基于Landsat 8遥感图像信息容量与城市不透水面指数的关系研究

毛文婷， 王旭红， 祝明英， 蔡 静， 程德强

(西北大学 城市与环境学院， 西安 710127)



基于Landsat 8遥感图像信息容量与城市不透水面指数的关系研究

毛文婷， 王旭红*， 祝明英， 蔡 静， 程德强

(西北大学 城市与环境学院， 西安 710127)

不透水面指数可以有效提取不透水面信息，反映城市硬化地表的覆盖度，但不能直接表征地表覆盖度的复杂度，而遥感图像信息容量是一种可以表征地表景观复杂度的指标.该文结合二者各自特点，计算出遥感图像信息容量和不透水面指数，对二者进行耦合分析，发现不同波段的信息容量与城市不透水面指数均方差的相关系数均高于0.8，二者关系密切，说明信息容量可以表征城市不透水面的变化，进一步研究还发现，信息容量值的大小与城市化进程较为一致.

遥感图像； 信息容量； 不透水面指数

随着城市化进程的不断加快，城市地表景观也发生了巨大变化，主要表现在城市地表覆盖结构的变化.城市地表覆盖主要包括硬化不透水的建设用地(道路，房屋等)[1-2]和可透水的自然地表覆盖(水体、绿地等)，前者也就是我们通常说的不透水面(impervious surface area， ISA).在城市化过程中，不透水面在城市地表覆盖类型的比重不断增加，自然地表覆盖类型所占的比重不断减少.由于不透水面改变了城市地表覆盖的自然景观，使城市热辐射能力增强，改变了城市的生态环境，导致城市热岛效应、城市地表径流和水文环境的改变、生物多样性遭到破坏等一系列生态环境问题.因此，不透水面比重是评价城市化进程和衡量城市环境质量的重要指标之一[3-4].近年来，随着遥感技术的进步，大量不同时相、不同分辨率的遥感影像获取，为借助遥感手段提取不透水面信息[5-8]，深入分析城市化过程中出现的各种生态环境问题[9-14]，以及辅助决策和保护城市生态环境已成为可能.同时，城市化过程中的环境生态问题，亦成为许多专家学者研究的热点领域之一.

由于城市景观的复杂性，地表结构十分复杂，空间异质性异常明显.采用单一的城市覆被特征参数如植被指数、不透水面指数、水体指数等，难以全面地定量分析复杂的城市景观结构，从而在一定程度上影响了城市生态系统演变机制研究.信息容量是一种基于多维直方图的图像质量评价指标，计算时考虑了像元点所处的局部区域特征，可客观有效地表征对象的结构特征信息[15-17].信息容量大小与数字图像有意义的灰度层次数相关，对遥感图像而言，遥感图像的复杂度与所表示区域地表空间结构的复杂程度相对应.因此，通过遥感图像信息容量值的大小可以表征地表景观复杂度[18-20].这里我们应用遥感图像信息容量来量化表征城市地表景观的复杂度.

不透水面指数是根据不透水面在不同波段的光谱特性不同而得出的计算模型[7]，用于提取城市不透水面信息，表征城市硬化地表的覆盖度.信息容量与不透水面指数比较而言，信息容量可以用于表征地表复杂度或破碎度，但不透水面指数不能表征地表复杂度或破碎度.本文通过计算遥感图像信息容量和不透水面指数，分析二者的关系，提出遥感图像信息容量可以表征不透水面的变化，进而将信息容量作为表征城市硬化地表的复杂度或破碎度的一项指标.通过本文的研究，将信息容量应用于城市地表景观的破碎度评价中，从而深化了信息容量在地学中的应用研究.

1 研究方法

1.1 遥感图像信息容量的计算

信息容量是基于多维直方图的灰度数字图像质量评价的一种指标，计算时考虑了遥感图像的上下文关系.其计算公式如下：

Cinfo=log2[1+∑ωNormlog(G1，G2，…，Gk)]，

(1)

其中，Cinfo是信息容量，单位为bit；ω为约束区间.约束区间的选择和参数的确定，是计算信息容量的关键性步骤.由于多维直方图的统计计算比较复杂，本文以二维直方图为例说明约束区间的选择与定义.约束区间ω定义为[18]：

(2)

G1和G2是左右相邻的两个像元灰度值；Gmax和Gmin是图像中的像元灰度最大值和最小值；T1和T2是非负值，T1表示图像灰度级最大值和最小值之差的一半，T2表示相邻两像元的灰度值之差.

1.2 不透水面指数

不透水面(Impervioussurfaces)是指水不能直接通过且不能下渗到土壤中的物质，包括沥青、水泥、瓦片等材料构成的建筑物、路面和停车场等[4].伴随着城市化的进程，城市不透水面不断增加，城市景观也随之发生了巨大变化.自劳斯(Rouse)等人[11]引入归一化差值植被指数(NDVI)在遥感影像上提取植被信息以来，已有不少的专家学者提出了一些新的归一化差值指数来提取不同的地物信息，如归一化差值水体指数[21]、归一化差值不透水面指数可分别用于提取水体信息、不透水面信息等.同时，一些专家学者对这些归一化差值指数进行了进一步的修正，使这些指数在一定程度上能更准确地表征地物的专题信息[7].本文采用徐涵秋提出的归一化差值不透水面指数(normalizeddifferenceimpervioussurfaceindex，NDISI)，该指数较其它提取不透水面信息的指数可以达到更好地提取效果[7].

(3)

式中，NIR、MIR1、TIR分别为遥感影像的近红外波段、中红外1波段和热红外波段，分别对应landsat8第5波段、第6波段、第10波段，这里还采用了改进型归一化水体指数(MNDWI，modifiednormalizeddifferencewaterindex).

(4)

其中，Green为绿光波段，即为Landsat8第3波段.

1.3 技术路线

依据研究思路，绘制研究技术路线图 (图1).该研究方案分为3部分：①数据预处理，包括遥感数据的辐射校正和几何校正等.②不透水面指数和信息容量计算，选取适宜的波段，计算不透水面指数；信息容量的计算是基于单波段的，由于地物电磁辐射光谱特征在不同波段的差异性，信息容量的计算值在不同波段是不同的.为了更透彻地分析信息容量与不透水面指数的关系，选用了Landsat8的4个波段，分别是绿波段(Band3)、红波段(Band4)、近红外波段(Band5)、中红外1波段(Band6).③结果讨论分析，从信息容量与不透水面指数的剖面趋势分析、相关性分析以及在此基础上对信息容量进行的区域分析3个方面研究探索信息容量可能性的应用.

图1 技术路线图Fig.1 Technology roadmap

2 数据源及研究区

2.1 数据源

研究数据为2014年5月11日Landsat8卫星获取的数据，轨道号PATH/ROW为127/36，数据来源于NASA官方网站.主要采用了陆地成像仪(OLI)的4个波段，分别是绿波段(Band3)、红波段(Band4)、近红外波段(Band5)、中红外(Band6)，空间分辨率为30m.本文对landsat8数据做预处理，使用FLAASH大气校正法做辐射校正，各项定标参数从影像头文件中获取，以1∶5000地形图(高斯—克吕格投影)为参考几何校正.

2.2 研究区

研究区位于黄河流域中部地势平坦的关中盆地区域内，经纬度范围为：108°30′E～109°15′E，34°5′N～34°30′N.主要包括西安市的主城区、咸阳市秦都区和渭城区(如图2).其中西安市是国家重要的科研、教育和工业基地，我国西部地区重要的中心城市，世界历史文化名城.在该研究区内较均匀的选取了61个样区作为研究对象.

图2 研究区分布图(左图为陕西省SRTM DEM，右图为研究区标准假彩色图像)Fig.2 Schematic study area (image on the left is a data of SRTM DEM in Shanxi Province， image on the right is a standard false color image of the study area)

3 实验结果与分析

3.1 信息容量与不透水面指数的剖面趋势分析

对样区的MNDISI沿着某一剖面线， 该剖面线位于西安绕城高速以内(具体位置如图3)，通过剖面线坡度的陡缓可以表现不透水面影像上的变化趋势(如图4).同时采用移动窗口分析法将第六波段信息容量以栅格图像的形式显示[20]，并沿着同一剖面线做示意图(如图5).由图4、图5可以看出在归一化差值不透水面指数值变化剧烈的地方，信息容量值大，如在1 000～1 100范围内，归一化差值不透水面指数值变化剧烈，信息容量的值就相对较高.从剖面图中初步判定：信息容量在一定程度上可以表征城市不透水面的变化幅度.

图3 剖面线在研究区中的位置Fig.3 Position of the section line in the study area

图4 NDSIS沿某一剖面示意图Fig.4 Schematic diagram of NDISI along a profile

图5 信息容量沿某一剖面示意图Fig.5 Schematic diagram of information capacity along a profile

3.2 信息容量与不透水面指数的回归分析

本文在研究区内随机选取61个样区，计算landsat8数据4个波段的样区信息容量.这四个波段对本文的研究具有典型的代表性，其中与不透水面指数计算直接相关的是Landsat8数据的近红外波段(Band5)、中红外1波段(Band6)，间接相关的绿波段(Band3)，以及不相关的红波段(Band4)，这样可以比较全面的研究不同波段信息容量与MNDISI的关系.借助ENVI平台获取MNDISI，并对61个样区的MNDISI平均值(Mean)、均方差(Stdev)进行统计.

Landsat8数据第3、4、5、6波段信息容量与MNDISI均值的相关系数均小于0.2，说明信息容量与MNDISI均值相关性不显著，但4个波段的信息容量与MNDISI的均方差相关系数均达到0.8以上，说明信息容量与MNDISI的均方差是高度相关的(如表1).4个波段中样区信息容量与样区MNDISI的均方差相关系数较大的是参与MNDISI计算的2个波段(band5、band6)，其它两个波段相关系数较低，但总体相差不大.

4个波段样区信息容量和样区MNDISI的均方差分别做一元线性回归分析并利用趋势线进行拟合(如图4所示)，确定性系数分别为0.705、0.694、0.703、0.713，对一元线性回归模型进行F检验，在置信水平 0.01 下，计算5组回归分析的F值分别为141.47、133.93、139.89、146.71,均大于F0.005(1，n-2)=8.49，n为61，则可以认为4个回归方程在此置信水平下是显著的.由此可以判定信息容量和MNDISI均方差关系密切，说明信息容量在一定程度上能够表征城市不透水面的变化幅度，可以成为表征城市硬化地表复杂度的指标.

表1 各波段信息容量和MNDISI之间的相关系数Tab.1 The correlation coefficient between the information iapacity and MNDISI of each band

3.3 不同城市化进程区信息容量的区域分析

研究表明不透水面可以作为评价城市化进程的指标[3]，结合信息容量和不透水面指数的关系，进一步挖掘信息容量所蕴含的信息，发现信息容量与城市化进程也具有一定的关系，以下从定性和定量角度分别分析二者的关系.

对研究区窗口信息容量进行分级，如图7.从图中可以发现研究区内信息容量值大的区域主要集中在城市中心(如莲湖区，新城区，碑林区，雁塔区北部以及咸阳市的秦都区)，这些区域城市化程度高，地表结构复杂；信息容量小的区域主要集中在渭河流域和灞河流域附近，这些区域是城市化程度低的城镇郊区，地表结构较为单一.可定性说明信息容量值的大小与城市化的进程相一致.

图6 信息容量与MNDISI均方差的回归分析模型Fig.6 Regression analysis models between information capacity and MNDISI’s standard deviation

对研究区9个区的信息容量按等级进行栅格统计，如表2，可以看出：整个研究区信息容量主要集中于4、5两个等级；研究区中处于中心位置的碑林区、莲湖区、新城区是城市核心区，在该研究区中城市化水平最高，三区信息容量的第5等级都超过60%，；雁塔区、秦都区、未央区属于半城市化区，两区信息容量第5等级的比例都超过了26%，；长安区、灞桥区属于城市边缘区，两区信息容量第4等级的比例都接近40%，；而咸阳市的渭城区城市化水平比较低，属于乡村区，其信息容量主要集中在第3、4等级.以上分析，可定量说明信息容量值的大小与研究区的各区城市化程度较为一致.

图7 不透水面区域信息容量的分级图Fig.7 The classification of information capacity in impervious surface area

表2 信息容量分区统计表Tab.2 Regional statistical table of information capacity

4 结论与展望

4.1 结论

本研究以西安城区为主体研究区，以Landsat8影像为数据源，选取61个样区，通过计算获取每个样区信息容量和MNDISI，对二者关系进行分析，得出以下结论.

(1)遥感图像信息容量与MNDISI均值的相关系数较低、与MNDISI均方差的相关系数均大于0.8，揭示了遥感图像信息容量与MNDISI均值没有直接的相关性，而与MNDISI均方差关系密切.说明不透水面的分布变化是影响信息容量值大小的，信息容量的大小是可以表征硬化地表复杂度或破碎度的.

(2)由于不透水面可以反映城市化进程，结合信息容量和MNDISI均方差的相关关系，研究发现信息容量值的大小与城市化的进程相一致，在城市核心区、半城市化区、城市边缘区、乡村区的信息容量级别呈现依次降低的趋势.

(3)通过该研究，表明信息容量可以突破以往从宏观上表征地表复杂度的变化的研究领域，在一定程度上也能够体现较小尺度内如当今人类社会生产生活最为主要的聚落形态城市的景观变化，从而使信息容量的应用范围从宏观深入到较微观的领域.此外，还将信息容量与地学中其它问题相结合，使得信息容量与地学紧密结合起来，扩展了其在地学中的应用领域.

4.2 展望

城市不透水面作为评价城市环境质量的指标之一，在本文的研究基础上，可进一步利用信息容量评价城市化过程中出现的一系列生态环境问题特别是城市热岛问题，从而为城市环境发展决策提供参考.

[1] 李伟峰， 欧阳志云， 陈求稳， 等. 基于遥感信息的北京硬化地表格局特征研究[J].遥感学报， 2008, 12(04): 603-612.

[2] 李伟峰， 王 轶．城市硬化地表格局特征及尺度效应遥感研究[J]．国土资源遥感， 2010(01): 69-72．

[3] 刘珍环， 王仰麟， 彭 建．不透水表面遥感监测及其应用研究进展[J]．地理科学进展, 2010, 29(09): 1143-1152.

[4] Arnold C L,Gibbons C J．Impervious surface coverage: the emergence of a key environmental indicator[J]．Journal of the American Planning Association, 1996, 62(2):243-258．

[5] Weng Q， Hu X， Lu D．Extracting impervious surfaces from medium spatial resolution multispectral and hyperspectral imagery: a comparison[J]．International Journal of Remote Sensing, 2008, 29(11):3209-3232.

[6] 李玮娜， 杨建生， 李 晓， 等．基于TM图像的城市不透水面信息提取[J]．国土资源遥感, 2013， 25(01): 66-70.

[7] 徐涵秋．一种快速提取不透水面的新型遥感指数[J]．武汉大学学报：信息科学版, 2008， 33(11): 1150-1153．

[8] 王 浩， 卢善龙， 吴炳方， 等. 不透水面遥感提取及应用研究进展[J].地球科学进展, 2013, 28(03): 327-336.

[9] Conway T M. Impervious surface as an indicator of pH and specific conductance in the urbanizing coastal zone of New Jersey, USA[J]．Journal of Environmental Management, 2006， 85(2):308-316．

[10] Xu H，Lin D，Tang F．The impact of impervious surface development on land surface temperature in a subtropical city: Xiamen，China[J]．Int J Climatol, 2013， 33(8):1873-1883．

[11] Zhang X，Zhong T，Wang K，et al．Scaling of impervious surface area and vegetation as indicators to urban land surface temperature using satellite data[J]．International Journal of Remote Sensing, 2009， 30(4):841-859．

[12] 韩春峰， 张友水， 陈友飞．多时相影像福州市不透水面对城市地表温度的空间分布研究[J].遥感信息, 2010(06):79-86．

[13] 林冬凤， 徐涵秋．厦门城市不透水面及其热环境效应的遥感分析[J]．亚热带资源与环境学报, 2013， 8(03):78-84．

[14] 唐 菲， 徐涵秋．旧城改造与城市热岛效应关系的遥感研究——以福州市苍霞片区为例[J].地理科学, 2011， 31(10): 1228-1234．

[15] 殷德奎， 俞卞章， 佟明安. 基于多维直方图的灰度图像质量评价[J].模式识别与人工智能, 1996, 9(03): 265-270.

[16] 殷德奎， 俞卞章， 佟明安. 红外热图像像质评定方法[J].激光与红外, 1996, 26(02): 75-79.

[17] 戴奇燕， 尤建洁， 胡 晔， 等．细节信息容量与MTF相关分析[J]．航天返回与遥感, 2005， 26(04):15-19．

[18] 王旭红， 李 飞， 张 哲， 等．遥感图像信息容量约束区间的选择与空间分异性[J].地球信息科学学报, 2014， 16(01): 108-116．

[19] 秦慧杰．不同地貌类型区遥感影像信息容量的空间差异性研究[D]．西安： 西北大学，2011．

[20] 张 哲．遥感图像信息容量的模型构建与差异性研究[D]．西安：西北大学，2012．

[21] Mcfeeters S K．The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features[J]. International Journal of Remote Sensing, 1996, 17(7):1425-1432．

Relationship between information capacity of remotely sensed image and urban impervious surface

MAO Wenting， WANG Xuhong， ZHU Mingying， CAI Jing， CHENG Deqiang

(College of Urban and Environmental Science， Northwest University， Xi’an 710069)

Impervious surface index effectively extracts impervious surface information and reflect the urban impervious surface coverage，while fails to directly characterize the complexity of surface cover coverage. However， information capacity of remote sensing image is an index to characterize the surface landscape complexity.This paper calculated the information capacity of remote sensing image and impervious surface index with their respective characteristics combined， and coupling analysis was made， The correlation coefficients between the information capacity of different bands and the mean square error of impervious surface index were found higher than 0.8 and their relationship was close， which indicated that the information capacity was able to be a characterization of urban impervious surface change. Furthermore， the value of information capacity was consistent with the process of urbanization．

remote sensing image； information capacity； impervious surface index

2015-03-16.

国家自然科学基金项目(41071271)；陕西省自然科学基础研究计划项目(2015JM4132).

1000-1190(2015)04-0608-07

TP79< class="emphasis_bold">文献标识码： A

A

*通讯联系人. E-mail: jqy_wxh@163.com.