一种基于NDISI的复合权重波段双差值不透水面提取指数

针对现有遥感指数提取不透水面取结果中混有沙地、裸土等噪声的问题,本文在传统NDISI的形式基础上,提出一种新型的复合权重双差值不透水面指数（Composite-Weighted Double-Difference Impervious Surface Index, CWDDISI）。通过波段的2次差值扩大不透水面和裸地的光谱表现差距,并以植被指数和夜光灯数据作为约束权重,以此提高热红外波段中的不透水面信息比重的同时降低噪声地物的干扰。本文利用Landsat8 OLI-TIR、Landsat7 ETM⁺以及Sentinel-2A光谱数据,结合珞珈一号、DMSP-OL以及VIIRS/DNB夜光数据,选取广州市、西安市、咸阳市以及深圳市、北京市为实验区展开对比实验。研究结果：① CWDDISI具有很好的多区域适用性。在2018年的数据集上,相较于NDISI,CWDDISI在以山地为主的广州市试验区和以平原为主的西安市、咸阳市实验区中,其不透水面提取总精度分别提高了6.02%和7.56%,Kappa系数提高了0.078和0.104; ② CWDDISI具有很好的多时相数据适用性。实验选取2002年和2016年的Landsat7 ETM⁺多时相数据,以深圳市和北京市为实验区展开对比;相较于NDISI,CWDDISI的不透水面总精度分别提高了1.74%和2.13%,Kappa系数分别增加了0.028和0.076。通过实验对比结果可证明,CWDDISI能够克服传统不透水面指数难以区分不透水面信息和裸土区域的问题,为后续不透水面指数的研究提供参考价值。     

集成夜间灯光数据与Landsat TM影像的不透水面自动提取方法研究

利用多源遥感数据提取不透水面信息是一个重要的研究方向。针对以往研究中多需要人工选取不透水面样本进行模型训练的问题,本文通过整合夜间灯光遥感与Landsat TM影像中的空间和光谱信息实现了不透水面覆盖范围（Impervious Surface Area,ISA）的自动提取。首先根据夜间灯光的分布来定位ISA聚集的城市区域的位置,分别在城市区域内部和外部自动提取可靠性高的ISA及非ISA样本,然后通过迭代分类提取城市区域的ISA,再以此为样本对城市区域外部进行分类,最后将分类结果整合完成整幅影像的ISA提取流程。应用本方法对美国雪城地区的DMSP/OLS夜间灯光影像上提取了84个城市区域,提取精度大于95%。从中分别选择高ISA密度和低ISA密度的2个城市区域作为ISA提取的测试区,本文方法在城市区域内的ISA提取总体精度与kappa系数分别为88.23%和0.63;在城市区域外部为78.6%和0.54,均优于人工样本选取方法的提取精度,表明该方法能够实现精度稳定且高效的ISA自动提取。     

近20年京津唐地区不透水面变化的遥感监测

不透水面是衡量城市化程度的重要指标之一,对京津唐城市群的不透水面进行深入研究,可以量化城市群扩张过程及其影响,对该区域多城市协调发展及规划布局具有重要意义。本文结合高分辨遥感影像、生长季及落叶季的Landsat TM遥感影像和夜间灯光数据等,采用分类和回归树（Classification and rRegression Tree, CART）算法,构建了适于京津唐地区不透水面盖度提取的技术方案,获取了京津唐地区1995-2016年共5期地表不透水面盖度专题信息,并分析了地表不透水面的时空演变规律,结论为：① 适于京津唐地区不透水面盖度提取的CART算法的最佳输入变量组合为：生长季和落叶季的Landsat TM图像以及对应的夜间灯光数据;其次为生长季Landsat TM遥感图像和夜间灯光数据组合方案。利用该组合方案,ISP估算输出结果的交叉验证精度R值可以达到约0.85,可以满足地表不透水面纵向对比分析的需要。② 从地表不透水面总面积数量值来看,1995-2016年京津唐主体城市区域整体上呈增长趋势,其中2011-2016年地表不透水面积增加愈加明显;③ 从地表不透水面盖度值的高低来看,1995-2016年京津唐中、高盖度不透水面的占比都是在不断增长的,低盖度不透水面占比存在少量下降现象,且京、津、唐3城市的主体城区各阶段变化差异较大,反映出了各城市扩张具有各自不同的时空演变特征。     

基于深度学习模型的城市高分辨率遥感影像不透水面提取

不透水面是衡量城市生态环境状况的重要指标。城市土地利用的复杂性和不透水表面材料的多样性,导致直接从高分辨率遥感影像中提取不透水表面具有挑战性。针对城市尺度高分辨率遥感影像的不透水面提取要求,本文提出基于深度学习的城市不透水面提取模型。首先,利用深度卷积神经网络对影像特征进行提取;然后,根据其邻域关系构建概率图学习模型,进一步引入高阶语义信息对特征进行优化,实现不透水面的精确提取。本文选取武汉市为实验区,以高分二号卫星遥感影像作为数据源,完成了不透水面专题信息提取,其中自动提取准确率在建成区为89.02%、在城乡结合部为95.55%。与随机森林（RF）和支持向量机（SVM）等经典方法对比,结果表明深度学习不透水面提取方法有较高的提取精度和细节准确性,建成区的总体精度相比于RF和SVM算法分别提升2.18%和1.68%。最后,对武汉市各主要行政区不透水面信息进行统计和分析,结果表明其中江汉区和武昌区2个核心主城区不透水面占比超过60%,并对武汉市现状和发展规划特点进行了讨论。本文研究成果可为海绵城市和生态城市的建设提供基础技术支撑和数据参考。     

城乡不透水面增长格局及地表温度的响应特征研究

为探究中国北方中温带,特别是东北寒区快速城市化地区城乡不透水增长格局及地表温度的响应特征,本文以哈尔滨市为例,基于国家资源环境遥感时空信息平台土地利用/覆盖变化（LUCC）数据集解译的2001年与2015年城乡建设用地和Landsat 7/8数字遥感影像,结合植被-不透水面-土壤（V-I-S）端元选取和完全约束最小二乘混合像元线性分解模型进行了不透水面提取（分辨率15 m×15 m）,并运用单窗算法进行了夏季地表温度遥感反演。结果表明：2001-2015年建设用地扩张259.05 km²,不透水面上升163.96 km²,城市与乡村不透水面占各自建设用地的比例由2001年的43.92%、21.35%变化为2015年的49.14%、34.27%,城乡比例差由22.57%缩减至14.87%,单位建设用地内乡村不透水面增量较高;2001-2015年城区以低温区、中温区、高温区为主,对不透水面扩张的响应剧烈,而乡村以低温区和中温区为主,低温区和高温区响应剧烈;地表温度与不透水面具有显著正相关,在低、中、高不透水密度区分别升温1.16o、1.45和1.79 ℃,相同不透水面盖度下城市升温高于乡村。总体而言,研究区不透水面大幅扩张,温度分区变化剧烈,地表温度随不透水面增加升温效果明显。     

协同多时相波谱特征的不透水面信息级联提取

不透水面作为反应城市表征变化和区域城镇化的重要技术指标,其位置、图斑大小、空间分布等信息在地表水热循环和能量平衡等领域被广泛需求。传统方法大都基于单一时相信息提取不透水面,而忽略多时相所蕴含的丰富信息。因此,本文提出多时相信息融合的不透水面级联提取方法,利用Landsat-8 OLI遥感影像分析归一化植被指数（Normalized Difference Vegetation Index, NDVI）、改进的归一化水体指数（Modified Normalized Difference Water Index, MNDWI）和归一化建筑指数（Normalized Difference Building Index, NDBI）年内时序变化特点和典型地物间多时相波谱曲线的协同特征,并归纳不透水面多时相变化规律;再根据先验知识所获取的有效地表信息,进行多时相分级提取不透水面信息。此外,基于实地考察数据和同期2 m GF-1遥感影像屏幕数字化生成30 m不透水面图斑,进行精度验证、分析和对比单时相、四季相及多时相3种时序情况下的提取精度。结果表明：单时相提取不透水面总精度最低,四季相提取精度优于单时相,而多时相提取精度最高（精度可达93.66%,Kappa系数为0.81）。本方法在偏远城镇不透水面的有效识别中显露潜在优势,可为不透水面提取方法融合时序波谱特征提供新思路。     

基于GEE平台的广州市主城区不透水面时间序列提取

不透水面作为城市化水平以及城市环境的重要评价指标,其提取已经是当下的研究热点。与单时相影像相比,时间序列制图能够获取其准确的变化趋势,对于监测城市的快速发展具有重要意义。本文以广州市主城区为研究区,以Google Earth Engine平台为基础,利用2000-2017年的Landsat TOA影像计算BCI和NDVI,并通过自适应迭代法确定它们的阈值,从而提取初始的不透水面,然后进行时间一致性检验,使不透水面时间序列更加合理。研究结果表明:①BCI与NDVI的结合以及时间一致性检验能够提高不透水面的提取质量;②本文中不透水面提取的平均总体精度为90.4%,平均Kappa系数为0.812;③在2000-2017年广州市主城区不透水面面积增加近一倍,但增速有所放缓。④新增的不透水面主要集中在原本相对落后的主城区外围;⑤高程、道路密度和购物场所密度等是影响广州市主城区不透水面扩张的主要因素。     

福州市城市不透水面景观指数与城市热环境关系分析

城市化致使城市环境问题的产生,城市热环境问题就是其中之一。本文从不透水面方面研究对城市热环境的影响。根据福州市1989年和2001年LandsatTM/ETM+遥感影像数据,利用线性光谱分解法提取两时相不透水面信息,并离散化分级为中低、中、中高、高密度区4个区域,分别计算这4个区域的地表温度(LST)、归一化植被指数(NDVI),并进行相关性分析;根据阈值法和范围法分别计算不透水面的PD、AI、LPI等景观指数,结果表明:两时段内不透水面的面积有所增加,在高密度区增加明显;不透水面与地表温度的呈正相关,相关系数分别为0.66和0.71;不透水面景观指数对FISA敏感,景观指数整体的变化趋势与地表温度的变化趋势相一致,FISA值越大,温度越高,且各斑块的形状越来越复杂,空间的连续性越强;聚集度越高,人类活动也越强。     

基于Cubist模型树的城市不透水面百分比遥感估算模型

不透水面是城市区域中一种典型的土地覆盖类型,是衡量城市环境质量和城市化水平的重要标志之一。与传统基于像元级的遥感研究方法相比,不透水面百分比（Impervious Surface Percent,ISP）的估算可以进入像元内部,获得更准确的城市信息。本文应用Cubist模型树,对Landsat TM的原始波段变量（除热红外波段）,建立ISP估算的基础模型（Base Cubist-ISP）。通过基于模型树的集成学习优化算法和加入相邻时相影像的波段变量中值,以削弱噪声的影响。然后,优选热红外波段和各种衍生变量,并进行属性精简,继而应用集成学习算法得到的参数和精简后的变量建立ISP估算的优化模型（Optimal Cubist-ISP）。对广东省广州市海珠区的实验结果表明,Optimal Cubist-ISP模型估算不透水面的整体均方根误差（RMSE）为12.98%,决定系数（R²）为0.90,精度明显优于Base Cubist-ISP模型,RMSE降低约5.03%,ISP在透水面区域被高估和高密度不透水面区域被低估的现象得到改善。本文提出的基于Cubist模型树建立ISP遥感估算的模型及优化方法可以适用于城市区ISP的提取。     

基于高分二号卫星影像的城市不透水面提取

受到分类目标趋于多样化和影像因素复杂的影响,基于高分辨率遥感影像提取城市不透水面的方法普遍精度不高。本文旨在探索快速有效地利用高分辨率遥感影像提取不透水面方法。以梧州市高分二号遥感卫星影像为例,采用支持向量机方法应用于不透水面分类中。这种方法首先根据高斯核函数训练出样本空间,然后直接对经过HSL色彩空间变换后的影像进行分类,使得有效特征信息增加进而分类精度提高。实验结果证明了这种方法的有效性。     

基于地表通量特征的城市不透水表面定量热红外遥感反演

城市不透水地表格局通过改变城市下垫面结构,引起地表反照率、比辐射率、地表粗糙度的变化,从而对地表辐射和能量平衡产生直接影响。不透水地表能增强地表显热通量,导致地表波文比升高,因此地表波文比的空间差异可推算城市人工不透水表面的分布。本研究选择北京市为实验区,应用Landsat TM卫星热红外遥感数据,采用PCACA模型及理论定位算法,对城市地表波文比进行反演,进而计算遥感地表波文比空间分布数据与城市不透水表面比例数据之间的相关关系,构建回归方程,实现北京市城区与近郊区人工不透水表面百分比分布的定量估算,最后以高分辨率遥感数据获取的城市人工不透水表面比例数据进行结果验证。结果表明,采用PCACA模型定量反演城市地表波文比数据,利用地表波文比数据与不透水表面比例数据之间的相关关系可实现城市人工不透水表面百分比数据的定量估算;波文比值不仅可在遥感像元水平定性判定不透水像元,还可对混合像元中的不透水比例进行较高精度的定量反演,其相关系数R²值为0.731。此方法有效地揭示了城市不透水下垫面对地表热通量影响的机制以及空间定量关系。     

植被与不透水面的降温和增温效率分析方法

基于遥感的城市热环境研究通常通过分析植被、不透水面和地表温度（Land Surface Temperature, LST ）的关系来进行。虽然植被的降温作用和不透水面的增温作用已受到普遍认可,但缺少针对降温和增温效率的定量研究,本研究采用地表降温率（Land Surface Cooling Rate, LSCR）和地表增温率（Land Surface Warming Rate, LSWR）量化植被降温效率和不透水面增温效率并对2017年江苏省南京市城市热环境进行分析。以Landsat 8 OLI 4期遥感影像为数据源,利用线性光谱混合分析法（Linear Spectral Mixture Analysis,LSMA）获取亚像元植被覆盖度（Fractional Vegetation Coverage, FVC）、不透水面覆盖度（Impervious Surface Percentage, ISP）并利用高分Google影像进行精度验证。结合地表温度（Land Surface Temperature, LST）反演结果计算各季总体LSCR和LSWR,分析不同LST对总体LSCR和LSWR的影响。最后,将FVC和ISP分别按照阈值平均划分为4个区间,计算各区间的LSCR和LSWR,并在此基础上分析不同区间LSCR和LSWR的变化情况。研究结果表明： ① LST与整体LSCR、LSWR正相关,夏季植被降温效应和不透水面增温效应最强,LSCR和LSWR分别为5.6%和5.1%;② 夏季各区间LSCR与FVC正相关,FVC为75%~100%时LSCR达到最大值7.5%;各区间LSWR与ISP负相关,ISP为75%~100%时LSWR达到最小值2.4%;③ 当FVC为0~25%,ISP为75%~100%时,可以充分发挥植被的降温效应,抑制不透水面的增温效应,是最佳的植被和不透水面组合方案。本研究采用的LSCR和LSWR分析方法可以从抑制地表温度上升的角度选择最佳的FVC和ISP区间,未来可基于此横向对比不同城市,并结合纬度、地形、气候、树种等因素对LSCR和LSWR的影响,进一步探索LSCR和LSWR的影响因子和变化规律。     

秦淮河流域近30年不透水面景观格局时空演变研究

不透水面作为表征城市化的重要指标,具有极其重要的生态学意义。本文选取多时相Landsat影像,以秦淮河流域为研究区,通过旋转森林算法得到9年土地利用覆盖图,并综合不透水率动态变化分析、土地利用变化轨迹分析、景观格局指数分析探究大流域尺度在近30年间不透水面景观格局的演变过程,旨在揭示其在城市化背景下的时空演变规律。研究结果表明：近30年来,秦淮河流域城市化进程推动下的景观格局变化显著,不透水面积增长近4倍,景观优势度大幅提升;城市化格局演变在2001-2003年前后具有明显差异,前期城市扩张以南京城区与江宁区为主,后期南京城区不透水面扩张大大减缓,而溧水区与句容市扩张速度大幅提升;城市化建设后期,流域内不透水面斑块形状复杂度降低、散布与并列情况减少、斑块的连通性、聚集度逐步增加,其中连通性水平较高的地区主要集中在南京城区和江宁区。     

Improvement of Urban Impervious Surface Estimation in Shanghai Using Landsat7 ETM＋ Data

This paper explores the potential to improve the impervious surface estimation accuracy using a multi-stage approach on the basis of vegetation-impervious surface-soil (V-I-S) model. In the first stage of Spectral Mixture Analysis (SMA) process, pixel purity index, a quantitative index for defining endmember quality, and a 3-dimensional endmember selection method were applied to refining endmembers. In the second stage, instead of obtaining impervious surface fraction by adding high and low albedo fractions directly, a linear regression model was built between impervious surface and high/low albedo using a random sampling method. The urban impervious surface distribution in the urban central area of Shanghai was predicted by the linear regression model. Estimation accuracy of spectral mixture analysis and impervious surface fraction were assessed using root mean square (RMS) and color aerial photography respectively. In comparison with three different research methods, this improved estimation method has a higher overall accuracy than traditional Linear Spectral Mixture Analysis (LSMA) method and the normalized SMA model both in root mean square error (RMSE) and standard error (SE). However, the model has a tendency to overestimate the impervious surface distribution. Foundation item: Under the auspices of National Natural Science Foundation of China (No. 40701177)