南昌地区不透水面遥感估算研究

赵晨 聂运菊 汪博军 李永飞

摘要 基于亚像元思想，采用线性光谱混合模型对混合像元进行分解，结合传统与手动方法选取端元，使用Landsat 8 OLI数据对研究区不透水面覆盖度（Impervious Surface Coverage，ISC）进行提取，并对初步提取的不透水面采用NDVI阈值法进行优化处理。对于模型的分解精度，RMS平均值为0.008 812，达到精度要求。提取结果经精度验证，提取的不透水面盖度的均方根误差为0.139 8，平均绝对误差为0.080 9，具有较高的精度。最后，对南昌部分地区进行不透水面盖度统计，并对其进行空间分布分析。研究结果表明：使用线性光谱混合模型并结合传统与手动选取端元，能够较好的提取南昌地区不透水面盖度信息，可以解决仅仅基于像元的不透水面提取精度不高的问题;南昌地区不透水面主要集中在研究区的中部地区，四周不透水面盖度较低，平均不透水面盖度最高的地区为青云谱区，平均ISC达到59%。

关键词 不透水面;线性光谱混合模型;端元;遥感

中图分类号 P237文献标识码 A

文章编号 0517-6611（2019）14-0063-04

doi：10.3969/j.issn.0517-6611.2019.14.021

开放科学（资源服务）标识码（OSID）：

Abstract Based on the subpixel idea，this paper used linear spectral mixture model to decompose the mixed pixels，which combined the traditional and manual methods to select the endmembers.The landsat 8 operational land imager data was used to extract the impervious surface coverage of the study area and the NDVI threshold method was used to optimize the impervious surface of the initial extraction.For the decomposition accuracy of this paper，the RMS average was 0.008 812，which met the accuracy requirements.The extraction result was verified by accuracy，and the root mean square error of the extracted impervious surface coverage was 0.139 8，and the average absolute error was 0.080 9，which had high precision.Finally，the impervious surface coverage statistics of some areas in Nanchang was conducted and the spatial distribution was analyzed.The results showed that the linear spectral mixiture model combined with traditional and manual selection of endmembers could better extract the coverage of the impervious surface in Nanchang area，which can solve the problem of low precision of impervious surface extraction based on only pixels;the impervious surface of Nanchang area was mainly concentrated in the central part of the study area.The area with impervious surface coverage was lower，and the area with the highest average impervious surface coverage was Qingyunpu area，with an average ISC of 59%.

Key words Impervious surface;Linear spectral mixture model;Endmember;Remote sensing

作者简介 赵晨（1993—），女，安徽亳州人，硕士研究生，研究方向：资源环境遥感、地理信息系统应用。*通信作者，副教授，博士，从事资源环境遥感、地理信息系统应用研究。

收稿日期 2019-02-23;修回日期 2019-03-21

近年来城镇化进程不断加快，生态环境的变化也逐渐引起人们的重视，而城市化最显著的特点是土地利用类型的变化，主要是不透水面与以植被为主的非不透水面之间的转换。不透水面是指诸如屋顶、沥青或水泥道路及停车场等具有不透水性的地面。當地表不透水面率达到10%时，流域水质就会受到影响，当不透水面率超过30%时水质会下降[1]，因此，不透水面积的增加对生态环境有一定的负面影响。不透水面盖度（Impervious Surface Coverage，ISC）是指某区域内不透水面覆盖面积与区域面积的比例[2]，在城区尺度上，不透水面覆盖度是表征城市化程度的重要指标，现已被广泛应用于城市居民区的人口估算、土地利用规划、地表覆盖制图等各方面[3]。

多次试验发现，单纯使用这2种方法选取的端元均不能达到很好的分解效果。有研究表明，使用手工选取的方法能达到较高精度[11]，但仅使用手工选取工作量较大，也可能产生一定的人为误差，因此该研究使用结合PPI法和手动选取的方法来获取端元。首先对MNF变换后的数据进行PPI计算，经比较设PPI阈值为5和2，能较好的选出植被和山区、田地间土壤端元，通过对研究区影像目视判读以及参考文献[12]，土壤端元还应包括建筑工地裸露土壤以及裸露基岩，对于这些不透水面，主要借助高分辨率影像目视解译手工选取，不透水面分为高反射率不透水面和低反射率不透水面，主要在水泥、沥青地面和屋顶处选取。将以上选取的端元加载到谷歌高分辨率影像上，交互浏览，删除错分和纯度不高的像元，获得质量较好的端元。

线性分解的结果是各个端元的丰度图和最后一个残差均方根（RMS Error）波段，不透水面覆盖度即为高反射率不透水面与低反射率不透水面覆盖度之和;RMS的值用来检验线性光谱分解的合理性，RMS均值一般要小于0.02[6]。该文的分解结果RMS平均值为0.008 812，表明模型分解具有较高的度。

2.4 优化处理 在初步分解的结果中往往存在一些错分现象，如阴坡植被容易与低反射率不透水面混淆，干土壤容易与高反射率不透水面混淆，这就增大了不透水面提取结果的误差。为了优化结果，对初步提取的不透水面结果，可使用归一化建筑指数（NDBI）和归一化植被指数（NDVI）进行掩膜处理。有研究分别使用这2个指数处理，提高了不透水面的提取精度[4，13]。但对于该文的研究区域，试验发现，使用NDBI进行掩膜处理，在剔除山体植被的同时，也掩膜掉了部分建筑，造成不透水面提取误差，因此，该文使用NDVI进行优化处理。

理论上当NDVI>NDVI0时，ISC=0，NDVI0为植被与非植被的临界值，经密度分割以及交互浏览多次试验，并在保证不透水面基本范围的基础上，将NDVI0设为0.557。初提不透水面盖度以及进行优化处理的不透水面覆盖度结果分别如图3和图4所示。为了对比优化处理的结果，在验证精度时，分别对初步提取和经优化处理后的数据进行精度验证。

3 结果与分析

3.1 不透水面提取精度验证 该研究采用均方根误差（RMSE）和平均绝对误差（MAE）来验证初步提取和经过优化处理后的不透水面覆盖度提取精度，RMSE和MAE的值越小表明误差越小，即精度越高。精度验证使用经几何校正后的3.0 m谷歌高分辨率影像，校正误差小于0.5个像元。以3×3个像元窗口为样本单元，在研究区的原始影像上均匀选取50个样本（对应高分辨率影像上，样本大小即为30×30个像元），分别统计初提和经优化处理后每个样本的不透水面覆盖度;将样本进行矢量化并加载到谷歌高分影像上，通过目视解译，统计计算每个样本的不透水面比例，作为真实数据。RMSE和MAE计算公式分别如式（4）和（5）所示。

式中，Yi为高分辨率影像验证样本的真实不透水面比例，Xi为该文提取结果的样本区域内不透水面比例，n为样本数，在该研究中n为50。

经统计计算，线性光谱分解初步提取结果的RMSE为0.144 3，MAE为0.092 2;经优化处理后的RMSE为0.139 8，MAE为0.080 9。结果表明，线性光谱分解获得的不透水面盖度具有较高的精度，特别是经NDVI优化处理后精度得到一定程度的提高。

3.2 南昌地区不透水面空间分布分析 对最终的不透水面覆盖度提取结果进行统计处理，获得南昌部分地区的不透水面覆盖度分布情况，结果如表1所示。为了更好地对比每个区县的不透水面覆盖度情况，使用ENVI分区统计扩展工具进行分区统计，并计算不透水面面积，结果如表2所示。分类后不透水面空间分布情况如图5所示。

由统计结果可知，含有不透水面的像元数占总像元数的22.87%，其中不透水面覆盖度在75%以上的面积占总面积的9.39%。由不透水面覆盖度空间分布图（图5）以及表2可知，不透水面分布较集中，主要分布在青山湖区、青云谱区、西湖区、东湖区以及南昌县的西南部地区，其中，青云谱区和西湖区的平均不透水面覆盖度最高，分别达到59%和57%。而不透水面盖度的低值区主要在研究区的四周，其中湾里区尤为显著，主要因为该地区以山地为主，植被茂盛，建筑物稀少，从而不透水面覆盖度較低。另外新建区的大部分地区以丘陵农田为主，开发的建设用地所占比例相对较低，因此其整体不透水面覆盖度不高。

4 结语

该研究基于混合像元的存在，采用完全约束的线性光谱混合模型（LSMM）对南昌部分地区不透水面覆盖度的提取方法进行研究，采用植被—土壤—高反射率—低反射率端元的四端元组合，能够较好的表示研究区的地表覆被情况。结合手动选取端元方式，提取出高反射率和低反射率不透水面丰度图，从而获得研究区不透水面覆盖度，由分解结果及精度验证可知，该方法能够有效的获取南昌地区不透水面覆盖度及空间分布情况。精度验证结果表明，不透水面提取整体精度较高，具有一定的可信性。

该研究有些地区不透水面的提取还有待继续探讨：在研究区域的东北部，即鄱阳湖与陆地的交界处，由于富含水分，造成地表覆被类型复杂，可能存在较小部分的反射率较低的含水泥沙等，并且很难通过剔除水体的方式去除。因此，会对该小部分区域的低反射率不透水面的提取有一定影响，从而可能降低该区域不透水面整体的提取精度，仅使用剔除水体的四端元组合很难对这部分地区进行精确的分解。而在初步的尝试中，将水体作为端元则对南昌城市内部的低反射率不透水面的提取中有明显的影响，降低了低反射率不透水面的提取精度。在后续研究中可将这些因素考虑进去，探讨新的端元组合形式与不透水面提取方法，从而更好地提取特定区域的不透水面信息。

城市不透水面覆盖度变化会对地表径流、城市热环境等有一定影响，并与城市化进程有一定关系。因此，对于不透水面提取的研究，能够为城市生态健康状况评价、土地利用变化和城市化监测以及城市规划建设等提供一些辅助信息，具有一定的实际应用价值。

参考文献

[1] ARNOLD C L，Jr，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.

[2] 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（3）：327-336.

[3] 姜增琛，张继贤，梁勇，等.泰安市区不透水面覆盖度遥感估算研究[J].测绘科学，2017，42（5）：76-81.

[4] 徐涵秋，王美雅.地表不透水面信息遥感的主要方法分析[J].遥感学报，2016，20（5）：1270-1289.

[5] RIDD M K.Exploring a V-I-S （vegetation-impervious surfacesoil） model for urban ecosystem analysis through remote sensing：Comparative anatomy for cities[J].International journal of remote sensing，1995，16（12）：2165- 2185.

[6] WU C S，MURRAY A T.Estimating impervious surface distribution by spectral mixture analysis[J].Remote sensing of environment，2003，84（4）：493-505.

[7] 岳文澤，吴次芳.基于混合光谱分解的城市不透水面分布估算[J].遥感学报，2007，11（6）：914-922.

[8] 程熙，沈占锋，骆剑承，等.利用混合光谱分解与SVM估算不透水面覆盖率[J].遥感学报，2011，15（6）：1228-1241.

[9] 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.

[10] BROMN M，LEWIS H G，GUNN S R.Linear spectral mixture models and support vector machines for remote sensing[J].IEEE Transaction Geoscience and Remote Sensing，2000，38（5）：2346-2360.

[11] 黄艳妮，查良松，陈健.基于线性光谱混合模型的混合像元分解研究：以合肥市为例[J].安徽师范大学学报（自然科学版），2012，35（3）：258-263.

[12] 邓蕾，赵小锋，王慧娜，等.城市混合像元分解中土壤与不透水面纯像元选取方法的对比研究：以厦门为例[J].遥感技术与应用，2013，28（6）：1039-1045.

[13] 赵怡，许剑辉，钟凯文，等.LSMA结合NDBI提取广州市部分城区不透水面的方法[J].地理空间信息，2018，16（3）：90-93.