任金華，吳紹華，2，周生路，林 晨

(1.南京大學地理與海洋科學學院，南京 210093;2.土壤與農業(yè)可持續(xù)發(fā)展國家重點實驗室/中國科學院南京土壤研究所，南京 210008;3.中國科學院南京地理與湖泊研究所，南京 210008)

城市不透水面遙感研究進展

任金華1，吳紹華1，2，周生路1，林 晨2，3

(1.南京大學地理與海洋科學學院，南京 210093;2.土壤與農業(yè)可持續(xù)發(fā)展國家重點實驗室/中國科學院南京土壤研究所，南京 210008;3.中國科學院南京地理與湖泊研究所，南京 210008)

不透水面作為衡量城市化程度和環(huán)境質量的重要指標之一，受到人類越來越多的關注。不透水面的大小、位置、幾何形狀、空間布局以及透水面與不透水面的比率，顯著影響了區(qū)域生態(tài)環(huán)境的變化。利用多種遙感數據和方法進行不透水面的提取和制圖已成為研究熱點之一。從傳統遙感方法、基于光譜與幾何特征方法、人工智能方法等方面總結了不透水面的遙感提取方法，介紹和評析了各種方法的原理、特點和應用范圍，并對未來城市不透水面的提取方法與應用進行了展望。

不透水面;遙感;數據融合;城市化

0 引言

隨著我國城市化進程的加快，作為城市化顯著特征之一的不透水面也在不斷增加，這將影響地區(qū)的生態(tài)環(huán)境，從而導致流域水文循環(huán)異常、非點源污染增加、城市熱島效應增強以及生物多樣性減少等問題的發(fā)生。廣義的不透水面(impervious surface area，ISA)是指天然或人為源，能夠隔離地表水滲透到土壤，進而改變洪水徑流的流動、物質沉淀和污染剖面的任何物質［1］。目前所研究的人工不透水面多指城市中的道路、停車場、廣場及屋頂等建筑物。衡量不透水面常用的不透水面指數(impervious surface area index，ISAI)是指單位面積內不透水面所占地表面積的比例，既可作為城市化程度的指標，也可作為衡量環(huán)境質量的指標之一［2］。

盡管國內外研究者對不透水面的研究很多，但對不透水面這一概念并沒有嚴格的定義和分類。Schueler［3］認為不透水面由建筑物頂部(如建筑和結構)和交通系統(如道路、地鐵和停車場)等2部分組成;Arnold和Gibbons［4］將不透水面定義為“任何阻擋水分流入土壤的物質”，不僅包括人工建筑物，還包括自然產生的物質(如堅硬的裸露基巖)。目前，大部分研究者都將道路、停車場及建筑物等研究對象作為城市不透水面。早期的不透水面研究方法較簡單，主要是結合地面測量的人工遙感解譯。隨著遙感技術的發(fā)展和數據的多元化，不透水面的遙感提取技術和精度也得到飛速發(fā)展和提高，多元回歸分析、分類回歸樹模型、光譜混合分析以及人工神經網絡模型等研究方法已廣泛應用于實踐。Slonecker等［1］將不透水面的遙感提取方法分為3類:解譯法、模型法和光譜法。Ridd［5］在1995年提出由城市生態(tài)環(huán)境組成的參數化概念模型(vegetationimpervious surface－soil，V －I－S)為提取不透水面提供了新視角。結合此模型進行的不透水面研究已成為近年來遙感研究的新熱點之一。

本文主要總結近年來不透水面的遙感分析方法，并在文獻［1］的基礎上，將不透水面遙感提取方法分為傳統方法、基于光譜與幾何特征方法以及人工智能方法，分析各類方法應用的特點及效果，展望不透水面遙感新技術的應用。

1 傳統的遙感方法

1.1 人工解譯法

人工解譯方法是人工通過目視來識別和分析不透水面的色調、紋理、大小、形狀、陰影和背景等信息，從而提取不透水面［6－7］。盡管該方法在提取不透水面的方法中結果最精確［8］，且可操作性強，但是解譯工作量大，同時主觀性強，還要結合GPS野外調查，費時費力，數據獲取難，應用范圍有限［2］。

1.2 多元回歸分析法

多元回歸分析法(multiple regression analysis)將不透水面作為一個連續(xù)變量，估測每一個像元中不透水面的比例［9］。該方法可避免因將一個含有一定變化范圍的不透水面的混合像元定義為單一類別所產生的誤差［9］。

Bauer等［9］采用1990和2000年的 TM/ETM 圖像，利用纓帽變換中不透水面指數與綠度值之間的負相關性，建立最小二乘回歸模型，以此估算明尼蘇達州不透水面的分布;但由于裸土和礦山的綠度值較低，再加上不透水面有樹冠遮蓋，導致模型估算精度不高。Sawaya等［10］在局部尺度上，應用樣本建立了基于IKONOS的歸一化植被指數(NDVI)與高分辨率數據提取的不透水面指數之間的回歸關系，然后利用NDVI進行逐一像元求算，取得了較好的效果;但由于高分辨率圖像上樹冠和建筑物陰影的NDVI值較低，使計算結果產生誤差。Lu等［11］利用從ETM+圖像上獲得的居民點數據集作為因變量，將美國國防氣象衛(wèi)星的線性業(yè)務掃描系統(DMSP－OLS)獲取的數據與MODIS NDVImax和人類居住指數作為自變量，建立回歸模型，進行中國南部人類居住地繪圖，并取得了較好的效果。

1.3 分類回歸樹模型法

分類回歸樹算法(classification and regression tree，CART)［12］作為決策樹算法的一種，通過連續(xù)二叉樹形式對數據集進行訓練，最終實現對離散目標變量的分類和連續(xù)目標變量的預測。該算法已經廣泛應用于不透水面的研究，基本思路是:首先利用高分辨率遙感數據(如IKONOS)獲取不透水面估算的訓練樣本;然后通過CART算法建立回歸預測模型;最后利用中等分辨率遙感數據(如TM)進行大面積不透水面的估算和制圖［13－14］。

Xian［15］采用0.3 m 空間分辨率的正射圖像和中等分辨率的ETM+圖像應用上述方法分別對西雅圖塔科馬地區(qū)和拉斯維加斯山谷區(qū)進行不透水面提取。其中，前一地區(qū)提取結果的精度更高，而后一地區(qū)因存在較多裸露的巖石和土壤，提取結果有一定誤差。張路等［12］利用 IKONOS，SPOT5，CBERS02 和ETM+遙感圖像對深圳城區(qū)進行了不透水面的提取，研究發(fā)現近紅外波段對估算精度的影響最大，使用全部波段要比使用單一波段或部分波段的組合得到的結果精度更高?；诠鈱W遙感數據進行不透水面估算時，其預測模型得到的結果在實際不透水面分布范圍的兩端分別存在著高估和低估的現象［12］。江利明等［16］嘗試利用InSAR數據進行的研究表明，干涉雷達在這方面具有一定潛力，特別是在裸土和稀疏植被的估算方面要優(yōu)于光學遙感。

CART方法也有局限性，作為弱學習算法，對數據噪聲和訓練樣本誤差具有敏感性，對不均衡樣本的欠學習能力也限制了其精度的進一步提高。廖明生［17］將Boosting技術引入該方法，進一步提高了不透水面估算的精度。另外，CART提取精度取決于訓練樣本面積的大小:當訓練樣本面積足夠大時，獲得的結果較好;當樣本面積較小時，結果并不穩(wěn)定［18］。

2 基于光譜與幾何特征的遙感方法

2.1 線性光譜混合模型法

線性光譜混合模型(linear spectral mixture analysis，LSMA)［19］中像元在某波段的反射率是由構成像元基本組分的反射率以其所占像元面積比例為權重系數的線性組合。將V－I－S模型與具有明確物理意義的線性光譜混合模型相結合，估算城市地表各組分覆蓋度，已成為近年來遙感研究的熱點之一［20－21］。Wu 和 Murray［20］研究發(fā)現不透水面與高反照率(如混凝土和砂)和低反照率(如瀝青)地物密切相關，利用遙感圖像提取不透水面能夠滿足精度要求。

該模型算法簡單、計算方便，在不透水面的研究中得到廣泛應用。潘竟虎等［22］利用該方法對蘭州市中心城區(qū)不透水面進行遙感估算，發(fā)現利用高反照率或低反照率地物為最終光譜端元時，能很好地表達城市不透水面信息。岳文澤等［23］對上海市不透水面分布進行估算時也得到相同的結論。袁超等［24］采用LSMA模型，對北京城區(qū)不透水面進行空間分析，并與同期 SPOT5對比驗證，決策系數為0.932，均方根誤差為0.086，結果令人滿意。應用LSMA模型研究城市環(huán)境生物物理組成時，端元的確定是關鍵，端元的光譜變異對LSMA模型擬合結果產生重要影響［25］。周紀等［25］提出了一種基于光譜相似性的端元優(yōu)化選取方法，可有效減小同種純凈地物由于光譜變異性導致的模型擬合誤差，但仍然存在人為影響因素。Roberts等［26］提出了多重端元光譜混合模型，Rashed等［27］應用該模型進行不透水面的提取，發(fā)現該模型在異質性顯著的城市地區(qū)有很大的應用潛力。

但應用LSMA方法有一個共同的問題，即往往低估了不透水面指數較低的地區(qū)，而高估了不透水面指數較高的地區(qū)，這主要是因為中等分辨率圖像在空間分辨率和光譜分辨率上都存在局限性［28］。Lu和Weng［29］提出了3種方法解決這一問題:①分層;②使用多重端元;③利用高光譜影像。Weng和Hu［28］利用高光譜影像進行不透水面的提取，并比較不同端元組合的提取精度，結果發(fā)現:高反照率、低反照率、植被和土壤等4種端元的組合能夠產生令人滿意的結果;4種端元中任意3種端元的某些組合也可獲得殘差較小的圖像。

2.2 面向對象的方法

面向對象方法(object based image analysis，OBIA)［30］以影像對象為單位，利用影像對象的光譜信息及真實地物的形狀特征和鄰近關系特征，引入模糊邏輯規(guī)則對分類對象進行描述，使易混淆的地物便于識別與提取，從而提高圖像不透水面信息的提取精度。這種方法避免了基于像元的傳統處理方法在處理高分辨率遙感圖像時所產生的“椒鹽”現象，目前廣泛應用于遙感土地利用分類［30－31］。

李彩麗［30］等利用南京 IKONOS影像，采用OBIA方法提取了不透水面信息，初步解決了陰影歸類和剔除遮蓋不透水面的植被等問題，提高了不透水面信息的提取精度。孫志英等［31］也以南京市為例，采用10m空間分辨率的SPOT5影像，以多尺度分割和面向對象分類方法實現城市地表不透水信息的快速提取。由于分割尺度在面向對象分類法中占有重要地位，因此如何根據不同地物的空間信息和背景信息，劃分最適宜的分割尺度，成為該方法提取精度的直接影響因素之一［32］。Zhou 和 Wang［33］提出多個代理分割和分類的方法，并對不透水面進行提取。Hu和Weng［34］提出面向對象的模糊分類方法，并使用多光譜IKONOS影像對美國印第安納波利斯涵蓋住宅和中央商務區(qū)的不透水面進行提取，其中模糊分類規(guī)則是根據光譜、空間和紋理進行的信息提取方法;結果表明住宅區(qū)的提取精度達95%，中央商務區(qū)的精度達92%。Yu等［35］基于面向對象二階段方法的休斯頓市區(qū)景觀結構調查的精度達94.1%。OBIA方法還適用于大尺度遙感影像，如Verbeeck等［36］利用 QuickBird影像提取住宅小區(qū)內的道路、屋頂等不透水面，雖然由于陰影的誤差導致結果并不理想，但該研究提供了一種易于使用的市區(qū)高分辨率地圖的生成方法。

面向對象分類方法對于光譜特征相似而地物類型不同的影像對象，可以利用地物的紋理、形狀、鄰域信息輕松地進行區(qū)分，能夠構建多尺度網絡層次，為分類提供上下文拓撲關系信息，有利于進一步準確、精細地提?。?1］。

3 基于人工智能的遙感方法

人工智能算法已成為遙感圖像處理的研究熱點之一。人工神經網絡模型、支持向量機及隨機森林［37］等方法已經應用于不透水面的研究，其中前兩者應用較廣泛。

3.1 人工神經網絡模型

人工神經網絡(artificial neural network，ANN)模型是模擬因變量與自變量之間復雜的、非線性關系的計算機程序方法，不需要事先假定輸入和輸出參數之間關系的性質和原始數據的轉化［38］，只需要較少的訓練樣本［39］。目前，多種類型的人工神經網絡模型已應用于土地利用和不透水面的提取，其中應用最廣泛的是多層感知神經網絡(multi－layer perceptron neural network，MLP)模型和自組織神經網絡(self－organizing map neural network，SOM)模型。

MLP模型一般由1個輸入層、1～2個中間層和1個輸出層組成，中間層的數目和節(jié)點數量并不固定，需要依據具體情況進行確定。學習算法是ANN模型成功的關鍵，BP神經網絡算法是應用最廣泛的一種［40］。Mohapatra等［41］選擇一個3 層網絡進行高分辨率影像的亞像元分類，通過創(chuàng)建活化水平圖像來提取不透水面;該結果與通過彩色航空影像數字化后得到的真實不透水面相比，具有較高的相似水平。MLP模型訓練樣本的選擇很重要，結果精度的高低與樣本密不可分，所以樣本的選擇應考慮到像元內端元的各種組成情況，使其具有代表性［42］。Chormanski等［43］使用高分辨率的 IKONOS影像進行部分地區(qū)的土地利用分類，形成訓練樣本，然后對中等分辨率的ETM+圖像進行不透水面的提取。Weng等［40］對該方法和線性光譜混合模型方法進行比較，分類結果顯示ANN更具優(yōu)越性，主要是因為其處理非線性混合光譜影像的能力較強;但該方法也有局限性:首先是由于中間層節(jié)點的數目決定了系統的復雜性，顯著影響了分類精度和訓練時間，盡管已有人提出一些確定中間層恰當節(jié)點數目的方法，但都沒有被普遍接受［44］;第二是上文已經述及的訓練樣本選取問題;第三則是BP算法的學習過程需要耗費大量時間［45］。

基于Kohonen的SOM模型是一個2層網絡，一個輸入層，一個輸出層(又稱Kohonen層或競爭層)。該方法基于競爭學習原理［46］，2層內的所有神經元都與另一層相連，競爭層的所有神經元通過競爭得到激活，這種有效地競爭和抑制，使得自適應的學習能力得到提高［47］。SOM目前在不透水面提取與土地覆被分類方面的應用不如MLP廣泛，但具有較大潛力，很多研究者對這2種方法進行了比較。Ji等［48］同時應用 Kohonen自組織特征圖(kohonen self－organizing feature map，KSOFM)和 MLP 進行像元尺度上的土地利用分類，結果表明SOM是一種替代MLP進行土地利用分類的可行方法。Lee和Lathrop［49］利用ETM+圖像進行亞像元尺度的城市土地覆被提取，發(fā)現SOM比MLP具有一些優(yōu)勢。Hu和Weng［44］將SOM和MLP這2種方法同時應用于不透水面提取，研究發(fā)現SOM方法更具優(yōu)勢，尤其是住宅區(qū)的提取精度更高，表明SOM比MLP更善于處理混合像元問題，而商業(yè)區(qū)由于陰影導致提取結果具有較大誤差，顯示這2種算法均不能較好地解決陰影問題。

3.2 支持向量機

支持向量機(support vector machine，SVM)［50］是一種相對較新的智能分類方法，該方法根據結構風險最小化準則，在使訓練樣本分類誤差極小化的前提下，盡量提高分類器的泛化推廣能力，具有強大的非線性和高維處理能力，算法復雜度與樣本維數無關，只取決于支持向量的個數。與其他學習算法相比，SVM方法快速準確，且在小樣本限制下具有很好的泛化能力，適用于地面樣本獲取難度較大的大區(qū)域不透水面覆蓋率(impervious surface percentage，ISP)的制圖［51］。

目前該方法已經應用于不透水面的提取。Zhang等［52］采用Landsat圖像進行南京城區(qū)不透水面的繪圖，應用最小二乘支持向量機方法獲得結果的均方根誤差為0.106，優(yōu)于使用線性光譜混合方法獲取的結果。程熙等［51］對天津市主城區(qū)的TM圖像進行不透水面估算，研究結果表明:SVM模型能夠擬合各像元光譜組分間的非線性關系且具有較好的小樣本泛化性能，適用于地面樣本較少的大區(qū)域ISP制圖;增加與ISP相關性大的光譜特征向量作為SVM輸入，能夠提供更多的區(qū)域地物空間分布信息，還能夠調整無樣本的地表類型ISP估算值，從而提高區(qū)域ISP估算的整體精度。

4 多源數據的融合

數據融合［53］包括不同傳感器數據的融合，也包括不同分辨率和不同時相數據的融合。融合圖像具有豐富的信息，與單一圖像數據相比，融合圖像提高了信息質量，從而使得信息處理(如分類)得到更高的精度。

Zhang和Maxwell［54］采用了融合的 TM 和 SPOT Pan圖像進行小尺度城市屋頂制圖，并采用了融合的QuickBird Pan和MS圖像進行中尺度城市屋頂的制圖，結果顯示數據融合對制圖結果的精度提高有顯著意義。Lu等［55］利用多時相的 Landsat圖像分別采用不同方法從像元和亞象元尺度進行城鄉(xiāng)結合區(qū)復雜不透水面的檢測，并利用QuickBird影像對獲取的結果進行糾正，有效減少了混合像元引起的誤差，提高了提取精度。肖榮波等［56］利用不同分辨率、不同季節(jié)的TM/ETM+和QuickBird遙感數據進行北京市中心城區(qū)不透水面指數的估算，結果表明不同時相的遙感圖像可以挖掘地物在不同時期的光譜差異，從而提高圖像的分類精度。

雷達數據因數據空間分辨率高、處理時間短和成本低而得到越來越多的應用。與其他遙感數據相比，雷達數據僅僅著重于地物的幾何特征，能夠準確捕捉地物的絕對高程，尤其適用于建筑物的提?。?7］。Yu 等［35］結合激光雷達(LiDAR)數據和彩色紅外航空圖像，使用面向對象二階段方法對休斯頓市區(qū)景觀結構進行詳細調查，并進一步將不透水面分為高樓、高層建筑、普通樓房、街道、公路及休憩用地等對象，總體分類精度高達94.1%。

許多研究證明使用雷達數據和光譜數據的融合可以提高不透水面的提取精度。Hodgson等［58］利用融合航空正射影像和LiDAR數據形成的數據集，采用多種方法對城市地塊進行不透水面制圖，結果發(fā)現LiDAR數據中的地物高度信息促進了所有方法中不透水面的提取精度。江利明等［16］融合光學SPOT遙感數據和合成孔徑雷達(SAR)干涉數據進行香港九龍和港島市區(qū)的不透水面預測，與這2種數據的單獨使用相比，取得了更好的結果。但SAR影像存在相干斑噪聲和側視成像方式(即具有較低的空間分辨率)等缺點，影響了雷達遙感的不透水面指數的估算精度，這需要在以后的研究中進一步提高。

Lu等［59］通過融合TM和雷達數據對不透水面進行制圖，研究在不同空間分辨率和波長下雷達數據所起的作用。研究顯示:不同數據融合能提高空間分辨率和繪制不透水面分布空間模式的準確性，但對增強統計面積的精度并無顯著作用;不同波長的雷達數據的應用結果并沒有顯著不同。因此雷達數據的主要作用在于降低混合像素的影響，從而提高不透水面空間格局分布制圖的準確性。

5 結論與展望

隨著遙感技術的迅速發(fā)展，不透水面問題得到廣泛關注和研究，多源數據和各種研究方法的應用使得不透水面提取精度得到提高;但研究方法都有其局限性，數據融合優(yōu)勢仍沒有得到充分發(fā)揮，目前該領域研究焦點主要集中在利用中等分辨率遙感圖像進行不透水面的制圖、遠程傳感器的優(yōu)勢和局限性等方面。筆者認為，今后的不透水面研究主要應從以下4個方面展開:

1)遙感提取方法的改進。改進傳統方法，研究應用新方法，進一步提高城市不透水面遙感信息提取精度。傳統不透水面遙感信息提取方法的結果精度不高，如建筑物和行道樹的陰影降低了不透水面的解譯精度。去除陰影是目前遙感影像解譯中的難題之一，因此改進傳統方法和研究應用新方法(如各種智能算法)將成為重點。

2)多源遙感數據的有效應用。中、高等分辨率遙感融合數據將成為提取不透水面的主要數據源。因中等分辨率的遙感數據分類精度不夠，而單獨使用高分辨率數據費時費力，因此融合中、高等分辨率數據，發(fā)揮各自的優(yōu)勢將成為不透水面提取的重要途徑。融合不同傳感器、不同分辨率和不同時相的數據，合理結合、取長補短，能夠顯著提高不透水面的提取精度。雷達數據鑒別人造結構時具有強大的實用性，尤其識別地物幾何特征方面的優(yōu)勢特別適用于對建筑結構和道路信息的提取。

3)海量不透水面遙感數據庫的建立。如今影像數據與光譜數據往往獨立存在，這樣割裂的數據形式增加了研究者使用的困難，需要結合計算機與GIS技術，以空間數據庫的形式進行集成和管理。如何建立完整的不透水面空間數據庫，以便進行該領域的深入研究，是今后需要加強的方面。

4)不透水面研究領域的擴展和加深。不透水面作為城市化程度的標志，與城市生態(tài)環(huán)境有密切的聯系。城市碳循環(huán)、城市熱島效應、城市水文變化、非點源污染、生物多樣性減少等熱點問題均與不透水面的增加存在較強的因果關系。盡管國內外研究者對這些問題已經做了研究，但主要還是側重于現象表征，對不透水面與城市環(huán)境問題發(fā)生、發(fā)展的過程機理需要進一步加強研究。因此，利用遙感結合其他學科技術方法，研究不透水面和城市生態(tài)環(huán)境問題是未來發(fā)展的重要方向。

綜上所述，隨著多源遙感數據融合的使用和不透水面提取技術的發(fā)展，不透水面提取精度將進一步提高，這必將促進與之相關的城市生態(tài)環(huán)境問題研究的深入，從而為人類居住環(huán)境的改善作出貢獻。

［1］Slonecker E T，Jennings D，Garofalo D.Remote Sensing of Impervious Surfaces:A Review［J］.Remote Sensing Reviews，2001，20(3):227－255.

［2］劉珍環(huán)，王仰麟，彭 建.不透水表面遙感監(jiān)測及其應用研究進展［J］.地理科學進展，2010，29(9):1143 －1152.Liu Z H，Wang Y L，Peng J.Remote Sensing of Impervious Surface and Its Applications:A Review［J］.Progress in Geography，2010，29(9):1143－1152(in Chinese with English Abstract).

［3］Schueler T R.The Importance of Imperviousness［J］.Watershed Protection Techniques，1994，1(3):100 －111.

［4］Arnold C L，Gibbons C J.Impervious Surface Coverage:The Emergence of a Key Environmental Indicator［J］.Journal of the American Planning Association，1996，62(2):243 －258.

［5］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(12):2165 －2185.

［6］Phinn S，Stanford M，Scarth P，et al.Monitoring the Composition of Urban Environments Based on the Vegetation－impervious Surface－ soil(VIS)Model by Subpixel Analysis Techniques［J］.International Journal of Remote Sensing，2002，23(20):4131 －4153.

［7］李偉峰，歐陽志云，陳求穩(wěn)，等.基于遙感信息的北京硬化地表格局特征研究［J］.遙感學報，2008，12(4):603 －612.Li W F，Ouyang Z Y，Chen Q W，et al.Study on the Spatial Pattern of Impervious Surface Using Remote Sensing Data Within the Urban Area of Beijing［J］.Journal of Remote Sensing，2008，12(4):603－612(in Chinese with English Abstract).

［8］Mohapatra R P，Wu C S.High Resolution Impervious Surface Estimation:An Integration of IKONOS and Landsat－7 ETM Imagery［J］.Photogrammetric Engineering and Remote Sensing，2010，76(12):1329－1341.

［9］Bauer M E，Loffelholz B C，Wilson B.Estimating and Mapping Impervious Surface Area by Regression Analysis of Landsat Imagery［M］//Weng Q.Remote Sensing of Impervious Surfaces.Boca Raton，FL:CRC Press，2007.

［10］Sawaya K E，Olmanson L G，Heinert N J，et al.Extending Satellite Remote Sensing to Local Scales:Land and Water Resource Monitoring Using High － resolution Imagery［J］.Remote Sensing of Environment，2003，88(1/2):144 － 156.

［11］Lu D S，Tian H Q，Zhou G M，et al.Regional Mapping of Human Settlements in Southeastern China with Multisensor Remotely Sensed Data［J］.Remote Sensing of Environment，2008，112(9):3668－3679.

［12］張 路，高志宏，廖明生，等.利用多源遙感數據進行城市不透水面覆蓋度估算［J］.武漢大學學報，2010，35(10):1212－1216.Zhang L，Gao Z H，Liao M S，et al.Estimating Urban Impervious Surface Percentage with Multi－ source Remote Sensing Data［J］.Geomatics and Information Science of Wuhan University，2010，35(10):1212－1216(in Chinese with English Abstract).

［13］Yang L M，Huang C Q，Homer C G，et al.An Approach for Mapping Large－area Impervious Surfaces:Synergistic Use of Landsat－7 ETM+and High Spatial Resolution Imagery［J］.Canadian Journal of Remote Sensing，2003，29(2):230 －240.

［14］李 倩，李彩麗，芮菡藝，等.基于遙感影像不同亮度的CART方法估算不透水率研究［J］.水電能源科學，2010，28(12):45 －48.Li Q，Li C L，Rui H Y，et al.Estimate of Impervious Surface Percent Based on Different Brightness of CART Method with Remote Sensing Images［J］.Water Resources and Power，2010，28(12):45－48(in Chinese with English Abstract).

［15］Xian G.Mapping Impervious Surfaces Using Classification and Regression Tree Algorithm［M］.Weng Q.Remote Sensing of Impervious Surfaces.Boca Raton，FL:CRC Press，2007.

［16］江利明，廖明生，林 琿，等.利用雷達干涉數據進行城市不透水層百分比估算［J］.遙感學報，2008，12(1):176 －185.Jiang L M，Liao M S，Lin H，et al.Estimating Urban Impervious Surface Percentage with ERS － 1/2 InSAR Data［J］.Journal of Remote Sensing，2008，12(1):176 － 185(in Chinese with English Abstract).

［17］廖明生，江利明，林 琿，等.基于CART集成學習的城市不透水層百分比遙感估算［J］.武漢大學學報，2007，32(12):1099－1106.Liao M S，Jiang L M，Lin H，et al.Estimating Urban Impervious Surface Percent Using Boosting as a Refinement of CART Analysis［J］.Geomatics and Information Science of Wuhan University，2007，32(12):1099 －1106(in Chinese with English Abstract).

［18］Im J，Lu Z Y，Rhee J，et al.Impervious Surface Quantification U-sing a Synthesis of Artificial Immune Networks and Decision/Regression Trees from Multi－ sensor Data［J］.Remote Sensing of Environment，2011，117:101 － 113.doi:10.1016/j.rse.2011.06.024.

［19］趙英時.遙感應用分析原理與方法［M］.北京:科學出版社，2003:330－331.Zhao Y S.The Principles and Methods of Remote Sensing Applications and Analysis［M］.Beijing:Science Press，2003:330 － 331(in Chinese).

［20］Wu C S，Murray A T.Estimating Impervious Surface Distribution by Spectral Mixture Analysis［J］.Remote Sensing of Environment，2003，84(4):493 －505.

［21］謝苗苗，王仰麟，李貴才.基于亞像元分解的不透水表面與植被覆蓋空間分異測度——以深圳市為例［J］.資源科學，2009，31(2):257－264.Xie M M，Wang Y L，Li G C.Spatial Variation of Impervious Surface Area and Vegetation Cover Based on Subpixel Model in Shenzhen［J］.Resources Science，2009，31(2):257 － 264(in Chinese with English Abstract).

［22］潘竟虎，李曉雪，劉春雨.蘭州市中心城區(qū)不透水面覆蓋度的遙感估算［J］.西北師范大學學報:自然科學版，2009，45(4):95－100.Pan J H，Li X X，Liu C Y.Urban Impervious Surface Abundance Estimation in Lanzhou City Based on Remote Sensing［J］.Journal of Northwest Normal University:Natural Science，2009，45(4):95－100(in Chinese with English Abstract).

［23］岳文澤，吳次芳.基于混合光譜分解的城市不透水面分布估算［J］.遙感學報，2007，11(6):914 －922.Yue W Z，Wu C F.Urban Impervious Surface Distribution Estimation by Spectral Mixture Analysis［J］.Journal of Remote Sensing，2007，11(6):914 －922(in Chinese with English Abstract).

［24］袁 超，吳炳方，羅興順，等.城市不透水表面遙感估算研究［J］.測繪工程，2009，18(3):32 －36.Yuan C，Wu B F，Luo X S，et al.Estimating Urban Impervious Surface Distribution with RS［J］.Engineering of Surveying and Mapping，2009，18(3):32 －36(in Chinese with English Abstract).

［25］周 紀，陳云浩，張錦水，等.北京城市不透水層覆蓋度遙感估算［J］.國土資源遙感，2007(3):13－17.Zhou J，Chen Y H，Zhang J S，et al.Urban Impervious Surface A-bundance Estimation in Beijing Based on Remote Sensing［J］.Remote Sensing for Land and Resources，2007(3):13 － 17(in Chinese with English Abstract).

［26］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.

［27］Rashed T，Weeks J R，Roberts D，et al.Measuring the Physical Composition of Urban Morphology Using Multiple Endmember Spectral Mixture Models［J］.Photogrammetric Engineering and Remote Sensing，2003，69(9):1011 －1020.

［28］Weng Q，Hu X，Lu D.Extracting Impervious Surface from Hyperspectral Imagery with Linear Spectral Mixture Analysis［M］//Weng Q.Remote Sensing of Impervious Surfaces.Boca Raton，FL:CRC Press，2007.

［29］Lu D，Weng Q H.Spectral Mixture Analysis of the Urban Landscape in Indianapolis with Landsat ETM+Imagery［J］.Photogrammetric Engineering and Remote Sensing，2004，70(9):1053 －1062.

［30］李彩麗，都金康，左天惠.基于高分辨率遙感影像的不透水面信息提取方法研究［J］.遙感信息，2009(5):36－40.Li C L，Du J K，Zuo T H.The Study of Extracting Impervious Surface Information Based on High Resolution Remote Sensing Image［J］.Remote Sensing Information，2009(5):36 － 40(in Chinese with English Abstract).

［31］孫志英，趙彥鋒，陳 杰，等.面向對象分類在城市地表不可透水度提取中的應用［J］.地理科學，2007，27(6):837 －842.Sun Z Y，Zhao Y F，Chen J，et al.Application of Object－ oriented Classification in Extraction of Impervious Degree of Urban Surface［J］.Scientia Geographica Sinica，2007，27(6):837 －842(in Chinese with English Abstract).

［32］黃慧萍，吳炳方.地物大小、對象尺度、影像分辨率的關系分析［J］.遙感技術與應用，2006，21(3):243 －248.Huang H P，Wu B F.Analysis to the Relationship of Feature Size，Objects Scales，Image Resolution［J］.Remote Sensing Technology and Application，2006，21(3):243 －248(in Chinese with English Abstract).

［33］Zhou Y，Wang Y Q.Extraction of Impervious Surface Areas from High Spatial Resolution Imagery by Multiple Agent Segmentation and Classification［J］.Photogrammetric Engineering and Remote Sensing，2008，74(7):857 －868.

［34］Hu X F，Weng Q H.Impervious Surface Area Extraction from IKONOS Imagery Using an Object－ based Fuzzy Method［J］.Geocarto International，2011，26(1):3 －20.

［35］Yu B，Liu H，Zhang L，et al.An Object－based Two－stage Meth-od for a Detailed Classification of Urban Landscape Components by Integrating Airborne LiDAR and Color Infrared Image Data:A Case Study of Downtown Houston［C］//Urban Remote Sensing Joint E-vent.Shanghai，China:IEEE，2009:1 －8.

［36］Verbeeck K，Hermy M，Van Orshoven J.An Hierarchical Object Based Image Analysis Approach to Extract Impervious Surfaces Within the Domestic Garden［J］.Joint Urban Remote Sensing E-vent，2011:397 －400.

［37］Walton J T.Subpixel Urban Land Cover Estimation:Comparing Cubist，Random Forests，and Support Vector Regression［J］.Photogrammetric Engineering and Remote Sensing，2008，74(10):1213－1222.

［38］Plumb A P，Rowe R C，York P，et al.Optimisation of the Predictive Ability of Artificial Neural Network(ANN)Models:A Comparison of Three ANN Programs and Four Classes of Training Algorithm［J］.European Journal of Pharmaceutical Sciences，2005，25(4/5):395－405.

［39］Pal M，Mather P M.An Assessment of the Effectiveness of Decision Tree Methods for Land Cover Classification［J］.Remote Sensing of Environment，2003，86(4):554 － 565.

［40］Weng Q H，Hu X F.Medium Spatial Resolution Satellite Imagery for Estimating and Mapping Urban Impervious Surfaces Using LSMA and ANN［J］.Transactions on Geoscience and Remote Sensing，2008，46(8):2397 －2406.

［41］Mohapatra R P，Wu C.Subpixel Imperviousness Estimation with IKONOS Imagery:An Artificial Neural Network Approach［M］//Weng Q.Remote Sensing of Impervious Surfaces.Boca Raton，FL:CRC Press，2007.

［42］駱成鳳.遺傳算法優(yōu)化的BP神經網絡城市不透水層百分比估算［J］.測繪科學，2011，36(1):48 －50.Luo C F.Estimating Urban Impervious Surface Percentage with BP Neural Network Based on Genetic Algorithm［J］.Science of Surveying and Mapping，2011，36(1):48 －50(in Chinese with English Abstract).

［43］Chormanski J，Vande Voorde T，Roeck T D，et al.Improving Distributed Runoff Prediction in Urbanized Catchments with Remote Sensing Based Estimates of Impervious Surface Cover［J］.Sensors，2008，8:910 －932.

［44］Hu X F，Weng Q H.Estimating Impervious Surfaces from Medium Spatial Resolution Imagery Using the Self－organizing Map and Multi－ layer Perceptron Neural Networks［J］.Remote Sensing of Environment，2009，113(10):2089 －2102

［45］Heermann P D，Khazenie N.Classification of Multispectral Remote Sensing Data Using a Back － propagation Neural Network［J］.IEEE Transactions on Geoscience and Remote Sensing，1992，30(1):81－88.

［46］Filippi A，Dobreva L，Klein A G，et al.Self－ organizing Map －based Applications in Remote Sensing［C］//Matsopoulos G K.Self－ organizing Maps.2010:231 －248.

［47］Hasi B，Ma J M，Li Q Q，et al.Self－ organizing Feature Map Neural Network Classification of the ASTER Data Based on Wavelet Fusion［J］.Science in China Series D:Earth Sciences，2004，47(7):651－658.

［48］Ji C Y.Land－use Classification of Remotely Sensed Data Using Kohonen Self－ organizing Feature Map Neural Networks［J］.Photogrammetric Engineering and Remote Sensing，2000，66(12):1451－1460.

［49］Lee S，Lathrop R G.Subpixel Analysis of Landsat ETM+Using Self－organizing Map(SOM)Neural Networks for Urban Land Cover Characterization［J］.Transactions on Geoscience and Remote Sensing，2006，44(6):1642 －1654.

［50］張學工.關于統計學習理論與支持向量機［J］.自動化學報，2000，26(1):32 －42.Zhang X G.Introduction to Statistical Learning Theory and Support Vector Machines［J］.Acta Automatica Sinica，2000，26(1):32 －42(in Chinese with English Abstract).

［51］程 熙，沈占鋒，駱劍承，等.利用混合光譜分解與SVM估算不透水面覆蓋率［J］.遙感學報，2011，15(6):1228 －1241.Cheng X，Shen Z F，Luo J C，et al.Estimating Impervious Surface Base on Comparison of Spectral Mixture Analysis and Support Vector Machine Methods［J］.Journal of Remote Sensing，2011，15(6):1228－1241(in Chinese with English Abstract).

［52］Zhang Y J，Chen L，He C.Estimating Urban Impervious Surfaces Using LS－ SVM with Multi－scale Texture［C］//Urban Remote Sensing Joint Event Shanghai，China:IEEE，2009:1 －6.

［53］Wald L.Some Terms of Reference in Data Fusion［J］.IEEE Transactions on Geoscience and Remote Sensing，1999，37(3):1190 －1193.

［54］Zhang Y，Maxwell T.Roof Mapping Using Fused Multiresolution Optical Satellite Images［M］//Weng Q.Remote Sensing of Impervious Surfaces.Boca Raton，FL:CRC Press，2007.

［55］Lu D，Moran E，Hetrick S.Detection of Impervious Surface Change with Multitemporal Landsat Images in an Urban－rural Frontier［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2011，66(3):298－306.

［56］肖榮波，歐陽志云，蔡云楠，等.基于亞像元估測的城市硬化地表景觀格局分析［J］.生態(tài)學報，2007，27(8):3189 －3197.Xiao R B，Ouyang Z Y，Cai Y N，et al.Urban Landscape Pattern Study Based on Sub － pixel Estimation of Impervious Surface［J］.Acta Ecologica Sinica，2007，27(8):3189 －3197(in Chinese with English Abstract).

［57］Yu B L，Liu H X，Wu J P，et al.Automated Derivation of Urban Building Density Information Using Airborne LiDAR Data and Object－ based Method［J］.Landscape and Urban Planning，2010，98(3/4):210－219.

［58］Hodgson M E，Jensen J R，Tullis J A，et al.Synergistic Use of Lidar and Color Aerial Photography for Mapping Urban Parcel Imperviousness［J］.Photogrammetric Engineering and Remote Sensing，2003，69(9):973 －980.

［59］Lu D S，Li G Y，Moran E，et al.Mapping Impervious Surfaces with the Integrated Use of Landsat Thematic Mapper and Radar Data:A Case Study in an Urban－rural Landscape in the Brazilian Amazon［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2011，66(6):798－808.

Advances in Remote Sensing Research on Urban Impervious Surface

REN Jin － hua1，WU Shao － hua1，2，ZHOU Sheng － lu1，LIN Chen2，3
(1.School of Geographic and Oceanographic Sciences，Nanjing University，Nanjing 210093，China;2.State Key Laboratory of Soil and Sustainable Agriculture，Institute of Soil Science，Chinese Academy of Science，Nanjing 210008，China;3.Nanjing Institute of Geography and Limnology，Chinese Academy of Science，Nanjing 210008，China)

Impervious surface，as an important indicator to measure the urbanization degree and environmental quality，has attracted more and more attention.The magnitude，location，geometry，spatial pattern of impervious surfaces and the ratio of perviousness－imperviousness significantly affect regional eco－environment changes.Extracting and mapping impervious surface by means of multiple remote sensing data and analytical methods have constituted a hot topic in these research directions.In this paper，impervious surface extraction methods are summarized from traditional method of remote sensing，extraction based on spectrum and geometrical features and artificial intelligence algorithms，then the principles，characteristics，application fields are described，and finally the future prospects are pointed out.

impervious surface;remote sensing;data fusion;urbanization

TP 79

A

1001－070X(2012)04－0008－08

2011－12－06;

2012－02－29

國家自然科學基金項目(編號:41001047)和土壤與農業(yè)可持續(xù)發(fā)展國家重點實驗室開發(fā)課題(編號:Y052010004)共同資助。

10.6046/gtzyyg.2012.04.02

任金華(1985－)，女，碩士研究生，主要研究方向為土地利用與覆被變化。E－mail:rjhmail@126.com。

吳紹華(1980－)，男，副教授，研究方向為城市土壤環(huán)境。E－mail:shaohuawu@126.com。

(責任編輯:邢 宇)