沈 謙，朱長(zhǎng)明，張 新，黃巧華，楊程子，趙 南

(1. 江蘇師范大學(xué)地理測(cè)繪與城鄉(xiāng)規(guī)劃學(xué)院，江蘇 徐州 221116; 2. 中國(guó)科學(xué)院遙感與 數(shù)字地球研究所,北京 100101)

城市不透水面(硬化地表)是指由各種人工不透水建筑材料所覆蓋的表面，如瓦片、瀝青、水泥混凝土等材料構(gòu)成的建筑物、路面和停車(chē)場(chǎng)等[1]。隨著中國(guó)城市化進(jìn)程的加快，城市周邊大量的耕地、林地、水體等轉(zhuǎn)變?yōu)椴煌杆?。地表物理特性的改變，?dǎo)致地表與大氣之間水分和能量交換過(guò)程的改變，引發(fā)城市熱島效應(yīng)，對(duì)區(qū)域氣候、人居環(huán)境、城市生態(tài)、空氣質(zhì)量等方面產(chǎn)生了一系列負(fù)面影響[2]。因此，快速獲取城市不透水面的空間分布信息對(duì)于城市擴(kuò)張監(jiān)測(cè)、合理規(guī)劃城市及環(huán)境保護(hù)有著重要意義[3]。遙感技術(shù)在城市不透水面擴(kuò)張監(jiān)測(cè)領(lǐng)域具有時(shí)效性強(qiáng)、監(jiān)測(cè)范圍廣、工作效率高等優(yōu)勢(shì)，傳統(tǒng)光學(xué)遙感提取不透水面的方法主要采用可見(jiàn)光-近紅外遙感影像，如Landsat TM/ETM+、MODIS影像等，根據(jù)不透水面在不同波段上的特征，通過(guò)求取一系列不透水指數(shù)或利用光譜混合分解等方法[4-11]進(jìn)行不透水面的提取。在區(qū)域尺度光學(xué)遙感不透水面提取過(guò)程中，中等、高分辨率影像受限于成像寬幅的影響，難以實(shí)現(xiàn)大范圍、快速獲取不透水面；低分辨率影像像元混合程度較高，不透水面與沙漠、戈壁、裸土等光譜較為相似，導(dǎo)致大量非不透水面像元被劃分為不透水面像元，使得提取精度受到影響。因此，目前大尺度不透水面提取主要采用美國(guó)國(guó)防氣象衛(wèi)星(defense meteorological satellite program，DMSP)搭載的光學(xué)線掃描系統(tǒng)(operational line-scan system，OLS)所獲取的夜間燈光影像。

基于夜間燈光數(shù)據(jù)大尺度不透水面制圖方法目前主要包括閾值法[12-14]、機(jī)器學(xué)習(xí)法[15-17]、指數(shù)法[18-21]。由于夜間燈光數(shù)據(jù)的過(guò)飽和性及大尺度研究地理特征的復(fù)雜性，閾值法難以表現(xiàn)出城市內(nèi)部不透水面空間分布的細(xì)節(jié)信息。因此利用DMSP夜間燈光數(shù)據(jù)及相關(guān)輔助數(shù)據(jù)的機(jī)器學(xué)習(xí)法和指數(shù)法成為大范圍不透水提取的主要方法。如曹鑫等利用DMSP/OLS數(shù)據(jù)和SPOT VGT數(shù)據(jù)，基于區(qū)域增長(zhǎng)算法的支持向量機(jī)方法提取了中國(guó)東部25個(gè)城市的不透水面[15]。但是，在選擇不透水樣本和種子區(qū)域時(shí)，人為的干擾影響較大，難以保證提取的精度。為了解決燈光影像過(guò)飽和問(wèn)題，Lu等利用MODIS NDVI影像和DMSP/OLS夜間燈光影像構(gòu)建了居住區(qū)指數(shù)(human settlement index，HSI)，通過(guò)建立研究區(qū)個(gè)別城市內(nèi)中等分辨率不透水分布數(shù)據(jù)與HSI之間的線性回歸關(guān)系，實(shí)現(xiàn)東部地區(qū)不透水面的估算，精度較高[18]。HSI是目前最具代表性、應(yīng)用最為廣泛的不透水指數(shù)。但是，楊曉楠等研究指出HSI方法難以區(qū)分城市與裸土、水體，不適用于植被覆蓋度較低的地區(qū)[22]。為此，本文構(gòu)建了一種根據(jù)區(qū)域內(nèi)植被覆蓋度進(jìn)行動(dòng)態(tài)調(diào)節(jié)的植被調(diào)節(jié)不透水指數(shù)(vegetation-adjusted impervious surface index，VAISI)，該指數(shù)根據(jù)不同研究區(qū)內(nèi)的植被覆蓋度，動(dòng)態(tài)調(diào)節(jié)燈光數(shù)據(jù)與植被指數(shù)在模型中的權(quán)重，克服干旱區(qū)裸土像元不透率估算結(jié)果較大的問(wèn)題，提高不透水面覆蓋率(impervious surface percentage，ISP)的估算精度。

1 研究區(qū)與數(shù)據(jù)源

本文研究區(qū)選擇中國(guó)干旱區(qū)，地處73°26′E—107°44′E，34°19′N(xiāo)—49°10′N(xiāo)之間，主要包括新疆維吾爾自治區(qū)全境、甘肅省河西走廊、包含青海東北部在內(nèi)的祁連山區(qū)、內(nèi)蒙古自治區(qū)的阿拉善高原及黃河(寧夏段)以西的寧夏回族自治區(qū)部分，總面積約2.18×106km2，如圖1所示，(圖中影像為中國(guó)干旱區(qū)NDVI最大值合成影像)。本研究采用DMSP/OLS夜間燈光數(shù)據(jù)、MODIS 16天植被指數(shù)合成產(chǎn)品(MODIS13Q1)、Landsat8 OLI多光譜影像。DMSP/OLS夜間燈光影像來(lái)源于美國(guó)國(guó)家地球物理數(shù)據(jù)中心(National Geophysical Data Center,NGDC)。選擇烏魯木齊、嘉峪關(guān)-酒泉、喀什作為樣點(diǎn)城市，提取研究所需樣本數(shù)據(jù)，銀川、烏蘇-奎屯市-獨(dú)山子區(qū)、伊寧、庫(kù)爾勒、金昌作為驗(yàn)證區(qū)，驗(yàn)證指數(shù)模型估算不透率的精度。

圖1 研究區(qū)

2 研究方法

基于SVR模型的ISP估算技術(shù)流程如圖2所示。首先，進(jìn)行數(shù)據(jù)獲取及預(yù)處理，包括對(duì)所用影像進(jìn)行投影坐標(biāo)系的統(tǒng)一，從Landsat影像中獲取參考數(shù)據(jù)，對(duì)燈光影像進(jìn)行歸一化及NDVI數(shù)據(jù)的最大值合成等；其次，根據(jù)干旱區(qū)不透水面在燈光影像及NDVI數(shù)據(jù)上的特征，構(gòu)建VAISI；再次，使用SVR模型利用VAISI進(jìn)行干旱區(qū)ISP的估算。模型算法的核心部分在于VAISI模型構(gòu)建和基于SVR模型的干旱區(qū)ISP的估算。

圖2 基于SVR的ISP估算技術(shù)流程

2.1 VAISI指數(shù)模型構(gòu)建

為了解決干旱區(qū)ISP估算精度較低問(wèn)題，本研究利用植被覆蓋度動(dòng)態(tài)調(diào)節(jié)NDVI與DMSP/OLS燈光數(shù)據(jù)的作用權(quán)重，構(gòu)建了VAISI，見(jiàn)式(1)。由于NDVImax數(shù)據(jù)與不透水面呈負(fù)相關(guān)，因此增強(qiáng)1-NDVImax，提高燈光區(qū)域內(nèi)不透水面與非不透水面之間的指數(shù)差異，改進(jìn)不透水面的空間分布細(xì)節(jié)，并用燈光值的拉伸結(jié)果與增強(qiáng)后的1-NDVImax相乘，使燈光區(qū)域內(nèi)的非不透水覆蓋的指數(shù)值接近于0，解決HSI在燈光值等于0時(shí)，低植被覆蓋率土地覆蓋的指數(shù)較高問(wèn)題。最后，利用燈光數(shù)據(jù)與植被指數(shù)進(jìn)一步提高燈光區(qū)域內(nèi)不透水面與透水面之間的指數(shù)差異。

(1)

(2)

式中，NDVImax為一年植被指數(shù)最大值合成數(shù)據(jù)；OLS為歸一化后燈光數(shù)據(jù)；FVC為研究區(qū)植被覆蓋度；NDVIsoil為純裸土像元的植被指數(shù)值；NDVIveg為純植被像元的植被指數(shù)值。

2.2 基于SVR的不透水面估算

根據(jù)Landsat影像獲得的不透水面參考數(shù)據(jù)，利用平均值法將空間分辨率從30 m重采樣為500 m作為參考數(shù)據(jù)，以匹配相同分辨率的VAISI。利用支持向量回歸(support vector regression，SVR)模型，選擇RBF核函數(shù)，并利用Grid Serach方法來(lái)嘗試核函數(shù)中各種可能的兩個(gè)參數(shù)：c和g，然后進(jìn)行交叉驗(yàn)證，找出使交叉驗(yàn)證精度最高的(c，g)，作為最佳參數(shù)輸入核函數(shù)訓(xùn)練回歸模型。通過(guò)模型的訓(xùn)練與驗(yàn)證，RBF核函數(shù)最佳參數(shù)c和g最終確定為0.35和0.35。在烏魯木齊、嘉峪關(guān)-酒泉、喀什各隨機(jī)選取300個(gè)樣點(diǎn)，通過(guò)SVR對(duì)提取的參考數(shù)據(jù)與VAISI建立回歸模型，實(shí)現(xiàn)研究區(qū)不透率的估算。

3 結(jié)果與精度分析

3.1 VAISI計(jì)算與ISP制圖

干旱區(qū)HSI歸一化結(jié)果、VAISI如圖3所示，受到植被指數(shù)的影響，HSI在干旱區(qū)大部分地區(qū)誤差較大，在植被覆蓋率較高地區(qū)效果較好。在城市周邊燈光區(qū)域內(nèi)的裸土區(qū)域，植被指數(shù)占據(jù)主導(dǎo)，提高了裸土的指數(shù)值，與城市不透水面區(qū)分難度較大。在遠(yuǎn)離城市的非燈光區(qū)域，燈光值為0且NDVI值較低地區(qū)的亮度較高，如塔克拉瑪干沙漠遠(yuǎn)離城市，植被覆蓋率較低，但在HSI中的值卻較高，遠(yuǎn)高于背景值；博斯騰湖、阿雅格庫(kù)木庫(kù)里湖、烏倫古湖等湖泊NDVI值極低，燈光值為0，但HSI卻極高，近乎等于城市不透水面的HSI，容易造成大面積誤分類(lèi)。而在這些區(qū)域，VAISI有效反映了不透水面分布的真實(shí)情況，如塔克拉瑪干沙漠、博斯騰湖等湖泊在VAISI上指數(shù)值為0，并且抑制城市周邊裸土及燈光溢出所帶來(lái)的影響，可以有效地對(duì)不透水面像元與非不透水像元進(jìn)行區(qū)分。

圖3 干旱區(qū)HSI、VAISI計(jì)算結(jié)果

選取烏魯木齊、庫(kù)爾勒和銀川3個(gè)地區(qū)作局部對(duì)比分析，圖4(a1)、(a2)、(a3)分別為烏魯木齊、庫(kù)爾勒和銀川地區(qū)歸一化后的HSI；(b1)、(b2)、(b3)為對(duì)應(yīng)地區(qū)的VAISI。從圖上可以看出，烏魯木齊地區(qū)的HSI受植被覆蓋度的影響較大，指數(shù)值隨著植被覆蓋度的降低而升高，城市周邊裸土區(qū)與城市不透水像元混合嚴(yán)重，在VAISI中，烏魯木齊地區(qū)的非燈光區(qū)域不受植被覆蓋度的影響，燈光區(qū)域內(nèi)植被、裸土與城市不透水像元區(qū)分明顯；庫(kù)爾勒地區(qū)，HSI在庫(kù)爾勒城區(qū)周邊的裸土區(qū)及博斯騰湖的指數(shù)值較高，而VAISI則有效地抑制了這種非燈光區(qū)的指數(shù)值較高現(xiàn)象；銀川地區(qū)，受燈光影像過(guò)飽和問(wèn)題及植被覆蓋度較低的影響，HSI并不能很好地區(qū)分城市不透水像元與透水像元，城市內(nèi)部指數(shù)值飽和現(xiàn)象依然嚴(yán)重，而VAISI有效地體現(xiàn)了城市不透水面的空間分布信息。

圖4 HSI、VAISI局部地區(qū)對(duì)比圖

3.2 精度對(duì)比分析與評(píng)價(jià)

采用庫(kù)爾勒、伊寧、烏蘇、銀川、金昌等地區(qū)作為驗(yàn)證城市。根據(jù)Landsat影像獲得的驗(yàn)證城市500 m分辨率ISP數(shù)據(jù)作為參考數(shù)據(jù)，每個(gè)地區(qū)隨機(jī)生成300個(gè)樣點(diǎn)，提取HSI、VAISI估算結(jié)果及參考數(shù)據(jù)進(jìn)行精度驗(yàn)證。選擇均方根誤差(root mean squared error，RMSE)及估算結(jié)果與參考數(shù)據(jù)之間的相關(guān)系數(shù)R，作為VAISI、HSI的ISP估算精度評(píng)價(jià)指標(biāo)。RMSE越小，相關(guān)系數(shù)R越大，表明不透水面估算精度越高，反之精度越低。精度評(píng)價(jià)結(jié)果見(jiàn)表1。統(tǒng)計(jì)數(shù)據(jù)表明，在城市周邊植被覆蓋較高的銀川、伊寧、烏蘇基于HSI的ISP估算結(jié)果與參考數(shù)據(jù)的相關(guān)系數(shù)分別為0.78、0.70、0.77，RMSE分別為0.14、0.19、0.14；而在城市周邊植被覆蓋度較低的城市如庫(kù)爾勒、金昌，部分非燈光區(qū)像元受植被覆蓋度的影響，相關(guān)系數(shù)分別為0.59、0.60，RMSE分別為0.15、0.20。但是，本文方法估算結(jié)果在銀川、伊寧、烏蘇等地區(qū)相關(guān)系數(shù)分別為0.82、0.78、0.83，RMSE分別為0.12、0.18、0.13。與此同時(shí)，有效改善了燈光區(qū)內(nèi)透水像元ISP估算結(jié)果較高問(wèn)題，以及燈光區(qū)外透水像元ISP高于背景值的問(wèn)題。庫(kù)爾勒、金昌地區(qū)的相關(guān)系數(shù)分別為0.74、0.79，RMSE分別為0.12、0.15。以上數(shù)據(jù)表明，VAISI與HSI相比，有效地克服了由于燈光溢出問(wèn)題和低植被覆蓋度導(dǎo)致的干旱區(qū)ISP估算過(guò)程中燈光區(qū)內(nèi)過(guò)飽和，以及非燈光區(qū)裸土像元估算結(jié)果過(guò)高問(wèn)題，提高了植被覆蓋度較低城市的ISP估算性能。

表1 基于VAISI和HSI的ISP估算精度評(píng)價(jià)

4 結(jié)論與討論

針對(duì)HSI指數(shù)模型在干旱區(qū)城市內(nèi)部及周邊存在大量的裸土、沙漠等非不透水面難以有效區(qū)分，導(dǎo)致區(qū)域不透水面估算精度較低問(wèn)題。本文選擇中國(guó)西部干旱區(qū)為重點(diǎn)研究區(qū)，利用植被覆蓋度作為調(diào)節(jié)系數(shù)對(duì)DMSP夜間燈光影像、植被指數(shù)進(jìn)行動(dòng)態(tài)拉伸，構(gòu)建了適用于干旱區(qū)ISP估算的植被調(diào)節(jié)不透水指數(shù)模型(VAISI)，并且通過(guò)Landsat影像獲得的不透水面參考數(shù)據(jù)建立關(guān)系模型，實(shí)現(xiàn)根據(jù)SVR非線性模型對(duì)VAISI與不透水面的估算。研究得到以下結(jié)論：

(1) 利用植被覆蓋度作為調(diào)節(jié)系數(shù)，動(dòng)態(tài)拉伸燈光數(shù)據(jù)，有效解決了受燈光溢出問(wèn)題的影響，干旱區(qū)城市周邊不透率的高估問(wèn)題，提高了ISP估算精度。

(2) 在植被覆蓋率較高地區(qū)，VAISI在保證城市與非城市像元區(qū)分度的同時(shí)，增強(qiáng)了城市內(nèi)部不透水面與裸土像元的空間差異。

(3) 在遠(yuǎn)離城市的植被覆蓋率較低區(qū)域，VAISI有效地克服了估算結(jié)果高于背景值的問(wèn)題，有效反映了城市不透水面的空間分布特征。

[1] 徐涵秋. 城市不透水面與相關(guān)城市生態(tài)要素關(guān)系的定量分析[J]. 生態(tài)學(xué)報(bào), 2009, 29(5):2456-2462.

[2] 徐永明, 劉勇洪. 基于TM影像的北京市熱環(huán)境及其與不透水面的關(guān)系研究[J]. 生態(tài)環(huán)境學(xué)報(bào), 2013(4):639-643.

[3] 李德仁, 李熙. 論夜光遙感數(shù)據(jù)挖掘[J]. 測(cè)繪學(xué)報(bào), 2015, 44(6):591-601.

[4] MA Y, KUANG Y, HUANG N. Coupling Urbanization Analysis for Studying Urban Thermal Environment and Its Interplay with Biophysical Parameters Based on TM/ETM+Imagery[J]. International Journal of Applied Earth Observation & Geoinformation, 2010, 12(2):110-118.

[5] LIU Chong, SHAO Zhenfeng, CHEN Min, et al. MNDISI: A Multi-source Composition Index for Impervious Surface Area Estimation at the Individual City Scale[J]. Remote Sensing Letters, 2013, 4(8):803-812.

[6] 徐涵秋. 一種快速提取不透水面的新型遙感指數(shù)[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2008, 33(11):1150-1153.

[7] DENG C, WU C. BCI: A Biophysical Composition Index for Remote Sensing of Urban Environments[J]. Remote Sensing of Environment, 2012, 127(5):247-259.

[8] POWELL R L, ROBERTS D A, DENNISON P E, et al. Sub-pixel Mapping of Urban Land Cover Using Multiple Endmember Spectral Mixture Analysis: Manaus, Brazil[J]. Remote Sensing of Environment, 2007, 106(2):253-267.

[9] 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(xué)報(bào), 2011, 15(6):1228-1241.

[10] WU C. Normalized Spectral Mixture Analysis for Monitoring Urban Composition Using ETM+Imagery. Remote Sens. Environ[J]. Remote Sensing of Environment, 2004, 93(4):480-492.

[11] 黃曦濤, 李懷恩, 張瑜,等. 利用影像紋理和陰影信息提取城市不透水面的方法——以咸陽(yáng)市為例[J]. 測(cè)繪通報(bào), 2016(5):80-83.

[12] IMHOFF M L, LAWRENCE W T, STUTZER D C, et al. A Technique for Using Composite DMSP/OLS “City Lights” Satellite Data to Map Urban Area[J]. Remote Sensing of Environment, 1997, 61(3):361-370.

[13] HENDERSON M, YEH E T, GONG P, et al. Validation of Urban Boundaries Derived from Global Night-time Satellite Imagery[J]. International Journal of Remote Sensing, 2003, 24(3):595-609.

[14] 楊洋, 何春陽(yáng), 趙媛媛,等. 利用DMSP/OLS穩(wěn)定夜間燈光數(shù)據(jù)提取城鎮(zhèn)用地信息的分層閾值法研究[J]. 中國(guó)圖象圖形學(xué)報(bào), 2011, 16(4):666-673.

[15] CAO X, CHEN J, IMURA H, et al. A SVM-based Method to Extract Urban Areas from DMSP/OLS and SPOT VGT Data[J]. Remote Sensing of Environment, 2009, 113(10):2205-2209.

[16] ZHOU Y, SMITH S J, ELVIDGE C D, et al. A Cluster-based Method to Map Urban Area from DMSP/OLS Night Lights[J]. Remote Sensing of Environment, 2014, 147(18):173-185.

[17] JING W, YANG Y, YUE X, et al. Mapping Urban Areas with Integration of DMSP/OLS Nighttime Light and MODIS Data Using Machine Learning Techniques[J]. Remote Sensing, 2015, 7(9):12419-12439.

[18] LU D, TIAN H, ZHOU G, 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.

[19] ZHANG Q, SCHAAF C, SETO K C. The Vegetation Adjusted NTL Urban Index: A New Approach to Reduce Saturation and Increase Variation in Nighttime Luminosity[J]. Remote Sensing of Environment, 2013, 129(2):32-41.

[20] GUO W, LU D, WU Y, et al. Mapping Impervious Surface Distribution with Integration of SNNP VIIRS-DNB and MODIS NDVI Data[J]. Remote Sensing, 2015, 7(9):12459-12477.

[21] 卓莉, 張曉帆, 鄭璟,等. 基于EVI指數(shù)的DMSP/OLS夜間燈光數(shù)據(jù)去飽和方法[J]. 地理學(xué)報(bào), 2015, 70(8):1339-1350.

[22] 楊曉楠, 徐韻, 田玉剛. 一種用于城市信息提取的改進(jìn)居民地指數(shù)[J]. 國(guó)土資源遙感, 2016, 28(4):127-134.