果很理想，但这种方法耗时耗力且成本高。

除了利用NTL数据自身的特性来缓解饱和问题，也有学者利用其它卫星数据来校正NTL数据。Zhang 等人 (2008) 提出了VANUI（Vegetation Adjusted NTL Urban Index）指数来缓解NTL饱和效应，这种方法是基于植被丰度与城市不透水面呈现明显的负相关关系这一特征，利用MODIS NDVI数据对NTL进行归一化，可以较好地凸显城市中心区灯光强度的空间差异，但是由于NDVI自身存在饱和问题，从而影响植被覆盖差异不显著区域NTL的校正。

由于归一化建筑指数NDBI（Normalized Difference Built-up Index）能够反映城市建筑物的密集程度，与建成区密切相关，本发明试图建立一种基于NDBI的城市夜间灯光数据去饱和方法。

技术实现要素：

本发明提出一种基于NDBI的城市夜间灯光数据去饱和方法，该方法充分利用NDBI与城市建成区密切相关的特征，有效缓解了夜间灯光数据饱和问题，流程简单，操作过程全自动化，有益于推广。该方法包括如下步骤：

步骤一：从美国国家地理数据中心网站获取待校正的稳定灯光数据产品，将该产品的空间分辨率重采样至500m确保其与NDBI的分辨率保持一致，并对重采样后的数据进行归一化处理，得到NTL_norm；步骤二：从美国NASA戈达德航天中心网站获取与步骤一的稳定灯光数据产品相同年份（4月-9月期间）的MODIS MCD43A4产品（16天合成地表反射率产品），并计算得到NDBI时间序列；步骤三：基于NDBI时间序列计算每个像元的均值，得到，并对进行归一化，得到NDBI_norm；步骤四：将归一化的灯光数据NTL_norm与NDBI_norm相乘得到基于NDBI修正的灯光指数BANTLI (NDBI Adjusted Night Time Light)。

进一步地，所述步骤一中归一化处理是将稳定灯光数据NTL的DN值除以63，这是由于NTL的最小值为0，而最大值为63。

进一步地，所述步骤二中MODIS MCD43A4产品为经BRDF校正的、16天合成的反射率，分辨率为500m；所述步骤二中NDBI的计算公式为 ，式中分别为MCD43A4产品的第2和第7波段；所述步骤二中采用4月-9月期间的MCD43A4产品获取NDBI是为了消除城市地面积雪的影响，这是由于城市建成区的NDBI值较大，而积雪会大大降低NDBI值。

进一步地，所述步骤三中NDBI时间序列均值的计算公式为，4月-9月期间总共有22期，i为NDBI的序号；所述步骤三中归一化的计算公式为，式中为中任一像元的值，和分别代表其最大值和最小值。

附图说明

图1为基于NDBI的城市夜间灯光数据去饱和方法流程图。

图2为2010年京津冀地区夜间灯光数据图。

图3为京津冀地区2010年基于NDBI修正的灯光指数BANTLI图。

图4为夜间灯光数据修正前后对比分析图（以北京市为例）。

具体实施方式

下面结合实例对本发明“一种基于NDBI的城市夜间灯光数据去饱和方法”作进一步说明，按照实施流程（如图1所示），详细实施细节如下。

步骤一：本发明以京津冀地区为实验区，从美国国家地理数据中心（http://ngdc.noaa.gov/eog/download.html） 获取了实验区2010年的稳定灯光数据NTL（如图2所示），为了便于运算与对比，对NTL进行了分辨率重采样和DN值归一化处理。由于NDBI的分辨率为500m，而NTL的分辨率为1Km，为了确保空间分辨率的一致性，将NTL的空间分辨率重采样至500m；由于NTL的最小DN值为0，而最大值DN为63，其归一化处理公式为NTL_norm。

步骤二：从美国NASA戈达德航天中心网站（http://modis.gsfc.nasa.gov/） 获取实验区2010年4月-9月期间的MODIS MCD43A4产品，MODIS MCD43A4为经BRDF校正的、16天合成的反射率产品，分辨率为500m。2010年4月-9月期间，MCD43A4产品共有22期，针对每一期产品，利用其第2和第7波段计算得到NDBI，NDBI的计算公式为 ，最后形成22期NDBI时间序列。城市建成区的NDBI值较大，但是如果受到地面积雪的影响，NDBI值会大大降低，因此，为了避免大雪天气的影响，特选择4月-9月期间的MCD43A4产品获取NDBI。

步骤三：由于受到季节变化及天气条件的影响，同一位置不同时间NDBI存在不同程度的差异，为了确保数据的稳定性，本发明采用NDBI年均值，计算公式为 ，4月-9月期间总共有22期，i为NDBI的序号；由于的数据范围为[-1,1]，为了有效利用为权重对NTL数据进行调节，需要对进行归一化处理，确保其数据范围为[0,1]，归一化的计算公式为，式中为中任一像元的值，和分别代表其最大值和最小值。

步骤四：将归一化的灯光数据NTL_norm与建筑指数NDBI_norm相乘得到基于NDBI修正的灯光指数BANTLI，如图3所示。

为了分析BANTLI指数的效果，以北京市为例进行分析（如图4所示）。从图中可以看出BANTLI指数相对于稳定灯光数据NTL能够很好反映城市中心区灯光强度的差异，如图中A所在区域为香山，由于灯光饱和现象导致NTL相对于BANTLI指数不能清晰刻画香山的轮廓；另外，BANTLI指数还能清晰地辨别首都机场所在位置（B所在区域）。