武漢市1991~2013年城市擴(kuò)張與地表覆蓋變化研究

孫安昌，陳 濤，張敘葭，牛瑞卿

（1.中國(guó)地質(zhì)大學(xué)（武漢）地球物理與空間信息學(xué)院，430074）

武漢市1991~2013年城市擴(kuò)張與地表覆蓋變化研究

孫安昌1，陳 濤1，張敘葭1，牛瑞卿1

（1.中國(guó)地質(zhì)大學(xué)（武漢）地球物理與空間信息學(xué)院，430074）

利用1991～2013年間6個(gè)時(shí)相的武漢市Landsat遙感數(shù)據(jù)，使用多端元光譜混合分析方法進(jìn)行混合像元分解，得到各時(shí)相的地表覆蓋豐度圖。根據(jù)豐度信息，計(jì)算土地變化動(dòng)態(tài)度與土地覆蓋變化強(qiáng)度，得到地表覆蓋變化情況，分析武漢地區(qū)城市擴(kuò)張與土地轉(zhuǎn)移特征。結(jié)果表明，武漢市主城區(qū)建設(shè)用地源自對(duì)城市外圍的綠地與內(nèi)部湖泊地區(qū)的侵占，湖泊與綠地面積總體呈下降趨勢(shì)。

城市擴(kuò)張；地表覆蓋變化；多端元光譜混合分析；武漢市；遙感

城市化過程將自然景觀轉(zhuǎn)化為建設(shè)用地，導(dǎo)致城市地表覆蓋物理特性變化迅速，造成城市內(nèi)部環(huán)境發(fā)生改變[1]。例如，建設(shè)用地的快速增長(zhǎng)會(huì)導(dǎo)致城市熱島效應(yīng)加劇[2-3]。衛(wèi)星遙感技術(shù)的發(fā)展為周期性大范圍城市變化監(jiān)測(cè)提供了支持[4]。對(duì)于中、低空間分辨率的衛(wèi)星影像，因城市地表復(fù)雜，場(chǎng)景中的部分地物小于影像像元的尺寸，不能被直接檢測(cè)[5]，傳感器獲取的不是單一地物的地表反射率，而是不同地物按照一定比例加權(quán)的總和，形成混合像元[6]。對(duì)于混合像元，使用傳統(tǒng)的圖像硬分類，直接將像元判為某一地物，必然會(huì)影響地物識(shí)別與圖像分類精度。

光譜混合分析（spectral mixture analysis，SMA）可將像元分解為不同的端元組分，求得其所占像元的百分含量，解決了傳統(tǒng)分類法對(duì)混合像元分析精度下降以及信息丟失的問題，得到更加準(zhǔn)確的結(jié)果[4]，可用于解決混合像元在土地分類中遇到的問題。SMALL采用線性光譜混合模型研究城市植被空間與時(shí)間變化[7-8]；LU等人運(yùn)用SMA技術(shù)提取城市不透水面，分類精度達(dá)到83．78%[9]。ROBERTS等人根據(jù)SMA提出了多端元光譜分解（multiple endmember spectral mixture analysis, MESMA），該方法通過調(diào)整端元數(shù)量，評(píng)估和選擇最優(yōu)端元組合，以動(dòng)態(tài)方式處理混合像元，被證明是一種更合理、精度更高的方法[6,10-13]。ROBERTS等人運(yùn)用MESMA分別對(duì)美國(guó)Los Angeles、巴西Manaus的TM圖像進(jìn)行城市土地覆蓋像元分解并測(cè)定城市形態(tài)物質(zhì)組成，結(jié)果表明MESMA在亞像元水平定量獲取地表信息是有效的[10,13]。

MESMA在分析城市地表成分上應(yīng)用廣泛，但少有使用該方法對(duì)基于時(shí)間序列的遙感影像進(jìn)行定性定量的地表覆蓋變化研究。本文以武漢市為例，使用6個(gè)時(shí)相的Landsat TM遙感影像，運(yùn)用MESMA進(jìn)行混合像元分解，通過分解結(jié)果獲取地表信息，以此驗(yàn)證該方法在多時(shí)相城市地表定量變化監(jiān)測(cè)中的應(yīng)用；同時(shí)分析總結(jié)武漢市近20 a來城市擴(kuò)張的特點(diǎn)，為城市發(fā)展與規(guī)劃提供參考。

1 研究區(qū)概況

武漢市位于江漢平原東部，長(zhǎng)江和漢水交匯處（113°41'E～115°05'E，29°50'N～31°22'N），市區(qū)總面積為8 494．41 km2，是我國(guó)中部地區(qū)第一大城市，也是重要的金融、商業(yè)、貿(mào)易、文化中心。武漢屬于亞熱帶季風(fēng)氣候，雨量充沛、四季分明；在地形上北高南低，屬于殘丘性河湖沖積平原，北部為山地丘陵，其余均屬江漢平原，地勢(shì)平坦、河道縱橫、湖泊星羅棋布。

2 數(shù)據(jù)獲取與預(yù)處理

2.1 數(shù)據(jù)準(zhǔn)備

本文使用的遙感數(shù)據(jù)為L(zhǎng)andsat影像，共6景（表1）；另外還有全國(guó)行政省、市（縣）邊界圖及其他相關(guān)資料，所用圖像處理軟件為Envi5．0。

表1 遙感數(shù)據(jù)介紹

2.2 數(shù)據(jù)預(yù)處理

本文使用的Landsat數(shù)據(jù)為L(zhǎng)1T級(jí)，已經(jīng)過輻射校正與幾何校正。在6景影像內(nèi)均勻選取同名像點(diǎn)進(jìn)行配準(zhǔn)，誤差控制在0．5個(gè)像素內(nèi)，并用矢量數(shù)據(jù)進(jìn)行裁剪。考慮到數(shù)據(jù)限制以及研究需求，僅選取武漢的主城區(qū)作為研究區(qū)域，即江岸區(qū)、江漢區(qū)、硚口區(qū)、漢陽(yáng)區(qū)、武昌區(qū)、青山區(qū)、洪山區(qū)。

圖1 研究區(qū)遙感影像縮略圖（Landsat8 R、Band4 G、Band3 B、Band2）

3 算法及模型

3.1 線性光譜混合模型

光譜混合分析是將混合像元表現(xiàn)為地表純凈端元光譜組合形式[4]。其常用線性光譜模型定義為：像元在某一光譜波段的反射率是由構(gòu)成像元基本組分的反射率及其所占像元面積比例為權(quán)重系數(shù)的線性組合?？捎靡韵鹿奖磉_(dá)：

其中，Riλ為第λ波段第i像元的反射率（已知）；N為端元數(shù)目；fi為對(duì)應(yīng)第i像元某一端元的豐度；ρiλ為各端元的反射率；ελ為殘余誤差值。

評(píng)價(jià)模型用殘差ελ或均方根誤差RMSE表示：

其中，M是傳感器波段數(shù)。

線性模型從混合像元中分離和提取各組分的平均光譜響應(yīng)，通過求解線性方程來反解端元在像元中所占的比例（豐度），從而將所有像元分解成這些基本組分的分量。模型計(jì)算的結(jié)果表現(xiàn)為各端元的分量值和以均方根誤差表示的殘余誤差圖像。

3.2 端元提取

端元必須準(zhǔn)確全面地代表地面材料（地表覆蓋類型）[15]。建立應(yīng)用于混合像元分解的端元光譜庫(kù)的挑戰(zhàn)是雙面的。首先，每類地物的光譜庫(kù)應(yīng)該包含足夠數(shù)量的光譜，這樣才能充分代表地面材料的光譜變化。然而，隨著端元總數(shù)的增加，又會(huì)導(dǎo)致計(jì)算效率下降[14]。為達(dá)到以上目的，更好地選擇出能夠代表土地覆蓋類別的端元，本文參考RIDD提出的概念[17]，結(jié)合研究區(qū)域的實(shí)際情況，定義端元類別為水體、植被、建設(shè)用地、裸地。具體說明如下：

1）水體包括江河湖泊、水田、漁場(chǎng)。

2）植被包括林地、草場(chǎng)、農(nóng)田。

3）建設(shè)用地包括所有建成的人工建筑、道路等。4）裸地包括土壤、未建成的建設(shè)用地。

3.3 最優(yōu)端元光譜篩選

將端元集制作成光譜庫(kù)，并通過參數(shù)EAR（endmember average RMSE）從庫(kù)中篩選出最優(yōu)端元光譜。EAR由DENNISON等在2003年提出[15]，該參數(shù)能夠評(píng)判出地表覆蓋類型中最具有代表性的端元。計(jì)算公式如下：

式中，A代表端元類別；n為類別A的光譜數(shù)量；Ai為具體的光譜。

EAR是用來評(píng)價(jià)每個(gè)端元模擬分解其地表類型能力的參數(shù)，用于衡量端元在該類別分解過程中的表現(xiàn)能力，不能用來衡量端元的純凈程度。EAR值較低的端元比EAR值較高的端元在分解過程中有更好的表現(xiàn)能力，即EAR值較低的端元是最能代表這一地物類別的端元。因此，篩選的最優(yōu)端元應(yīng)具有較低的EAR值?？紤]到數(shù)據(jù)空間分辨率和光譜分辨率的限制，以及研究中對(duì)研究區(qū)域影像的判讀和了解，不同時(shí)期數(shù)據(jù)中同一地表覆蓋類別所篩選的光譜數(shù)不相同。各端元光譜數(shù)量見表2。

表2 不同時(shí)相地表覆蓋模型數(shù)與像元成功分解比例

3.4 混合像元分解

本文根據(jù)線性光譜混合模型，采用雙端元模型，將像元分解為2個(gè)組分。增加一個(gè)端元個(gè)數(shù)雖然可以減少RMSE，但對(duì)結(jié)果的提升不大[15]。過多端元會(huì)造成端元之間光譜的混淆，隨著端元個(gè)數(shù)增加，模型數(shù)量也隨之增加，計(jì)算效率就會(huì)下降。雙端元即代表實(shí)際地物的端元光譜與考慮到傳感器照明的變化而加上的陰影（shade，SHD）端元。本次研究中，設(shè)置分解的RMSE小于 0．025，若RMSE大于該閾值，則劃為未識(shí)別區(qū)域。

3.5 地表信息參數(shù)

引入兩個(gè)地表信息參數(shù)：土地變化動(dòng)態(tài)度和土地覆蓋變化強(qiáng)度。

1）土地變化動(dòng)態(tài)度。土地變化動(dòng)態(tài)度公式如下：

式中，AV表示某土地利用類型的變化率；Aε和As分別表示前后兩個(gè)時(shí)相的面積，該面積為像元的豐度乘以該像元所代表的面積，T表示兩個(gè)時(shí)相的時(shí)間差（單位：年）。該系數(shù)能定量描述土地利用變化狀況，土地變化動(dòng)態(tài)度越大說明該地表覆蓋類別在相應(yīng)時(shí)間段內(nèi)的變化越劇烈。

2）土地覆蓋變化強(qiáng)度。參考MICHISHITA等人[16]的做法，引入土地覆蓋變化強(qiáng)度（LCCI）。土地覆蓋變化以像素為單位，反映了兩景影像時(shí)間內(nèi)每個(gè)土地類別每天的變化情況。公式如下：

式中，LCFt1和LCFt2為兩個(gè)時(shí)相的LCF圖；?t為兩個(gè)時(shí)相間隔的天數(shù)；A為像元所代表的面積，即900 m2，LCCI的單位為m2/day。

4 結(jié)果與討論

4.1 精度評(píng)價(jià)

分解成功像元所占影像的比例如表2所示。1991～2009年期間5個(gè)時(shí)相的數(shù)據(jù)分解成功的像元所占比例大于99%，2013年成功率為94．14%。圖2為1991年分解結(jié)果。

由于缺乏地表覆蓋豐度數(shù)據(jù)，無法從豐度上給出精度評(píng)價(jià)。因此，本文將每個(gè)地表覆蓋類別在影像上隨機(jī)選擇500個(gè)像元，計(jì)算得到1991～2013年混淆矩陣。結(jié)果表明，總體精度最高達(dá)到90%，最低為75%。這4個(gè)地表覆蓋類型中，裸地的混淆情況比較嚴(yán)重，在該光譜分辨率下裸地與某些建設(shè)用地的光譜相近。但總體而言，結(jié)果滿足進(jìn)一步研究需求。

圖2 分解結(jié)果示例（1991）

4.2 地表覆蓋變化分析

根據(jù)土地變化動(dòng)態(tài)度的計(jì)算結(jié)果（表3），從1991～2013年，研究區(qū)域內(nèi)建設(shè)用地面積增長(zhǎng)迅速，年均增長(zhǎng)率為4．36%，植被、水體以及裸地呈負(fù)增長(zhǎng)，變化率分別為-2．33%、-1．1%、-3．45%。

建設(shè)用地在1996～2000年變化最快，達(dá)到6．82%，隨后增長(zhǎng)速度放緩，2005～2009年在研究區(qū)域出現(xiàn)了負(fù)增長(zhǎng)，減少了1．69%。建設(shè)用地的整體變化率是所有土地類型中最大的，其快速增長(zhǎng)也反映了城市20多年來的迅猛發(fā)展。

在綠地面積減少的大趨勢(shì)下，2000～2005年變化率減小，僅為-0．74%；在2005～2009年，則有小幅度的上升。對(duì)比綠地與建設(shè)用地，變化相反且強(qiáng)度相對(duì)一致。

水體面積也呈下降趨勢(shì)，但在1996～2000年有明顯的恢復(fù)。經(jīng)查閱資料，武漢市為了經(jīng)濟(jì)發(fā)展，采取了“退耕還漁”的相關(guān)策略，養(yǎng)殖水面增加，導(dǎo)致湖泊也有較大增長(zhǎng)，這與曹麗琴[2]的研究結(jié)果一致。至2009年，水體面積與1996年基本持平，2009～2013年則降到更低。

裸地變化雜亂，其整體呈減少趨勢(shì)，但在1991～1996年和2005～2009年間又有明顯增長(zhǎng)。

表3 1991～2013年武漢主城區(qū)土地變化動(dòng)態(tài)度/%

4.3 城區(qū)擴(kuò)張與土地轉(zhuǎn)移分析

為了探究城市擴(kuò)張以及土地轉(zhuǎn)移的情況，本文提取研究區(qū)域2013年建設(shè)用地部分，并對(duì)其他影像進(jìn)行掩膜處理，制成時(shí)間序列的土地覆蓋豐度變化圖（圖3）。其中，紅色表示建設(shè)用地，綠色、藍(lán)色和灰色分別表示綠地、水體和裸地在2013年前轉(zhuǎn)換為建設(shè)用地的部分；地表覆蓋的豐度越高，對(duì)應(yīng)的顏色越深。

圖3 武漢主城區(qū)土地覆蓋豐度變化圖

該時(shí)間序列圖主要闡述了武漢地區(qū)建設(shè)用地的增長(zhǎng)模式以及土地來源。從空間上看，建設(shè)用地的擴(kuò)張是以武漢的地理中心逐層向外，以圈層式的結(jié)構(gòu)發(fā)展。漢口、漢陽(yáng)和武昌的擴(kuò)張?zhí)攸c(diǎn)各不相同（圖3a）。漢口地區(qū)依托老城區(qū)，呈弧線向西北地區(qū)逐層發(fā)展；漢陽(yáng)地區(qū)的變化緩慢，主要沿著長(zhǎng)江與漢江方向擴(kuò)張；武昌地區(qū)變化較大，在2009年以前，一方面向東擴(kuò)張，另一方面青山工業(yè)地區(qū)向南和武昌建成的老城區(qū)相連，2009～2013年向外圍郊區(qū)擴(kuò)張明顯。

建設(shè)用地?cái)U(kuò)張侵占了植被以及水體面積。對(duì)于圖中藍(lán)色被侵占的水體，主要為城市內(nèi)部湖泊，且存在于2005年以前，尤其是2000～2005年（圖3c、3d），大量藍(lán)色區(qū)域消失，填湖情況嚴(yán)重；但在2005年以后，建設(shè)用地對(duì)水體的侵占不明顯。

4.4 城市擴(kuò)張模式分析

根據(jù)土地覆蓋變化強(qiáng)度，將建設(shè)用地的發(fā)展分為兩種形式：一種是新建設(shè)用地的擴(kuò)張；另一種是城區(qū)內(nèi)的改造或再發(fā)展。新建設(shè)用地的開發(fā)是其他土地變化為建設(shè)用地的覆蓋類型，而再發(fā)展是將已有的建設(shè)用地進(jìn)行改造，造成其豐度變化。

由表4可以看出，建設(shè)用地變化最快的時(shí)間段為1996～2000年，植被、水體、裸地快速減少，其中植被和水體的變化強(qiáng)度在歷年中最大；1991～1996年和2009～2013年建設(shè)用地增長(zhǎng)速度適中，相應(yīng)的其他土地覆蓋變化強(qiáng)度為負(fù)，這3個(gè)時(shí)間段主要為新城區(qū)的擴(kuò)張。2000～2005年建設(shè)用地的變化強(qiáng)度僅次于1996～2000年，但植被和水體變化強(qiáng)度弱，即該段時(shí)間武漢城市的變化主要為城區(qū)內(nèi)的改造和再發(fā)展。在2005～2009年，建設(shè)用地的面積出現(xiàn)了負(fù)增長(zhǎng)，本文認(rèn)為這也與城市內(nèi)部的改造與再發(fā)展有關(guān)系。

表4 土地覆蓋變化強(qiáng)度表/m2/day

5 結(jié) 語

本文使用6個(gè)時(shí)相的武漢Landsat遙感影像為數(shù)據(jù)源，使用多端元光譜混合分析方法進(jìn)行雙端元模型的混合像元分解，得到結(jié)論如下：

1）通過目視解譯直接選取端元，使用EAR參數(shù)進(jìn)行端元光譜篩選，并采用雙端元模型進(jìn)行多端元光譜混合分析，成功提取了地表覆蓋類別與豐度信息，精度能夠滿足研究需求。根據(jù)結(jié)果計(jì)算土地利用動(dòng)態(tài)度與LCCI，繪制時(shí)間序列LCF圖與LCCI圖，將土地覆蓋類別、土地覆蓋豐度與空間信息相結(jié)合，較好地監(jiān)測(cè)并分析了1991～2013年武漢城市擴(kuò)張情況與特點(diǎn)。

2）1991～2013年這23 a中，武漢市主城區(qū)地表變化劇烈，建設(shè)用地城市區(qū)域擴(kuò)張明顯，植被和水體總體減少，裸地則隨年份不同變化較大。其中，建設(shè)用地和植被區(qū)域在2005～2009年分別減少和增加，水體在1996～2000年間也有增長(zhǎng)，這3個(gè)變化與整體趨勢(shì)相背。

3）武漢的城市擴(kuò)張以長(zhǎng)江與漢江的交匯處為中心，逐層向外以圈層式的結(jié)構(gòu)發(fā)展。在1991～2000年和2009～2013年主要為城市向外擴(kuò)張，在2000～2009年更多表現(xiàn)為內(nèi)部重建。漢口、漢陽(yáng)和武昌三鎮(zhèn)擴(kuò)張?zhí)攸c(diǎn)不同，漢口依托建成的老城區(qū)，呈弧線向西北地區(qū)逐層發(fā)展；漢陽(yáng)地區(qū)的變化緩慢，主要沿著長(zhǎng)江與漢江擴(kuò)張；武昌地區(qū)和青山地區(qū)逐漸發(fā)展相連，隨后沿東軸呈跳躍式增長(zhǎng)。參考文獻(xiàn)

[1] HUANG Wei, ZENG Yongnian,LI Songnian． An Ananlysis of Urban Expansion and Its Associated Thermal Characteristics Using Landsat Imagery [J]． Geocarto International, 2015(30):93-103

[2] 曹麗琴．城市熱環(huán)境及其影像因子的定量遙感研究[D]．武漢:武漢大學(xué),2009

[3] 陳濤,孫安昌,王鑫,等．基于遙感的武漢地區(qū)LUCC對(duì)熱島效應(yīng)的影響研究[J]．地理空間信息,2015,13(1):62-65

[4] 趙英時(shí)．遙感應(yīng)用分析原理與方法[M]．北京:科學(xué)出版社,2003

[5] ALAN H S, CURTIS E W, JAMES A S． On the Nature of Models in Remote Sensing [J]．Remote Sensing of Environment, 1986, 20(2): 121-139

[6] TAREK R, JOHN R W, DAR R, et al． Measuring the Physical Composition of Urban． Morphology Using Multiple Endmember Spectral Mixture Models[J]．Photogrammetric Engineering and Remote Sensing, 2003(69):1 011-1 020

[7] SMALL C． Multitemporal Analysis of Urban Reflectance [J]．Remote Sensing of Environment, 2002(81):427-442

[8] SMALL C． Estimation of Urban Vegetation Abundance by Spectral Mixture Analysis [J]． International Journal of Remote Sensing, 2001, 22(7):1 305-1 334

[9] LU Dengsheng, WENG Qihao． Urban Classification Using Full Spectral Information of Landsat ETM+Imagery in Marion County, Indiana [J]． Photogrammetric Engineering & Remote Sensing, 2005,71(11):1 275-1 284

[10] POWDLL R L,ROBERTS D A,DENNISON P E, et al． Subpixel Mapping of Urban Land Cover Using Multiple Endmember Spectral Mixture Analysis: Manaus, Brazil [J]． Remote Sensing of Environment, 2007(106):253-267

[11] WU C． Normalized Spectral Mixture Analysis for Monitoring Urban Composition Using ETM+Imagery [J] ．Remote Sensing of Environment, 2004(93): 480-492

[12] FRANKE J, ROBERTS D A, HALLIGAN K, et al．Hierarchical Multiple Endmembers Spectral Mixture Analysis (MESMA) of Hyperspectral Imagery for Urban Environments [J]．Remote Sensing of Environment,2009(113):1 712-1 723

[13] ROBERTS D A, GARDNER M, CHURCH R, et al．Mapping Chaparral in the Santa Monica Mountains Using Multiple Endmember Spectral Mixture Models [J]． Remote Sensing of Environment, 1998, 65(3): 267-279

[14] ROBERTS D A, NUMATA I, HOLMES K, et al． Large Area Mapping of Land-cover Change in Rondonia Using Multitemporal Spectral Mixture Analysis and Decision Tree Classifiers [J]． Journal of Geophysical Research Atmospheres, 2002, 107(D20): LBA 40-1-LBA 40-18

[15] DENNISON P E, ROBERTS D A． Endmember Selection for Multiple Endmember Spectral Mixture Analysis Using Endmember Average RMSE [J]． Remote Sensing of Environment, 2003(87):123-135

[16] RYO M, JIANG Zhiben, XU Bing． Monitoring Two Decades of Urbanization in the Poyang Lake Area, China Through Spectral Unmixing [J]．Remote Sensing of Environment, 2012(117):3-18

[17] RIDD M K． Exploring a V-I-S (vegetation-Impervious Surface-soil) Model for Urban Ecosystem Analysis Through Remote Sensing: Comparative Anatomy for Cities [J]．International Journal of Remote Sensing, 1995(16): 2 165-2 185

P273

B

1672-4623（2016）12-0033-04

10.3969/j.issn.1672-4623.2016.12.012

孫安昌，碩士研究生，研究方向?yàn)榄h(huán)境遙感、遙感地質(zhì)、高光譜遙感。

2015-08-10。

項(xiàng)目來源：國(guó)家高技術(shù)研究發(fā)展計(jì)劃資助項(xiàng)目（2012AA121303）；數(shù)字制圖與國(guó)土信息應(yīng)用工程國(guó)家測(cè)繪地理信息局重點(diǎn)實(shí)驗(yàn)室開放研究基金資助項(xiàng)目（GCWD201202）；湖北省自然科學(xué)基金資助項(xiàng)目（2012FFB06501）；長(zhǎng)江科學(xué)院開放研究基金資助項(xiàng)目 （CKWV2013221/KY）。