国土资源遥感, 2019, 31(3): 148-156 doi: 10.6046/gtzyyg.2019.03.19

技术应用

Landsat8不透水面遥感信息提取方法对比

刘畅1, 杨康,1,2,3, 程亮1,2,3, 李满春1,2,3, 郭紫燕1

1. 南京大学地理与海洋科学学院,南京 210023

2. 江苏省地理信息技术重点实验室,南京 210023

3. 中国南海研究协同创新中心,南京 210023

Comparison of Landsat8 impervious surface extraction methods

LIU Chang1, YANG Kang,1,2,3, CHENG Liang1,2,3, LI Manchun1,2,3, GUO Ziyan1

1. School of Geographic and Oceanographic Sciences, Nanjing University, Nanjing 210023,China

2. Jiangsu Provincial Key Laboratory of Geographic Information Science and Technology, Nanjing 210023, China

3. Collaborative Innovation Center for the South Sea Studies, Nanjing 210023, China

通讯作者: 杨 康(1986-),男,副教授,研究方向为资源环境遥感。Email:kangyang@nju.edu.cn。

责任编辑: 陈理

收稿日期: 2018-06-28   修回日期: 2018-09-4   网络出版日期: 2019-09-15

基金资助: 国家重点研发计划项目子课题“‘一路’重点区域国土安全监测系统集成与应急示范”资助.  2017YFB0504205

Received: 2018-06-28   Revised: 2018-09-4   Online: 2019-09-15

作者简介 About authors

刘畅(1995-),女,硕士研究生,研究方向为遥感影像处理与分析。Email:liuchangnju@126.com.。 。

摘要

不透水面是重要的地表覆盖类型,利用卫星遥感影像准确提取不透水面信息对于掌握地表覆盖变化具有重要意义。现有研究已提出了多种不透水面遥感信息提取指数,但目前尚缺乏对这些不透水面指数的系统对比分析。利用Landsat8卫星遥感影像,测试了目前8种主要不透水面指数的提取精度。结果表明,在现有不透水面指数中,垂直不透水层指数能够有效增强不透水面信息,不透水面提取精度最高(89.6%),其次是比值居民地指数和生物物理组分指数(87.5%和87.4%),城市指数与新建筑指数提取精度再次之(82.9%和80.0%),归一化差值不透水面指数、归一化建筑指数和基于指数的建筑指数未能有效增强不透水面信息,提取精度较低(<75.0%)。此外,这8种不透水面指数都未能有效解决不透水面与大片裸地光谱混淆的问题,在裸地广泛分布的区域难以准确提取不透水面,平均提取精度仅为71.0%,影响了不透水面指数的大区域应用。

关键词： 不透水面 ; 遥感信息提取 ; 不透水面指数 ; 土地覆盖 ; Landsat8

Abstract

Impervious surface is an important land cover type. Extracting impervious surface from satellite images is crucial for land use and land cover change (LUCC) studies. Although several indexes have been proposed to detect impervious surface, there is a lack of systematic comparative analysis of these indexes. To address this problem, the authors estimated the performance of eight state-of-the-art impervious surface indexes using Landsat8 satellite images. The experimental results show that perpendicular impervious index (PII) performs best, yielding the highest detection accuracy of 89.6%. The accuracies of ratio resident-area index (RRI) and biophysical composition index (BCI) are slightly lower than the accuracy of PII, which are 87.5% and 87.4%, respectively. The accuracies of urban index (UI) and new built-up index (NBI) are 82.9% and 80.0%, respectively. Normalized difference impervious surface index (NDISI), normalized difference built-up index (NDBI), and index-based built-up index (IBI) fail to enhance the spectral characteristics of impervious surface from complex image background, thereby yielding the lowest accuracy (<75.0%). Importantly, the eight impervious surface indexes fail to distinguish the spectral characteristics of impervious surface from large bare land areas and the average detection accuracy is only 71.0%, hindering their applications in bare-land-rich areas.

Keywords： impervious surface ; remote sensing information extraction ; impervious surface index ; land cover ; Landsat8

PDF (6313KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

刘畅, 杨康, 程亮, 李满春, 郭紫燕. Landsat8不透水面遥感信息提取方法对比. 国土资源遥感[J], 2019, 31(3): 148-156 doi:10.6046/gtzyyg.2019.03.19

LIU Chang, YANG Kang, CHENG Liang, LI Manchun, GUO Ziyan. Comparison of Landsat8 impervious surface extraction methods. REMOTE SENSING FOR LAND & RESOURCES[J], 2019, 31(3): 148-156 doi:10.6046/gtzyyg.2019.03.19

0 引言

伴随着全球范围内的城市化,不透水面正快速取代自然地表,目前已成为一种十分关键的地表覆盖类型[1,2]。不透水面是指水体不能下渗至土壤的物质,包括自然不透水面和人工不透水面[3]。不透水面的时空分布,直接反映了城市扩张趋势[4,5]。不透水面阻止雨水下渗,导致地表径流量增大,引发城市内涝,威胁地下水资源补给[6,7]。同时,不透水面会作用于城市热岛效应,直接影响城市宜居性[8,9,10]。因此,准确提取不透水面,尤其是人工不透水面,对于及时监测城市动态具有重要意义。

不透水面遥感信息提取方法主要包括指数法[11,12]、分类回归树法[13]、支持向量机法[14,15]和光谱混合分析法[16,17]等。其中,指数法可操作性强,自动化程度较高,提取结果不受训练样本影响,能够快速提取不透水面遥感信息,现已被广泛应用[18,19,20,21,22,23,24]。各种不透水面指数设计的基本原理相似,均是通过波段组合增强不透水面与其他地表覆盖类型的差异,但具体使用的波段存在差异。例如,陈洁丽等 [22]利用红光、近红外和短波红外波段设计了新建筑指数(new built-up index,NBI),从Landsat5影像中提取了常州市不透水面信息,总体精度达到90%; 田玉刚等[23]利用蓝光和近红外波段设计了垂直不透水层指数(perpendicular impervious index,PII),从Landsat8影像中提取了武汉市与北京市的不透水面遥感信息,总体精度高于96%。

由于使用的波段不同,不同指数提取不透水面遥感信息的结果存在显著差异,这对综合分析不透水面动态变化带来了较大不确定性[25]。同时,大部分不透水面指数只针对不透水面密集分布的城市区域[18,20],在大区域应用的能力有待验证。对比分析不透水面指数的提取效果,是不透水面遥感信息提取研究的重要内容。为此,本研究归纳总结了现有的不透水面指数,选择具有不同地表覆盖类型特点的实验区,分析评价不透水面指数的提取精度,揭示现有不透水面指数的设计优势和存在问题。由于现有不透水面指数主要用于人工不透水面(建筑物和道路等)提取,进而监测城市动态变化,因此,本研究仅考虑人工不透水面,评价不透水面指数提取人工不透水面的精度,不考虑裸岩等自然不透水面。

1 不透水面指数对比分析

1.1 不透水面指数

本研究归纳总结了目前较常用的8种不透水面指数,按照其设计方法的不同,将其划分为3类。

1)利用卫星原始波段构建的不透水面指数。此类不透水面指数包括城市指数(urban index,UI)[19]、NBI[22]、归一化建筑指数(normalized difference built-up index,NDBI)[21]、PII[23] 和比值居民地指数(ratio resident-area index,RRI)[24]。这类不透水面指数都是利用不透水面区别于其他地类的最强和最弱反射波段设计,以此增强不透水面遥感信息,抑制其他地类信息。图1展示了不同地类在Landsat8影像不同波段的大气表观反射率。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   Landsat8卫星遥感影像不同地类光谱特征

Fig.1   Spectral characteristics of different land cover types in Landsat8 satellite image


UI和NDBI通过选取近红外波段和短波红外波段设计,RRI和PII则利用了蓝光波段和近红外波段。虽然RRI和PII具有相同的光谱波段,但在波段组合形式上分别采用了比值组合型和线性组合型。此外,在波段权重的设置上,RRI中的蓝光波段和近红外波段具有相同权重,而PII能够根据实验区光谱自适应调整蓝光波段系数m、近红外波段系数n及常数C[23]。NBI选取了红光、近红外和短波红外波段,利用乘法扩大特征波段灰度值,进而增强不透水面遥感信息。

2)利用复合波段构建的不透水面指数。此类不透水面指数的代表是归一化差值不透水面指数(normalized difference impervious surface index,NDISI)[12]。这是第一个直接针对不透水面特性建立的不透水面指数,它组合了可见光、近红外、短波红外波段及热红外波段数据提取不透水面。其中,可见光波段包括蓝光、绿光、红光波段。NDISI还能够根据实验区的实际情况采用改进的归一化差值水体指数(modified normalized difference water index,MNDWI)[26]代替可见光波段。在使用NDISI提取不透水面遥感信息时,需要分别测试可见光波段和MNDWI指数,以获得更好的不透水面提取结果。

3)利用指数波段或分量构建的不透水面指数。此类不透水面指数包括基于指数的建筑指数(index-based built-up index,IBI)[20]、生物物理组分指数(biophysical composition index,BCI)[18]。Xu[20]基于城市中的地表覆盖类型[21],以NDBI指数、土壤调节植被指数(soil adjustment vegetation index,SAVI)[27]和MNDWI指数分别代表不透水面、植被和水体,利用这些指数代替传统的卫星原始波段设计了IBI。Deng等[18]则利用缨帽变换的亮度(TC1)、绿度(TC2)、湿度(TC3)分量分别代表不透水面、植被和水体,设计了BCI提取不透水面遥感信息。

不透水面指数统计情况如表1所示。

表1   不透水面指数汇总

Tab.1  Summary of impervious surface indexes

名称公 式①使用数据实验区是否进行大气校正
NDISI[12]NDISI=TIR-(MNDWI\VISIBLE+NIR+SWIR1)/3TIR+(MNDWI\VISIBLE+NIR+SWIR1)/3Landsat7,
ASTER		福州、厦门否
BCI[18]BCI=(TC1+TC3)/2-TC2(TC1+TC3)/2+TC2Landsat7,
IKONOS,
MODIS		美国威斯康星否
UI[19]UI=SWIR2-NIRSWIR2+NIRLandsat7斯里兰卡科伦坡未提及
IBI[20]IBI=NDBI-(MNDWI+SAVI)/2NDBI+(MNDWI+SAVI)/2Landsat7福州是
NDBI[21]NDBI=SWIR1-NIRSWIR1+NIRLandsat5无锡未提及
NBI[22]NBI=RED×SWIR1NIRLandsat5/7常州未提及
PII[23]PII=mBLUE+nNIR+CLandsat8武汉、北京是
RRI[24]RRI=BLUENIRLandsat5西安、咸阳是

①公式中BLUE,RED,NIR,SWIR1,SWIR2和TIR分别为蓝光、红光、近红外、短波红外1、短波红外2和热红外波段的像素值; VISIBLE为可见光波段的像素值。

新窗口打开| 下载CSV


1.2 实验数据

本研究使用Landsat8卫星遥感影像作为实验数据。该卫星于2013年发射,重访周期为16 d,包含陆地成像仪(operational land imager,OLI)和热红外传感器(thermal infrared sensor,TIRS)传感器,能够提供30 m空间分辨率影像,目前已被广泛应用于地表覆盖动态变化分析[28]。由于大气校正对指数计算的结果影响有限,目前已被广泛使用的MNDWI水体指数、BCI和NDISI等不透水面指数都没有进行大气校正[18,26,29],因此本研究使用Landsat8卫星原始影像,没有对其进行大气校正处理。为了对比不同指数采用Landsat8影像提取不透水面的效果,研究使用1 m空间分辨率的不透水面产品(http: //www.chesapeake. org)作为不透水面真值数据,验证不同指数不透水面提取精度。该数据产品为2013年美国东北部切萨皮克湾地区的地表覆盖数据,融合美国1 m空间分辨率的NAIP影像和LiDAR点云数据制作而成,是全球空间分辨率最高的土地覆盖数据集之一。本研究从该地表覆盖数据产品中提取出不透水面类型,包含建筑物和道路等2类人工不透水面,获取了高空间分辨率不透水面数据。从官方提供的数据产品精度评价和Google Earth影像目视解译分析可知,该不透水面数据产品分类精度较高,因此,本研究将其作为真值数据用于验证不透水面指数提取精度。为了与Landsat8影像的空间分辨率保持一致,利用众数法将1 m不透水面真值数据重采样至30 m。

1.3 指数对比分析方法

不透水面指数能够增强Landsat8影像不透水面遥感信息,但为了进一步区分不透水面与非不透水面,仍需要设定合理阈值生成不透水面二值图像,获取“不透水面”与“非不透水面”类别信息。通过比较二值图像与不透水面真值数据,一个像元将会出现4种可能结果: 真正(true positive,TP)、真负(true negative,TN)、假正(false positive,FP)、假负(false negative,FN)。TP或TN分别代表二值图像中被正确分为“不透水面”或“非不透水面”的像元, FP代表被错误判断成“不透水面”的“非不透水面”像元,FN代表被错误判断成“非不透水面”的“不透水面”像元。在此基础上,计算真正率(true positive rate,TPR)和假正率(false positive rate,FPR)能够评价不同不透水面指数的提取精度。TPR表示被正确分为“不透水面”像元(TP)占真值为“不透水面”像元(TP+FN)的比例,反映指数提取不透水面的正确率。FPR表示被错误分为“不透水面”中的“非不透水面”像元(FP)占真值为“非不透水面”像元(FP+TN)的比例,反映指数提取不透水面的错误率。

TPR的计算公式为

TPR=TPTP+FN。

FPR的计算公式为

FPR=FPFP+TN。

此外,总体精度(overall accuracy,OA)表示被正确分类的像元(TP+TN)占全部像元的比例,这一指标能够反映不透水面提取结果的总体情况,其计算公式为

OA=TP+TNTP+TN+FP+FN×100%。

本研究绘制接收者操作特征曲线(receiver operating characteristic curve,ROC)以比较不透水面指数在不同全局阈值下的提取精度。由于在生成不透水面二值图像时,阈值选择会对提取精度产生重要影响[21,30-31]。如果设定的阈值过低,会高估地表不透水面真实分布,在提取结果中混入非不透水面信息。如果阈值过高,部分不透水面不能被有效提取,将会低估地表不透水面真实分布。ROC曲线能够定量评估分类方法在选择不同阈值下的表现优劣,现已广泛应用于机器学习和数据挖掘领域[32]。ROC曲线以FPR为横轴,TPR为纵轴,是不同阈值下对应TPR和FPR点的连线。如果ROC曲线越接近坐标左上角((0,1)点),即TPR越高、FPR越低,表示不透水面指数的提取精度越高。如果某一不透水面指数的ROC曲线能够完全包括其他指数的ROC曲线,可判断该指数的不透水面提取表现优于其他指数。若出现不同指数的ROC曲线互相交叉的情况,还需计算ROC曲线下面积(area under curve,AUC)进一步判断不透水面指数的优劣。AUC是ROC曲线下的区域面积,通常取值在0.5~1之间。AUC越大,不透水面指数的提取精度越高。

研究从ROC曲线中可以获取不透水面提取的最优全局阈值[33]。绘制ROC曲线时,最初设定的阈值较低,此时TPR与FPR值均较大。随着阈值不断提高,TPR与FPR值会同时减小。因此,最优全局阈值的确定需要权衡TPR与FPR。本研究使用Youden Index(J)方法[34]确定不透水面提取的最优全局阈值。该方法中P值能够评价二值分类的表现,其计算公式为

P=TPR-FPR。

P值越高,表明二值分类效果越好。当P值最大时,分类效果最好,以该点的阈值划分不透水面遥感信息,能够在降低错误分类的同时准确提取不透水面,进而获得不透水面指数的最优提取效果。

2 实验结果

2.1 方法实现

在Visual Studio平台下,利用Python2.7开发环境实现前文所述的8种不透水面指数提取方法。在计算不透水面指数时,大多研究选择了原始影像的灰度值,如NDBI,RRI,NDISI,IBI和NBI指数,仅有PII指数采用表观反射率计算。因此本研究统一采用原始影像的灰度值计算不透水面指数。根据不同指数要求,对RRI,BCI和PII覆盖MNDWI水体掩模。设置SAVI指数的经验常数为0.5[22,27],BCI中所使用的Landsat8缨帽变换系数由Baig等[35]提供,设置PII中常数C=0.02。由于PII在不同实验区的蓝光波段系数m和近红外波段系数n非常接近,研究分别取田玉刚等 [23]所选实验区m和n的平均值(m=0.905,n=0.435)。通过分别测试NDISI的可见光波段和MNDWI指数,当以MNDWI指数作为输入参数时,实验区的不透水面提取精度最高,因此本研究只选用MNDWI计算NDISI。此外,对不同不透水面指数的提取结果进行归一化处理,设ROC曲线的阈值间隔为0.01。

2.2 实验区

本研究选择美国华盛顿(实验区1)和宾夕法尼亚州东部(实验区2)作为实验区,分别获取了2个实验区的Landsat8影像作为输入数据(图2)。实验区1影像获取时间为2013年4月21日,实验区2影像获取时间为2014年5月26日,图2(b)和(d)均采用B7(R),B6(G),B4(B)假彩色波段组合,图2(c)和(e)为高空间分辨率不透水面真值数据,其中红色代表不透水面。2个实验区的面积较大,适合测试不同不透水面指数在大区域的应用表现。同时,2个实验区具有不同的地表覆盖特点,能够反映不透水面指数在不同地表覆盖条件下的提取效果,具有较强的代表性。实验区1的地表覆盖类型以植被、人工不透水面和水体为主,裸地面积较小。研究将裸岩与未种植农作物地表裸露的农田均视为裸地。该区的不透水面分布特点多样,中心城区的不透水面密集、面积大,郊区的不透水面稀疏、面积小。实验区2的主要地表覆盖类型是植被,裸地面积较大,而人工不透水面分布稀疏、面积小。实验区1和实验区2的面积分别为2 464像素×2 225像素和1 366像素×1 341像素。同时期获取并经重采样后的高空间分辨率不透水面真值数据作为精度验证数据。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   实验区分布及Landsat8影像

Fig.2   Study areas distribution and Landsat8 satellite images


2.3 不透水面提取精度评价

实验获得了8种不透水面指数在2个实验区的ROC曲线(图3)。结果表明,PII在2个实验区所得的AUC值均最高,分别为0.895和0.839,说明PII提取不透水面遥感信息的精度最高; 其次是BCI和RRI,对应AUC值略低于PII; 而NDBI,IBI与NDISI这3个指数提取不透水面的精度较低,对应AUC值均低于0.8(表2)。此外,对比实验区1和实验区2,实验区1的不透水面提取精度高于实验区2,PII的AUC值从0.895降低至0.839,RRI的AUC值降低了0.050。这说明,相比裸地分布较广的区域,现有不透水面指数更适用于不透水面分布较为密集的区域。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   不透水面指数的ROC曲线

Fig.3   ROC curves of impervious surface indexes


表2   不透水面指数在实验区1和实验区2的AUC

Tab.2  AUC of impervious surface indexes in study areas 1 and 2

不透水面指数AUC不透水面指数AUC
实验区1实验区2实验区1实验区2
PII0.8950.839UI0.8500.812
BCI0.8930.837IBI0.7870.769
RRI0.8850.835NDISI0.7310.765
NDBI0.7770.760NBI0.8490.812

新窗口打开| 下载CSV


为了进一步对比不同指数在各自最优阈值条件下的最佳不透水面提取结果,综合权衡TPR和FPR,利用Youden Index(J)方法确定了不同不透水面指数的最优全局阈值(图3),并以该阈值划分不透水面和非不透水面,获取了2个实验区的不透水面二值图像(图4和图5),其中白色代表不透水面。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   实验区1中最优不透水面提取效果

Fig.4   Optimal impervious surface extraction results of study area 1


图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   实验区2中最优不透水面提取效果

Fig.5   Optimal impervious surface extraction results of study area 2


在实验区1,PII,BCI和RRI的最优不透水提取结果与不透水面真值数据的吻合度较高,所对应的不透水面提取OA分别是89.6%,87.4%和87.5%,高于其他指数的OA(表3)。在这3种指数中,PII获得了最高的不透水面提取总体精度,提取不透水面的效果最好,原因在于相比BCI和RRI,PII的FPR值更低(9.5%),表明PII提取不透水面的错误率更低。这与PII的设计原理有关,尽管PII和RRI的输入波段相同,但PII采用了波段线性组合形式,相比于RRI的波段比值组合形式,PII能够根据实验区的土壤线调整波段权重,减弱了土壤噪声影响[23]。而NDBI,IBI和NDISI的最优不透水面提取效果较差,对应的OA均低于75%。它们表现较差的主要原因是FPR值较高。IBI和NDBI的FPR值分别为28.2%和26.7%,远高于PII的FPR值。在实验区2,尽管PII,BCI和RRI的不透水面提取OA仍然高于其他5种不透水面指数,分别是77.3%,77.4%,78.3%,但相比于实验区1的实验结果,它们的不透水面提取精度均明显降低。PII指数的TPR值降低到77.1%,而FPR值升高到22.7%。除了PII,BCI和RRI,其他5种不透水面指数的OA也明显下降,平均降幅约9.6%。

表3   最优阈值不透水面指数的精度评价结果

Tab.3  Accuracy evaluation of impervious surface indexes using the optimal threshold(%)

不透水面指数实验区1实验区2不透水面指数实验区1实验区2
OATPRFPROATPRFPROATPRFPROATPRFPR
PII89.681.29.577.377.122.7UI82.977.716.570.180.230.4
BCI87.483.712.277.477.322.6IBI72.477.728.263.579.637.2
RRI87.582.112.078.375.121.5NDISI74.665.224.469.472.830.8
NDBI73.474.326.759.782.141.3NBI80.082.020.372.378.928.0

新窗口打开| 下载CSV


实验测试的8种指数提取出的不透水面范围,均大于地表真实不透水面分布,但也漏提了部分不透水面。在实验区1,UI,NDBI,IBI和NDISI将部分水体误提取为不透水面,RRI和IBI则漏提了郊区面积较小的不透水面。而在实验区2,所有指数均未能准确提取人工不透水面信息,提取结果中混入了大面积裸岩等自然不透水面,该结果表明不透水面指数难以正确区分人工和自然不透水面,这将影响不透水面指数监测大区域城市动态变化的能力。造成不透水面指数误提的主要原因为: 一方面,部分指数(UI,NDBI,IBI和NDISI)在设计时,低估了水体对不透水面的干扰作用,未作掩模处理[36,37]; 另一方面,由于不透水面建设材料的主要成分多为石和砂,这与裸地的组成成分基本相同[38],造成了不透水面和裸地的光谱特征十分相似[39,40](图1),尽管有的指数在此方面作了改进尝试,PII在组合波段的基础上设置土壤线,NDISI在设计时引入了热红外波段,但是实验结果表明,现有指数未能在光谱特征上有效区分裸地和不透水面,进而影响不透水面指数在大区域的推广应用。此外,部分不透水面指数漏提了郊区的不透水面,这是由于郊区不透水面面积较小,容易与周边地类产生混合像元效应,不透水面光谱特征不显著。

为了进一步展示不透水面指数在不同区域的提取精度,研究选取了2个实验区的6个典型局部区域(表4)。表4中的6行分别表示从2个实验区内选取的6个局部区域(图4—5),第2列为局部区域的Landsat8卫星遥感影像,第3列为所对应的不透水面真值数据,第4—11列分别为各个不透水面指数的最优提取结果(白色代表不透水面)。从表4中可以看出,区域1的不透水面分布密集,现有指数对该区域中心城区的不透水面提取效果较好,其中PII,BCI和RRI与不透水面真值数据吻合度最高,NDBI,UI,IBI和NDISI将部分水体误提取为不透水面,NDISI漏提了少量不透水面。区域1较好的提取结果符合大部分不透水面指数只考虑城市地区的设计思路。区域2内不透水面的面积较小,除NDISI外,大部分指数均能准确提取不透水面。在区域3,现有指数都将位于区域中心的裸地误提取为不透水面。区域4和区域5内分布着裸地,不透水面指数的表现均受到了裸地的干扰。而对于裸地大面积分布的区域6,现有指数均未有效增强不透水面信息,人工不透水面提取结果受到裸岩等自然不透水面的干扰,造成大面积裸地被误提取为人工不透水面,不透水面提取精度较低,这将影响不透水面指数在地表覆盖类型较为复杂的大区域中的应用。

表4   不透水面指数在局部区域的提取结果

Tab.4  Example zoomed images showing the impervious surface extraction results

新窗口打开| 下载CSV


3 结论

本文选择具有不同地表覆盖特点的实验区,利用Landsat8卫星遥感影像,较为全面地测试了现有8种主要不透水面指数的提取精度,得到如下结论:

1)在不透水面分布密集、裸地面积小的区域,8种不透水面指数中PII指数的不透水面提取精度最高(约90%),其次是RRI和BCI指数(约87%),而NDISI,NDBI和IBI等指数的提取精度较低(约73%)。

2)在不透水面分布稀疏、裸地面积较大的区域,现有不透水面指数未能有效剔除裸地干扰,不透水面提取精度普遍较低(约71%)。

3)在裸地广泛分布的区域,不透水面指数提取精度偏低,不利于监测大区域的城市不透水面动态变化,反映出目前不透水面指数设计的局限性。

对于大区域的不透水面制图,指数法操作简单、不需要训练样本,但因其无法有效区分不透水面和裸地,限制了指数法在大区域不透水面制图中的应用。今后对不透水面指数的改进,可从指数设计原理出发,在利用地类光谱特征的基础上融入多源数据(例如夜间灯光数据),以有效识别不透水面。

参考文献

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]

Zhang L, Weng Q, Shao Z .

An evaluation of monthly impervious surface dyna-mics by fusing Landsat and MODIS time series in the Pearl River Delta,China,from 2000 to 2015

[J]. Remote Sensing of Environment, 2017,201:99-114.

[本文引用: 1]

Slonecker E T, Jennings D B, Garofalo D .

Remote sensing of impervious surfaces:A review

[J]. Remote Sensing Reviews, 2001,20(3):227-255.

[本文引用: 1]

Song X P, Sexton J O, Huang C , et al.

Characterizing the magnitude,timing and duration of urban growth from time series of Landsat-based estimates of impervious cover

[J]. Remote Sensing of Environment, 2016,175:1-13.

[本文引用: 1]

Weng Q .

Remote sensing of impervious surfaces in the urban areas:Requirements,methods,and trends

[J]. Remote Sensing of Environment, 2012,117:34-49.

[本文引用: 1]

Dams J, Dujardin J, Reggers R , et al.

Mapping impervious surface change from remote sensing for hydrological modeling

[J]. Journal of Hydrology, 2013,485:84-95.

[本文引用: 1]

Sofia G, Roder G, Dalla F , et al.

Flood dynamics in urbanised landscapes:100 years of climate and humans’ interaction

[J]. Scientific Reports, 2017,7:40527.

[本文引用: 1]

Mathew A, Khandelwal S, Kaul N .

Spatial and temporal variations of urban heat island effect and the effect of percentage impervious surface area and elevation on land surface temperature:Study of Chandigarh City,India

[J]. Sustainable Cities and Society, 2016,26:264-277.

[本文引用: 1]

Xiao R, Ouyang Z, Zheng H , et al.

Spatial pattern of impervious surfaces and their impacts on land surface temperature in Beijing,China

[J]. Journal of Environmental Sciences, 2007,19(2):250-256.

[本文引用: 1]

徐涵秋 .

城市不透水面与相关城市生态要素关系的定量分析

[J]. 生态学报, 2009,29(5):2456-2462.

DOI:10.3321/j.issn:1000-0933.2009.05.032      URL     Magsci     [本文引用: 1]

城市空间的快速扩展已使得原来以植被为主的自然景观逐渐被人工不透水建筑物所取代，并对区域乃至全球的生态系统造成了明显的影响。因此，准确了解城市不透水面及其与植被、水体、城市热环境的相关关系对于城市的科学规划和城市生态系统的修复具有重要的意义。以福州市为例，采用遥感空间信息技术，获得了城市不透水面、地表温度、植被和水体的信息，并对它们的关系进行了定量分析。发现了城市不透水面与地表温度之间的关系并不是一种简单的线性关系，而是一种很显著的指数函数关系，说明高不透水面比例地区的升温效应要明显高于低不透水面比例地区。多元统计分析表明不透水面是引发城市热岛的最重要因子。

Xu H Q .

Quantitative analysis on the relationship of urban impervious surface with other components of the urban ecosystem

[J]. Acta Ecologica Sinica, 2009,29(5):2456-2462.

Magsci     [本文引用: 1]

Liu C, Shao Z, Chen M , et al.

MNDISI:A multi-source composition index for impervious surface area estimation at the individual city scale

[J]. Remote Sensing Letters, 2013,4(8):803-812.

[本文引用: 1]

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.

URL     Magsci     [本文引用: 3]

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 impervious surfaceindex,NDISI)。它可以用于大区域范围内快速、自动地提取不透水面信息。通过Landsat ETM+和ASTER两种影像的实验证明,新的指数能够有效地增强不透水面信息,并具有较高的提取精度。

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.

Magsci     [本文引用: 3]

Yang L, Huang C, Homer C G , et al.

An approach for mapping large-area impervious surfaces:Synergistic use of Landsat-7 ETM+ and high spatial resolution imagery

[J]. Canadian Journal of Remote Sensing, 2003,29(2):230-240.

[本文引用: 1]

Cao X, Chen J, Imura H , et al.

A SVM-based method to extract urban areas from DMSP-OLS and SPOT VGT data

[J]. Remote Sensing of Environment, 2009,113(10):2205-2209.

[本文引用: 1]

Pandey B, Joshi P K, Seto K C .

Monitoring urbanization dynamics in India using DMSP/OLS night time lights and SPOT-VGT data

[J]. International Journal of Applied Earth Observation and Geoinformation, 2013,23:49-61.

[本文引用: 1]

Wu C S, Murray A T .

Estimating impervious surface distribution by spectral mixture analysis

[J]. Remote Sensing of Environment, 2003,84(4):493-505.

[本文引用: 1]

Yang J, He Y .

Automated mapping of impervious surfaces in urban and suburban areas:Linear spectral unmixing of high spatial resolution imagery

[J]. International Journal of Applied Earth Observation and Geoinformation, 2017,54:53-64.

[本文引用: 1]

Deng C, Wu C .

BCI:A biophysical composition index for remote sensing of urban environments

[J]. Remote Sensing of Environment, 2012,127:247-259.

[本文引用: 6]

Kawamura M, Jayamana S, Tsujiko Y .

Relation between social and environmental conditions in Colombo Sri Lanka and the urban index estimated by satellite remote sensing data

[J]. The International Archives of Photogrammetry and Remote Sensing, 1996,31:321-326.

[本文引用: 3]

Xu H .

A new index for delineating built-up land features in satellite imagery

[J]. International Journal of Remote Sensing, 2008,29(14):4269-4276.

[本文引用: 5]

查勇, 倪绍祥, 杨山 .

一种利用TM图像自动提取城镇用地信息的有效方法

[J]. 遥感学报, 2003,7(1):37-40.

DOI:10.11834/jrs.20030107      Magsci     [本文引用: 5]

如何快速、准确与客观地提取城镇用地信息，以获得城镇用地的分布范围和面积资料，是有关城镇问题研究中经常涉及到的一个基本问题，现代遥感技术为这个问题的有效解决提供了强有力的保证，运用提出的归一化建筑指数，从TM图像进行了无锡市城镇用地信息的自动提取，研究结果表明，与传统的计算机分类和手工屏幕数字化方法相比，归一化建筑指数法是一种非常行之有效的方法。

Zha Y, Ni S X, Yang S .

An effective approach to automatically extract urban land-use from TM imagery

[J]. Journal of Remote Sensing, 2003,7(1):37-40.

Magsci     [本文引用: 5]

陈洁丽, 刘永学, 李满春 , 等.

基于归一化指数分析的居民地遥感信息提取

[J]. 测绘科学, 2010,35(2):204-206.

[本文引用: 4]

Chen J L, Liu Y X, Li M C , et al.

Extracting remote sensing information of residential areas based on the analysis of normalized difference index

[J]. Science of Surveying and Mapping, 2010,35(2):204-206.

[本文引用: 4]

田玉刚, 徐韵, 杨晓楠 .

一种提取城市多种不透水层的垂直不透水层指数

[J]. 测绘学报, 2017,46(4):468-477.

[本文引用: 6]

Tian Y G, Xu Y, Yang X N .

Perpendicular impervious index for remote sensing of multiple impervious surface extraction in cities

[J]. Acta Geodaetica et Cartographica Sinica, 2017,46(4):468-477.

[本文引用: 6]

吴宏安, 蒋建军, 张海龙 , 等.

比值居民地指数在城镇信息提取中的应用

[J]. 南京师大学报(自然科学版), 2006,29(3):118-121.

[本文引用: 3]

Wu H A, Jiang J J, Zhang H L , et al.

Application of ratio resident-area index to retrieve urban residential areas based on Landsat TM data

[J]. Journal of Nanjing Normal University (Natural Science Edition), 2006,29(3):118-121.

[本文引用: 3]

Ma Y, Kuang Y, Huang N .

Coupling urbanization analyses for studying urban thermal environment and its interplay with biophysical parameters based on TM/ETM+ imagery

[J]. International Journal of Applied Earth Observation and Geoinformation, 2010,12(2):110-118.

[本文引用: 1]

Xu H .

Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery

[J]. International Journal of Remote Sensing, 2006,27(14):3025-3033.

[本文引用: 2]

Huete A R .

A soil-adjusted vegetation index (SAVI)

[J]. Remote Sensing of Environment, 1988,25(3):295-309.

[本文引用: 2]

Loveland T R, Irons J R .

Landsat 8:The plans, the reality,and the legacy

[J]. Remote Sensing of Environment, 2016,185:1-6.

[本文引用: 1]

Song C, Woodcock C E, Seto K C , et al.

Classification and change detection using Landsat TM data:When and how to correct atmospheric effects?

[J] Remote Sensing of Environment, 2001,75(2):230-244.

[本文引用: 1]

He C, Shi P, Xie D , et al.

Improving the normalized difference built-up index to map urban built-up areas using a semiautomatic segmentation approach

[J]. Remote Sensing Letters, 2010,1(4):213-221.

[本文引用: 1]

Li H, Wang C, Zhong C , et al.

Mapping urban bare land automatically from Landsat imagery with a simple index

[J]. Remote Sensing, 2017,9(3):249.

[本文引用: 1]

Fawcett T .

An introduction to ROC analysis

[J]. Pattern Recognition Letters, 2006,27(8):861-874.

[本文引用: 1]

Schisterman E F, Perkins N J, Liu A , et al.

Optimal cut-point and its corresponding Youden index to discriminate individuals using pooled blood samples

[J]. Epidemiology, 2005,16(1):73-81.

[本文引用: 1]

Youden W J .

Index for rating diagnostic tests

[J]. Cancer, 1950,3(1):32-35.

[本文引用: 1]

Baig M H A, Zhang L, Shuai T , et al.

Derivation of a tasseled cap transformation based on Landsat8 at-satellite reflectance

[J]. Remote Sensing Letters, 2014,5(5):423-431.

[本文引用: 1]

Small C .

Estimation of urban vegetation abundance by spectral mixture analysis

[J]. International Journal of Remote Sensing, 2001,22(7):1305-1334.

[本文引用: 1]

杨晓楠, 徐韵, 田玉刚 .

一种用于城市信息提取的改进居民地指数

[J]. 国土资源遥感, 2016,28(4):127-134.doi: 10.6046/gtzyyg.2016.04.20.

Magsci     [本文引用: 1]

<p>区域或者全球尺度上的城市分布信息提取是目前研究的热点与难点。采用DMSP-OLS夜晚灯光数据直接提取城市信息会受到灯光溢出问题的影响，且溢出问题因灯光光斑大小而异，不易定量分析。采用可见光-近红外遥感影像提取城市信息时，多选取植被丰富的地区，避免了裸土对城市信息提取造成的影响，但限制了研究区域的选择。为了解决以上问题，应用DMSP-OLS夜晚灯光数据和可见光-近红外遥感影像，对居民地指数（human settlement index，HSI）进行改进，构建了改进居民地指数（modified human settlement index，MHSI）。采用MHSI对中国和美国的城市进行了提取实验，并利用中国历年城市统计数据和美国NLCD土地覆盖数据集对提取结果进行验证。实验结果表明，MHSI在解决灯光溢出问题的同时，避免了其他地物类型（裸土、水体和植被）对城市信息提取的影响，一次性实现了区域或者全球城市信息的提取，提取精度优于HSI和MODIS土地覆盖数据集。</p>

Yang X N, Xu Y, Tian Y G .

A study of urban area extraction with the modified human settlement index

[J]. Remote Sensing for Land and Resources, 2016,28(4):127-134.doi: 10.6046/gtzyyg.2016.04.20.

Magsci     [本文引用: 1]

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.

[本文引用: 1]

Xu H Q, Wang M Y .

Remote sensing-based retrieval of ground impervious surfaces

[J]. Journal of Remote Sensing, 2016,20(5):1270-1289.

[本文引用: 1]

Herold M, Gardner M E, Roberts D A .

Spectral resolution requirements for mapping urban areas

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003,41(9):1907-1919.

[本文引用: 1]

Okujeni A, van der Linden S, Hostert P .

Extending the vegetation-impervious-soil model using simulated EnMAP data and machine learning

[J]. Remote Sensing of Environment, 2015,158:69-80.

[本文引用: 1]

/

〈 〉

京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编：100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发