劉 波，張 源 ，程 濤，宋 楊

(1. 廣西壯族自治區(qū)基礎地理信息中心，廣西 南寧 530023；2. 武漢大學 測繪遙感信息工程國家重點實驗室，湖北 武漢 430072；3. 廣州市城市規(guī)劃勘測設計研究院，廣東 廣州 510060)

0 引 言

不透水面（Impervious surfaces，IS）是指水不能滲透的任何物質（LU D，2011）。在城市當中的不透水面主要由建筑物、道路、停車場等人工構建面組成。這些人工構建面與人類生產生活、交通息息相關，因此，不透水面被認為是衡量城市生態(tài)環(huán)境的重要指標之一。根據聯合國最新人口報告預測，到2050年，世界上居住在城市的人口將從54%增長到66%。這也意味著不透水面在不斷地快速擴張，并由此引發(fā)城市內澇、熱島效應、非點源污染、大氣污染、生物多樣性降低等生態(tài)、環(huán)境和氣候問題。建設海綿城市，就是著力解決這些城市病等突出問題。而不透水面的提取是構建海綿城市的重要依托。

利用遙感影像提取不透水面是性價比很高的方法。同中低分辨率遙感影像相比，高分辨率具備更豐富的地物細節(jié)信息和空間幾何信息（IM J，2012）。但這些細節(jié)信息同時給遙感影像分類帶來了一定的挑戰(zhàn)。主要表現在分類目標趨于多樣化和影像因素更加復雜這兩個方面（SHAHTAHMASSEBI，A R，2016）。因此，一般線性分類器難以解決高分辨率遙感影像中地物類型復雜多變的問題。顯然針對中低分辨率的方法已經不再適用于高分辨率遙感影像的分類。國內外學者們已對不透水面提取研究做出來許多貢獻。中低分辨率遙感影像中，一般認為在城市區(qū)域的不透水面是作為除植被、土壤和水體之外的地物。WU, C等基于IKONOS影像使用SMA方法評估在高分辨率遙感影像中SMA方法是否適用，統計分辨率提高后影像中產生的混合像元和類內變異增加的影響。YANG, J 和LI, P（2015） 等利用線性光譜混合分解獲得植被及高低反照度不透水面等三類地物的百分比，該方法將由陰影及樹冠層遮擋引起的不透水面低估問題降低了11.2%。O.Benarchid 和 N.Raissouni（2013）基于顏色特征對高分辨率影像進行均值漂移分割，利用SVM分類方法提取建筑物，在Tetuan城市區(qū)域試驗得到了83.76%的準確率。Imane Sebari和 Dong-Chen He（2013）提出了采用自動提取分割對象的方法，然后結合影像對象的光譜、紋理及語義等特征建立模糊規(guī)則框架，該方法應用于加拿大舍布魯克城市獲得81%的建筑物提取準確率。上述方法均從影像特征與分類手段上對不透水面的提取進行了研究。在國內，不透水面研究主要是比較不同的方法以及針對某一特定特征（如陰影提取及移除）的分析及處理。王浩（2013）從幾個尺度上總結分析了不透水面提取方法的優(yōu)點與不足。由于單一特征難以區(qū)分地物類型，黃昕（2014）提出通過多種指數特征一種構建多指數層級的方法提取建成區(qū)區(qū)域。

上述方法表明在高分辨率遙感影像中，由于地物的觀測尺度升高，不透水面地物會表現出更多樣化的地物類別，很難用單一的光譜特征進行表達。現階段作為一種有效的機器學習方法，支持向量機（Support Vector Machine，SVM）仍廣泛應用于遙感影像的分類（李萌，2015）。本文旨在探索快速有效地利用高分辨率遙感影像提取不透水面的方法。文章基于高分二號遙感衛(wèi)星影像，利用支持向量機分類方法，對比了增加HSL（HueSaturationLightness，色相飽和度亮度）色彩空間變換信息前后城市不透水面的提取精度，結果表明在加入HSL色彩空間變換信息后，不透水面的提取精度有一定提高。

1 研究區(qū)、數據及預處理

高分2號衛(wèi)星突破了米級空間分辨率、能獲取多光譜綜合光學遙感數據。同時高分2號衛(wèi)星的發(fā)射標志著我國遙感衛(wèi)星進入亞米級的高分時代，其全色影像分辨率達1 m，多光譜影像分辨率達2 m。在進行基于高分辨率遙感影像的不透水面提取之前，首先對遙感影像進行輻射定標、大氣校正和正射糾正，去除影像中的干擾信息。在傳統的融合方法中，PANSHARP融合是最適合高分二號數據的融合方法，Gram-Schmidt Pan Sharpening方法的融合效果僅次于 PANSHARP方法（劉書含，顧行發(fā)等，2014）。本文應用PANSHARP方式融合多光譜影像與全色影像，融合后分辨率為1 m。

圖1為經過預處理后的廣西壯族自治區(qū)梧州市的高分二號遙感影像。作為廣西壯族自治區(qū)的東大門，梧州市地處北緯22°37′-24°18′，東經110°18′-111°40′之間，是珠三角經濟圈、北部灣經濟圈、大西南經濟圈和西江經濟帶交會的節(jié)點，具有重要的地理位置。梧州盛夏多見暴雨與干旱，汛期一般為每年4月到9月。每年固定內澇點多達8個，最大水深達1 m。由于不透水面增加而引起的城市內澇給城市居民帶來了極大不便。因此，本文選取梧州市城區(qū)為實驗區(qū)域提取不透水面，作為研究城市發(fā)展中不透水面變化與城市內澇問題的依托。

圖1 研究區(qū)域Fig.1 The study areas

2 研究方法

2.1 HSL變換

HSL、HSV（HueSaturationValue，色相飽和度明度）、CYMK、RGB都是常見的顏色模型。根據不同的縮寫HSL又可表示為HSI。遙感影像的成像條件，如成像角度、光線、傳感器等，都存在一定的差異。但是陰影在不變顏色模型中的光譜特征卻不受遙感影像成像條件的影響。一般來說，遙感影像中陰影具有色調、飽和度值較高但亮度較低的特點。裸土植被的顏色具有偏紫或偏藍的特點（朱慶，2007）。本文將采用HSL光譜特征增強有效信息。該特征的計算公式下：

式中，R、G、B分別代表遙感影像中紅、綠、藍波段的光譜值。本文中，經過PANSHARP融合的影像變換到HSL色彩空間。飽和度和色調被用于描述色彩感知，消除光亮度的影響。將HSL分量加入原始影像中獲得RGBNIR+HSL影像。

2.2 基于支持向量機模型的不透水面提取

支持向量機基于結構風險最小化準則，通過核函數將輸入數據映射到高維特征空間，尋求該空間中的某一平面，使得該平面與所有輸入數據的距離最大，則該平面稱之為超平面或者理想平面（陳杰，2011）。圖2表示當維數增加時，函數子集{S1，S2，S3…Sn}的經驗風險減小，置信范圍增加。最小風險上界是在某一元素上達到。

圖2 支持向量機原理圖Fig.2 Support vector machine schematic

因為具有完備的理論結構和堅實的數學基礎，支持向量機分類方法具有較強的適應性，有效地克服了傳統統計學方法中的經驗風險最小化的缺點和不足。由相關研究可知，SVM應用于分類的核心基礎主要是學習過程中的核方法，因此所面臨的就是怎樣根據實際的數據，采用適合于分類的核函數來解決遇到的困難。當前以SVM為手段的分類中，應用的都是較常用的核函數，如RBF核函數，其基本是根據經驗選擇，因此存在不確定性。

本文首先在影像上選擇適量樣本，將70%樣本訓練，剩余30%樣本用于驗證。兩組實驗樣本個數分類為22 658、35 949個像素點。訓練樣本主要包含建筑物、道路、陰影、植被、裸土、水體等六類，其中將建筑物、道路合并為不透水面。將這些樣本點輸入高斯核函數訓練出樣本空間，樣本空間構建過程是根據樣本特征尋找使得樣本間距離最大的超平面。然后直接對經過HSL色彩空間變換后的影像輸入上述樣本空間得到分類結果。

3 城市不透水面提取實驗及分析

根據梧州市地物類型，本文將實驗區(qū)域劃分為5種地類：不透水面、植被、裸土、水體及陰影（殷亞秋，2015）。由于HSL變換能夠有效減弱光照影響，因此本文選取兩組對比實驗：RGBNIR影像與RGBNIR+HSL影像分別表示加入HSL變換分量前后的影像。從圖3可以看出，HSL空間上能夠表現出部分水體、陰影與其他地物的區(qū)別。在影像上分別選取五類地物樣本，將其中1/3用于精度評定，其余樣本用于訓練SVM模型進行分類。圖4中的（a）、（b）分別對應加入HSL變換分量前后分類結果。第一組實驗（a）結果中的不透水面有明顯的過估計現象。將研究區(qū)域左下角的裸土劃分為不透水面。第一組實驗（b）對此問題有明顯的改善，對陰影區(qū)域的提取也更加完整。表1為兩組實驗影像的精度評估表。從定量的評價指標也可以看出加入HSL變換信息后影像總體精度、用戶精度和生產者精度提高至92.4%、94.6%和94.3%。從第二組實驗區(qū)域結果（c）、（d）也可以HSL變換提高陰影與低反照度不透水面的區(qū)分效果，總體精度、用戶精度和生產者精度分別為96.3%、96.6%和98.0%。表明HSL增加了新的有效信息，對分類精度的提高有幫助。

圖3 實驗區(qū)域（1）和（2）的HSL變換后影像Fig.3 (a) and (b) are the images after the HSL transformation of study area in Fig.1(1) and (2)

第二組實驗當中，陰影表現出明顯的藍色與低反照度不透水面表現出的枚紅色有明顯不同。從樣本分離度上看，四波段影像不透水面與各地類的樣本分離度比HLS分量高。但在陰影與低反照度不透水面的HLS分量樣本分離度比原影像稍高。因此，進一步基于袋外數據分類準確率的變量重要性度量，對RGBNIR、HSL分量計算單個特征的變量重要性。如圖5所示，B1～B4對應原影像的BGRNIR4個波段，HSL分別對應色相飽和度亮度。可看出近紅外波段對分類貢獻最大、其次是藍波段、H色相分量和紅波段。重要性最低的為綠波段和L亮度波段。分析認為HLS分量對陰影與低反照度不透水面的區(qū)分有幫助。

圖5 特征重要性Fig.5 Features importance

4 結束語

基于高分遙感影像的分類方法獲得精準的地物信息和特征，為城市規(guī)劃、農作物估產、環(huán)境監(jiān)測等領域服務方面提供了新的數據支撐。同時城市不透水面的增加給城市帶來了諸如內澇、熱島效應等一系列問題（甘甜，2015）。為了輔助政府部門對城市進行有效的規(guī)劃管理，基于高分辨率遙感影像提取不透水面勢在必行。本文基于支持向量機的方法，加入HSL變換信息，并對比了影像變換前后的分類精度，見表1。

表1 精度評估結果Tab.1 Classification accuracy evaluation results

結果表明，加入HSL變換，增加了有效信息，提高了高分二號影像對于提取不透水面的分類精度。本文實驗結果為梧州市新舊城區(qū)改造和監(jiān)測提供了有效的數據支撐，并可為新區(qū)海綿城市的規(guī)劃提供數據支持。