植被調節下的干旱區不透水面覆蓋率遙感估算方法

沈 謙，朱長明，張 新，黃巧華，楊程子，趙 南

(1. 江蘇師范大學地理測繪與城鄉規劃學院，江蘇 徐州 221116; 2. 中國科學院遙感與 數字地球研究所,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成的建筑物、路面和停車場等[1]。隨著中國城市化進程的加快，城市周邊大量的耕地、林地、水體等轉變為不透水面。地表物理特性的改變，導致地表與大氣之間水分和能量交換過程的改變，引發城市熱島效應，對區域氣候、人居環境、城市生態、空氣質量等方面產生了一系列負面影響[2]。因此，快速獲取城市不透水面的空間分布信息對于城市擴張監測、合理規劃城市及環境保護有著重要意義[3]。遙感技術在城市不透水面擴張監測領域具有時效性強、監測范圍廣、工作效率高等優勢，傳統光學遙感提取不透水面的方法主要采用可見光-近紅外遙感影像，如Landsat TM/ETM+、MODIS影像等，根據不透水面在不同波段上的特征，通過求取一系列不透水指數或利用光譜混合分解等方法[4-11]進行不透水面的提取。在區域尺度光學遙感不透水面提取過程中，中等、高分辨率影像受限于成像寬幅的影響，難以實現大范圍、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國防氣象衛星(defense meteorological satellite program，DMSP)搭載的光學線掃描系統(operational line-scan system，OLS)所獲取的夜間燈光影像。

基于夜間燈光數據大尺度不透水面制圖方法目前主要包括閾值法[12-14]、機器學習法[15-17]、指數法[18-21]。由于夜間燈光數據的過飽和性及大尺度研究地理特征的復雜性，閾值法難以表現出城市內部不透水面空間分布的細節信息。因此利用DMSP夜間燈光數據及相關輔助數據的機器學習法和指數法成為大范圍不透水提取的主要方法。如曹鑫等利用DMSP/OLS數據和SPOT VGT數據，基于區域增長算法的支持向量機方法提取了中國東部25個城市的不透水面[15]。但是，在選擇不透水樣本和種子區域時，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飽和問題，Lu等利用MODIS NDVI影像和DMSP/OLS夜間燈光影像構建了居住區指數(human settlement index，HSI)，通過建立研究區個別城市內中等分辨率不透水分布數據與HSI之間的線性回歸關系，實現東部地區不透水面的估算，精度較高[18]。HSI是目前最具代表性、應用最為廣泛的不透水指數。但是，楊曉楠等研究指出HSI方法難以區分城市與裸土、水體，不適用于植被覆蓋度較低的地區[22]。為此，本文構建了一種根據區域內植被覆蓋度進行動態調節的植被調節不透水指數(vegetation-adjusted impervious surface index，VAISI)，該指數根據不同研究區內的植被覆蓋度，動態調節燈光數據與植被指數在模型中的權重，克服干旱區裸土像元不透率估算結果較大的問題，提高不透水面覆蓋率(impervious surface percentage，ISP)的估算精度。

1 研究區與數據源

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

圖1 研究區

2 研究方法

基于SVR模型的ISP估算技術流程如圖2所示。首先，進行數據獲取及預處理，包括對所用影像進行投影坐標系的統一，從Landsat影像中獲取參考數據，對燈光影像進行歸一化及NDVI數據的最大值合成等；其次，根據干旱區不透水面在燈光影像及NDVI數據上的特征，構建VAISI；再次，使用SVR模型利用VAISI進行干旱區ISP的估算。模型算法的核心部分在于VAISI模型構建和基于SVR模型的干旱區ISP的估算。

圖2 基于SVR的ISP估算技術流程

2.1 VAISI指數模型構建

為了解決干旱區ISP估算精度較低問題，本研究利用植被覆蓋度動態調節NDVI與DMSP/OLS燈光數據的作用權重，構建了VAISI，見式(1)。由于NDVImax數據與不透水面呈負相關，因此增強1-NDVImax，提高燈光區域內不透水面與非不透水面之間的指數差異，改進不透水面的空間分布細節，并用燈光值的拉伸結果與增強后的1-NDVImax相乘，使燈光區域內的非不透水覆蓋的指數值接近于0，解決HSI在燈光值等于0時，低植被覆蓋率土地覆蓋的指數較高問題。最后，利用燈光數據與植被指數進一步提高燈光區域內不透水面與透水面之間的指數差異。

(1)

(2)

式中，NDVImax為一年植被指數最大值合成數據；OLS為歸一化后燈光數據；FVC為研究區植被覆蓋度；NDVIsoil為純裸土像元的植被指數值；NDVIveg為純植被像元的植被指數值。

2.2 基于SVR的不透水面估算

根據Landsat影像獲得的不透水面參考數據，利用平均值法將空間分辨率從30 m重采樣為500 m作為參考數據，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，并利用Grid Serach方法來嘗試核函數中各種可能的兩個參數：c和g，然后進行交叉驗證，找出使交叉驗證精度最高的(c，g)，作為最佳參數輸入核函數訓練回歸模型。通過模型的訓練與驗證，RBF核函數最佳參數c和g最終確定為0.35和0.35。在烏魯木齊、嘉峪關-酒泉、喀什各隨機選取300個樣點，通過SVR對提取的參考數據與VAISI建立回歸模型，實現研究區不透率的估算。

3 結果與精度分析

3.1 VAISI計算與ISP制圖

干旱區HSI歸一化結果、VAISI如圖3所示，受到植被指數的影響，HSI在干旱區大部分地區誤差較大，在植被覆蓋率較高地區效果較好。在城市周邊燈光區域內的裸土區域，植被指數占據主導，提高了裸土的指數值，與城市不透水面區分難度較大。在遠離城市的非燈光區域，燈光值為0且NDVI值較低地區的亮度較高，如塔克拉瑪干沙漠遠離城市，植被覆蓋率較低，但在HSI中的值卻較高，遠高于背景值；博斯騰湖、阿雅格庫木庫里湖、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。而在這些區域，VAISI有效反映了不透水面分布的真實情況，如塔克拉瑪干沙漠、博斯騰湖等湖泊在VAISI上指數值為0，并且抑制城市周邊裸土及燈光溢出所帶來的影響，可以有效地對不透水面像元與非不透水像元進行區分。

圖3 干旱區HSI、VAISI計算結果

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

圖4 HSI、VAISI局部地區對比圖

3.2 精度對比分析與評價

采用庫爾勒、伊寧、烏蘇、銀川、金昌等地區作為驗證城市。根據Landsat影像獲得的驗證城市500 m分辨率ISP數據作為參考數據，每個地區隨機生成300個樣點，提取HSI、VAISI估算結果及參考數據進行精度驗證。選擇均方根誤差(root mean squared error，RMSE)及估算結果與參考數據之間的相關系數R，作為VAISI、HSI的ISP估算精度評價指標。RMSE越小，相關系數R越大，表明不透水面估算精度越高，反之精度越低。精度評價結果見表1。統計數據表明，在城市周邊植被覆蓋較高的銀川、伊寧、烏蘇基于HSI的ISP估算結果與參考數據的相關系數分別為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爾勒、金昌，部分非燈光區像元受植被覆蓋度的影響，相關系數分別為0.59、0.60，RMSE分別為0.15、0.20。但是，本文方法估算結果在銀川、伊寧、烏蘇等地區相關系數分別為0.82、0.78、0.83，RMSE分別為0.12、0.18、0.13。與此同時，有效改善了燈光區內透水像元ISP估算結果較高問題，以及燈光區外透水像元ISP高于背景值的問題。庫爾勒、金昌地區的相關系數分別為0.74、0.79，RMSE分別為0.12、0.15。以上數據表明，VAISI與HSI相比，有效地克服了由于燈光溢出問題和低植被覆蓋度導致的干旱區ISP估算過程中燈光區內過飽和，以及非燈光區裸土像元估算結果過高問題，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估算精度評價

4 結論與討論

針對HSI指數模型在干旱區城市內部及周邊存在大量的裸土、沙漠等非不透水面難以有效區分，導致區域不透水面估算精度較低問題。本文選擇中國西部干旱區為重點研究區，利用植被覆蓋度作為調節系數對DMSP夜間燈光影像、植被指數進行動態拉伸，構建了適用于干旱區ISP估算的植被調節不透水指數模型(VAISI)，并且通過Landsat影像獲得的不透水面參考數據建立關系模型，實現根據SVR非線性模型對VAISI與不透水面的估算。研究得到以下結論：

(1) 利用植被覆蓋度作為調節系數，動態拉伸燈光數據，有效解決了受燈光溢出問題的影響，干旱區城市周邊不透率的高估問題，提高了ISP估算精度。

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

(3) 在遠離城市的植被覆蓋率較低區域，VAISI有效地克服了估算結果高于背景值的問題，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城市生態要素關系的定量分析[J]. 生態學報, 2009, 29(5):2456-2462.

[2] 徐永明, 劉勇洪. 基于TM影像的北京市熱環境及其與不透水面的關系研究[J]. 生態環境學報, 2013(4):639-643.

[3] 李德仁, 李熙. 論夜光遙感數據挖掘[J]. 測繪學報, 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[J]. 武漢大學學報(信息科學版), 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]. 遙感學報, 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——以咸陽市為例[J]. 測繪通報, 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, 趙媛媛,等. 利用DMSP/OLS穩定夜間燈光數據提取城鎮用地信息的分層閾值法研究[J]. 中國圖象圖形學報, 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指數的DMSP/OLS夜間燈光數據去飽和方法[J]. 地理學報, 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居民地指數[J]. 國土資源遙感, 2016, 28(4):127-134.