城市不透水面遙感信息提取方法的比較研究

邊萬超，張辛佳，張 斌，顏洋洋，宋 瑜,2

(1. 杭州師范大學(xué)信息科學(xué)與技術(shù)學(xué)院，浙江 杭州 311121； 2. 浙江省城市濕地與區(qū)域變化研究重點實驗室，浙江 杭州 311121)

0 引言

近年來，隨著我國城市化進(jìn)程的加快和發(fā)展水平的不斷提高，不透水面所占的比例也顯著提高，并逐漸成為衡量城市化進(jìn)程的一個重要指標(biāo)[1].不透水面是指水體不能下滲至土壤的物質(zhì)，包括自然不透水面和人工不透水面(如道路、建筑物頂部、瀝青等水無法滲透的人工構(gòu)筑表面)[2]，其對城市的空間格局、生態(tài)建設(shè)等有著直接或間接的影響[3]，甚至?xí)璧K城市的可持續(xù)發(fā)展.隨著城市化過程中土地利用的顯著變化，大量耕地、未利用地等轉(zhuǎn)變?yōu)椴煌杆妫煌杆娌缓侠淼目臻g布局已被證明是城市內(nèi)澇和熱島現(xiàn)象的主要影響因素之一.因此，如何快速且有效地實現(xiàn)城市不透水面信息的提取具有十分重要的意義[4].

傳統(tǒng)獲取城市不透水面信息主要采用人工實地測繪的方法，具有很多的不足之處，比如需要耗費大量資金、數(shù)據(jù)更新的速度不夠快等.隨著衛(wèi)星對地觀測技術(shù)的快速發(fā)展，越來越多的學(xué)者提出遙感提取不透水面信息的新方法與新技術(shù)，如光譜混合分析法、指數(shù)法、決策樹模型、回歸模型及其他基于分類的方法等[5-7].眾所周知，遙感技術(shù)具有快速、大范圍、多尺度、可重復(fù)對地觀測等眾多優(yōu)勢，為高效準(zhǔn)確進(jìn)行不透水面空間分布信息的獲取和分析提供了良好的手段.本文擬重點對城市不透水面遙感提取中的指數(shù)法與監(jiān)督分類法進(jìn)行研究討論，對比分析不同方法提取的效果，并利用高分辨率影像進(jìn)行精度驗證，以期為不透水面信息的提取提供一種快速準(zhǔn)確的方法.

1 研究區(qū)概況與數(shù)據(jù)選取

1.1 研究區(qū)概況

圖1 研究區(qū)遙感影像圖Fig.1 Remote sensing image of study area

杭州市(118°21′—120°30′E，29°11′—30°33′N)地處浙江省北部，是浙江省的省會城市，也是浙江省的政治、經(jīng)濟(jì)和文化中心.杭州市屬于典型的亞熱帶季風(fēng)氣候，雨季雨量充足，又因為地勢低平、河湖眾多[8]，在自然和人文因素的雙重作用下，汛期時極易發(fā)生城市內(nèi)澇災(zāi)害.近年來隨著杭州市城市發(fā)展速度的加快，城市建成區(qū)不斷擴大，不透水面在整個城市中所占的比例也顯著增加，且夏季易受暴雨影響，因此對杭州市進(jìn)行城市不透水面的提取分析意義重大.本研究選取杭州市繞城高速所環(huán)繞的城市核心區(qū)為研究區(qū)域，其遙感影像如圖1所示.

1.2 數(shù)據(jù)源與圖像預(yù)處理

本研究所使用的數(shù)據(jù)主要包括：1)Landsat 8遙感影像數(shù)據(jù)，成像時間為2015年10月13日，用于后續(xù)的不透水面提取工作；2)杭州市中心城區(qū)的矢量數(shù)據(jù)，用于提取研究區(qū)的范圍；3)SPOT 6遙感影像數(shù)據(jù)，因其具有較高的分辨率，可用于不透水面提取效果的評價即精度驗證.

因研究所使用的遙感影像是Landsat 8 OLI/TIRS數(shù)據(jù)的L1T級產(chǎn)品，故需要進(jìn)行影像預(yù)處理工作，主要包括輻射定標(biāo)、大氣校正、影像裁剪.輻射定標(biāo)是為了將記錄的原始DN值轉(zhuǎn)換為表觀反射率，將圖像的亮度灰度值轉(zhuǎn)換為絕對輻射亮度；大氣校正是借助ENVI軟件中的FLAASH模塊完成的[9]，其目的是消除大氣和光照等因素對地物反射的影響；圖像裁剪主要借助杭州市中心城區(qū)的矢量數(shù)據(jù)來掩膜裁剪出遙感影像中的對應(yīng)范圍并以此作為本次研究的影像區(qū)域.

2 研究方法

2.1 指數(shù)法

2.1.1 歸一化差值不透水面指數(shù)(normalized difference impervious surface index, NDISI)

NDISI[10]是基于不透水面在熱紅外波段輻射率高、在近紅外波段反射率低的特征提出的，操作簡單方便，能夠讓不透水面信息與砂土和水體區(qū)別開來，其公式如下：

式中：ρT、ρNIR和ρSIR1分別是熱紅外波段、近紅外波段和中紅外1波段的反射率，各自對應(yīng)Landsat 8的第10、第5和第6波段；IM為改進(jìn)的歸一化差異水體指數(shù)(modified normalized difference water index, MNDWI)[11]，其計算公式為

式中，ρG是綠波段的反射率，對應(yīng)Landsat 8的第3波段.

2.1.2 增強型不透水面指數(shù)(enhanced normalized difference impervious surface index, ENDISI)

ENDISI指數(shù)是穆亞超等基于Landsat 8 OLI影像提出的一種新的增強型不透水面指數(shù)[12].但由于該指數(shù)對藍(lán)光波段的值進(jìn)行了擴大，使具有低反射率的水體通過差值運算也得到了一定程度的增強，從而對不透水面信息提取造成干擾.因此，本文在計算之前運用上文提及的MNDWI指數(shù)先去除影像中的水體部分.ENDISI指數(shù)的計算公式如下：

其中，ρB、ρR、ρNIR、ρSIR1和ρSIR2分別對應(yīng)Landsat 8第2、4、5、6和7波段的反射率.

2.1.3 城市建成區(qū)指數(shù)(build up area index, BUAI)

BUAI指數(shù)[13]由歸一化建筑指數(shù)(normalized difference build-up index, NDBI)和歸一化植被指數(shù)(normalized difference vegetation index, NDVI)構(gòu)建而成，其計算公式為B=NB-NV.由于NDBI與NDVI的值均在[-1，1]，所以BUAI的取值介于[-2，2].

2.1.4 生物物理成分指數(shù)(biophysical component index, BCI)

Deng等提出了BCI指數(shù)用于提取不透水面信息[14]，其指數(shù)由纓帽變換的3個分量構(gòu)成，計算公式為

其中，T1、T2、T3分別代表纓帽變換的亮度、綠度和濕度分量.該指數(shù)是根據(jù)亮的不透水面具有高的T1值，暗的不透水面具有高的T3值，而植被具有高T2值的原理構(gòu)建的.由于暗色不透水面易與水體混淆，因此在計算前也需要剔除影像中的水體部分.

2.2 監(jiān)督分類法

2.2.1 支持向量機(support vector machines, SVM)

SVM是一種建立在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上的機器學(xué)習(xí)方法[9]，可以自動尋找那些對分類有較大區(qū)分能力的支持向量，由此構(gòu)造出分類器，將類與類之間的間隔最大化，因而有較好的推廣性和較高的分類準(zhǔn)確率.SVM分類方法的一個突出優(yōu)點在于盡管只需要較少的訓(xùn)練樣本，但其分類結(jié)果的精度能保持在較高的水平[15].

2.2.2 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)指用計算機模擬人腦的結(jié)構(gòu)，用許多小的處理單元模擬生物的神經(jīng)元，用算法實現(xiàn)人腦的識別、記憶、思考過程，然后應(yīng)用于圖像分類[9].其特點是容錯能力較強，精度高于最大似然法等基于統(tǒng)計的分類方法[16].

2.3 不透水面提取精度驗證

分別采用上述的6種方法提取杭州市中心城區(qū)2015年的不透水面信息.其中4種指數(shù)方法在進(jìn)行波段運算后的取值范圍各不相同，需要設(shè)置合理閾值來進(jìn)行圖像分割，將各指數(shù)法計算得到的灰度圖轉(zhuǎn)化為不透水面與非不透水面的二值圖.閾值的設(shè)定直接影響到各指數(shù)法的提取精度，因此借助SPOT 6高分辨率遙感影像，通過人機交互不斷嘗試最終確定每種指數(shù)法的分割閾值[17].監(jiān)督分類的2種方法則在選取訓(xùn)練樣本執(zhí)行監(jiān)督分類后得到分類圖像，重點關(guān)注類別為不透水面.其后先隨機生成一定數(shù)量的驗證點，再借助高分辨率影像通過目視解譯來判斷各點是否為不透水面，建立混淆矩陣并計算總體分類精度和Kappa系數(shù)，由此來比較各個方法對不透水面的提取精度.

3 結(jié)果與分析

對于各指數(shù)法而言，除NDISI指數(shù)法外，另外3種均需要事先剔除水體.如圖2所示，各方法能夠?qū)τ跋裰械牟煌杆娈a(chǎn)生增強的效果.

本研究對各指數(shù)運算后的結(jié)果分別設(shè)定合理閾值進(jìn)行圖像分割，將計算得到的灰度圖轉(zhuǎn)化為只有不透水面與非不透水面的二值圖[18]，如圖3所示.

對于監(jiān)督分類方法來說，在完成感興趣區(qū)的選取(訓(xùn)練樣本的定義)之后再選擇合適的分類器即可完成不透水面信息提取.本研究主要基于3類地物——不透水面、植被、水體來選取感興趣區(qū)，最終得到的分類結(jié)果中也只包含此3種地物類型(圖4).結(jié)果發(fā)現(xiàn)：在研究區(qū)域的西南部山區(qū)部分，2種監(jiān)督分類方法的提取效果目視好于NDISI和ENDISI指數(shù)法，可能是因為在抑制植被信息和山體陰影的效果上具有一定優(yōu)勢.

(a)為對應(yīng)的局部Landsat 8影像假彩色合成圖； (b)、 (c)、 (d)、(e)分別為NDISI、ENDISI、BCI和BUAI指數(shù)法提取結(jié)果.

(a)為對應(yīng)的局部Landsat 8影像假彩色合成圖; (b)為神經(jīng)網(wǎng)絡(luò)分類法提取結(jié)果; (c)為支持向量機分類法提取結(jié)果.

隨后，基于研究區(qū)域內(nèi)隨機生成的200個驗證點，定量驗證各方法對不透水面信息的提取精度[12].對照2015年的SPOT 6高分辨率衛(wèi)星遙感影像數(shù)據(jù)，把具有高分辨率的遙感影像數(shù)據(jù)當(dāng)作真實情況，通過目視解譯人工判別各隨機驗證點所處位置是否為不透水面，同時對照所提取出的不透水面信息，建立混淆矩陣，分別計算上述6種方法對應(yīng)的提取不透水面的總體精度和Kappa系數(shù).由表1可見，各方法的提取精度有所差異，其中，BCI指數(shù)法的提取精度最高(Kappa系數(shù)為0.70)，其次為BUAI指數(shù)法(Kappa系數(shù)為0.69)，支持向量機、神經(jīng)網(wǎng)絡(luò)和ENDISI的Kappa系數(shù)分別為0.66、0.63和0.63，而NDISI的提取精度最低(Kappa系數(shù)為0.51).

表1 各方法提取精度評價結(jié)果Tab.1 Evaluation results of extraction accuracy

NDISI指數(shù)法提取不透水面的精度相較其他方法偏低，可能是因為本研究中所使用遙感影像數(shù)據(jù)的熱紅外波段分辨率較低[5].ENDISI指數(shù)法提取不透水面的精度高于NDISI指數(shù)法，但實際上它是針對西北干旱地區(qū)提取不透水面存在的局限性而提出的[11],因此雖然提取精度高于NDISI指數(shù)法，但在本研究區(qū)域相比其他方法，其精度表現(xiàn)較低.此外，BCI和BUAI指數(shù)法提取不透水面的精度較高，且這2種方法都對植被信息和山體陰影有很好的抑制效果，在本研究區(qū)域的西南部山區(qū)范圍內(nèi)，可以有效區(qū)分不透水面與植被、不透水面與山體陰影，而另幾種指數(shù)法都有很大程度的混淆情況.

對于支持向量機和神經(jīng)網(wǎng)絡(luò)這2種監(jiān)督分類方法，在選取了相同數(shù)量的不透水面訓(xùn)練樣本后，兩者提取不透水面的效果都不錯，其中支持向量機分類法的提取精度要優(yōu)于神經(jīng)網(wǎng)絡(luò)分類法，這也已被其他學(xué)者的研究[5,9]所證實.但這2種監(jiān)督分類方法的最終提取精度低于BCI和BUAI指數(shù)法，可能是因為選擇訓(xùn)練區(qū)時僅分了3類，并未做到很精細(xì).

總體來看，除NDISI指數(shù)法的Kappa系數(shù)小于0.6(表現(xiàn)為中等的一致性)外，其余幾種方法的Kappa系數(shù)都大于0.6，基本可以提取出本研究區(qū)域內(nèi)的不透水面.雖然指數(shù)法提取城市不透水面信息的操作快速便捷，但是由于指數(shù)法提取不透水面的思想是基于不同地物不同的光譜特征來構(gòu)造的[18]，所以“同物異譜”和“異物同譜”現(xiàn)象的存在會對不透水面的提取精度造成影響，例如不透水面與砂石裸地的光譜特征相似，因而在提取結(jié)果中極容易導(dǎo)致混淆[5].

4 結(jié)論與展望

本文以杭州市中心城區(qū)為研究區(qū)域，分別采用NDISI、ENDISI、BCI和BUAI指數(shù)法及支持向量機和神經(jīng)網(wǎng)絡(luò)分類法提取杭州市中心城區(qū)的不透水面信息.結(jié)果表明，6種方法均可以提取出研究區(qū)域內(nèi)的不透水面信息，但提取的效果各有差異.除NDISI指數(shù)法外，其余幾種方法計算得到的Kappa系數(shù)均表現(xiàn)為高度的一致性(0.6～0.8)，尤以BCI和BUAI指數(shù)法的提取效果最好，Kappa系數(shù)分別為0.70和0.69，可為有關(guān)部門快速、高效、大范圍地提取不透水面提供一定的參考.

本研究所涉及的幾種不透水面的提取方法仍存在提取的不透水面信息與陰影信息、裸地信息混淆的問題.未來可借助高光譜分辨率數(shù)據(jù)、有效的幾何紋理信息、適宜季節(jié)的影像數(shù)據(jù)、LiDAR數(shù)據(jù)等方法來改善遙感提取不透水面的精度.此外，本研究只涉及到光譜指數(shù)法與監(jiān)督分類方法，且僅在杭州市中心城區(qū)進(jìn)行了相關(guān)的實驗.在后續(xù)的研究中，可嘗試綜合使用多種方法如光譜混合分析法、決策樹模型和回歸模型等，且在更多的區(qū)域進(jìn)行推廣實驗以期得到較為系統(tǒng)的結(jié)論.