基于中性集對北川羌族自治縣新城人工建設用地的識別

于博， 王力， 牛錚

(1.中國科學院遙感與數(shù)字地球研究所，遙感科學國家重點實驗室，北京 100101；2.中國科學院大學，北京 100049)

基于中性集對北川羌族自治縣新城人工建設用地的識別

于博1,2， 王力1， 牛錚1

(1.中國科學院遙感與數(shù)字地球研究所，遙感科學國家重點實驗室，北京 100101；2.中國科學院大學，北京 100049)

人工建設用地(包括建筑物、道路、廣場等社會服務設施)的識別一直是用來監(jiān)測地區(qū)發(fā)展速度的一個有效途徑。針對目前在人工建設用地識別領域中對在建建筑物的忽視問題，利用中性集、均值漂移以及綠度因子等概念將在建建設用地信息進行增強，進而將其成功識別出來。實驗證明，該方法對高分辨率遙感影像的人工建設用地識別是可行的。通過分析2009—2013年期間北川新城的建設工地面積及分布的變化情況可以看出，北川新城在2010—2013年期間完工面積占2009—2010年新建工程總面積的98.17%，在北川新城拓展區(qū)又新建0.6 km2的工程，施工迅速，為受災居民提供了良好的居住和生活保障。

人工建設用地；北川新城；中性集；均值漂移；高分辨率

0 引言

2008年5月12日的汶川以及北川羌族自治縣(以下簡稱北川)地震對當?shù)厝嗣竦纳拓敭a(chǎn)造成了極大的破壞，致使北川的經(jīng)濟以及工業(yè)體系幾乎癱瘓，喪失了縣城發(fā)展、重建的物理空間[1]。因此，中央與當?shù)卣餐x定位于安昌鎮(zhèn)東，永安鎮(zhèn)與安昌鎮(zhèn)之間的區(qū)域作為北川新城進行建設，包括市政基礎設施、房地產(chǎn)以及公益設施建設等[2]。本文主要利用航空影像對北川新城自2009—2013年期間發(fā)生的變化進行動態(tài)檢測、分析其發(fā)展趨勢，為我國歷史上首次大規(guī)模的新城重建提供應用示范。

目前，人類建筑設施識別領域中提出的算法[3-6]主要是針對已經(jīng)建成的建筑物、道路和廣場，對在建設施較為忽視。針對高分辨率遙感影像進行建成建筑物識別的方法主要分為3種： 第一種是基于經(jīng)驗閾值的思想，通過色調(diào)與幾何特征分析對建筑物、道路以及廣場進行識別和提取[7-10]；第二種是基于機器學習的方法，通過人工選定的樣本學習其經(jīng)驗值，構(gòu)建建設用地識別的模型，對測試樣本進行分類、提取[11-14]；第三種是基于空間變換、濾波以及指數(shù)運算等圖像處理的思想，尋找可以表達遙感影像中建筑物的特征，通過為特征設定經(jīng)驗性參數(shù)識別人工建筑設施[15-21]。第一種方法的魯棒性不強，只能針對某種特定影像中的建筑設施；第二種方法的實驗過程比較復雜，需要較長的時間，在影像數(shù)據(jù)較大以及實驗效率要求較高的情況下并不適用；第三種方法采用基礎圖像處理技術，通過空間變換，既可以提高魯棒性，又可以避免長時間的實驗過程，可達到理想的實驗效果。其中，中性集是國外研究者近幾年提出的一種模糊思想[17, 22-23]，可以提高不同地物之間的光譜差異及同種地物的光譜相似性，在圖像處理領域已經(jīng)發(fā)揮了重要作用，而國內(nèi)相關應用尚不普遍。于博等[21]已經(jīng)成功利用中性集與均值漂移的方法對建成建筑物進行識別，但在建建筑物并沒有包括進去。而且，用來提取建筑物的圖像空間分辨率比較高，地物類型也較少，而北川新城遙感影像上地物復雜，分辨率相對較低，給建設用地信息提取帶來一定的困難。

本文對于博[21]的方法進行改進，基于光譜特征單一、分辨率較低的航空影像對在建區(qū)域進行識別和提取。首先利用綠度因子對圖像進行預處理，實現(xiàn)對建設用地的初步提??；再綜合運用中性集與均值漂移方法從建設用地的初步識別結(jié)果中將包括道路、建成建筑物、已建成建筑物以及廣場的人工建設用地從復雜的地物類別中識別出來，取得了較高的精度，為北川新城的發(fā)展分析提供了可靠依據(jù)。

1 方法和實驗

1.1 中性集空間轉(zhuǎn)換

中性集(neutrosophic set)是傳統(tǒng)模糊集合的一種拓展。在模糊域中，數(shù)據(jù)主要包含真子集和假子集。不確定性子集是中性集新增的一個概念，指不確定屬于真子集還是假子集的數(shù)據(jù)集。由于具有可以增大不同類型地物之間的光譜差異等優(yōu)良特性，中性集在圖像分割[17]、分類[24]等領域發(fā)揮了重要作用。對于一幅影像，中性集中的真、假以及不確定子集分別代表圖像中每個像元是、不是以及無法確定是不是研究感興趣地物的概率。在本文中，分別對真、假以及不確定子集用T,F和NG來表示。每個子集都包含對應于圖像中每個像元是否屬于感興趣地物的概率。假設一幅圖像包含m個像元，可用中性集表示成T={t1,t2,…，tm},F={f1,f2,…，fm},NG={ng1,ng2,…，ngm}。其中，用來表達每個像元的t,f和ng的轉(zhuǎn)換公式分別為

(1)

(2)

f(i,j)=1-t(i,j)-ng(i,j)，

(3)

1.2 中性集增強

影像中的每個像元在中性集中都有3個概率，屬于背景的概率f,屬于目標地物的概率t以及不確定是否屬于背景的概率ng。確定性概率t和f是需要增強的信息，而不確定性概率ng是需要被削弱的信息。因此增強運算在中性集中是很有必要的。本文采用Li等[25]的方法分別對圖像中每個像元的確定性概率進行增強操作。具體過程為

(4)

(5)

(6)

(7)

式中： 系數(shù)0.99以及0.000 9為根據(jù)多次試驗得到的經(jīng)驗值，對于高分辨率航拍影像較為適用；EnNG為圖像中性集域中不確定性子集的信息熵；En為圖像中性集域中3個子集的信息熵之和，即

En=EnNG+EnT+EnF，

(8)

式中：Enmax和Enmin分別為信息熵之和的最大值和最小值;EnT和EnF分別為圖像中性集域中真、假子集的信息熵。

1.3 基于均值漂移的聚類分析

圖像經(jīng)中性集增強后，采用均值漂移(mean shift)[26-27]的方法對圖像進行聚類分析。均值漂移作為一種非常有效的迭代聚類方法，按照核密度上升至最大的原則，依次循環(huán)、聚類。主要迭代公式為

Mv(yj+1)=yj+1-yj，

(9)

式中：Mv是迭代向量；yj和yj+1分別是移動前、后的位置。迭代向量主要由核函數(shù)以及其剖面函數(shù)的梯度決定。當Mv=0時，均值漂移算法迭代終止。

2 建筑物提取方案設計以及處理結(jié)果分析

2.1 實驗數(shù)據(jù)

從中國科學院遙感與數(shù)字地球所獲取了覆蓋有北川新城2008—2013年期間4期航拍數(shù)據(jù)，并進行幾何糾正，得到空間分辨率為4 m的4期高分辨率遙感影像。該數(shù)據(jù)只包含紅、綠、藍3個波段，處理后的圖像如圖1所示。

(a) 2008年5月19日 (b) 2009年5月18日

(c) 2010年4月18日 (d) 2013年4月25日

圖1 幾何糾正后的4期航拍圖像

Fig.1 Four aerial images after geometric rectification

從圖1(a)可以看出，2008年5月震后的北川新城原址還散布著零亂的農(nóng)田、溪流、倒塌的民房和少量受損的道路；從圖1(b)—(d)可以看出，2009—2013年，北川新城發(fā)生了翻天覆地的變化。

2.2 方案設計

3期影像的成像時間都在每年的春、夏季節(jié)，此時的植被與裸地較易區(qū)分。因此，首先分別提取3景影像的綠度因子GF，即

GF=2G/(R+G+B)，

(10)

式中R，G，B分別代表R,G，B3個波段像元的灰度值。從式(10)中可以看出，綠色波段的信息在綠度因子中得到較大加強，非常適合描述植被茂盛時期遙感影像地物的植被覆蓋度。人工建設用地由于人工干預較大，鮮有植被，因此綠度因子值較低，而非人工干預區(qū)域的綠度因子值偏高。

為了對影像中的建設用地進行初步快速提取，采用自適應的閾值確定法，Otsu大津算法[28]對得到的綠度因子圖二值化，將影像中明顯的建筑物識別出來。針對3期影像的識別結(jié)果如圖2所示。

(a) 2009年5月18日(b) 2010年4月18日 (c) 2013年4月25日

圖2 利用綠度因子對人工建設用地的識別結(jié)果

Fig.2 Detection of artificial construction land based on green index

將圖2與圖1進行對比，可以看出，已經(jīng)建成的建筑物與道路被很好地識別出來，而且細節(jié)信息很明顯。該綠度因子可以有效剔除植被信息，但同時也去除較為灰暗的在建區(qū)域(圖2(b)(c)紅色區(qū)域)。主要有2方面原因： ①在建建設用地紋理粗糙，瑣碎，易于與細小的植被混合；②部分在建建設用地的綠度因子值偏高,在建設過程中，不同的建設材料在綠波段呈現(xiàn)不同的反射率，會出現(xiàn)一些在建建設用地被錯誤劃分為植被的現(xiàn)象。仔細觀察圖2還可以看出，人工建設區(qū)域的提取結(jié)果比較瑣碎、不完整?；谝陨先毕?，根據(jù)公式(1)—(3)將圖像轉(zhuǎn)換到中性集中，并利用公式(4)—(8)對其進行增強運算，使得在建區(qū)域與植被之間的光譜差異增大，減少人工建設區(qū)域內(nèi)部的差異，并對其進行均值漂移聚類分析，進一步增大在建區(qū)域與植被之間紋理信息的區(qū)別，得到圖3所示的結(jié)果。

(a) 2009年5月18日(b) 2010年4月18日(c) 2013年4月25日

圖3 通過中性集增強、聚類的結(jié)果圖

Fig.3 Results after neutrosophic set enhancement and clustering by mean shift

從圖3可以看出，在建工地與公路以及建成的建筑物等人工建設區(qū)域都被標志成相近的亮粉紅色，陰影、河流以及裸地多呈藍色或者深灰色。目標地物與背景地物的區(qū)分更加突出，目標地物內(nèi)部之間的差異被削弱。由于綠度因子對大部分人工建設工地的識別效果較好(圖2),因此在圖2的基礎上，分別對圖3中各個子圖在R,G,B 3個波段設定經(jīng)驗值，即R>250，G<170，B>200。將識別的在建工地添加到圖2上，使提取的建筑區(qū)域干凈、整潔。最終針對3個時期遙感影像的提取結(jié)果在圖4中顯示。

(a) 2009年5月18日(b) 2010年4月18日(c) 2013年4月25日

圖4 人工建設區(qū)域提取的最終結(jié)果

Fig.4 Final results of artificial construction area detection

對比圖4與圖1中同時期的影像，可以看出大部分的人工建設區(qū)域均被準確地識別出來了。為了更好地驗證本文方法的可行性，結(jié)合實地勘察結(jié)果得到目標解譯圖像(圖5)，并將其作為真實情況，利用總體精度(overall accuracy)，召回率(recall)以及錯分誤差(commission)對圖4中的3期影像分別進行精度驗證。其中，總體精度衡量的是圖像中人工建設區(qū)域與非建設區(qū)域兩類地物分類正確的像元占整個圖像所有像元的百分比；召回率計算的是正確識別出是人工建設區(qū)域的像元占圖像中真實包含的人工建設區(qū)域像元的百分比；錯分誤差統(tǒng)計不屬于人工建設區(qū)域卻被錯誤劃分分為建設區(qū)的百分比。精度評價結(jié)果如表1所示。

(a) 2009年5月18日(b) 2010年4月18日(c) 2013年4月25日

圖5 人工建設區(qū)域目視解譯結(jié)果

Fig.5 Visual interpretation of artificial construction area

表1 人工建設區(qū)域提取精度評價Tab.1 Accuracy evaluation of artificial construction area detection (%)

從表1可以看出，3期影像的建設區(qū)域識別總體精度均在70%以上，召回率均在75%以上,錯分率均在35%以下，說明本文提出的建設區(qū)域識別方案對高分辨率航空影像具有較強的可行性。3期影像的總體精度呈遞減的趨勢，這是因為隨著時間的推移，影像呈現(xiàn)的地物類型越來越復雜。在2009年的影像中主要是剛剛開發(fā)的建設用地；2010年則既有建成的建筑物、道路，也有在建設的建筑物以及土路，而且在建工地占大部分；到了2013年，之前的土路部分都已經(jīng)建設成了街道和馬路。但是仍有部分裸地雖不屬于人工建設區(qū)域但也經(jīng)過人工改造，而且并不在感興趣的范圍內(nèi)，卻因為與人工建設區(qū)域有相似的光譜特征被誤識別了出來，這也是第3期影像的召回率最低，錯分率最高的原因。

為了更直觀地表達2009—2010年和2010—2013年之間北川新城發(fā)生的變化，分別以2010年和2013年的影像為底圖，結(jié)合基于像元的方法，對2個時間段之間的人工建設區(qū)域識別結(jié)果做變化檢測。由于2009—2010年期間在北川新城大面積動工，開發(fā)和建設新建筑，因此對2009—2010年之間的變化只檢測2010年新增的開發(fā)區(qū)域。而2010—2013年期間大部分工程竣工，還有少部分工程開工，對2010—2013年之間的變化既檢測減少區(qū)域(即竣工工程)也檢測新增區(qū)域(即新開發(fā)工程)。得到的2個變化檢測結(jié)果如圖6所示。

(a) 2009—2010年變化區(qū)域 (b) 2010—2013年變化區(qū)域

圖6 人工建設區(qū)域變化檢測結(jié)果

Fig.6 Change detection results of artificial construction area

從圖6可以看出，2009—2010年北川新城大面積擴張建設；2010—2013年期間，大部分工程都已經(jīng)竣工，而且還新開工了一部分工程。為了更直觀地表達北川新城在2009—2013年期間的建設強度，分別統(tǒng)計2009—2010年和2010—2013年期間的工程實施面積，結(jié)果如圖7所示。

結(jié)合圖6與圖7可以很清晰地看出，2009—2010年，新開工工程面積約1.09 km2，重點分布在北川新城的西北以及東南角。2010—2013年期間，竣工工程面積1.07 km2，占2009—2010年期間開工總面積的98.17%，主要分布于北川新城西北與西南方向，以新城居民安置房、主干道路和公用基礎設施為主；新開工工程面積約0.6 km2，位于北川新城東北和東南角處，主要為商用房地產(chǎn)。

圖7 工程占地面積統(tǒng)計Fig.7 Statistics of construction area

2009—2010年間是北川新城搞基礎設施建設的重點時期，2013年的竣工總面積與2009—2010年間新開發(fā)工程總面積基本持平，表明工程進展較快。對3 a提取結(jié)果的分析還可以發(fā)現(xiàn)，位于北川新城西南角的狹窄的河道至2013年也被拓寬、治理成齊整、規(guī)則的河流。北川新城的建設已經(jīng)基本完善，可以滿足當?shù)厝嗣裆a(chǎn)和安居的需求。

3 結(jié)論

本文提出的方法綜合利用中性集、均值漂移以及光譜閾值的概念，對在建建設區(qū)域影像進行增強處理，克服了在建建設區(qū)域紋理瑣碎、光譜信息易于與背景地物混淆的缺陷，提高了人工建設區(qū)域的識別精度。總體結(jié)論如下：

1)本文提出的方案有較高的識別精度，對震后北川新城的建設和發(fā)展監(jiān)測具有較高的可行性與可信度，彌補了建筑物識別領域?qū)υ诮ńㄔO區(qū)域研究的匱乏。

2)對2009—2013年間遙感影像進行的變化檢測發(fā)現(xiàn)，識別結(jié)果準確反映了《北川羌族自治縣新縣城總體規(guī)劃》提出的北川新縣城建設的2個階段[2]設想： 2008—2010年期間集中建設核心區(qū)(反映在大面積的在建區(qū)域以及大量的開建工程)；2011—2015年對北川新城拓展區(qū)進行建設(體現(xiàn)于大量工程的竣工，部分在建區(qū)域的開工，而且正位于北川新城邊緣的拓展區(qū))。2009—2010年間的開工工程在2010—2013年間約有98.17%的工程已完工，而且2010—2013年間又有0.6 km2的新開工工程面積。北川新城的基礎建設力度較大，而且進展迅速，為北川老城在地震中受災的人民提供了良好的生活保障和發(fā)展生產(chǎn)的條件。

3)本文的變化檢測結(jié)果表明，基于高分辨率遙感影像，采用中性集、均值漂移以及光譜閾值的方法識別在建區(qū)域具有一定的可靠性，可以客觀地反映區(qū)域的發(fā)展趨勢以及投資力度。

4)本文的研究方法雖然在在建設施信息提取中具有較好的精度，但仍有不少錯檢、漏檢現(xiàn)象。因此，如何更好地區(qū)分不同地物之間的光譜特性，并加入在建區(qū)域的紋理特征，進一步提高在建設施的識別精度，還需要開展更加深入的研究。

[1] 四川省綿陽市北川羌族自治縣.北川山東工業(yè)園區(qū)規(guī)劃[M].北川:[s.n.],2008. Beichuan Qiang Autonomous County,Mianyang City,Sichuan Province.Beichuan County，Shandong Province.Industrial Park Planning[M].Beichuan:[s.n.],2008.

[2] 四川省綿陽市北川羌族自治縣.北川羌族自治縣新縣城城市總體規(guī)劃(2008—2020)[M].北川:[s.n.],2008. Beichuan Qiang autonomous County,Mianyang City,Sichuan Province.The Overall Planning of New Beichuan Qiang Minority Autonomous County(2008—2020)[M].Beichuan:[s.n.],2008.

[3] Carreira P,Resendes S,Santos A C.Towards automatic conflict detection in home and building automation systems[J].Pervasive and Mobile Computing,2014,12:37-57.

[4] Sumer E,Turker M.An adaptive fuzzy-genetic algorithm approach for building detection using high-resolution satellite images[J].Computers,Environment and Urban Systems,2013,39:48-62.

[5] Tong X H,Lin X F,Feng T T,et al.Use of shadows for detection of earthquake-induced collapsed buildings in high-resolution satellite imagery[J].ISPRS Journal of Photogrammetry and Remote Sensing,2013,79:53-67.

[6] Xiao J,Gerke M,Vosselman G.Building extraction from oblique airborne imagery based on robust fa?ade detection[J].ISPRS Journal of Photogrammetry and Remote Sensing,2012,68:56-68.

[7] Kang C C,Wang W J,Kang C H.Image segmentation with complicated background by using seeded region growing[J].AEU - International Journal of Electronics and Communications,2012,66(9):767-771.

[8] Lopez-Molina C,De Baets B,Bustince H,et al.Multiscale edge detection based on Gaussian smoothing and edge tracking[J].Knowledge-Based Systems,2013,44:101-111.

[9] Shih F Y,Cheng S X.Automatic seeded region growing for color image segmentation[J].Image and Vision Computing,2005,23(10):877-886.

[10]Zareizadeh Z,Hasanzadeh R P R,Baghersalimi G.A recursive color image edge detection method using Green’s function approach[J].Optik - International Journal for Light and Electron Optics,2013,124(21):4847-4854.

[11]Loosvelt L,Peters J,Skriver H,et al.Random forests as a tool for estimating uncertainty at pixel-level in SAR image classification[J].International Journal of Applied Earth Observation and Geoinformation,2012,19:173-184.

[12]Mathanker S K,Weckler P R,Bowser T J,et al.AdaBoost classifiers for pecan defect classification[J].Computers and Electronics in Agriculture,2011,77(1):60-68.

[13]Qian X M,Tang Y Y,Yan Z,et al.ISABoost:A weak classifier inner structure adjusting based AdaBoost algorithm—ISABoost based application in scene categorization[J].Neurocomputing,2013,103:104-113.

[14]Waske B,van der Linden S,Oldenburg C,et al.ImageRF-A user-oriented implementation for remote sensing image analysis with random forests[J].Environmental Modelling & Software,2012,35:192-193.

[15]Ansari A Q,Biswas R,Aggarwal S.Neutrosophic classifier:An extension of fuzzy classifer[J].Applied Soft Computing,2013,13(1):563-573.

[16]Klaric M,Scott G,Chi-Ren S,et al.Automated object extraction through simplification of the differential morphological profile for high-resolution satellite imagery[C]//Proceedings of the 2005 IEEE International Geoscience and Remote Sensing Symposium.Seoul:IEEE,2005:1265-1268.

[17]Sengur A,Guo Y H.Color texture image segmentation based on neutrosophic set and wavelet transformation[J].Computer Vision and Image Understanding,2011,115(8):1134-1144.

[18]Wilkinson M H F,Soille P,Pesaresi M,et al.Concurrent computation of differential morphological profiles on giga-pixel images[M]//Soille P,Pesaresi M,Ouzounis G.Mathematical Morphology and Its Applications to Image and Signal Processing.Berlin Heidelberg:Springer,2011:331-342.

[19]Yan G R,Duan Z D,Ou J P,et al.Structural damage detection using residual forces based on wavelet transform[J].Mechanical Systems and Signal Processing,2010,24(1):224-239.

[20]Yger F,Rakotomamonjy A.Wavelet kernel learning[J].Pattern Recognition,2011,44(10-11):2614-2629.

[21]于博,牛錚,王力,等.一種基于中性集和均值漂移的彩色遙感圖像非監(jiān)督建筑物提取方法[J].光譜學與光譜分析,2013,33(4):1071-1075. Yu B,Niu Z,Wang L,et al.An unsupervised method of extracting constructions from color remote sensed image based on mean shift and neutrosophic set[J].Spectroscopy and Spectral Analysis,2013,33(4):1071-1075.

[22]Guo Y H,Cheng H D.New neutrosophic approach to image segmentation[J].Pattern Recognition,2009,42(5):587-595.

[23]Rivieccio U.Neutrosophic logics:Prospects and problems[J].Fuzzy Sets and Systems,2008,159(14):1860-1868.

[24]Allen J,Bhattacharya S.A short note on financial data set detection using neutrosophic probability[C]//Proceedings of the first international conference on Neutrosophy,neutrosophic logic,neutrosophic set,neutrosophic probability and statistics.Albuquerque,NM,USA:University of New Mexico,2002:75-80.

[25]Li B C,Guo Z G Wen C.Multi-level Fuzzy enhancement and edge extraction of images[J].Fuzzy Systems and Mathematics,2000,14(4):77-83.

[26]林輝,莫登奎,熊育久,等.高分辨率遙感圖像均值調(diào)整法分割技術研究[J].中南林學院學報:自然科學版,2006,26(4):85-88,95. Li H,Mo D K,Xiong Y J,et al.The method of segmenting high-resolution remote sensing images based on mean-shift[J].Journal of Central South Forestry University,2006,26(4):85-88,95.

[27]沈占鋒,駱劍承,胡曉東,等.高分辨率遙感影像多尺度均值漂移分割算法研究[J].武漢大學學報:信息科學版,2010,35(3):313-317. Shen Z F,Luo J C,Hu X D,et al.A mean shift multi-scale segmentation for high-resolution remote sensing images[J].Geomatics and Information Science of Wuhan Univers,2010,35(3):313-317.

[28]Sezgin M,Sankur B.Survey over image thresholding techniques and quantitative performance evaluation[J].Journal of Electronic Imaging,2004,13(1):146-168.

(責任編輯： 李瑜)

Analysis of built-up land detection in new Beichuan County based on neutrosophic set

YU Bo1,2, WANG Li1, NIU Zheng1

(1.TheStateKeyLaboratoryofRemoteSensingScience,InstituteofRemoteSensingandDigitalEarth,ChineseAcademyofScience,Beijing100101,China; 2.GraduateUniversityofChineseAcademyofSciences,Beijing100049,China)

The detection of built-up land, including buildings, roads, squares and other social service facilities, has been an effective method in monitoring developing speed of a specific area. The purpose of this paper is to find the methods suitable for monitoring and comparing the progress of constructing new Beichuan on the basis of high spatial resolution aerial images. Aimed at solving the problem of neglecting buildings under construction in built-up area detection, the method put forward by the authors successfully extracted constructions in process by synthesizing neutrosophic set, mean shift and green factor. Experiments show that the method is effective in detecting built-up areas from remote sensed images with high spatial resolution. An analysis of change detection of built-up area from the year 2009 to 2013 indicates that new Beichuan has accomplished 98.17% of the project area where the construction was started from 2009 to 2010. Moreover, from the year 2010 to 2013, new Beichuan started several projects which occupied an area of 0.6 km2. High developing rate makes it possible for new Beichuan to be able to guarantee the living environment for victims of the earthquake.

built-up area; new Beichuan; neutrosphic set; mean shift; high spatial resolution

2013-11-11；

2013-12-24

國家重點基礎研究發(fā)展規(guī)劃項目(編號： 2013CB733405，2010CB950603)、公益性行業(yè)(氣象)科研專項經(jīng)費(編號： GYHY201006042)、國家自然科學基金項目(編號： 41201345)及高分辨率對地觀測系統(tǒng)重大專項(編號： E0307/1112)共同資助。

10.6046/gtzyyg.2015.01.17

于博，王力，牛錚.基于中性集對北川羌族自治縣新城人工建設用地的識別[J].國土資源遙感，2015,27(1)：106-112.(Yu B,Wang L,Niu Z.Analysis of built-up land detection in new Beichuan County based on neutrosophic set[J].Remote Sensing for Land and Resources,2015,27(1)：106-112.)

TP 751.1

A

1001-070X(2015)01-0106-07

于博(1988-)，女，博士研究生，從事遙感圖像目標識別研究。Email: yubo@irsa.ac.cn。

牛錚(1965-)，男，北京人，研究員，從事遙感信息提取研究。Email: niuz@irsa.ac.cn。