引用本文
李玮娜, 杨建生, 李晓, 张记龙, 李世伟. 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(1): 66-70
LI Weina, YANG Jiansheng, LI Xiao, ZHANG Jilong, LI Shiwei. Extraction of urban impervious surface information from TM image[J]. REMOTE SENSING FOR LAND & RESOURCES,2013,25(1): 66-70  
Permissions
Copyright©2013, 《国土资源遥感》编辑部
《国土资源遥感》编辑部
基于TM图像的城市不透水面信息提取
李玮娜1,2, 杨建生3, 李晓1,2, 张记龙2,4, 李世伟1,2
1.中北大学信息与通信工程学院,太原 030051
2.山西省光电信息与仪器工程技术研究中心,太原 030051
3.美国鲍尔州立大学地理系,美国曼西 47036
4.中北大学仪器科学与动态测试教育部重点实验室,太原 030051

第一作者简介: 李玮娜(1988-), 女, 硕士研究生, 主要从事遥感图像处理方面的研究。 E-mail:liweina1988@163.com。

收稿日期: 2012-05-11
基金: 山西省国际科技合作项目“大气污染气体实时光谱遥测技术研究”(编号: 2010081038)、国际科技合作项目以及2012山西省科技基础条件平台建设“地理信息遥感专业技术创新平台”(编号: 2012091014)项目共同资助
摘要

基于TM图像,利用遥感技术,以山西省太原市为研究区域,提取不透水面信息。综合比较和分析了被广泛应用的主成分分析法和归一化差值不透水面指数法,进而提出了一种改进的不透水面提取方法——实验图层组合法。利用随机生成的256个分类评价采样点,以可提供经纬度信息的Google Earth作为参考,将通过监督分类方法获得的分别基于原始多波段图像以及主成分分析法、归一化差值不透水面指数法和实验图层组合法得到的分类结果进行了评估,获得了4种图像的分类精度。比较可知,实验图层组合法总体分类精度高于其他3种结果,为87.72%,Kappa系数为0.85。

关键词: 遥感; 不透水面; 主成分分析; NDISI; 监督分类; 分类评价
中图分类号:TP79 文献标志码:A 文章编号:1001-070X(2013)01-0066-05 doi: 10.6046/gtzyyg.2013.01.12
Extraction of urban impervious surface information from TM image
LI Weina1,2, YANG Jiansheng3, LI Xiao1,2, ZHANG Jilong2,4, LI Shiwei1,2
1.School of Information and Communication Engineering, North University of China, Taiyuan 030051, China
2.Opto-Electronic Information and Instrument Engineering Technology Research Center of Shanxi Province, North University of China, Taiyuan 030051, China
3.Department of Geography Ball State University Muncie, IN 47036, USA
4.Key Laboratory of Instrumentation Science & Dynamic Measurement of Ministry of Education, North University of China, Taiyuan 030051, China
Abstract

Based on analyzing the theory of the Optimum Band Combination, Principal Component Analysis (PCA) and NDISI, this paper presents an improved method, i.e., “experimental layer stack”, to extract impervious surface of Taiyuan city, Shanxi Province, from Landsat TM image. Both unsupervised and supervised classification methods were used to classify the original multi-band image, PCA image, NDISI and experimental band combination images. The accuracies of the classification were assessed using 256 sampling points randomly selected from Google Earth high resolution image of Taiyuan. By comparison and analysis, the authors found that the experimental B combination method obtained the highest overall accuracy of 87.72% with the Kappa coefficient of 0.85.

Keyword: RS; impervious surface; PCA; NDISI; supervised classification; accuracy assessment
0 引言

不透水表面(imperoious surface, IS)被定义为诸如屋顶、沥青或水泥道路以及停车场等具有不透水性的地表面[1]。不透水面覆盖度(imperoious surface proportion, ISP)是指单位面积地表中不透水面面积所占的百分比, 是城市生态环境评价的一个重要指标, 被广泛应用于城市水文过程模拟、热岛效应分析以及城市专题制图等研究中[2]。近年来城市化进程加快, 导致不透水面覆盖区域变化频繁, 依靠传统技术资料统计和监测方法很难及时获取最新不透水面信息。遥感技术作为地表环境监测的重要手段, 具有监测范围大, 获取信息时间短的优势, 利用遥感技术从卫星图像中提取的不透水面信息, 为科学掌握城市化脚步提供客观数据。

利用遥感数据提取不透水面的方法有主成分分析法和建模法等。王俊松等利用高分辨率遥感数据将主成分分析的部分波段组合, 增强了不透水面信息与背景信息的反差, 提高了不透水面信息提取的精度[3]; 徐涵秋对研究对象通过采用复合波段的形式建立了归一化差值不透水面指数(normalized difference imperoious surface index, NDISI)的数学模型, 有针对性地考虑了沙土和水体因素, 无需预先将水体剔除, 消除了由于预处理可能引起的误差, 增强了图像上不透水面的特征, 达到了快速提取不透水面信息的目的[4, 5]。主成分分析法对数据量进行了压缩, 但有部分未知信息丢失造成难以消除的误差; 不透水面指数法对专题信息进行了增强, 只是通过建立模型设立阈值对不透水面信息进行提取, 受热红外波段分辨率低的影响出现错提现象。

本文在对主成分分析法、NDISI指数法进行分析的基础上, 提出了实验图层组合法, 并采用此方法建立了一个新的复合空间来进行不透水面信息的提取, 以提高提取精度。

1 研究区及数据源概况

太原市位于E111° 30'~113° 09', N37° 27'~38° 25'之间, 处于山西省中部, 太原盆地北端, 华北地区黄河流域中部, 坐落在太行山、吕梁山两大山脉间的河谷平原上, 海拔最高2 670 m, 最低约800 m。研究区域东、西、北3面环山, 中南部为河谷平原, 地形北高南低呈簸箕形。

本研究使用的Landsat 5 TM图像轨道号为125/34, 接收日期为2010年9月23日, 投影坐标系为WGS_1984_UTM_Zone_49N, 全景图像质量较好, 无云和条带影响。首先将TM图像进行了几何纠正, 以提供经纬度信息的Google Earth中国版作为参考, 随机均匀地选取了30个地面控制点(GCP), 采用了最邻近域法进行图像重采样, 消除原图像的几何形变。

2 研究方法
2.1 主成分分析法

主成分分析法(principal component analysis, PCA)是特征选择的主要方法[6, 7]。对研究区TM1— 7波段数据进行主成分变换后, 7维的多光谱空间变换成7维的主分量空间, 最后得到的特征值及各主成分分量的贡献率如表1所示; 前3个主分量间的特征向量矩阵如表2所示。

表1 主成分分量的特征值和贡献率 Tab.1 Eigenvalue and cumulative amount of PCs
表2 前3主成分和TM 7个波段的相关矩阵 Tab.2 Correlation matrix between the first 3 PCs and the 7 original TM Bands

由表1可以看出, 新生成的分量中, 前3个主分量的累计贡献率高达98.05%, 包含了大多数的地物信息。由表2可看出, 在PC1中, B4的绝对值最高且呈负值, 即PC1的光谱特征与植被具有较高的负相关性; 不透水面与植被覆盖度的负相关性[7]表明, PC1可以较好地反映不透水面的光谱特征; PC2中B7的值最高且呈正值, 可以较好区分人造地物; PC3中的B3的值最高呈正值, 可增强植被区与非植被区的反差[8]。因此, 基于已有研究 [8, 9, 10, 11], 本文对主成分分量PC1, PC2, PC3进行假彩色合成, 提取不透水面信息(图1)。

图1 主成分分量假彩色合成图(R: PC3; G: PC2; B: PC1)Fig.1 False color composite image of the first 3 PCs

采用此方法不能有效地分离农田中含有不透水面信息的区域。如图1(b)中的右侧浅蓝色区域为含有部分道路的农田, 其中部分信息被误分为水体, 使得不透水面信息需要进行进一步的处理。

2.2 归一化差值不透水面指数法(NDISI)

归一化差值不透水面指数(NDISI)指数是通过在多光谱波段内找出不透水面的最强辐射波段和最弱反射波段, 将强者置于分子, 弱者置于分母求得的, 利用归一化比值运算方法扩大强辐射和弱反射二者的差距, 使不透水面信息得到显著增强。由于水体在可见光处的反射率低于不透水面, 将改进型归一化水体指数(modified normalized difference water index, MNDWI)加入NDISI指数的弱反射波段[5], 即

NDISI=RTIR-(MNDWI+RNIR+RMIR)3RTIR+(MNDWI+RNIR+RMIR)3, (1)

式中, RNIR, RMIR和RTIR分别为图像的近红外、中红外和热红外波段的反射辐射值。对应TM传感器, NIR为第4波段, MIR为第5波段, TIR为第6波段。MNDWI计算公式为

MNDWI=(RG-RMIR)/(RG+RMIR)。 (2)

式中, RG为绿光波段的反射值, 对应TM传感器的第2波段。

NDISI指数值介于-1~1之间, 具有归一化指数的特征, 选择0作为阈值, 则被增强的不透水信息大于0, 受抑制的其他地物信息小于或等于0[5]。

利用ERDAS的Model Maker模块建立NDISI指数模型, 对图像进行处理, 提取的不透水面信息如图2所示。

图2 NDISI指数图Fig.2 The map of NDISI

由图2(b)可见, 十字符号右侧的部分较亮, 可知此部分光谱值大于0, 被划分为不透水面信息, 即不透水面信息可以较好地从田地中提取出来。典型地物光谱曲线见图3。

图3 典型地物光谱曲线Fig.3 Spectrum curve of some typical land features

2.3 实验图层组合法

在以上处理过程中, 发现主成分分析法的前3个分量虽然包含了98.05%的信息, 但仍有少部分未知信息丢失; 不透水面指数法的提取结果还有提升的空间。因此, 本文提出了一种基于不同性质数据的实验图层组合的不透水面提取方法。 该方法的图层组成包括3部分: ①主成分分析的前3个分量; ②不透水面指数; ③TM图像的B1, B4, B5波段。为与原始数据的分类实验结果进行比较, 实验图层组合法也选用7个图层, 其中, B1、B4、B5是依据最佳波段组合选择原则进行选取的[11, 12]。

利用地物类型的光谱差异确定第一个波段, 在实验图像上选取特征地物的样本点, 并利用其灰度值生成各自的光谱曲线(图3), 光谱反射率的差异越大, 地物类型越好区分, 因此, 第4波段必选。根据最佳指数因子(optimum index factor, OIF), 其他2个波段则由其与4波段组合的OIF来确定, 获得最大OIF的波段组合即为最佳波段组合[13]。其表达式为

OIF= ∑i=13Si/ ∑j=13|Rij|, (3)

式中, Si为第i个波段的标准差; Rij为波段i与波段j之间的相关系数。由于第6波段分辨率较低, 研究中未使用, 其他6个波段的相关系数及标准差如表3所示。

表3 各波段相关系数及标准差 Tab.3 Correlation coefficient matrix of 6 TM bands and standard deviation

利用Matlab求得B1, B4, B5波段组合的OIF值最大, 因此选择B1, B4, B5作为实验图层组合的部分数据源。将B1, B4, B5分别作为实验图层的第1, 2, 3波段, PC1, PC2, PC3作为4, 5, 6波段, NDISI作为第7波段, 进行假彩色合成, 结果如图4所示。

图4 实验图层假彩色合成图Fig.4 False color composite image of the experiment layer

由图4可知, 实验图层组合法提取的不透水面信息在假彩色合成后的图像上呈黄色。NDISI指数法可以将不透水面信息从田地中提取出来, 但部分水体信息会被误分为不透水面信息。实验图层组合法不仅可以提取出大面积单独存在的不透水面, 还可以将不透水面信息从周围复杂地物中提取出来。

3 精度评价

采用监督分类, 基于最大似然法获得利用原始波段直接分类、主成分分析法、NDISI指数法及实验图层组合法4种方法的分类精度。首先, 使用ISODATA将4种组合图像分别进行非监督分类, 以研究区域的地物类型为依据, 将实验图像分为不透水面、水体、植被覆盖区3大类, 并通过目视解译和与Google Earth地图对比的方式确定了训练样本模板文件。分类完成后利用ERDAS软件的精度评价功能 (accuracy assessment), 以Google Earth中国版为参考依据对随机生成的256个采样点进行了类别检验, 比较相同经纬度下的随机生成点所在位置地物与Google Earth上对应点地物的信息差异, 确定了4种方法对不透水面的提取精度, 如表5所示。

表5 4种方法提取精度评价 Tab.5 Accuracy assessment of classified images using 4 methods

由表5可以看出, 实验图层组合法的精度最高, 其不透水面提取精度为87.5%, 总体分类精度为87.72% , 总体Kappa统计值为0.848 9, 不透水面的专题提取精度相对原始波段提高了16.07%, 相对PCA法提高了12.5%, 相对NDISI指数法提高了18.27%。

4 结论

以山西省太原市作为实验区, 利用TM遥感图像, 研究了不透水面的遥感提取方法。通过对主成分分析法和NDISI指数法的综合分析, 提出了一种改进的不透水面提取方法— — 实验图层组合法, 即将通过比较原始波段间的相关系数及地物光谱间的差异获得的TM原始图像的B1, B4, B5波段、通过计算各主分量的贡献率得到主成分分析的前3个分量及NDISI指数的计算结果图层进行合成。

实验图层组合法减少了主成分分析的数据量丢失, 提高了农田中的不透水面信息的提取精度; 减弱了不透水面指数受热红外波段分辨率低的影响, 通过与原始图像直接分类、主成分分析法监督分类和NDISI指数法获取图层的监督分类的分类精度进行比较, 可知实验图层组合法精度最高, 取得了较好效果。

The authors have declared that no competing interests exist.

参考文献
[1] 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. [本文引用:1]
[2] Brabec E, Schulte S, Richards P. Impervious surfaces and water quality: A review of current literature and its implications for watershed planning[J]. Journal of Planning Literature, 2002, 16(4): 499-514. [本文引用:1]
[3] 王俊松, 杨逢, 贺彬, 等. 利用QuickBird影像提取城市不透水率的研究[J]. 遥感信息, 2008(3): 69-73.
Wang J S, Yang F, He B, et al. Study on reducing shadow impact in the extraction impervious surface coverage of urban based on QuickBird image[J]. Remote Sensing Information, 2008(3): 69-73. [本文引用:1] [CJCR: 0.45]
[4] Xu H Q. Analysis of impervious surface and its impact on urban heat environment using the normalized difference impervious surface index(NDISI)[J]. Photogrammetric Engineering and Remote Sensing, 2010, 76(5): 557-565. [本文引用:1] [JCR: 2.071]
[5] 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.
Xu H Q. A new remote sensing index for fastly extracting impervious surface information[J]. Geomatics and Information Science of Wuhan University, 2008, 33(11): 1150-1153. [本文引用:3] [CJCR: 0.797]
[6] 姚静, 武文波, 康停军, 等. 基于TM图像的城市绿地信息提取方法研究[J]. 测绘科学, 2010, 35(1): 113-115.
Yao J, Wu W B, Kang T J, et al. Extraction method of urban vegetation information based on TM image[J]. Science of Surveying and Mapping, 2010, 35(1): 113-115. [本文引用:1] [CJCR: 0.603]
[7] 欧春江. 实例分析遥感图像处理中的主成分分析[J]. 测绘与空间地理信息, 2006, 29(5): 56-59.
Ou C J. Research on principal component analysis of remote sensing image processing through example[J]. Geomatics and Spatial Information Technology, 2006, 29(5): 56-59. [本文引用:2]
[8] 贾科利, 常庆瑞. 利用主成分分析法提取水体信息[J]. 淮阴师范学院学报: 自然科学版, 2006, 5(3): 242-245.
Jia K L, Chang Q R. Extracting water body information using principal components analysis[J]. Journal of Huaiyin Techers College: Natural Science Edition, 2006, 5(3): 242-245. [本文引用:2]
[9] 张杰夫. 广州市城市绿地提取方法研究[J]. 广东农业科学, 2011(11): 180-181, 205.
Zhang J F. Extraction method of urban vegetation information from Guangzhou[J]. Guangdong Agricultural Sciences, 2011(11): 180-181, 205. [本文引用:1] [CJCR: 0.512]
[10] 高珊, 侯淑涛, 刘义, 等. 遥感图像变化信息提取方法研究[J]. 中国科技信息, 2008(24): 31-32.
Gao S, Hou S T, Liu Y, et al. Extraction method of variational information from remote sensing image[J]. China Science and Technology Information, 2008(24): 31-32. [本文引用:1] [CJCR: 0.291]
[11] 常胜. TM遥感影像彩色合成最佳波段组合研究[J]. 湖北民族学院学报: 自然科学版, 2010, 28(2): 230-232, 235.
Chang S. Research on the optimal band combination to composite pseudo color image of TM image[J]. Journal of Hubei University for Nationalities: Natural Science Edition, 2010, 28(2): 230-232, 235. [本文引用:2]
[12] 徐磊, 侯立春, 杨强, 等. 利用TM影像提取土地利用/覆被信息的最佳波段研究[J]. 湖北大学学报: 自然科学版, 2011, 33(1): 119-122.
Xu L, Hou L C, Yang Q, et al. Study on optimum band in land use/land cover information extraction using TM image[J]. Journal of Hubei University: Natural Science, 2011, 33(1): 119-122. [本文引用:1] [CJCR: 0.27]
[13] 刘建平. 高光谱遥感数据处理分析软件系统设计与实现[D]. 合肥: 中国科学技术大学, 2001: 22-23.
Liu J P. Software system design and implementation of hyperspectral remote sensing data processing[D]. Hefei: University of Science and Technology of China, 2001: 22-23. [本文引用:1]
[14] 吴志杰, 赵书河. 基于TM图像的“增强的指数型建筑用地指数”研究[J]. 国土资源遥感, 2012, 24(2): 50-55.
Wu Z J, Zhao S H. A study of enhanced index-based built-up index based on land sat TM imagery[J]. Remote Sensing for Land and Resources, 2012, 24(2): 50-55. [本文引用:1]