城市不透水面遥感提取应用探讨

徐 看，熊助国*，刘向铜，刘 鑫

(1.东华理工大学测绘工程学院，330013，南昌；2.广州市南沙区土地利用发展中心，511548，广州)

0 引言

不透水层是指能够阻止水直接渗透到土壤中的任何自然和人工表面，主要由城市中的水泥、沥青、金属和玻璃等材质构成的交通用地(如高速公路、停车场、人行道)、广场和建筑物屋顶等组成[1]。不透水层的快速扩张也导致了一系列的城市环境问题：地表下沉、水源污染以及热岛效应，同时不透水层分布的变化也能够直接反映出城市的发展和扩张[2]。因此，高效、准确、及时地获取不透水层对城市生态建设及监测城市动态有其重要意义。

随着对地观测技术的发展，遥感传感器已经能够长时间连续观测城市表面。与传统的人工调查方式相比，基于遥感技术提取不透水层更加省时、省力、低成本，其相关理论方法也已经得到国内外的广泛研究[3]。目前，不透水层的提取方法研究主要集中在光学遥感上，合成孔径雷达(synthetic aperture radar，SAR)以其全天时、全天候、强穿透的成像能力，已经成为光学遥感的有益补充，有时甚至是数据获取的唯一手段[4]。在SAR影像信息中，不透水面区别与其他地物，在长时间基线中具有较强的相干性，可根据这一地物特性将其从其他地物分离出。此外不透水面在 InSAR 反演的平均后向散射系数、振幅比等参数均与其他地物有所差异[5]。因此利用雷达遥感数据对不透水层的提取是具有可行性的。综上所述，遥感技术在不透水层提取中的应用正不断创新发展，为城市发展和城市生态建设提供源源不断的动力。

1 光学遥感提取不透水层的现状

随着遥感技术的迅猛发展，利用遥感数据进行大范围城市不透水面的估算和制图是一种廉价高效的技术手段[6]。目前已有大量学者研究基于光学遥感手段提取不透水面信息。不透水面遥感信息提取方法主要包括指数法[7]、分类回归树法[8]、支持向量机法[9]和光谱混合分析法[10]等。

1.1 光谱混合分析法

在采用光谱混合分析法提取不透水层中，其理论模型基础就是Ridd[11]首次提出的植被-不透水层-土壤(vegetation-impervious-surface-soil，V-I-S)分布模型。VIS模型主要用于城市遥感影像中的土地。 假设它由植物、土壤和不可渗透层这3个终端要素组成，则城镇中主要的土地覆盖类型基于这3种终端要素，并且比例不同。在图1中，中央商务区具有高不可渗透层，植被与土壤的比率非常低。在中等密度的居住区中，植被和不渗透层的比例分别占近50%。综上所述，可以提取这3个最终要素的分布情况分析和评估城市土地利用状况。

光谱混合分析法相比与其他方法能够有效解决中低空间分辨率遥感影像中的混合像元情况，现有的城市防渗层提取研究已经广泛使用基于VIS模型的光谱混合分析来分解混合像素[12]。但是由于中低空间分辨率图像在空间分辨率和光谱分辨率上都存在着自身局限性，而且光谱混合分析模型建立基于理想模型,忽略了光线在不同地物像元间的相互作用，会造成低值区高估、高值区低估[13]，影响到整体估算精度，该方法的使用受到了一定得局限性。在后续研究中，闫如柳[14]等针对V-H-L-S模型在提取不透水面中端元选取不足的问题，提出了一种基于Landsat-8OLI影像提取不透水面的新方法，但其阈值的选取会对提取精度造成影响；要志鑫[15]等提出结合BCI指数(Biophysical Composition Index)的线性光谱分解方法提取不透水面、植被和土壤盖度,提高了传统的线性光谱分解方法的精度，但其在大范围区域选取仍然会存在混合像元情况，影响提取精度； Xu[16]等采用改进的线性光谱混合分析方法提取了不透水的表面部分，这一研究目前得到了广泛的应用。

图1 V-I-S 模型

1.2 指数法

指数方法的理论基础是光学影像信息中的各地物的光谱特征，其根据不透水层的光谱特征不同与其他地物的光谱特征从影像信息中分离并建立出能够代表不透水层分布及与其他地物具有较高分离度的特征指数模型。经典指数法提取流程如下图2所示。

图2 经典指数法提取流程

相对于其他方法，指数法具有计算相对简单、更加高效的优点。但是，指数法的研究关键是其分割阈值的准确提取，目前的阈值提取大部分采用自定义阈值。因此，对阈值的自动化提取是未来研究的主要方向之一[17]。这种提取方法还存在着另一方面的问题，不透水层指数不能和真实地物的不透水层实现关联分析，因此对提取结果就很可能进行绝对量化分析。在后续研究中，杨栩[18]等在可见光波段范围内建立绿-蓝光谱特征空间，构造了能够将土壤、植被像元与不透水面像元有效分离的绿-蓝不透水面指数，该指数能够代替归一化差值不透水面指数、垂直不透水层指数、比值居民地指数等，应用于无人机遥感影像的不透水面信息提取中；文献[19]首次采用复合波段的形式创建了归一化差值不透水面指数(Normalized Difference ImperviousSurface Index，NDISI)；为了提取大范围的不透水面，Liu等提出了归一化城市区域复合指数(NUACI)，其建立的依据是基于归一化水体指数(NDWI)和增强植被指数(EVI)[20]；综上所述，若要利用指数方法提取出不透水层，则需要通过设定相应的阈值大小对指数结果进行分类。

1.3 回归方法

尽管光谱混合分析是监视不透水层的有效方法，但此方法可能不适用于大面积和复杂区域，因为在这种情况下，获取代表纯像素的最终元素光谱特性并不容易，从而影响了不可渗透层的提取精度[21]。因此针对地形复杂的大范围区域的提取不透水层情况，可以采用回归及回归树模型[22]。回归方法通过地面特征的光谱特征与不透水层的比例之间的关系建立回归函数，以估计局部不透水层的分布。使用较多的地物特征为原始光谱特征、归一化植被指数等。

建立回归模型操作简单，可利用该模型快速获得大区域逐像元的不透水面。但是此方法易受季节影响，地物植被随着季节的变化会影响回归模型提取精度。目前已有学者在基于回归分析的方法上进行了改进，Liu[23]等提出了利用中分辨率遥感图像提取植被、土壤和不透水面的定量信息的分析方法(MESMA)，但其定量分析的数据易受图像本身分辨率的影响，其提取结果并不足以信服；刘帅[24]等结合空间-光谱组合核函数和支持向量回归,提出了一种提取高光谱影像不透水面丰度的改进算法；Wu[25]等提出了一种新颖的基于多尺度超像素的分层分类方法，实验证明该方法具有优于传统的基于像素的方法和单尺度方法进行城市不透水面提取的优势。现有的研究表明，回归方法能够解决在地物复杂区域中地物光谱特征区分不明显的问题，但其也受像元尺度和季节因素的影响，后续研究可就结合其他提取方法展开。

1.4 分类方法

提取不透水层的另外一种方法为图像分类技术。其所采用的方法有人工神经网络分类提取、建立随机森林等分类技术。此方法中的不透水层表示的是一种地物类别，其获取不透水层的分布情况是通过分析最终的地物分类结果得出的，即将地物类别分为不透水层和透水再进行判定。此类方法可以利用目前较为成熟的遥感分类技术从地物类别中分类出不透水层，其提取步骤较为规范化。根据分类目的，可以将这些分类方法分为基于像素的硬分类方法和基于子像素级的软分类方法。

图像分类技术也存在着如下缺陷。人工神经网络方法收敛速度较慢，且其初始权重及隐含层数目和隐含层结点数难以确定，数据样本要求高。亦有研究表明通过增加隐含层和结点数可提高模拟精度，还可减少局部极小的机率，但这会增加学习时间；而CART是一种弱学习算法。由于其学习能力，它对数据噪声和训练模式错误极其敏感。样本训练集中的微小波动会导致预测函数发生较大变化。因此其样本的选择必须具有代表性并且相对统一，以实现良好的学习能力。

但是亦有学者在算法上进行了结合与改进。Deng[26]等在随机森林的基础上提出了一种称为连续亚像素监测(CSM)的新方法，用于连续监测和监测亚像素水平的城市不透水表面变化；Hu[27]等提出将CART算法与多源遥感数据相结合来估计亚像素级不透水表面的方法，该方法十分适合于植被中年内变化明显的区域的多时间SPIS制图。

综上所述，基于光学遥感影像提取不透水层的方法较为繁琐且存在光谱特征差异较大、高分辨率影像中的阴影等问题。因此，如何更加高效、精确地提取不透水层为下一步研究热点。

2 基于雷达数据提取不透水层的研究现状

雷达数据由于其较高的空间分辨率，较短的处理时间和较低的成本而越来越多地被使用。 相比与其他遥感数据，雷达数据只集中在地形的几何特征上，并且能捕获地形的绝对高程，尤其适宜提取城市建筑物。SAR数据处理流程如图3所示。

图3 D-InSAR数据处理流程

目前，基于SAR影像信息提取不透水面信息主要是基于纹理特征区分地物。Zhang[28]等提出利用SAR影像信息对地物进行细分类的方法；Dumitru[29]等基于SAR图像信息提出了研究区域内不同时间的不同用地类型的土地类型分类。此类提取方法高效、不受数据限制，但是完全基于SAR影像信息进行地物分类的精度并不高，虽然不同地物的纹理特征不同，但是一些地物的纹理特征十分相近，其提取阈值的选取十分困难甚至无法区分。

在提取不透水层方面， 廖明生等提出了基于CART集成学习的城市不透水层百分比遥感估算，证实了利用雷达干涉数据提取不透水层的可行性与潜力，但CART是弱学习算法，选取的样本时间也不一致，影响提取结果[30]。现有研究已经表明将SAR遥感技术应用于提取亚热带城市不透水面具有其独特的优势。Zhang[31]等进行了利用光学和SAR遥感图像提取城市ISA的比较研究，单独的ETM +图像比单独的ASAR图像提供更好的ISA估计。总的来说，由于SAR影像成像时的斑点噪声和几何形变，无法轻易消除SAR 影像信息中的误差，因此，完全基于SAR影像信息提取城市不透水面信息仍然是目前遥感研究的难题之一。

3 融合多源遥感数据提取不透水层的提取现状

目前，不透水层的提取研究主要集中在将不同类型的 SAR数据与光学数据融合来提高城市不透水面的提取精度。其原理是通过结合光学影像的光谱特征信息和SAR影像的纹理特征信息，采用不同的分类器在不同的级别上进行融合，结合两类影像各自的优势提高精度。

张鸿生[32]等提出了通过融合光学和SAR遥感数据提高不透水面提取精度的方法，实验结果表明，融合光学和SAR数据提取不透水面再一定程度上可以弥补光学影像信息的缺失，在光学影像信息中加入了SAR影像信息的纹理特征，在一定程度上可以提高城市不透水面的提取精度。C Sukawattanavijit[33]等提出了一种利用SAR和光学遥感数据改进土地覆盖分类的GA-SVM算法，结果显示出提高的分类精度，并展示了使用GA-SVM算法的优势，该算法使用较少的功能即可提供最佳的精度。Zhang[34]等通过探索SAR和光学数据之间的最佳集成水平，以更好地绘制珠江三角洲的城市土地覆盖图，研究表明将SAR数据的纹理特征与光学数据结合用于土地覆盖分类的好处，研究还表明，与使用单一数据源进行城市土地覆盖分类相比，将光学和SAR数据结合起来不能保证有所改善。

综上所述，雷达数据与光学遥感数据的融合的方法可以在3个不同的层次上进行：像素级融合、特征级融合和决策级融合，3种融合方法都可以在一定程度上提高不透水面的提取精度。

4 新的融合方法

综上所述，基于雷达数据提取不透水层是具有可行性的，融合雷达数据和光学遥感数据提取不透水层也可以在一定程度上提高精度，但是雷达数据的不同也会影响提取精度。目前，部分雷达数据已经面向大众免费提供，在一定程度上解决了数据获取难及数据量不足的问题。

因此，本文研究探讨了一种融合多源遥感数据提取不透水层的具体理论与实现方法。首先研究基于D-InSAR技术利用哨兵1号(Sentinel-1A)多极化数据提取不透水层，哨兵1号(Sentinel-1)卫星是欧洲航天局哥白尼计划(GMES)中的地球观测卫星，由2颗分别于2014 年4 月与2016 年4 月发射的载有C波段合成孔径雷达的卫星组成，中国地区重返周期为 12 d。并将提取结果与同时期基于指数法利用landsat8数据影像提取不透水层的结果进行对比。此方法主要是提出了一种新的基于纹理的图像分类技术通过建立随机森林提取出研究区不透水面信息，其理论路线图如图4。在此可行的基础上，探究利用SBAS_InSAR技术提取出时间序列的南昌地区不透水层，分析时间序列的不透水层的变化与当地经济发展、生态环境、土地利用等方面的关系。在理论上，该方法具有可行性。在后续研究中，拟探讨基于L波段的ALOS多极化数据提取不透水层，并将提取精度结果与基于C波段的数据提取不透水层的精度结果进行对比，分析波段的不同对提取结果的影响。由于多源遥感数据融合能获得更高精度的不透水面，在之前研究都完成的基础上，可以探讨融合雷达数据(Sentinel-1A数据、ALOS数据)和光学遥感数据(landsat8数据)提取不透水层的方法，拟采用SVM分类器或者ANN分类器，在数据量足够的情况下，还可以研究融合数据提取的不透水层在时间序列上的变化情况。

图4 理论技术路线

5 结束语

基于遥感影像提取不透水层的广泛研究中，由于遥感影像数据源的不同和遥感影像信息处理的复杂性，在保证高效、及时的基础上，如何提高不透水层提取的精度仍然是一大研究难点。基于光学遥感影像信息提取不透水面的总体精度容易受到光学成像时云层遮挡及大气影响问题，容易产生光谱混淆；而完全基于SAR影像信息提取不透水面又极易受到分辨率低、噪声问题等影响；因此总体来讲，基于多源数据融合提取不透水层是目前研究的主要方向，而具体的融合方法也将成为一个研究重点。