基于遥感技术的不透水面动态变化研究：以瑞丽市为例

李益敏，刘心知，吴博闻，王东驰，袁 静，赵志芳,3**

(1.云南大学 地球科学学院，云南 昆明 650500；2.云南省高校国产高分卫星遥感地质工程研究中心，云南昆明 650500；3.自然资源部三江成矿作用及资源利用重点实验室，云南 昆明 650500)

不透水面是指由不透水的材料所覆盖的表面，包括瓦片、沥青、水泥混凝土等材料构成的屋顶、道路和广场以及其它不透水的地表景观[1-3].不透水面已经成为城市发展的判断因素，反映了城市化的发展进程并影响城市生态环境.不透水面阻止了水的下渗，影响城市地表径流量、水质环境、地表热环境等[4]，对城市内涝、生态环境产生了负面影响[5-7].当不透水面率达到10%时流域水质受到影响，达到30%时水质会下降[8]，不透水面已经成为影响城市环境的关键因子[9].

遥感技术的快速发展使得不透水面准确提取成为可能[10]，遥感提取不透水面方法主要有指数法和光谱混合分析法.指数法是通过计算遥感图像的多波段综合指数对不透水面信息增强提取，光谱混合分析法包括线性光谱混合分析和多端元光谱混合分析.自Ridd[11]1995 年提出V-I-S 模型以来，城市不透水面便成为遥感应用领域中较为关注的问题[12]，V-I-S 模型把城市土地覆被分为植被（Vegetation）、不透水面（Imperviousness）、土壤（Soil）三端元模型提取不透水面.刘羽茜等[13]基于V-I-S 模型，利用植被指数和水体指数，在监督分类的基础上提取了连云港市的不透水面；Small[14]将V-I-S 模型改进为植被－低反射率－高反射率（V-I-H）的组合模型，并提取纽约市地物信息；Wu 等[15]在已有研究基础上提出了植被-高反照率-低反照率-裸土（V-H-L-S）的四端元提取不透水面模型；闫如柳等[16]在V-H-L-S 模型的基础上，通过筛选出透水面并对此进行掩膜，以此反向提取不透水面信息.

线性光谱混合分析（Linear Spectral Mixture Analysis,LSMA）是目前广为使用的不透水面反演算法，但是LSMA 方法也存在只用1 或2 个固定端元无法弥补对城市不透水物质有效分解的不足，特别裸土与不透水面混淆提取困难.岳文泽等[17]基于这种混合光谱分解方法，提取了上海市的不透水面信息，但未能很好地解决高低反照度端元与不透水面直接关系的误差；郭一洋等[18]为了解决裸地和高反照度地面难以分辨的问题，进一步将高反照率地物细分，以5 端元线性混合光谱分解的方法提取了沈阳市不透水面信息，提取精度较好.

指数法通过运用不透水面指数（Impervious Surface Area,ISA）[19]、建筑物与裸地增强指数（Enhanced Built-up and Bareness Index，EBBI）[20]、归一化差值不透水面指数（Normalized Difference Impervious Surface Index，NDISI）[21]、增强型归一化差值不透水面指数（Modified Normalized Difference Impervious Surface Index，MNDISI）[22]等遥感光谱指数增强不透水面信息，进而提取不透水面信息.目前，国内主要用徐涵秋[21]提出的NDISI 指数，其优点是不透水面信息提取不需要剔除水体以及可以减少噪声干扰，NDISI 指数缺点是计算中涉及热红外波段，该波段分辨率不高，降低了不透水面信息提取的精度.

本文在前人研究的基础上，使用筛选掩膜法提取瑞丽市不透水面信息，并对研究区2014—2018年不透水面的变化情况进行对比研究.筛选掩膜的不透水面提取方法建立在V-H-L-S 模型基础上，通过精确提取植被、土壤以及水体3 类地物信息，剩余的信息即为不透水面.相比于传统的光谱混合分析法，此方法简单快速，更适合快速流程化处理；相比于传统不透水面指数的方法，此方法通过排除透水面，直接将易混淆的地表排除，避免因指数计算结果相近而难以提取不透水面，作为提取不透水面的一种新思路，本文方法的应用还有进一步拓展的空间.

1 研究区与数据来源

1.1 研究区概况瑞丽市隶属云南省德宏傣族景颇族自治州，位于东经97°31′～98° 02′，北纬23°38′～24°14′，西北、西南、东南均与缅甸相连（图1）.瑞丽市国土总面积1 020 km2，下辖勐卯、畹町、弄岛3 镇及姐相、勐秀、户育3 乡，2018 年，总人口为210 196 人，GDP 107.4 亿元.瑞丽市拥有中国西南地区最大的中缅边境口岸，是中缅油气管道进入中国的第一站，在中国“一带一路”倡议中具有重要地位，其发展是国家“一带一路”倡议发展辐射的一个缩影.早在1992 年中国就设立了瑞丽、畹町边境经济合作区，并在2011 年成立了瑞丽国家重点开放试验区；2013 年中国提出“一带一路”倡议，推动瑞丽进一步对外开放.本文基于2014 年、2018 年的Landsat-8 OLI 数据，提取瑞丽市的不透水面信息，通过不透水面的变化，结合“一带一路”倡议对沿线城市发展的影响，以期为瑞丽市未来的城市发展决策提供科学依据.

图1 研究区位置Fig.1 Location of study area

1.2 数据来源及预处理本次研究选取Landsat-8 OLI 影像数据.2013 年2 月11 日发射的Landsat-8卫星，其载有陆地成像仪（Operational Land Imager，OLI）和热红外传感器（Thermal Infrared Sensor，TIRS），具有高几何精度和高图像信噪比的优点.本研究需要选取高清晰度、月份相近、没有云覆盖的遥感影像数据，最终选定2014 年和2018 年上半年的影像数据.预处理包括对影像进行辐射定标，大 气校正等.

2 不透水面提取模型的构建

我们将地表景观分为透水面和不透水面两类.透水面类包括水体、植被和土壤，将地表的透水面进行提取并对其进行剔除，剩余部分即为不透水面.文中参考闫如柳等[16]的研究，采用结合MNF和透水面分步掩膜筛选的方法，构建出不透水面的提取模型，提取瑞丽市的不透水面信息，其提取模型见图2.

图2 不透水面信息提取模型Fig.2 Model drawing of impervious surface information extraction

提取不透水面信息的关键技术和方法如下：

（1）最小噪声分离（Minimum Noise Fraction，MNF）变换 通过最小噪声分离将地物信息排除噪声，集中信息量到3 个主要分量上，3 个分量分别表示去除噪声后信息量最大的3 个主成分.

（2）水体信息提取 通过指数阈值法，利用归一化水体指数NDWI 提取水体制作掩膜文件，掩膜文件为二值化图，水体值为1，其他地物为0，之后通过掩膜将水体从影像上筛选分离.

（3）植被信息提取 通过指数阈值法利用归一化植被指数NDVI 提取植被制作掩膜文件，掩膜文件为二值化图，植被值为1，其他地物为0.之后，通过掩膜将植被从影像上筛选分离.

（4）土壤信息提取 通过指数阈值法，利用调整型土壤调节植被指数MSAVI 提取植被制作掩膜文件，掩膜文件为二值化图，植被值为1，其他地物为0，之后通过掩膜将土壤从影像上筛选分离.

（5）提取不透水面信息 经过3 次筛选后的影像已经排除了水体、植被与土壤信息，成为筛选后的研究区掩膜文件，将最小噪声分离后的图像与掩膜文件进行掩膜处理，处理后的图像中透水面值为0，其他地物值为MNF 变换后的3 个分量值，利用第3 分量的正负性对不透水面进行提取，最终计算得出瑞丽市不透水面图.

2.1 MNF 数据处理最小噪声分离变换（MNF）通过判断和分析图像的内在维数，对数据中噪声进行分离，该过程可以减少数据处理的计算需求量.MNF 的原理是连续进行2 次主成分变换，变换1基于估计的噪声协方差矩阵，可以分离并调节数据噪声，使变换后的噪声数据在各维数间去相关且具有最小的方差；变换2 是对变换1 数据的标准主成分变换.本研究中实验数据的11 个波段为图像的内在维数，通过对研究区Landsat-8 图像的所有波段进行MNF 处理，将波段信息集中在3 个分量上，经过对比研究，第3 分量的正负性有助于判断图像中的像元是否为建筑物.经过MNF 处理，图像去除了数据噪声，可以提高不透水面的辨别精度，做为最后筛选掩膜的数据.

2.2 水体信息提取水体信息提取的方法主要有3 种.①单一波段阈值提取、基于阈值的多波段谱间关系提取和基于阈值的水体指数提取[23].单波段阈值法根据单一的波段进行水体筛选，原理简单操作简便，但是对于阈值的选取有极高要求，且对于波段特征相似的地物难以界定.②多波段谱间关系法通过多波段的结合，获得了更高提取精度，但是在水体和阴影的判断方面精度较低.③本文选择基于阈值的水体指数法，考虑到水体的反射率在可见光至中红外波段逐渐降低，而位于近红外和中红外之间吸收率高，又因植被在近红外反射率较强，因此通过绿波段和近红外波段的比值运算可以抑制植被，突出水体.本文使用归一化水体指数（Normalized Difference Water Index，NDWI）进行水体信息提取.该指数是McFeeters 在归一化水体指数的基础上提出.在Landsat-8 影像中，NDWI 计算公式为[24]：

其中，B3 为Landsat-8 的绿光波段范围，B5 为Landsat-8 的近红外波段范围.求出NDWI 后选取阈值为0 进行水体信息的提取，得到二值化的水体信息提取图（图3）.

图3 瑞丽市水体信息的提取Fig.3 Extraction of water information in Ruili City

2.3 植被信息提取本文使用归一化植被指数（Normalized Difference Vegetation Index，NDVI）进行植被信息的提取.该指数利用植物光谱在红光波段和近红外波段的差异性进行比值处理，可以有效提取植被信息.其优势在于该指数可以反映植物冠层的背景影响，并且与植被覆盖度有关.Landsat-8影像中，NDVI 计算公式为：

其中，B5 为Landsat-8 的近红外波段，B4 为Landsat-8的红光波段.求出NDVI 值后选择阈值为0.6 进行植被信息的提取，得到二值化的植被信息提取图（图4）.

图4 瑞丽市植被信息的提取Fig.4 Extraction of vegetation information in Ruili City

2.4 土壤信息提取土壤（裸土）为没有植被覆盖也没有建筑物覆盖的地表，由于裸土与不透水面地表具有无植被覆盖的共同特征，在提取过程中容易被误判，因此需要通过排除天然土壤的方式来区分裸土与不透水面.1988 年，Huete[25]提出了土壤调节植被指数（Soil-adjusted Vegetation Index，SAVI），这一指数可以区分植被和土壤.此后，专家学者在此基础上提出了多种指数模型，如Baret 等[26]于1989年提出了转换型土壤调节植被指数（Transformed Soil-adjusted Vegetation Index，TSAVI），Qi 等[27]于1994 年提出了调整型土壤调节植被指数（Modified Soil-Adjusted Vegetation Index，MSAVI），1996 年Rondeaux 等[28]提出了优化土壤调节植被指数（Optimize Soil Adjusted Vegetation Index，OSAVI）.本文选用MSAVI 指数提取土壤信息，该指数对于低植被覆盖度地区的土壤区分更加有效.MSAVI 计算公式为：

其中，B5 为Landsat-8 的近红外波段，B4 为Landsat-8的红光波段.求出MSAVI 值后选择阈值为（0.6，0.8）进行植被的提取，得到二值化的土壤信息提取图（图5）.

图5 瑞丽市土壤（裸土）信息的提取Fig.5 Extraction of soil information in Ruili City

3 实验结果与讨论

3.1 不透水面提取结果及验证经过对水体、植被及土壤信息的提取，并通过与MNF 处理图像的掩膜筛选，最终得到了瑞丽市2014 年和2018 年的不透水面信息（图6）.从图6 上可以直观地看出，5年中瑞丽市的不透水面面积呈现扩大趋势，集中在瑞丽市南部及西南部中缅边界地区.经过像元统计，瑞丽市共有像元1 053 344 个，2014 年瑞丽市不透水面像元数为66 476 个，占比为6.31%；2018 年瑞丽市不透水面像元数为93 143 个，占比为8.84%.

图6 瑞丽市不透水面遥感信息的提取Fig.6 Extraction of remote sensing information of impervious surface in Ruili City

为检验提取精度，对2014 和2018 年不透水面信息提取结果随机选择200 个点进行验证.其中150 个点随机取自透水面，50 个点随机选取自不透水面，对比原始影像进行影像验证.其中2014 年结果中提取正确样本点数为185 个，正确率为92.5%，Kappa 系数0.811 3；2018 年结果中提取正确样本点数为186 个，正确率为93%，Kappa 系数0.815 8.

为进一步验证不透水面信息的提取结果，分别对2014 年和2018 年不透水面提取结果中截取具有典型性的影像进行对比说明，同时对比使用指数法（NDISI）计算得到的不透水面信息（图7）.图7 为姐相乡中部区域的部分影像图，数据来源Landsat-8的OLI 影像，截取的土地利用类型包括裸土、植被及建筑用地（（a），（d））；（b）图红色图斑为2014 年遥感影像不透水面提取结果，（e）图红色图斑为2018 年遥感影像不透水面提取结果，可以直观地看到4 年间瑞丽城市面积明显扩大，城市发展较快.图7（c）和（f）分别为指数法提取的2014 年和2018 年不透水面信息.图7（a）、（d）中蓝色区域即为城镇，可以看到蓝色建筑物被有效地提取出来；绿色植被区域和深褐色土壤信息被分辨出来；影像中浅黄色区域为城镇中空地，属待建设用地或半建设工地，透水能力不稳定，基本提取出来.该影像部分城镇区域由于城市化程度不高，建设用地密集程度较低，不透水面区域覆盖密集程度较低，可以有效验证提取精度.

图7 不同年份瑞丽市不透水面提取效果对比Fig.7 Comparison of impervious surface extraction effect in Ruili City in different year

采用本研究方法提取瑞丽市不透水面和透水面差异性体现较为明显.研究区内的透水面信息以植被和土壤为主，不透水面信息以城镇和城镇内硬化地表为主.在不透水面和透水面的交界过度部分较为清晰，田间建筑物可以被区分出来.此外，部分地区虽然未完全过度到城镇，但是已经有不透水面信息被提取出来，说明城镇居民用地扩张可能是瑞丽市未来的扩展方向.

不透水面的提取结果依然受到了裸土的影响，在城市建成区范围内，裸土与建筑用地的光谱可能会相互影响产生混淆，造成提取的信息失准.2014年勐卯镇城区的不透水面提取范围较实际情况范围偏大，但是不影响整体的信息提取结果.

通过对比本研究方法和指数法对2014 年和2018 年瑞丽市不透水面信息的提取结果，可以明显看出采用指数法计算得到的不透水面信息存在着裸土与不透水面难以区分的现象，在图7（c）和（f）中表现出一定程度的灰度值混淆，难以直接判断出不透水面的形状和分布.

3.2 研究区不透水面信息动态变化分析2014 年瑞丽市的不透水面面积为59.828 4 km2，2018 年时面积扩大到83.828 7 km2，扩大了40.11%，其中姐相乡的不透水面扩大趋势更为明显，其他地区的扩大趋势相对缓慢.瑞丽市不透水面分布呈现不均匀的特征，不透水面区域主要分布在瑞丽市勐卯镇西南部、姐相乡和弄岛镇东南部和芒棒乡，由于该地区与缅甸相邻，受到两国经济贸易和文化交流的影响，城镇化水平较高，而户育乡和勐秀乡未与缅甸接壤，城镇化速度较低.

瑞丽市4 年来不透水面的面积呈现出扩展趋势，城镇化水平有一定的提升，其中姐相乡的不透水面扩大程度较快，反映出“一带一路”倡议对边境地区经济快速发展有极大促进作用.随着中国经济发展水平的不断提高和“一带一路”倡议对中缅边境地区的带动作用，这个趋势可能还将保持下去.

4 结论

本文以V-H-L-S 模型为理论基础，借鉴前人利用掩膜方法提取不透水面的经验，通过深入研究分析透水面和不透水面的差异性，提取水体、植被和土壤信息的方式，结合最小噪声分离等技术方法，对研究区影像信息进行筛选排除，成功提取了瑞丽市2014 年和2018 年的不透水面信息，分析了瑞丽市不透水面的动态分布特征和扩展形势.研究结果表明，本文所使用的研究方法在提取瑞丽市为代表的城-乡-自然综合地区中具有较好效果，具有广泛应用的前景.同时，比较传统的不透水面指数法，本方法可以更好地识别出裸土与不透水面信息，相较于多端元的线性光谱分解方法也更加快速易得，效率较高，具有较好的应用前景.

本文的提取方法还有一些不足，如不透水面提取时，阈值选取部分具有一定主观性，同时由于对透水面的3 个特征地物连续选取阈值，对提取精度可能会造成一定影响.此外，本文所用提取方法尚未被广泛使用，对于不同地区的提取精度有待查证，需要后续的研究不断完善，今后我们将在其他区域开展研究，以验证方法的可靠性.