昆明市呈贡区不透水面时空变化及驱动力分析

2022-06-22李益敏杨舒婷吴博闻梁雨西孟月玥

自然资源遥感 2022年2期

李益敏，杨舒婷，吴博闻，梁雨西，孟月玥

(1.云南大学地球科学学院，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,昆明 650500; 3.中国自然资源航空物探遥感中心，100083)

0 引言

不透水面是指由各种不透水建筑材料所覆盖的表面，如由瓦片、沥青、水泥混凝土等材料构成的屋顶、道路和广场，是衡量城市化的重要指标之一[1]。不透水面是衡量城市化水平和城市生态环境状况的重要指标，其面积大小、空间分布特征、透水层和不透水面的比例等指标，可以用来检测城市中生态环境的变化以及人与自然的和谐状况，在城市化进程及环境质量评估中具有重要的意义[2]。国家政策、经济发展、人口增加、地形因素影响着城市发展，进而影响不透水面的变化[3-4]。

遥感技术的发展为高效准确地掌握不透水面的时空分布及动态变化特征提供了技术支撑[5]。不透水面提取方法主要有机器学习法[2]、指数法[6-10]、光谱混合分析法[9-11]和分类回归树法[12-13]等，其中，应用最多的方法是光谱混合分析法和指数法。

光谱混合分析法适用于中低空间分辨率遥感影像中的不透水面提取，在区域尺度下，光谱混合分析方法在一定程度上解决了中低空间分辨率影像的混合像元问题，选择合适的端元对混合像元分解的精度有着重要的影响[14]。赵怡等[15]结合Sentinel-2A与Landsat8影像，利用干旱优化指数与干旱裸土指数进一步对光谱混合分析法的结果进一步优化，提高不透水面提取精度；杨玉婷等[16]利用随机森林方法反演实现了对杭州市1997—2017年不透水面的提取。

指数法原理简单易懂，找到各类地物反射率最强和最弱的反射波段，利用数学模型进行归一化比值运算来提取不透水面。徐涵秋[17]和穆亚超等[18]分别利用各自提出的指数实现了对相应目标区域的不透水面提取。

利用不透水面信息的提取，可以实现对城市形态发展的分析，张晓萍等[19]利用不透水面指数(impervious surfaces, IS) 指数提取舟山市不透水面后分析了时间序列的变化。

当前利用各种信息提取不透水面的方法较多，提取方法的精度随各地区土地覆被、气候、城市形态而发生波动。择优选取高精度的不透水面提取方法具有一定学术价值和应用价值。

呈贡区是当前昆明市发展政策扶持的热点区域，其不透水面变化较为明显。本文运用修改型土壤调节植被指数(modified soil adjusted vegetation index,MSAVI)和归一化差值不透水面指数(normalized difference impervious surface index,NDISI)2种指数对呈贡区2007—2019年不透水面进行提取，并对比2种指数，择优选取合适的指数对其提取结果进行分析，以研究呈贡区不透水面时空动态变化的驱动力。

1 研究区概况及数据源

1.1 研究区概况

呈贡区隶属云南省昆明市，面积为461 km2，辖10个街道办事处，西临滇池，东部是山地(图1)。呈贡区属低纬度高原季风气候，全年温差小，呈贡斗南花卉市场是亚洲第一、世界第二的鲜花贸易区，被誉为“花卉市场的风向标”。2011年呈贡新区成立、昆明市政府从主城区搬迁至呈贡新区，云南大学等高校新校区也搬迁至呈贡新区大学城； 2015年昆明市地铁开通，连接呈贡新区和昆明主城区； 2016年底，昆明高铁开通，呈贡新区高铁南站开通，为呈贡区发展带来新的契机。呈贡新区成为 “一带一路”战略规划中辐射东南亚的重要基础设施及云南“八出省、四出境”的重要枢纽中心。

1.2 数据源及预处理

本文所选时间考虑呈贡区发展的重要时间节点，2011年呈贡新区成立、市政府和大学城搬迁，2015年开通地铁，因此以4 a间隔选取呈贡区2007年、2011年、2015年、2019年4个年度云量小于1.25%、成像质量较好的Landsat卫星数据进行动态变化分析。

其中，2007年和2011年为Landsat5卫星TM影像，2015年和2019年为Landsat8卫星OLI遥感影像，空间分辨率为30 m，重访周期16 d，均来自美国地质调查局(https: // earthexplorer. usgs.gov/)，遥感数据采用WGS 84坐标系和UTM投影系统。GDP统计数据均来源于昆明市人民政府网站、呈贡区人民政府网站。

对影像进行辐射定标和大气校正等预处理操作，以消除由大气散射等引起的辐射误差,将影像DN值转化为辐射亮度值,再转化为地表反射率,以消除大气散射、吸收和反射造成的误差。

本文采用指数法中的NDISI和MSAVI[20]进行地表不透水面提取，为避免植被和水体对不透水面的影响，在提取不透水面前，先用归一化植被指数NDVI和归一化水体指数NDWI掩模植被和水体，公式分别为：

，

(1)

，

(2)

式中Green，Red，NIR分别为绿光波段、红光波段、近红外波段的反射率。

NDISI是徐涵秋于2008年提出的一种快速提取不透水面指数，将地物分为水体、土壤、建筑物、植被4大类，利用绿光波段、近红外波段、热红外波段、中红外第1波段强化不透水面地物信息，抑制透水面地物信息，进而提取不透水面，公式为：

(3)

，

(4)

式中：MNDWI为改进的归一化水体指数；TIR和MIR分别代表Landsat影像的热红外波段和中红外第1波段的反射率。

闫如柳等[21]通过NDWI，NDVI和MSAVI完成水体﹑植被及土壤掩模﹐将3种信息叠加；再运用MNF变换将原始影像信息集中至前3个波段；最后,将掩模文件与MNF变换后影像合成,选取阈值提取不透水面信息。本文参考该方法提取不透水面，将地物分为建筑物、水体、植被、土壤4类，重点在透水面(水体、植被、土壤)的提取，利用MSAVI进行土壤掩模，反操作提取不透水面，公式为：

。

(5)

2 呈贡区不透水面时空动态变化

2.1 基于遥感技术的不透水面2种指数提取方法对比

水体光谱特征与低反照度不透水面相似，在近红外和中红外波段具有低反射率和强吸收率，需要采用NDWI掩模水体，排除水体对提取不透水面的干扰。植物叶片在近红外波段有较强的反射率，NDVI用于加强红光与近红外差值，是描述植被状况、掩模植被的植被指数。

NDISI和MSAVI这2种方法都是目前不透水面提取常用的指数(表1)，2种指数方法将地物分为水体、土壤、建筑物、植被4大类，利用各类地物对不同波段的反射、吸收差异提取不透水面；区别在于NDISI指数是从剔除水体和植被的影像中正向直接提取不透水面，而MSAVI指数是反向提取，从剔除水体和植被的影像中再提取土壤，剩余影像为不透水面。

2.2 2种方法提取结果及精度验证

2种指数法都是将地物分为水体、植被、土壤和不透水面4类，由于水体和植被对提取不透水面影响较大，提取之前，均使用NDWI和NDVI剔除水体和植被，且阈值相同，所以2种方法最终提取不透水面面积的影响因素来自土壤和不透水面，2种方法的提取结果分别如图2所示。

(e) 2007年MSAVI(f) 2011年MSAVI(g) 2015年MSAVI(h) 2019年MSAVI

为了验证不透水面提取精度，利用ArcGIS软件随机生成260个样本点，与同时期Google Earth高清影像对比进行不透水面提取精度验证，同时在2019年Google Earth高清影像上选取100个点，到呈贡区进行实地验证，验证结果如表2。2种方法提取精度有所差异，NDISI指数的平均Kappa系数为0.81，MSAVI为0.75，结果较为可靠。NDISI指数的260个样本点验证平均精度为87.01%，高于MSAVI指数的验证平均精度81.78%，通过影像对比、实地验证2种验证结果显示，NDISI指数提取的不透水面结果更为精确。

表2 各年份不透水面面积占比及精度验证

总体上，MSAVI方法提取的不透水面面积均大于NDISI方法，2007—2019年，2种指数法提取结果越来越接近。图3中(a)—(c)分别为2007年局部原始影像、NDISI和MSAVI提取土壤结果，白色部分为不透水面； (d)—(f)分别为2011年局部原始影像、NDISI和MSAVI提取结果，提取效果表明NDISI指数对于土壤的识别准确率大于MSAVI指数，MSAVI指数容易将土壤识别为不透水面，越接近2007年，呈贡区土壤等透水面面积越多，故MSAVI提取结果不透水面面积偏大。

白色大棚属于透水面还是不透水面学界尚未统一，本文参考国务院第一次全国地理国情普查中的相关内容，将白色大棚确定为不透水面。图4分别为2007年、2011年、2015年、2019年同一位置影像和白色大棚提取结果，可以发现越接近2007年，影像中白色大棚颜色与建筑物差别越大，越容易被识别成透水面。白色大棚不能完全被正确识别，会影响不透水面提取精度，是指数法的局限，未来研究中将优化创新方法有效提取白色大棚。

(e) 2007年NDISI提取效果(f) 2011年NDISI提取效果(g) 2015年NDISI提取效果(h) 2019年NDISI提取效果

2.3 不透水面时空动态变化特征及分析

2.3.1 不透水面时空变化特征及驱动因素分析

呈贡区不透水面围绕西部滇池发展(图5)。呈贡区不透水面快速增加对城市内涝和滇池污染防治造成很大压力。交通环境也是驱动呈贡城市发展的一个重要因素，呈贡区围绕地铁经过路线、站点发展，高铁附近发展快速；呈贡区东面为山地，地形地貌特征不适合城市发展，不透水面扩张较为缓慢。

图5 2007—2019年不透水面时空变化

2007—2019年，呈贡区不透水面面积增长较快，国家政策、城市发展规划、区域位置、交通环境和地形地貌是影响城市化进程的主要驱动因素。昆明市2003年提出“一湖四片”，即围绕滇池，建设昆明北片(主城区)、东片(呈贡新区)、西片(海口)和南片(晋宁)，到2016年的“南延北拓”，昆明的城市发展一直围绕着滇池发展。2007—2019年，作为东片的呈贡新区得到快速发展，不透水面面积占比从10.00%增至35.67%(表2)。其中，2007—2011年，不透水面占比从10.00%增至15.76%，驱动因素为昆明东片规划发展以及2011年呈贡新区成立，昆明市政府、高校从昆明主城区不断搬迁至呈贡新区，不透水面快速增加，原不透水面区域建筑用地密度亦逐渐增大； 2011—2015年不透水面增长最快，占比从15.76%增至31.87%，增长1倍，主要驱动因素是昆明市政府、高校已从昆明主城区搬迁至呈贡区，建筑用地增加，以及昆明地铁站、高铁站建设开通，呈贡区内交通条件大幅提升，吸引地产开发商投资； 2015—2019年，呈贡区不透水面占比从31.87%增至35.67%，建筑用地面积扩张速度明显变缓。

经济发展会影响城镇建设速度，是影响城市化进程的驱动因素。呈贡区2007—2019年不透水面面积变化与GDP增长情况如图6所示，不透水面面积占呈贡区总面积的比例由2007年的10%增加到35.67%，面积增长了2.19倍，GDP由46.39亿元增加到476.79亿元，GDP增长了10.34倍，呈贡区不透水面面积增长与GDP增长具有较强的正相关性。

图6 呈贡区2007—2019年GDP增长与不透水面面积变化

2.3.2 基于行政单元的时空变化特征及驱动因素分析

以街道为单位分析呈贡区10个乡镇级行政单元的时空变化特征，结果表明，西部的街道发展较快，东部的街道发展缓慢。平均坡度大的街道发展相对缓慢(表3和图7)。从表3可以看出，不透水面扩张受地形因素影响，由呈贡区北部的洛羊街道向呈贡区中部乌龙、龙城、雨花、大渔、洛龙街道扩张，平均坡度较高的马金铺、吴家营、七甸街道扩张较慢。雨花、洛龙、斗南、乌龙4个街道不透水面增加幅度较大，不透水面增加超过47%，尤其是雨花街道，不透水面增加最快，达到62.57%，城市化显著。大渔、洛羊、龙城3个街道不透水面面积增加幅度在40%～47%之间；马金铺、吴家营、七甸3个街道是呈贡区的山地分布区，因不适宜大规模开展城市建设，不透水面增长相对较慢，不透水面增长率均低于40%，尤其是七甸街道，坡度大，不适宜开展城市建设，不透水面增长相对较慢。呈贡区平均坡度与不透水面增长率相关性为0.71，由于斗南街道大部分区域为滇池水面，剔除斗南街道后的相关性可达到0.8。

表3 2007—2019年不透水面面积增长变化

图7 2007—2019年各街道不透水面增长速率

3 结论及展望

本文以城市化发展迅速的昆明市呈贡区为研究对象，对研究区不透水面进行提取和分析，对比研究归一化差值不透水面指数NDISI和调整型土壤调节植被指数MSAVI提取地表不透水面精度，研究结果表明，NDISI方法提取不透水面平均提取精度为87.01%，平均Kappa系数为0.81，优于MSAVI方法，平均精度为81.78%，平均Kappa系数为0.75，NDISI方法提取结果较为理想。这是因为MSAVI提取过程中采用多个阈值，会造成误差累积，降低提取精度，同时部分低反射率建筑物也会在该方法中被识别为透水面，这些都会导致MSAVI和NDISI对呈贡区域不透水面的提取精度造成差异。

受自然环境、政策、经济发展等因素的影响，呈贡区发展速度惊人，不透水面占比从2007年的10.00%增长至2019年的35.67%，城市化进程迅速，扩张速度位于云南省前列。尤其是作为文教中心的雨花街道，不透水面增长速度最快，2019年，不透水面占比达62.57%。呈贡区不透水面快速增加对城市内涝和滇池污染防治带来一定压力，城市化发展需要平衡城市发展与生态建设之间的关系。

呈贡区遥感影像中建筑物与其他透水面地物区别较大，因此本文提取城市不透水面采取的2种指数方法提取效果较好，精度都在80%以上。白色大棚识别精度不高，白色大棚虽然定义为不透水面，但是其具有类似于透水面的反射特征，因此如何提高白色大棚的提取精度将是下一步研究的重点。