一種基于Sentine-2A影像的高分辨率不透水面提取遙感指數

張菲菲 阮惠華 許劍輝 趙怡

（1.廣東第二師范學院 計算機科學系，廣東 廣州 510303;2.廣東省氣象探測數據中心，廣東 廣州 510080;3.廣州地理研究所//廣東省遙感與地理信息應用重點實驗室//廣東省地理空間信息技術與應用公共實驗室，廣東 廣州 510070;4.中國科學院 廣州地球化學研究所，廣東廣州 510640;5.中國科學院大學，北京 100049）

摘要：以粵港澳大灣區為研究區域，以2017年11月1日Sentinel-2A高分辨率多光譜遙感影像為基礎數據源，在BAEM指數基礎上，結合歸一化建筑物指數（NDBI）、歸一化植被指數（NDVI）、歸一化水體指數（MNDWI）和歸一化裸土指數（RNDSI），提出一種針對城市群的高分辨率不透水面綜合指數（CompositedISI），并利用Otsu算法實現粵港澳大灣區空間分辨率為10 m的城市不透水面識別與提取，并與傳統的NDBI指數提取的不透水面結果進行精度驗證與對比。結果表明，CompositedISI指數較好地避免單個指數提取不透水面時所面臨的異物同譜等問題。NDBI指數提取不透水面的總體精度和Kappa系數分別為86.80%和0.68，CompositedISI指數提取不透水面的總體精度和Kappa系數達到了88.92%和0.74。相比傳統的NDBI指數，CompositedISI指數提取的不透水面效果更優，這是因為CompositedISI指數綜合考慮了不透水面與植被、水體、裸體之間差異。

關鍵詞：粵港澳大灣區;Sentinel-2A;歸一化建筑物指數;不透水面綜合指數

中圖分類號：TP75? ? ? ?文獻標識碼：A

文章編號：1009-3044（2019）27-0279-06

Abstract： To extract 10-m urban impervious surfaces in the Guangdong-Hong Kong-Macao Greater Bay Area （GBA）， the cloud-free Sentinel-2A imagery on 1 November 2017 was used in this study. The normalized difference built-up index （NDBI） was examined to the newer Sentinel-2A data for extracting high-resolution impervious surface during this study， and a new composited impervious surface index （CompositedISI） for impervious surfaces extraction has been proposed. Instead of using individual impervious surface index， CompositedISI may make full use of integrated advantages of NDBI， normalized difference vegetation index （NDVI）， modified normalized difference water index （MNDWI）， and ratio normalized difference soil index （RNDSI）. Then， an impervious surface image with the spatial resolution of 10 m was extracted from the CompositedISI image using the Otsus method. Through integration of NDBI， NDVI， MNDWI， and RNDSI， the CompositedISI was able to improve overall accuracy of impervious surface extraction compared to the NDBI method， with the overall accuracy of 88.92% and a Kappa value of 0.74. The overall accuracy and Kappa of the impervious surface extracted from the NDBI were 86.80% and 0.68， respectively. Results indicate that the CompositedISI was more accurate at mapping high-resolution impervious surfaces when applied to Sentinel-2A imagery as compared to the NDBI method.

Key words： Guangdong-Hong Kong-Macao Greater Bay Area;Sentinel-2A;Normalized difference built-up index;Composited impervious surface index

城市不透水面是指城市中各種不透水建筑材料所覆蓋的表面[1]，現已變成了城市環境變化和人地相互作用的指示器與重要驅動力，是城市生態環境規劃與保護的關鍵依據。不透水面的增加會影響城市的水循環，導致洪澇、內澇災害風險的增加[2]，影響地表蒸騰以及感熱潛熱的存儲和交換、形成更加強烈的城市局地氣候，從而進一步加劇城市“熱島”的形成，導致城市生態系統的惡化[3-5]。因此，準確估算與提取高精度的精細不透水面信息對建設中國新型城鎮化、生態城市、海綿城市有著重要的現實意義。

隨著衛星對地觀測技術的快速發展，越來越多的不透水面遙感提取方法被相繼提出。當前，利用遙感技術提取不透水面信息的方法主要包括回歸方法[6， 7]、光譜解混分析法[8-10]、指數法[11-13]、影像分類法[14，15]等。光譜解混分析方法主要致力于解決中低分辨率影像中存在的混合像元問題[16， 17]。由于其線性關系對地物的解釋能力強，且結果可靠，線性光譜混合分析模型（Linear Spectral Mixture Analysis，LSMA）是目前最為常用的光譜混合分析模型[8， 9， 18]。然而，在LSMA 中，僅僅用1或2個固定端元無法有效地代表城市中各種不透水面物質，使得很多裸土會混在不透水面信息中;有限的多光譜影像的光譜分辨率不能有效地獲取代表純凈像元的端元光譜特征[19]。分類回歸樹（classification and regress tree，CART）的方法首先通過高分辨率的數據建立訓練樣本，然后通過回歸樹的方法來對中低分辨率大范圍的數據進行預測[20， 21]。但結果的準確性很大程度上依賴于高質量的訓練樣本[20]。指數法是通過遙感光譜指數來增強和提取不透水面信息，可以自動、快速地提取大范圍的不透水面。常用的提取不透水面的光譜指數包括：歸一化不透水面指數NDISI（Normalized Difference Impervious Surface Index）[1]、城市指數UI（Urban Index）[12]、歸一化建筑物指數NDBI（Normalized Difference Built-up Index）[22]、IBI指數（Index-based Built-up Index）[23]、修正的歸一化不透水面指數MNDISI（Normalized Difference Impervious Surface Index）[24]、NDII指數（Normalized Difference Impervious Index）[25]、EBBI指數（Enhanced Built-up， and Bareness Index）[26]、BCI指數（Biophysical Composition Index）[27]以及CBI指數（Combinational Built-up Index）[28]等。這些指數都可以用于遙感不透水面提取，并取得了一定的效果。

總的來說，用于不透水面提取的方法很多，但上述大部分方法主要集中于基于中、低分辨率影像的大區域不透水面制圖。許多算法都應用到中紅外、熱紅外這些有利于建筑不透水面識別的光譜波段。但是現有的高分辨率影像中除了少數具有中紅外波段外，大部分只有可見光和近紅外波段，從而限制了這些方法的使用。當前針對高分影像開發的算法還很少，這給高分辨率影像不透水面提取帶來較大的困難[19]。

Sentinel-2衛星是全球環境與安全監視系統（GMES）中的多光譜遙感成像任務，該任務的實施由歐洲委員會和歐空局共同執行。該任務用于對全球陸地狀況的監測，可用于農業估產，勘察土壤和水的覆蓋，內陸河道和海岸地區。Sentinel-2包括兩顆A和B星，可以每5天實現對全球一次觀測，相較于Landsat 8衛星具有較高的空間分辨率和重訪能力。Sentinel-2A/2B衛星已被廣泛應用于水體提取、農作物監測和不透水面蓋度提取，取得了不錯效果。Sentinel-2 影像數據已應用于葉面積指數反演、監視植被健康、水體提取、不透水面蓋度提取等[29-33]（鄭陽等，2017;謝巧云，2017;方燦瑩等，2017;Yang et al.，2017;Du et al.，2017）。就目前來看，針對高分辨率的Sentinel-2影像數據自動提取城市不透水面信息的遙感指數，目前還沒有相關的成果發表。

本研究以粵港澳大灣區為研究區域，2017年11月1日Sentinel-2A無云遙感影像為數據源，對BAEM在算法上進行改進，提出一種針對城市群的高分辨率不透水面綜合指數（CompositedISI），并利用Otsu算法提取粵港澳大灣區10 m分辨率的不透水面。

1 研究區域與數據

1.1 研究區

本研究以粵港澳大灣區為研究區域（東經112°～115°，北緯21.5°～24°）進行高分辨率不透水面提取研究，如圖1所示。粵港澳大灣區海陸兼備，河海交互，涵蓋了珠三角9市（廣州、深圳、東莞、佛山、中山、珠海、江門、惠州和肇慶）和香港、澳門2個特別行政區。40多年的高速發展，粵港澳大灣區城鎮化高度發達，土地擴張明顯，建設用地面積增加顯著，其中建設用地面積由2000年的4486 km2增長至2016年的6442 km2，人口約7000萬[34]，是國家建設世界級城市群和參與全球競爭的重要空間載體，也是世界上最具發展潛力的灣區之一。

1.2 Sentinel-2A影像

本研究以Sentinel-2遙感影像為數據源，提取粵港澳大灣區空間分辨率為10 m的城市不透水面。Sentinel-2是高分辨率多光譜成像衛星，搭載多光譜成像儀MSI（multi spectral? instrument），可用于陸地監測，可提供植被、土壤和水覆蓋、內陸水路及海岸區域等圖像，還可用于緊急救援服務。Sentinel-2包括2A和2B兩顆衛星，重訪周期5天。Sentinel-2A包括從可見光和近紅外和短波紅外通道覆蓋13個光譜波段，空間分辨率分為10 m、20 m和60 m，如表1所示。本研究選取2017年11月1日無云的Level-1C Sentinel-2A影像數據，數據來源于Copernicus Open Access Hub（https：//scihub.copernicus.eu）。利用Sen2cor軟件包對Sentinel-2A的Level-1C產品進行大氣校正、拼接等預處理，并將上述影像數據統一投影到UTM/WGS84中。采用最鄰近插值方法對空間分辨率為20m的近紅外波段（NIR，Band 8b）和中紅外波段1（SWIR1，Band 11）進行空間插值處理，得到空間分辨率為10m的NIR和SWIR1波段反射率。

2 研究方法

2.1不透水面綜合指數

BAEMOLI指數是由Bhatti和Tripathi針對Landsat 8 OLI影像數據提出的不透水面綜合指數[35]。BAEMOLI指數結合了歸一化建筑指數（NDBI）、歸一化植被指數（NDVI）、改進的歸一化水體指數（MNDWI），綜合考慮了不透水面與植被和水體之間的差異，能夠快速、自動地提取不透水面，并且在不透水面提取過程中不需要掩膜水體。BAEMOLI指數的計算公式為：

式中，[NDVIOLI]為利用Landsat 8近紅外波段（NIR）和紅波段（Red）計算的歸一化植被指數;[MNDWIOLI]表示利用Landsat 8綠波段（Green）和中紅外波段1（SWIR1）計算的改進歸一化水體指數;[NDBIOLI]為歸一化建筑物指數，利用Landsat 8的NIR、SWIR和熱紅外波段（TIR）聯合計算得到：

[NDBIOLI=1stPCAof Bands6，7+1stPCAof Bands10，11-Band 51stPCAof Bands6，7+1stPCAof Bands10，11+Band 5]? ? （2）

式中，[1stPCAof Bands6，7]表示Landsat 8 的SWIR1和SWIR2的第一主成分，[1stPCAof Bands10，11]表示Landsat 8 的熱紅外波段10和11的第一主成分，Band 5表示Landsat 8的NIR波段。然而，由于Sentinel-2A影像數據并沒有熱紅外波段，BAEMOLI指數并不適用于Sentinel-2A提取10 m分辨率的不透水面。參考BAEMOLI指數，本研究基于NDBI、NDVI、MNDWI和RNDSI（歸一化裸土指數）構建出一個基于Sentinel-2A高分辨率遙感影像的城市不透水面綜合指數：

式中，[NDBInor]、[MNDWInor]、[NDVInor]和[RNDSInor]為經過歸一化處理的歸一化建筑指數（NDBI）、歸一化水體指數（MNDWI）、歸一化植被指數（NDVI）和相對歸一化裸土指數（RNDSI）。利用Sentinel-2A的SWIR1和NIR波段反射率計算NDBI[36]，并對NDBI指數進行歸一化處理：

式中，[TC1nor]表示歸一化的裸土亮度信息（Soil Brightness）。采用Landsat 8穗帽變換計算系數，結合Sentinel-2A影像的藍波段、綠波段、紅波段、近紅外波段和中紅外波段等6個波段信息計算Sentinel-2A影像的裸土亮度信息[TC1nor]：

結合Sentinel-2A遙感影像的6個波段信息，利用式（3）計算研究區不透水面綜合指數，獲取高分辨率的城市不透水面綜合指數影像;利用Otsu算法對高分辨率的城市不透水面綜合指數影像進行閾值提取[39]：

式中，m1和m0分別為影像中屬于不透水面和透水面像元的平均值，m為整幅影像像元平均值，w1和w0分別為影像中屬于不透水面和透水面的比例。

結合式（15）提取的閾值，對高分辨率的城市不透水面綜合指數影像進行二值化處理，得到二值分割后的高分辨率城市不透水面影像IS（Impervious Surface）：

式中，（i，j）表示不透水面綜合指數影像的像素行列號，threshold為Otsu閾值分割方法自適應選取的分割閾值。

2.2精度評價

不透水面綜合指數提取的結果是不透水面和非不透水面的分類信息，可以采用傳統的混淆矩陣和Kappa系數來檢驗分類精度。本研究通過Google高分影像進行交叉驗證并隨機選擇均勻分布的5000個樣本（如圖2所示），采用總體精度、Kappa系數、生產者精度和使用者精度評價城市不透水面綜合指數提取的精度。

3 結果與分析

結合Sentinel-2A遙感影像數據，本研究分別采用CompositedISI和NDBI指數提取空間分辨率為10 m的粵港澳大灣區不透水面，結果如圖3所示。從圖3可以看出，CompositedISI和NDBI指數能較好地提取粵港澳大灣區的不透水面，不透水面具有類似的倒U型空間分布，主要分布在廣州、東莞、深圳、香港特別行政區、佛山、中山、珠海。然而，在肇慶的森林、裸土地區，NDBI會把部分屬于植被、土壤的像元被劃分為不透水面，而CompositedISI具有較好的結果，如圖3左上角所示。

為了更客觀地分析高分辨率不透水面提取結果，本研究采用總體精度OA（Overall Accuracy）、Kappa系數、生產者精度（Producers Accuracy）和使用者精度（Users Accuracy）比較CompositedISI和NDBI提取精度，精度結果如表2所示。由表2可以看出，NDBI的總體精度和Kappa系數分別為86.80%和0.68，生產者精度達到91.88%，而使用者精度僅有66.71%;而CompositedISI的總體精度和Kappa系數都比NDBI高，達到了88.92%和0.74。總的來說，CompositedISI用于提取空間分辨率為10 m的城市不透水面是可行的，精度也比較理想。

為了進一步驗證本研究提出的方法提取粵港澳大灣區城市群不透水面提取情況，對提取結果進行分區可視化。選擇3個典型樣區，分別為建筑物密集區域、森林區域和農田區域，如圖4所示，其中圖4a為高分遙感影像，圖4b為本研究提出的CompositedISI指數提取的不透水面，圖4c為傳統NDBI指數提取的不透水面。

從圖4可以看出，CompositedISI指數和NDBI都能較好地提取不透水面。NDBI提取的結果存在一些不足，在樹木冠層覆蓋比較大的道路或河流沿岸，有部分植被覆蓋的像元被分成了不透水面;在森林區域，部分裸地像元被劃分為不透水面（如圖4c所示），這是不合理的。這是因為NDBI不能很好地區分不透水面和裸土。CompositedISI指數能夠從植被、水體、裸土中較好地提取不透水面，道路也能較好地提取。這是因為本研究提出的高分辨率CompositedISI指數考慮了不透水面與植被、水體、裸體之間的差異，避免了NDBI指數提取不透水面時所面臨的異物同譜等問題。

[14] Heremans S， Orshoven J V. Machine learning methods for sub-pixel land-cover classification in the spatially heterogeneous region of Flanders （Belgium）： a multi-criteria comparison[J]. International Journal of Remote Sensing， 2015， 36（11）：2934-2962.

[15] Xuefei Hu， Qihao Weng. Estimating impervious surfaces from medium spatial resolution imagery： a comparison between fuzzy classification and LSMA[J]. International Journal of Remote Sensing， 2011， 32（20）：5645-5663.

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

[17] Somers， B， Verbesselt， J， Ampe， E. M， et al. Spectral mixture analysis to monitor defoliation in mixed-aged Eucalyptus globulus Labill plantations in southern Australia using Landsat 5-TM and EO-1 Hyperion data.[J]. International Journal of Applied Earth Observation and Geoinformation， 2010， 12（4）：270-277.

[18] Quarmby N A， Townshend J R G， Settle J J， et al. Linear mixture modelling applied to AVHRR data for crop area estimation[J]. International Journal of Remote Sensing， 1992， 13（3）：415-425.

[19] 徐涵秋，王美雅.地表不透水面信息遙感的主要方法分析[J].遙感學報，2016，20（05）：1270-1289.

[20] Liming Jiang， Mingsheng Liao， Hui Lin， et al. Synergistic use of optical and InSAR data for urban impervious surface mapping： a case study in Hong Kong[J]. International Journal of Remote Sensing， 2009， 30（11）：2781-2796.

[21] Limin Yang， Chengquan Huang， Collin G Homer， 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.

[22] Zha Y ， Gao J ， Ni S . Use of normalized difference built-up index in automatically mapping urban areas from TM imagery[J]. International Journal of Remote Sensing， 2003， 24（3）：583-594.

[23] Xu， H. A new index for delineating built‐up land features in satellite imagery[J]. International Journal of Remote Sensing， 2008， 29（14）：4269-4276.

[24] Liu C ， Shao Z ， Chen M ， 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.

[25] Wang Z ， Gang C ， Li X ， et al. Application of a normalized difference impervious index （NDII） to extract urban impervious surface features based on Landsat TM images[J]. International Journal of Remote Sensing， 2015， 36（4）：1-15.

[26] As-Syakur A R ， Adnyana I W S ， Arthana I W ， et al. Enhanced Built-Up and Bareness Index （EBBI） for Mapping Built-Up and Bare Land in an Urban Area[J]. Remote Sensing， 2012， 4（12）：2957-2970.

[27] Deng C ， Wu C . BCI： A biophysical composition index for remote sensing of urban environments[J]. Remote Sensing of Environment， 2012， 127（none）：247-259.

[28] Sun G ， Chen X ， Jia X ， et al. Combinational Build-Up Index （CBI） for Effective Impervious Surface Mapping in Urban Areas[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing， 2017， 9（5）：2081-2092.

[29] 鄭陽， 吳炳方， 張淼. Sentinel-2數據的冬小麥地上干生物量估算及評價[J]. 遙感學報， 2017， 21（2）：318-328.

[30] 謝巧云. 考慮紅邊特性的多平臺遙感數據葉面積指數反演方法研究[D].中國科學院大學（中國科學院遙感與數字地球研究所），2017.

[31] Yang X， Zhao S， Qin X， et al. Mapping of Urban Surface Water Bodies from Sentinel-2 MSI Imagery at 10 m Resolution via NDWI-Based Image Sharpening[J]. Remote Sensing， 2017， 9（6）：596.

[32] Du Y， Zhang Y， Ling F， et al. Water Bodies' Mapping from Sentinel-2 Imagery with Modified Normalized Difference Water Index at 10-m Spatial Resolution Produced by Sharpening the SWIR Band[J]. Remote Sensing， 2016， 354（8）：1-19.

[33] Xu R ， Liu J ， Xu J . Extraction of High-Precision Urban Impervious Surfaces from Sentinel-2 Multispectral Imagery via Modified Linear Spectral Mixture Analysis[J]. Sensors， 2018， 18（9）.

[34] 楊智威， 陳穎彪， 吳志峰， et al. 粵港澳大灣區建設用地擴張與城市熱島擴張耦合態勢研究[J]. 地球信息科學學報， 2018， 20（11）：56-67.

[35] Bhatti S S ， Tripathi N K . Built-up area extraction using Landsat 8 OLI imagery[J]. GIScience & Remote Sensing， 2014， 51（4）：445-467.

[36] Zha Y ， Gao J ， Ni S . Use of normalized difference built-up index in automatically mapping urban areas from TM imagery[J]. International Journal of Remote Sensing， 2003， 24（3）：583-594.

[37] 徐涵秋. 利用改進的歸一化差異水體指數（MNDWI）提取水體信息的研究[J]. 遙感學報， 2005， 9（5）：79-85.

[38] RNDSI： A ratio normalized difference soil index for remote sensing of urban/suburban environments[J]. International Journal of Applied Earth Observation and Geoinformation， 2015， 39：40-48.

[39] Ostu N . A threshold selection method from gray-histogram[J]. IEEE Transactions on Systems， Man， and Cybernetics， 2007， 9（1）：62-66.

【通聯編輯：唐一東】