左家旗， 王澤根， 邊金虎， 李愛農， 雷光斌， 張正健

(1.西南石油大學土木工程與建筑學院，成都 610500； 2.中國科學院水利部成都山地災害與環(huán)境研究所，成都 610041)

0 引言

城市化是21世紀的一個顯著特征，全球已有超過一半的人口居住于城市，預計到2050年將有2/3的人口居住于城市[1-2]。城市化是全球一體化和社會現代化的必由之路，在帶來經濟增長和生活便利的同時，也將帶來住房緊張、交通擁擠和生態(tài)環(huán)境污染等諸多問題。監(jiān)測城市化進程，是實現可持續(xù)發(fā)展和協調人類社會與自然環(huán)境之間關系的關鍵。城市化的一個重要特征就是大量的不透水面取代了耕地、植被和水體等自然景觀。不透水面通常指能夠隔離地表水滲透至土壤的表面，包括以裸巖為主的天然不透水面和人工不透水面[3]。城市化研究中的不透水面均指人工不透水面，包括道路、屋頂和停車場等。不透水面比例是指單位地表面積內不透水面所占的比例。不透水面的增加不僅能反映城市的發(fā)展與擴張，同時將引起城市表層結構變化，進而改變區(qū)域氣候并影響城市生態(tài)系統服務功能。因此，準確估算不透水面比例對城市發(fā)展規(guī)劃、生態(tài)環(huán)境評價及保護和資源管理等具有重要意義。

早期不透水面研究采用的數據主要來源于平面地圖，Pang等[4]使用平面地圖數據對香港2006年不透水面積進行估算； Wu等[5]基于時間序列平面地圖數據監(jiān)測美國愛荷華州中部地區(qū)1940—2011年間的不透水面變化。此類方法不適合地圖數據缺失或不完整的地區(qū)，且制作地圖數據的時間和人力成本高，不利于開展大范圍的城市擴張監(jiān)測和變化分析。遙感技術的發(fā)展以及衛(wèi)星數據的開放獲取，使利用遙感技術反演不透水面成為可能。遙感已成為當前獲取大區(qū)域、長時期不透水面數據的重要技術手段。早期的不透水面遙感反演研究主要以不透水面制圖為主[6-7]。Xian等[8]繪制了美國佛羅里達州坦帕灣1991—2002年間的不透水面空間分布圖，并利用元胞自動機(cellular automata，CA)模型預測未來城市的范圍； Patel等[9]使用多個光譜指數組合作為輸入變量，構建了多種人工神經網絡模型提取印度蘭契地區(qū)的不透水面。此類不透水面制圖將遙感像元“硬”分類為透水面和不透水面，忽略了遙感影像中普遍存在的混合像元問題，分類結果存在一定不確定性。為更準確地反映不透水面的實際狀況，不透水面的研究逐漸由不透水面制圖向像元內不透水面比例反演轉變，從亞像元角度精細刻畫城市不透水面的空間格局。程熙等[10]利用線性混合分解的方法將香港的土地覆蓋類型分為高、低反射率不透水面，植被和裸土4類，將得到的高、低反射率不透水面的比例相加獲得總不透水面比例； 高志宏等[11]用從QuickBird高空間分辨率影像獲取的不透水面比例數據和Landsat TM影像的光譜數據構成訓練樣本集，基于回歸樹模型(classification and regression trees，CART)反演得到了2002—2006年間山東省泰安市30 m空間分辨率的不透水面比例。

線性混合分解[10]和機器學習[12-14]等不透水面反演方法的提出與應用，使遙感在不透水面反演精度和效率等方面都有了較大提高。不透水面比例的遙感反演經歷了單時相到時間序列的發(fā)展，同時各種不透水面比例時間序列分析方法得以發(fā)展。本文將以此為脈絡，總結單時相不透水面比例反演方法、時間序列不透水面比例反演方法和精度驗證方法，并對各種方法的優(yōu)缺點進行剖析； 最后對現階段不透水面比例反演中存在的問題，提出針對性的建議，并展望未來的發(fā)展方向。

1 不透水面比例反演方法

現階段不透水面比例的反演方法主要包括2類： 一類是以Ridd[15]提出的城市生態(tài)組分模型(vegetation-impervious-soil, V-I-S)為理論基礎，將城市區(qū)域地表覆被類型表達為植被、不透水面與裸土等生態(tài)要素按不同比例的組合，采用光譜分解的方法反演不透水面比例； 第二類則是基于機器學習算法，構建不透水面比例與遙感影像各波段的光譜反射率或各類衍生指數的線性或非線性模型，從而反演不透水面比例。

1.1 光譜分解法反演不透水面比例

光譜混合分解模型中，將像元在某一波段的光譜反射率表示為占一定比例的各個基本組分(端元)反射率的組合?；谝韵录僭O： 在瞬時視場下，各組分光譜按一定數學規(guī)則混合，其比例由相關組分光譜的豐度決定，即遙感器瞬時視場內的地面目標輻射亮度僅與各組分所占比例有關，而與其形狀及分布等無關[16]。光譜分解的過程包括端元提取和定量化端元在影像像元中的百分比[17-20]2部分，其關鍵在于計算混合像元內各純凈端元的組成比例，并把混合像元的光譜分解成多種純凈端元的組合。由于不透水面類型多樣，光譜分解法反演不透水面比例的研究重點在于如何提取各種不透水面類型的端元光譜值以及如何有效區(qū)分不透水面與裸土、裸巖等亮地表。

1.1.1 端元確定

根據端元的選擇，可以將光譜分解模型分為固定端元分解[21-22]和可變端元分解[18，20]2類。固定端元分解是以V-I-S模型為理論依據，將城市地表視為植被、不透水面和裸土三者的組合。Wu等[23]基于V-I-S模型進一步將不透水面分為高反射率地物和低反射率地物，對Landsat ETM+影像進行光譜混合分解，最后將得到的高、低反射率地物分量影像相加，得到總不透水面比例。可變端元分解方法的提出是為了解決復雜城市景觀中的同物異譜、同譜異物現象。其基本思想是建立具有一定數量的端元光譜庫，對每一個像元運行所有端元組合，選擇最能代表該像元的最優(yōu)端元組合。Bian等[24]提出一種自適應端元選擇線性光譜混合模型(adaptive endmember selection linear spectral mixture model，ASLSMM)，通過考慮每個像元的端元動態(tài)組合來提高估算精度，其估算結果的均方根誤差(root-mean-squared error，RMSE)相比于固定端元分解降低了5.7%。

端元獲取是混合分解的關鍵，端元的提取精度直接影響地物擬合優(yōu)度和混合分解的精度。端元的獲取途徑有2類： 一是直接從遙感影像中提取，此方法優(yōu)勢在于獲取相對容易，端元光譜和影像具有相同尺度，端元噪聲可與影像噪聲相互抵消，但此方法對空間分辨率要求較高，影像空間分辨率越低，提取效果越差； 二是從已知端元庫中獲取，其優(yōu)勢是可以獲得較純凈的端元，但端元庫中端元是在理想狀態(tài)下得到的，與自然環(huán)境下的端元存在差距，且端元光譜缺少與實際影像的校正也會產生誤差。常用的獲取方法是通過最小噪聲分離(minimum noise fraction，MNF)和純凈像元指數(pure pixel index，PPI)等輔助手段直接從影像中提取，程熙等[10]對影像進行MNF變換，基于變換后的前3個波段MNF1(0.45～0.52 μm)，MNF2(0.52～0.60 μm)和MNF3(0.63～0.69 μm)的特征分布(圖1)，提取三角形散點圖，三角形的頂點即為端元，運用線性混合分解方法得到天津市的不透水面比例數據。

(a) MNF1和MNF2反射率散點圖 (b) MNF1和MNF3反射率散點圖 (c) MNF2和MNF3反射率散點圖

圖1 MNF變換前3個波段的特征分布(改編自程熙等[10])

Fig.1FeaturedistributionofthefirstthreeMNFcomponents(adaptedfromChengetal.[10])

1.1.2 不透水面與亮地表的區(qū)分

不透水面端元和裸土、裸巖等亮地表端元由于反射率值比較接近而難以區(qū)分。根據光譜不同，易混淆的裸土、裸巖等亮地表端元主要分為反射率相對較低的裸土、建筑工地等和反射率相對較高的沙地、裸露基巖等； 不透水面端元也分為低反射率和高反射率2個亞類，前者以瀝青材料為主，后者以混凝土材料為主。僅利用PPI方法不能很好地區(qū)分這2類端元，且獲得的純像元數目較少。目前這2類地物區(qū)分的主要方法是由高空間分辨率影像進行目視判讀。鄧蕾等[25]利用PPI和手動選取相結合的方法提取純像元，探討了選取這2類端元時內部高、低反射率像元個數比例對分解結果的影響，結果表明： 裸土、裸巖等亮地表端元選取時兼顧低反射率的裸土和高反射率的裸露基巖，可以整體提高模型的分解適宜度和分解精度； 不透水面端元中高反射率像元比例提高有助于改善整體分解效果，卻又不能全部提取高反射率純像元。而且，這種手動選取純像元的方法主觀性較強，所選端元中亞類間的比例不能準確量化，而端元中亞類的比例又直接影響反演精度，從而使反演結果存在一定的不確定性。此外，在進行大區(qū)域如國家、省區(qū)尺度的不透水面反演時，手動選取純像元的方法仍然存在很大的不確定性。

1.1.3 線性和非線性分解模型

線性光譜分解是最常用的一種光譜分解方法。該方法認為每一波段中單一像元的反射率，為各端元組分反射率與其各自比例的線性組合。在不透水面比例反演中多將水體進行掩模，用高、低反射率地物，植被和裸土4種光譜端元的線性組合來模擬影像的波譜特征，以高、低反射率地物比例之和作為總不透水面比例[23]。但由于大氣多次散射和儀器校準等因素影響，光譜混合是高度非線性的[26]，因此利用非線性模型進行分解具有較高精度。如多項式非線性混合模型[17]、基于核函數的分解方法[27]，可涵蓋廣泛的非線性混合類型，且實現較為靈活。李慧等[28]提出基于支持向量機(support vector machine，SVM)策略的端元可變非線性混合分解方法，為每個像元構造優(yōu)化端元集，提高分解精度，實驗表明該方法分解結果與線性分解相比，平均絕對誤差(mean absolute error，MAE)降低了約20%。雖然非線性分解模型因其廣泛性和靈活性得到一定的應用，但與線性混合分解模型相比還很不成熟，仍需要進一步深化研究和應用。另外，線性與非線性分解模型在函數擬合的過程中，將同時計算擬合殘差和RMSE，可根據誤差值的大小及分布來評估模型的反演效果。利用高空間分辨率影像和光譜分解的不透水面比例結果進行對比分析，可對模型分解效果的真實性作進一步的檢驗。

1.2 機器學習模型反演不透水面比例

近年來，機器學習算法在不透水面比例反演研究中逐漸得到廣泛應用。機器學習算法可以避免預先進行端元的提取和優(yōu)選，相比于光譜混合分解來說，能夠最小化人工時間成本、在一定程度上實現自動化，適用于大區(qū)域不透水面反演。機器學習算法在處理數據噪聲、復雜數據源以及有限訓練樣本方面有較好的表現[29]。主要包括： 決策樹、SVM、多層感知器(multi-layer perceptron，MLP)、隨機森林(random forest，RF)等。機器學習算法反演不透水面比例精度很大程度上決定于訓練樣本的質量，訓練樣本主要包括由波段反射率和光譜指數構成的輸入變量、由高空間分辨率影像提取得到的不透水面“真值”數據或現有土地覆蓋數據構成的參考數據集。下面將從輸入變量、參考數據和機器學習模型3個方面進行總結。

1.2.1 輸入變量

波段反射率是反映不透水面在不同光譜波段吸收或反射能力的最基本輸入變量。基于單季相或多季相的波段反射率特征建立機器學習模型是不透水面比例反演的常用方法?，F有研究表明，選用生長季和非生長季的波段，輔以波段變換后的特征構建訓練樣本集，將有助于地物的區(qū)分識別，提高模型反演精度[11,13]。利用各類地物在各波段上的反射率差異，有針對性地構建光譜指數可以使不透水面比例反演精度進一步提高。各學者根據不透水面在熱紅外波段輻射率高、在近紅外波段反射率低這一特性，提出了城市指數(urban index，UI)、歸一化差值建筑指數(normalized difference built-up index，NDBI)、歸一化差值不透水面指數(normalized difference impervious surface index，NDISI)等[30-32]。隨著夜間燈光數據的應用，結合多光譜數據和夜間燈光數據的一系列指數被提出，如人類居住指數(human settlement index，HSI)、植被調節(jié)型夜間燈光城市指數(vegetation adjusted nighttime light urban index，VANUI)、歸一化不透水面指數(normalized impervious surface index，NISI)等[33-35]。

輸入變量的選擇和組合是決定模型反演精度和計算效率的關鍵。選擇變量時既需要保證所選波段和光譜指數使不透水面與其他地物的區(qū)分度最大，也需兼顧考慮模型計算效率，進行必要數據篩選避免冗余。對輸入變量進行組合建立多個機器學習模型，再對比各模型精度和計算時間，選取最優(yōu)模型是當前的一種普遍方式[12,14]。Hu等[36]利用Landsat TM數據、國防氣象衛(wèi)星線性掃描業(yè)務系統(the defence meteorological satellite program/operational linescan system，DMSP/OLS)夜間燈光數據、數字高程模型(digital elevation model，DEM)及其相應的坡度數據，以北京市為研究區(qū)，對輸入變量進行組合建立了多個CART模型，并進行了模型精度對比分析。各組合模型及其精度分別如表1所示，其結果表明并非輸入變量越多反演精度越高，選擇對反演貢獻較大的變量進行建?？梢栽诒ＷC精度的同時節(jié)約計算資源。同樣，在類似研究中有學者對不同輸入變量和不同機器學習模型開展地物識別的效果進行了對比分析，結果表明在保證輸入變量相同的情況下，不同機器學習模型的選擇對地物提取精度的差異較小，而合理的選取輸入變量則可以使提取精度顯著提高[37]。因此，在不透水面比例反演過程中需要結合先驗知識和地理特情，選取對地物識別貢獻較大的變量建立定量反演模型。

表1 各CART模型和相應輸入變量[36]Tab.1 CART models and corresponding input variables

注： On b1-7和Off b1-7分別包括生長季和落葉季影像的第1—7波段； On TC和Off TC分別包括生長季和落葉季影像經過纓帽變換后的亮度、綠度、濕度； Light為夜間燈光數據； Slope為坡度；AE為絕對誤差；RE為相對誤差；R為相關系數。

1.2.2 參考數據

參考數據即作為不透水面比例反演模型訓練和反演精度驗證的數據。獲取參考數據主要有2條途徑： 一是利用現有土地覆蓋數據集或地方政府測繪的大比例尺數字化城市地圖，如Sexton等[38]將馬里蘭州數字化的道路、建筑物、停車場和人行道等地圖數據作為不透水面數據； 二是以高空間分辨率影像為數據源，對城市地物進行分類，繪制不透水面空間分布圖[39-40]，如Yang等[13]將IKONOS高空間分辨率影像進行監(jiān)督分類獲得空間分辨率為1 m的不透水面分類結果圖。將以上2種途徑獲得的不透水面分布圖柵格化，然后進行聚合使之與反演所用影像的空間分辨率一致，得到不透水面比例參考數據集。

1.2.3 機器學習模型

機器學習模型能夠較好地擬合線性或非線性函數，對于輸入變量的變化具有較強的魯棒性，不透水面比例的反演精度也較好。但現有研究多基于某一種機器學習模型，選擇不同的模型參數或輸入變量組合進行建模，分析不同條件下的模型表現，選擇最優(yōu)的模型進行反演[36，41]。對同一研究區(qū)基于多種機器學習模型分別進行不透水面比例反演的研究較為缺乏，難以定論何種模型最優(yōu)，僅能從各研究反演結果大致分析，幾種模型反演精度基本處在相近的范圍[14,42-43]。表2總結了各模型的機理、必要參數及當前反演不透水面比例的精度水平。機器學習模型也存在共同的不足： ①訓練樣本集的大小、所選樣本是否具有代表性對輸出結果的精度有很大影響[29]； ②各模型必要參數的設定需經過多次嘗試、對比才能選擇出最優(yōu)模型； ③由于年間光譜差異較大，僅利用單年訓練數據得到的模型難以直接應用于其他年份的不透水面比例反演。

表2 不透水面機器學習反演模型對比Tab.2 Comparison of machine learning retrieval models of impervious surface

2 時間序列不透水面比例反演與分析

2.1 基于單時相影像逐年反演不透水面比例

為更好地監(jiān)測城市化進程及其對城市環(huán)境的影響，學者在探索單一時期不透水面比例反演方法的同時，也關注了不透水面比例的動態(tài)變化趨勢。常用的研究方法是基于單時相影像的反演方法，即對每一年份的不透水面比例單獨進行反演，構建時間序列不透水面比例數據集，再結合人口、經濟和政府規(guī)劃等數據進行不透水面變化分析[44]。此類研究雖然使用了多個時間或者時間序列數據，但均是基于單一時相的影像來反演不透水面比例，對年際物候變化產生的影響考慮不足，沒有充分利用時間特征信息，難以捕捉不透水面在連續(xù)時間上的細微變化。

2.2 基于多時相影像逐年反演不透水面比例

受氣候條件和降雨空間分布的影響，不同季節(jié)、年份的遙感影像在光譜特征上存在差異，最顯著的表現就是植被的物候變化。比如在旱季，休耕地等高反射率地物常與不透水面混淆，往往難以通過單一時相的數據區(qū)分。利用多季相、連續(xù)年份的影像數據開展不透水面比例反演是解決這一問題的有效途徑。如疊加生長季和非生長季影像，基于疊加影像構建訓練樣本集，利用植被季節(jié)變化特征加強機器學習模型對季節(jié)性休耕農田和不透水面的識別[41]； 再如使用時間窗口計算連續(xù)年份的反射率中值和NDVI最大值，利用其帶有的生長季信息加強地物識別，同時起到了濾波的效果，減少殘余環(huán)境噪聲和大氣物候的影響[38]。

總的來說，利用多時相影像進行不透水面比例反演具有以下優(yōu)勢： ①長時間序列的觀測能夠捕捉到微弱的不透水面變化，更精細地表征不透水面變化趨勢； ②連續(xù)年份或同年多季相影像提供的植被信息能夠加強不透水面和裸地的區(qū)分度； ③利用時間濾波窗口進行濾波有助于消除部分殘余噪聲。然而，基于多時相影像的反演也存在明顯的缺陷： 云層覆蓋、傳感器老化或損壞等原因導致影像不可用，難以獲取日期接近、光譜一致性較好的密集時間序列數據集。

2.3 不透水面比例變化趨勢分析方法

2.3.1 差值函數模型

差值函數模型即利用任意2 a的不透水面比例進行求差，是獲得時間序列不透水面變化趨勢最直接、簡單的方法。Zhang等[45]對舟山島1986—2011年間的不透水面變化進行監(jiān)測，利用1986年和2011年這2期的不透水面比例求差，最終得到25 a間不透水面平均每年增長2.70 km2； Li等[46]利用線性光譜分解得到哈爾濱市1984—2010年間的不透水面比例數據，將每年的不透水面比例分為0～1的10個區(qū)間，同時對各區(qū)間賦予不同的權重，以求得當年哈爾濱市的城市重心，用重心移動的方向和距離來表現不透水面的空間變化，用年際差值作為衡量不透水面變化速率的指標。差值函數模型能直觀地展現不透水面的總體增長趨勢，但難以反映具體的變化過程。同時，求差可能由于某年的數據存在誤差，而導致所得到的不透水面變化數據不夠準確。

2.3.2 擬合函數模型

由于差值分析方法存在著一些問題： ①特定年份的誤差將傳播到任何使用該數據產生的不透水面變化數據中[47]； ②誤差傳播將導致變化結果的內在不一致； ③不透水面變化完成需要一段較長時間(如1～3 a)。因此，使用符合不透水面變化特征的函數模型能更細致、準確地描述不透水面在連續(xù)時間和空間上的動態(tài)變化。Song等[48]基于不透水面變化是不可逆的這一假設，將不透水面的變化分為3個階段： 變化前穩(wěn)定階段、急劇增加或逐漸增加的變化階段、變化后穩(wěn)定階段。采用Logistic函數來模擬這3個階段，不透水面比例的公式為

(1)

式中：ISPt為t時間的不透水面比例，是隨時間t變化的函數；a為不透水面變化量，b為變化的速率；c為變化的時間；d為變化前或后的ISP值。

基于上述模型得到4個參數后，分別用變化量、變化中間年份和變化持續(xù)時長來描述不透水面的變化(圖2)。其中變化量用a表示； 變化中間年份用c/b來表示； 計算變化持續(xù)時長需確定變化開始和結束的年份，可從變化中間年份開始向前和向后搜索，以年變化率小于5%時對應的年份為變化開始和結束年。擬合函數的方法可以完整地描繪不透水面變化過程，但使用何種函數需要根據研究區(qū)域不透水面的變化特征來具體確定。

圖2 Logistic函數模擬不透水面變化(改編自Song等[48])Fig.2 Simulating the ISP by using Logisticfunction(adapted from Song et al.[48])

3 精度驗證方法

常用的不透水面比例反演精度驗證方法包括： ①以訓練數據中的不透水面比例參考數據構成驗證集，用n折交叉驗證的方法求取平均偏差誤差(mean bias error，MBE)，MAE和RMSE[38]； ②在所得不透水面比例影像上隨機選取驗證點，以高空間分辨率遙感影像為數據源對驗證點處的不透水面比例進行解譯，將解譯得到的不透水面數據和預測所得數據求差得到誤差值[41,49]。這2種方法都存在各自的優(yōu)勢和不足，交叉驗證利用已建立的數據集進行驗證，較為方便，但驗證數據和模型訓練數據屬同源數據，會影響驗證結果的客觀性； 采用其他來源的高空間分辨率影像進行驗證，避免了使用同源數據，結果更加客觀，但流程較為復雜且某些年份的高空間分辨率影像不易獲取。

4 結論與展望

近20 a來，不透水面研究進展迅速，從分類制圖到定量反演，從獲取單一時期數據到時間序列變化監(jiān)測，從簡單的城市擴張定量化到人與環(huán)境的綜合評價分析，在各方面都取得了重大突破?；谏鲜鱿嚓P研究進展，綜合國內外不透水面比例反演方法及發(fā)展趨勢，筆者對今后遙感反演不透水面比例的方法及其應用有如下思考和認識。

1)端元獲取是光譜混合分解的關鍵，是決定反演精度的主要因素。探究影像變換的新方法從中提取端元或尋求端元庫與實際影像間的校正方法以保證純凈光譜和實際影像契合，是提高混合像元分解精度的2條途徑。

2)建立充足且具有代表性的訓練樣本集是機器學習模型反演不透水面比例的必要條件。當前的研究大多以大城市或特大城市作為研究區(qū)，未將模型推廣至具有不同環(huán)境條件的更大尺度區(qū)域。針對不同氣候、地形條件下的區(qū)域進行多輸入變量組合建模，通過模型對比確立各類型區(qū)域的輸入變量選擇方案，是實現大區(qū)域不透水面比例反演的有效方法。另外，從高空間分辨率影像提取不透水面并聚合獲得不透水面比例是獲取參考數據的重要手段，其提取精度決定了訓練樣本的質量。因此，解決高空間分辨率影像中陰影造成的高估現象和植被遮蓋不透水面造成的低估問題，是進一步提高機器學習模型反演精度的突破方向。

3)機器學習模型對訓練樣本的選擇要求較高，需要一定的人工參與，未來需加強樣本自動選取方法的研究，實現高效、自動的不透水面反演。深度學習算法的發(fā)展降低了訓練樣本選取難度，算法對原始輸入數據進行變換產生新的特征，并自動尋找特征間的關系建立函數模型，未來可針對新算法進行試驗并對各方法對比分析。此外，發(fā)展不透水面等地物識別模型應該結合地物識別的機理，圍繞“在識別中定量，在定量中識別”的基本思路。

4)裸土和不透水面的混淆仍是不透水面比例反演的一大難題。可基于多季相影像進行反演，如綜合植被生長旺盛的夏季影像和冬季影像所獲得的反演結果，將有利于裸土和不透水面的區(qū)分。深入挖掘多源輔助數據的潛力，如利用激光雷達(light detection and ranging，LiDAR)的高程信息區(qū)分建筑物和裸土； 利用Google Map抓取的路網信息提高道路提取精度； 利用人類感興趣點(point of interest，POI)分布圖獲取城市范圍剔除部分裸土等。

5)全球城市化發(fā)展對城市定量遙感提出了新的挑戰(zhàn)，基于遙感的城市生態(tài)環(huán)境參數定量描述成為研究熱點。結合國家發(fā)展規(guī)劃和區(qū)域合作戰(zhàn)略構想，不透水面的定量分析需要從城市擴張與土地覆被變化，拓展到生態(tài)、人居和熱環(huán)境等多個主題，為城市環(huán)境健康、發(fā)展規(guī)劃和資源管理等提供支持。在研究的空間尺度上，形成城市、城市群、國家、區(qū)域經濟共同體以及全球等多尺度研究格局，分析不同尺度上城市化的影響； 在時間尺度上，充分利用長時間序列遙感影像的優(yōu)勢，實現對城市化定性、定時的綜合研究。