EO4Urban：哨兵-1A SAR和全球城市服务哨兵-2A MSI数据

SAR和全球城市服务哨兵-2A MSI数据

摘要：本研究的总体目标是评估使用创新的方法和算法，即KTH-帕维亚城市提取，一个强大的算法用于城市范围提取和KTH-SEG全球城市服务多时哨兵-1A SAR和Sentinel-2A MSI数据 ，一种用于详细的城市土地覆盖图的新颖的基于对象的分类方法。选择不同地理环境条件下的世界十大城市作为研究区域。在2015年和2016年的植被季节，获得了大量Sentinel-1A SAR和Sentinel-2A MSI数据。城市提取结果表明，利用项目开发的城市提取物，可以利用多时哨兵1 SAR，Sentinel-2A MSI数据及其融合方法，提取城市和小城镇。对于城市土地覆盖图，单独的多时哨兵-1A SAR数据对斯德哥尔摩的整体分类准确率达到60％。Sentinel-2A MSI数据以及Sentinel-1A SAR和Sentinel-2A MSI数据的融合产生了更高的分类精度，均达到了80％。

关键词：EO4Urban，Sentinel-1A SAR，Sentinel-2A MSI，城市提取器，KTH-SEG，全球城市服务。

I.介绍

现在全球有一半以上的人口生活在城市，到二零五零年，有二十五亿多人预计会进入城市，城市地区对环境构成重大挑战。尽管全球土地覆盖率只有一小部分，但城市地区在地方，区域和全球范围内显着改变了气候，生物地球化学和水文学。因此，关于城市土地覆被及其变化模式的准确及时的信息对于支持可持续城市发展至关重要。

单日期和多时间SAR数据在城市应用中越来越多地用于绘制城市范围[1]，[2]，城市土地覆被分类[3]和变化检测[4]。在SAR数据方面，已经对城市应用中的单极化，双极化和全极化模式的各种多时空载SAR数据进行了评估。在SAR处理和特征提取方法方面，纹理测度[5]，语境信息[6]，分类算法如统计学[7]，神经网络[8]，支持向量机（SVM）[9] 基于和基于规则的方法[10]已经被调查了城市地图绘制不同程度的成功。

此外，通过利用由不同传感器获取的数据的互补性质，SAR和光学数据的融合被证明是有利的。SAR和光学数据都有自己的优点和局限性，因此SAR和光学数据的融合可以克服与单个传感器相关的缺陷。已经对SAR和光学数据融合进行了城市陆地覆盖测绘和变化检测研究[11-12]。已经证明，与使用单源数据相比，多源数据的特征和决策级融合可以实现更高的分类和对象识别准确度。因此，需要研究Sentinel-1A SAR和Sentinel-2A MSI数据在城市映射中的融合。此外，大多数上述融合研究使用基于像素的分类。另一方面，基于对象的方法在城市映射中越来越多地采用高分辨率光学数据[13]，SAR数据[3]和SAR和光学数据融合[10] [14]，因为更多的信息 因为在分析中可以探索物体特征和空间关系，从而提高分类。

他的这个研究的总体目标是评估多时间多分辨率哨兵-1A SAR和Sentinel-2A微星数据，用于根据用户需求开发全球城市试点试点，以支持可持续城市发展。 具体目标是：

•开发用于生产用户需要的产品和服务的新颖而强大的方法和算法;

•评估城市规模提取，详细城市土地覆盖图和城市变化检测的多时间多分辨率Sentinel-1A SAR和Sentinel-2A MSI数据的能力;

•开发试点城市服务示威者。

EO4Urban是ESA DUE INNOVATOR III计划中的一个项目。项目联盟包括瑞典斯德哥尔摩的KTH皇家理工学院和意大利帕维亚的帕维亚大学以及斯德哥尔摩的斯德哥尔摩县行政委员会城市和区域发展部门两名学术合作伙伴， 瑞典和中国国家地理数字中心（NGCC）在中国北京国家测绘，地理信息管理局。 这为我们提供了开发急需城市服务的独特机会。

AI.研究领域和数据描述

A.学习区

世界各地的十个城市被选中代表除南极洲以外各个大陆各个环境条件下的发达和发展中城市。沿海城市包括雅加达，拉各斯，孟买，纽约，里约热内卢，斯德哥尔摩和悉尼，而内陆城市包括北京，墨西哥城和米兰。 几个城市是山区的，被山包围，其余的都在相对平坦的地区。一些正在快速城市化，而另一些则相对缓慢。 在十个城市中，选择了斯德哥尔摩和北京，测试了第一阶段的方法，其余的在第二阶段。 B.数据说明

植被季节期间，2015年在斯德哥尔摩和北京收购了多时代多分辨率Sentinel-1A IW SAR和Sentinel-2A MSI数据，以最大限度地发挥城乡差距。选择上升和下行轨道的多日期双极化SAR数据，以评估SAR数据改善城市提取和城市土地覆盖图的潜力。 还收集了历史ENVISAT ASAR和ERS-1/2 SAR数据，用于城市化监测。

III.方法

本研究的方法涉及多时段Sentinel-1A SAR，Sentinel-2A MSI和历史ESA SAR数据的多尺度分析，包括图像处理，基于对象的图像分类，城市范围提取，变化检测和验证/准确性评估。 A. 图像预处理

为了评估和比较来自不同传感器和不同日期的卫星数据，每个图像必须通过使用卫星轨道模型和30m穿梭雷达地形任务（SRTM）数字高程模型（DEM）的正射校正进行地理参考到公共数据库。然后对所有SAR数据进行多时间斑点滤波以去除斑点。

之后，SAR数据线性调整，以加强城市和非城市地区城市开采或城市土地覆被分类的各种土地覆被类别之间的合同。 B.城市范围提取

通过使用KTH-Pavia Urban Extractor算法，可以实现全球范围内的城市规模提取，因为它适用于SAR和光学数据集，融合多个传感器数据的可能性，以及多个城市非常好的结果证明其灵活性

世界各地[16]。该方法包括基于空间索引和灰度共生矩阵（GLCM）纹理的城市提取，现有方法和几个改进，即SAR和光学数据预处理，增强和后处理。 在EO4Ubban项目中，使用Sentinel-1A SAR和Sentinel-2A MSI数据对该方法进行了调整和进一步改进。方法流程图如下图1所示。

Li and Gong 使用Sentinel-2A MSI数据进行城市提取从“排除和包含”方法进行了改编[15]。方法流程图如图2所示。

Figure 2. Flowchart of 'Exclusion-Inclusion' method.

C. KTH-SEG城市土地覆盖分类

选择KTH-SEG算法进行边缘感知区域增长和合并的城市土地覆盖分类及其对SAR和多光谱数据进行有效分段的能力[38]。对于边缘检测，可以在每个图像上应用canny边缘检测器，并且使用多数投票来导出最终边缘。然后使用该层来增强分割过程的区域增长和合并阶段。因此，沿边缘进行区域生长并且越过边缘。在EO4Urban项目中，KTH-SEG正在适应和进一步开发，适用于Sentinel-1A SAR和Sentinel-2A MSI数据。KTH-SEG的方法工作流程如图

3所示。

D.城市土地覆被变化检测

在KTH开发的有效的基于像素和基于对象的变化检测算法正在适应Sentinel-1A SAR和Sentinel-2A MSI数据，用于监测城市化和城市土地覆被变化。在KTH开发的有效的基于像素和基于对象的变化检测算法正在适应Sentinel-1A SAR和Sentinel-2A MSI数据，用于监测城市化和城市土地覆被变化。 E.验证和准确性评估

城市土地覆被分类和变化将根据1）进行验证,现有可靠数据，2）基于高分辨率Google图像和现场调查的随机抽样。对城市土地覆被分类，城市范围提取和变化检测结果的准确性评估进行比较两种验证方法。

Figure 1. Overview of KTH-Pavia Urban Extractor for urban extent extraction.

Figure 3. KTH-SEG: Multi-resolution edge-aware region growing and merging algorithm.

IV.结果与讨论

A. 城市范围提取

结果表明，使用多时哨兵1A SAR数据可以很好地提取城市地区。 使用上升和下降轨道的多时间平均图像，北京的最佳精度达到93.62％（kappa

0.8723）。VV极化平均值比VH提高了城市提取的准确度。 大多数提取精度超过85％（k0.8）。北京Sentinel-1A

SAR数据的最佳城市提取结果如图4所示。结果还表明，使用Sentinel-2的城市提取是有希望的。 图5显示，Sentinel-2A可以通过移除温室降低SAR提取的佣金错误。 B. 城市土地覆盖分类

对于城市土地覆盖制图，单独的多时哨兵1A

SAR数据对斯德哥尔摩的总体分类精度达到60％，SAR的准确性相当好，但远远低于Sentinel-2A MSI数据（80％，即83％ 与聚合类）。即使MSI单独和融合的精度相同，SAR和MSI数据的融合有助于提高道路和城市绿色结构类的准确性。

Table 1. Urban Extraction Accuracy (100%) in Beijing Using 2015 multitemporal Sentinel-1A SAR Data

Dataset Producer’s User’s Accuracy Accuracy Overall Accuracy Kappa Coefficient 0.8358 ASC_VV_Mean 95.28 89.07 91.79 91.37 DSC_VV_Mean 91.96 90.89 73.71 0.8273 0.5728 ASC_VH_Mean 89.08 90.58 78.63 87.62 DSC_VH_Mean 85.53 89.10 0.7523 0.8319 ASC_ALL_Mean 94.81 91.91 91.60 91.55 DSC_ALL_Mean 91.25 92.10 0.8309 0.8716 ASC_DSC_VV_Mean 95.35 93.84 93.57 87.89 ASC_DSC_VH_Mean 83.87 92.26 0.7577 0.8723 ASC_DSC_ALL_Mean 95.24 93.62

Figure 4. Urban extraction in Beijing using Sentinel-1A SAR.

Figure 5. Left: commission errors of urban extraction from Sentinel-1A shown in red; Right: Sentinel-2A MSI

image.

C.城市绿色结构与变化

城市绿地结构图在城市土地覆盖地图中合并“公园”，“高尔夫球场”和“森林”类。 通过比较不同年份的城市土地覆被分类结果，提取城市绿地结构变化。

V. 结论

这项研究表明，多时哨兵1A SAR和Sentinel-2A MSI数据在全球范围内对城市地图绘图非常有希望。对于半全球规模的城市土地覆盖分类，Sentinel-2A MSI数据总体精度达到80％以上。S-1A SAR和S-2A MSI数据的融合可以减少几类之间的混淆。 对于新的建成区域地图，Sentinel -1A SAR和历史SAR数据产生了非常好的结果。对于城市绿色结构映射和变化检测，Sentinel-2A MSI和Sentinel-1A SAR和Sentinel-2A MSI数据的融合是合适的。

VI.参考文献

[1] Y. Ban, A. Jacob and P. Gamba, 2015. Spaceborne SAR Data for Global Urban Mapping at 30m Resolution Using a Robust

Urban Extractor. ISPRS J. of Photogrammetry & Remote Sensing, Volume 103, p. 28-37.

[2] P. Gamba, Lisini, G., 2013. Fast and efficient urban extent extraction using ASAR wide swath mode data. IEEE J. Select. Top. Appl. Earth Observ. Remote Sens. 6(5), 2184–2195.

[3] Hu, H. and Y. Ban. 2012. Multitemporal RADARSAT-2 Ultra-Fine-Beam SAR Data for Urban Land Cover Classification. Canadian Journal of Remote Sensing, 38(01): 1-11.

[4] Y. Ban and O. A. Yousif, “Multitemporal Spaceborne SAR Data for Urban Change Detection in China,” IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., vol. 5, no. 4, pp. 1087–1094, Aug. 2012.

[5] R. J. Dekker, “Texture analysis and classification of ERS SAR images for map updating of urban areas in The Netherlands,” IEEE Trans. Geosci. Remote Sens., vol. 41, no. 9, pp. 1950–1958, Sep. 2003.

[6] X. Niu and Y. Ban, “An adaptive contextual SEM algorithm for urban land cover mapping using multitemporal

high-resolution polarimetric SAR data,” IEEE J. Sel. Topics Appl. Earth Observ. Remote Sens., vol. 5, no. 4, pp. 1129–1139, [7]

Aug. 2012.

P. Lombardo, M. Sciotti, T. M. Pellizzeri, and M. Meloni, “Optimum

model-based segmentation techniques for multifrequency polarimetric SAR images of urban areas,” IEEE Trans. Geosci.

Remote Sens., vol. 41, no. 9, pp. 1959–1975, Sep. 2003.

[8] L. Bruzzone, M. Marconcini, U. Wegmuller, and A. Wiesmann, “An advanced system for the automatic classification of

multitemporal SAR images,” IEEE Trans. Geosci. Remote Sens., 42(6): 1321– 1334, 2004.

[9] X. Niu and Y. Ban, “Multi-temporal RADARSAT-2 polarimetric SAR data for urban land-cover classification using an object-based support vector machine and a rule-based approach,” Int. J. Remote Sens., vol. 34, no. 1, pp. 1–26, Jan. 2012. [10] Y. Ban, H. Hu, and I. M. Rangel, “Fusion of Quickbird MS and

RADARSAT SAR for urban land-cover mapping: Object-based and knowledge-based approach“, Int. J. Remote Sens., 31(6):1391–1410, 2010.

[11] P. Gamba and B. Houshmand, “An efficient neural classification chain of SAR and optical urban images,” Int. J. Remote Sens., vol. 22, no. 8, pp. 1535–1553, May 2001.

[12] Y. Ban, O. Yousif and H. Hu. 2014. “Fusion of SAR and Optical Data for Urban Land Cover Mapping and Change Detection“. Global Urban Monitoring and Assessment through Earth Observation. Ed. Q. Weng. Taylor & Francis Group, LLC.

[13] T. Blaschke, “Object based image analysis for remote sensing,” ISPRS J. Photogramm. Remote Sens., vol. 65, no. 1, pp. 2 16, Jan. 2010.

[14] Ban, Y. and A. Jacob, “Object-based Fusion of Multitemporal Multi-angle ENVISAT ASAR and HJ-1 Multispectral Data for Urban Land-Cover Mapping“. IEEE Trans. Geosci. Remote Sens., 51(4): 1998-2006, 2013.

[15] Li X. and P. Gong, “An “exclusion-inclusion” framework for extracting human settlements in rapidly developing regions of

China from Landsat images“. Remote Sensing of Environment. vol. 186, pp. 286–296, 1 Dec. 2016.