一种抑制裸地的不透水面指数构建

doi:10.6046/gtzyyg.2020.03.10

一种抑制裸地的不透水面指数构建

曹勇^,¹, 陶于祥^,¹, 邓陆¹, 罗小波¹^,²

1.重庆邮电大学计算机科学与技术学院,重庆 400065

2.重庆市气象科学研究所,重庆 401147

An impervious surface index construction for restraining bare land

CAO Yong^,¹, TAO Yuxiang^,¹, DENG Lu¹, LUO Xiaobo¹^,²

1. School of Computer Science and Technology, Chongqing University of Posts and Telecommunications, Chongqing 400065,China

2. Chongqing Institute of Meteorological Sciences, Chongqing 401147, China

通讯作者: 陶于祥(1966-),男,博士,教授,研究方向为资源与环境经济学。Email:taoyx@cqupt.edu.cn。

责任编辑: 张仙

收稿日期: 2019-09-9 修回日期: 2019-12-24 网络出版日期: 2020-09-15

基金资助:

国家自然科学基金项目“城市地表温度降尺度模型及热岛时空演变规律研究”.  41871226
重庆市博士后特别资助项目“城市热岛降尺度模拟及多尺度特征研究”.  Xm2016081
重庆市高技术产业研发项目“空间信息智能处理关键技术研究”.  D2018-82

Received: 2019-09-9 Revised: 2019-12-24 Online: 2020-09-15

作者简介 About authors

曹勇(1992-),男,硕士研究生,研究方向为城市建筑区域提取。Email: 2289909272@qq.com。

摘要

目前,不透水面光谱指数提取不透水面区域的方法因其简洁、快速等优势而得到广泛应用。但是,利用光谱指数提取不透水面区域的方法存在裸地和城市不透水面区域容易混淆的缺点。针对这个问题,根据不透水面和裸地与水体、植被在Landsat8 OLI影像的第4、第5和第6波段的光谱特征差异创建不透水面与裸地区域指数(impervious surface and bareness area index, ISBAI)。基于ISBAI和裸地区域指数(bareness area index, BAI) 构建一种新型的不透水面指数,称为抑制裸地的不透水面指数(bareness-restrained impervious surface index, BRISI); 然后使用改进的双窗口变步长搜寻法(improved double-window flexible pace search, IDFPS)确定最优阈值,从而进行不透水面区域的提取。选取重庆市(山地城市)和西安市(平原城市)作为研究区,对BRISI的提取精度进行评估,并与其他常用的几种不透水面指数进行了对比。实验结果表明,BRISI在重庆实验区和西安实验区的提取精度分别达到86.8%和88.4%,同参与对比的所有的指数相比,BRISI提取精度最高; 同时,BRISI还消除了裸地在不透水面区域提取中的影响,克服了其他不透水面指数难以区分裸地和不透水面区域的问题。

关键词： 不透水面 ; 裸地 ; 抑制裸地的不透水面指数(BRISI) ; 改进的双窗口变步长搜寻法(IDFPS)

Abstract

At present, the method of extracting the impervious surface area based on the impervious surface area according to the impervious surface spectral index has been widely used because of its concision and speed. However, the method of extracting impervious surface by spectral index has the disadvantage that bare land and impervious surface are easily confused. To tackle this problem, the authors created impervious surface and bareness area index (ISBAI) according to the spectral feature difference of impervious surface, bare land and water body as well as vegetation in the 4, 5 and 6 bands of Landsat8 OLI images. Based on ISBAI and bareness area index (BAI), the authors built a new type of impervious surface index, called the bareness - restrained impervious surface index (BRISI). Improved double-window flexible pace search (IDFPS) method was used to determine the optimal threshold, and impervious surface extraction was performed. Chongqing (a mountain city) and Xi’an (a plain city) were selected as the research area to evaluate the accuracy of BRISI extraction in comparison with other commonly used impervious surface indices. The experimental results show that the extraction accuracy of BRISI in the experimental area of Chongqing and Xi’an experimental area reach 86.8% and 86.8% respectively, in comparison with the accuracy of all other indices that took part in the contrast, BRISI extraction accuracy is the highest. Meanwhile, BRISI also eliminates the influence of bare land in the construction area extraction, and overcomes the problem that it is difficult for other impervious surface indices to distinguish bare land from impervious surface.

Keywords： impervious surface ; bare land ; BRISI(bareness-restrained impervious surface index) ; IDFPS(improved double-flexible pace search)

PDF (7446KB) 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

曹勇, 陶于祥, 邓陆, 罗小波. 一种抑制裸地的不透水面指数构建. 国土资源遥感[J], 2020, 32(3): 71-79 doi:10.6046/gtzyyg.2020.03.10

CAO Yong, TAO Yuxiang, DENG Lu, LUO Xiaobo. An impervious surface index construction for restraining bare land. REMOTE SENSING FOR LAND & RESOURCES[J], 2020, 32(3): 71-79 doi:10.6046/gtzyyg.2020.03.10

0 引言

作为城市发展和城市环境质量评价的重要指标,城市不透水面信息的自动提取具有重要意义^[1]。不同地物由于组成成分的差异,其电磁波的光谱特性也不同,这是遥感光谱信息可以用来区分地物的理论基础,也是提取城市不透水面信息的重要依据。目前,基于遥感光谱特征的各种不透水面指数的基本思路大致可以分为2种,一是利用遥感影像原始波段直接构建的不透水面指数,比如归一化建筑指数(normalized difference built-up index, NDBI)^[2]和增强型建筑和裸地指数 (enhanced built-up and bareness index, EBBI)^[3]; 二是利用影像复合波段构建的不透水面指数和利用指数波段或分量构建的不透水面指数^[4],如指数型建筑用地指数 (index-based built-up index, IBI)^[5],组合建筑指数(combinational built-up index, CBI)^[6]和归一化不透水面指数 (normalized difference impervious surface index, NDISI)^[7]。

尽管现有光谱指数在特定情况下能有效提取不透水面信息,但由于裸地和不透水面光谱特征的“异物同谱”现象,这2类地物十分容易混淆,提取效果较差。因此,针对不透水面与裸地难以分开的问题,很多学者对此进行了研究。Assyakur等^[3]根据不透水面区域和裸地由于其构成材料类型不同导致在热红外波段不透水面区域反射率更高的特点,首次使用近红外、短波红外和热红外波段构建了EBBI,通过双阈值提取裸地和不透水面; Ridd^[8]于1995年提出经典概念模型V-I-S(vegetation-impervious surface-soil),认为城市土地覆被是由植被、不透水面与土壤按照一定比例组成; Deng等^[9]在此基础上提出生物物理成分指数,突出植被、土壤与不透水面之间的对比,且该指数与不透水面明显正相关,能够有效分离裸地和不透水面; Sun等^[6]将遥感数据的原始波段简化为第一主成分分量PC1、土壤调节植被指数(soil adjusted vegetation index,SAVI)和归一化差异水体指数(normalized difference water index,NDWI)3个波段并据此构建了CBI, 显著减少数据冗余,避免了和裸地之间的混淆,从而提高了提取精度。这些方法也有一定的缺点,比如可能会随着不同的主成分分量变化系数而引起结果变化,降低使用效果。

除了针对不透水面区域的研究之外,识别裸地从而提升不透水面提取精度的研究也有很多。Chen等^[10]提出了裸地指数(bare soil index,BI),结合数字高程模型、归一化植被指数和阴影指数来识别裸地; Rogers等^[11]在检测沿海沼泽变化情况时构建了归一化土壤指数(normalized difference soil index,NDSI); Zhao等^[12]基于裸地和其他地物在红外波段上的显著差异的特点构建了归一化裸土指数(normalized difference bareness index,NDBaI),但仅能将不透水面与裸土的部分分离; Li等^[13]将穗帽变换亮度指数(tasseled cap brightness,TCB)和NDBaI结合起来,构建了一种新的方法; 李霞等^[14]提出了一种基于NDSI和NDISI指数的更高分辨率裸土信息提取方法,但由于2个指数的构建都需要中红外波段,因而不适用于无中红外波段的遥感影像。以上对裸地的提取方法还存在不具有普适性、提取精度较低等问题。

基于前人的研究分析,本文充分分析了Landsat8 OLI影像的光谱特征,构建了一个新的指数,不透水面与裸地区域指数(impervious surface and bareness area index, ISBAI), 然后结合裸地区域指数^[15](bareness area index, BAI)构建抑制裸地的不透水面指数(bareness-restrained impervious surface index, BRISI)来提取城市不透水面信息,并在西安市和重庆市的Landsat8 OLI影像上进行了测试。将测试结果和其他几种常见不透水面指数的结果进行了比较,表明本文提出的指数BRISI消除了裸地在不透水面区域提取中的影响,同时提取不透水面的精度也最高。

1 研究区概况及数据源

本文选择的2个研究区分别位于重庆市(研究区1)和西安市(研究区2)。其中,研究区1位于中国西南部(N28°10'~32°13',E105°11'~110°11'),地貌以丘陵、山地为主,坡地面积较大,是中国最大的山地城市。研究区2位于陕西省关中盆地渭河平源的二级阶地上(N33°25'~34°27',E107°24'~109°29'),属于典型的平原城市,其北部地区大片种植小麦,影像获取月份属于小麦收割季节,因此留下了大片裸地。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 研究区影像

(Landsat8 B5(R),B4(G),B3(B)波段合成影像)

Fig.1 Research area image

实验使用的是Landsat8 OLI影像,其中研究区1影像轨道号为128/39,成像于2016年7月20日,研究区2影像轨道号为127/36,成像于2016年6月17日,2个研究区当天均晴朗无云。Landsat8卫星携带2个推扫式仪器: 陆地成像仪(OLI)和热红外传感器(TIRS)。OLI增加了2个新的光谱波段,为水资源和海岸带调查专门设计的深蓝色可见光波段(B1),以及一个新的红外通道(B9),用于检测卷云^[16]。Landsat8 OLI波段信息如表1所示。

表1 Landsat8 OLI波段信息

Tab.1 Landsat8 OLI band information

序号	波段	波长范围/μm	空间分辨率/m
B1	海岸	0.433~0.453	30
B2	蓝光	0.450~0.515	30
B3	绿光	0.525~0.600	30
B4	红光	0.630~0.680	30
B5	近红外	0.845~0.885	30
B6	短波红外1	1.560~1.660	30
B7	短波红外2	2.100~2.300	30
B8	全色	0.500~0.680	15
B9	卷云	1.360~1.390	30
B10	热红外1	10.60~11.19	100
B11	热红外2	11.50~12.51	100

新窗口打开| 下载CSV

首先对影像进行裁剪与几何纠正,消除由区域地形造成的视觉误差; 若获取的影像含云量大,则对影像数据进行辐射定标,使用FLAASH大气校正模块对影像进行大气校正。所涉及的基本参数值均头文件中获取,所有预处理都基于ENVI软件进行。

2 研究方法

2.1 基于OLI影像的新不透水面指数构建

对2个研究区域目视解译,分别选取了不透水面、裸地、水体和植被这4类典型地物,在影像上大量采集样本并进行波段间分析,上述每个类别样本在2个研究区的B2—B7的平均地物反射率曲线如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 地物反射率曲线

Fig.2 Reflectivity curve of surface object

根据图2可知,水体反射率与其他地物差异较大,表明水体区分性较好。因为影像的获取时间为夏季,植被生长茂盛,B4与B5的趋势变化与其他地物明显不同,可以利用该特征来削弱此类地物信息。另外,从总体趋势看,不透水面与裸地的反射率在6个波段上的值都较高,而且光谱变化也十分相似,Zha等^[2]提出的归一化建筑指数NDBI和徐涵秋^{[5 ]}提出的IBI指数由于“同物异谱,异物同谱”现象的存在,不适用于在包含大量裸地环境的情况下使用,所以需要对此做进一步分析。

在B4,B5和B6三者中,B6是水体反射率的最弱反射波段,因此水体在B6的反射率小于在B4和B5的平均值,B5是植被的最强反射波段,并且植被在B4和B6的反射率相差不大,所以植被在B6的反射率小于在B4和B5的平均值,利用这3个波段建立一个新的指数ISBAI,可以直接削弱植被和水体信息。其表达式为:

(1)

ISBAI = \frac{2 ρ_{B 6} - (\frac{ρ_{B 4} + ρ_{B 5}}{2})}{2 ρ_{B 6} + (\frac{ρ_{B 4} + ρ_{B 5}}{2})}

式中ρ_B4,ρ_B5和ρ_B6分别为红光波段、近红外波段和短波红外1波段的反射率。当B6反射率扩大时,不透水面区域和裸地与其他地物信息之间的反射率的差距会被增大。通过大量实验证明,当扩大倍率设置为2时,不透水面区域与裸地的ISBAI值与其他地物相差最大。此外,由于不透水面信息在新构建的指数中,建筑区域在B6 的反射率最强,B5次之,在B4上的反射率最小,所以ISBAI除了可以削弱水体和植被信息之外,还可以增强不透水面信息。但是裸地和不透水面也有同样的变化趋势,在裸地较多的区域使用该方法会严重影响提取精度,因此需要进行进一步处理以抑制裸地信息。

综上所述,仅利用或构建一个指数很难有效地抑制裸地信息,因此还需要选择一个合适的裸地指数来构建一个综合指数。窦鹏等^[16]提出BAI,在OLI影像中计算公式为:

(2)

BAI = \frac{(ρ_{B 4} + ρ_{B 6}) - (ρ_{B 2} + ρ_{B 3} + ρ_{B 7})}{(ρ_{B 4} + ρ_{B 6}) + (ρ_{B 2} + ρ_{B 3} + ρ_{B 7})}

式中ρ_B2,ρ_B3和ρ_B7分别为蓝光波段、绿光波段和短波红外2波段的反射率。

裸地和高反射不透水面在B2,B3,B4和B7波段差别较为明显,尤其在B2波段差异最大。裸地的亮度值在B2,B3和B7波段要比不透水面低,而B4和B5波段的亮度值均比不透水面高。B2+B3+B7可以在拉大裸地/高反射不透水面与背景地物差异而B4+B6在拉大与背景地物差异的同时,可以确保裸地的亮度高于不透水面。

ISBAI可以增强不透水面信息,BAI具有增强裸地信息的作用,利用这2个指数可以使不透水面区域在新构建指数中的值高于裸地。如图3所示,在经过灰度拉伸的ISBAI和BAI指数图像上,裸地的值基本持平,植被呈上升趋势,不透水面和水体呈下降趋势,但不透水面区域的反差最大。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 ISBAI和BAI指数图像亮度

Fig.3 DN of the ISBAI and BAI indices

因此,为了最大程度地增强不透水面区域信息并削弱其他背景地物信息,拉大不透水面区域信息与裸地之间差距,利用这2个指数构建了一种新型不透水面指数,称为抑制裸地的不透水面指数(bareness-restrained impervious surface index, BRISI), 其模型表达式为:

(3)

BRISI = \frac{ISBAI - BAI}{ISBAI + BAI}

最后对4类地物进行选样统计,2研究区影像中4类地物的BRISI指数均值如表2所示。可以看出,经过该指数处理之后不透水面区域指数均高过其他类别指数值,其他类别指数值中裸地和植被均值得大于0,不能像NDBI指数那样简单地设置阈值为0,但是可以使用其他方法来更精确地选择阈值。

表2 2个研究区典型地物的BRISI均值

Tab.2 Mean values of the BRISI of two research regions

研究区	不透水面	裸地	水体	植被
研究区1	1.685	1.288	-0.297	0.511
研究区2	1.861	0.923	-0.192	0.407

新窗口打开| 下载CSV

2.2 阈值选取

NDBI的阈值是通过基于双窗口变步长搜寻法(double-window flexible pace search,DFPS)思想的半自动分割方法确定的^[17]。本文采用改进的双窗口变步长搜寻法(improved double-window flexible pace search, IDFPS)选取阈值^[18]。在IDFPS方法中,采样方法被重新设计为2个双重自由窗口,可以自由选择更典型的样本。此外,通过迭代搜索过程搜索整体精度的最大值,最终可以找出最佳分割阈值。与DFPS方法相比,IDFPS方法的抽样方法更加方便,评估标准更加合理。IDFPS方法的具体步骤如下:

1)利用研究区历史分类数据与Google Earth影像作为参考,对原始影像进行目视解译,选取不透水面样本与非不透水面样本。

2)通过对影像的直方图的观察,计算出步长和范围,计算第1个搜寻步长 $P_{1}$ ,搜寻范围由影像的最大值和最小值决定,公式为:

(4)

P_{1} = \frac{b - a}{m}

式中: m为在搜索过程中可能阈值的数量; a与b分别为不透水面指数分布的最小值与最大值; $P_{1}$ 为第1个搜寻步长。

3)利用每一个阈值将样本分割为不透水面与非不透水面2类,计算总体分类精度,统计总体精度最大值OA_max与最小值OA_min,并改变搜索范围。公式为:

(5)

O A_{k} = \frac{N_{k 1} + N_{k 2}}{N} \times 100 %

(6)

k_{m} = b - m P_{1}

式中: $O A_{k}$ 为基于阈值 $k$ 进行分割的总体精度; $N_{k 1}$ 和 $N_{k 2}$ 分别为利用阈值 $k$ 正确分割为不透水面与非不透水面样本的数量; N为总样本量; OA_max和OA_min分别为 $O A_{k}$ 的最大值和最小值。设 $δ$ 为总体精度的最大值与最小值的误差允许值,若满足 $|O A_{\max} - O A_{\min}| < δ$ ,则迭代结束; 否则,改变搜索范围,并转到步骤2),继续迭代搜索。新的搜索范围为:

(6)

b = T_{Optimal} + P_{1}

(7)

a = T_{Optimal} - P_{1}

式中 $T_{Optimal}$ 为对应OA_max的最优分割阈值。在这一系列过程的最后一次迭代中,用于分割不透水面区域和非不透水面区域的最佳阈值即 $O A_{\max}$ 所对应的阈值。利用这个阈值,影像最终被分成不透水面区域(像元值为1)和非不透水面区域(像元值为0)2类。

2.3 其他不透水面指数

为了分析比较BRISI的有效性,本文计算了其他几个常用的不透水面指数,包括NDBI,IBI,CBI,EBBI和NDISI,这些不透水面指数及相关指数的计算公式如下:

(8)

NDWI = \frac{ρ_{B 3} - ρ_{B 5}}{ρ_{B 3} + ρ_{B 5}}

(9)

MNDWI = \frac{ρ_{B 3} - ρ_{B 6}}{ρ_{B 3} + ρ_{B 6}}

(10)

SAVI = \frac{(ρ_{B 5} - ρ_{B 4}) (1 + L)}{ρ_{B 5} + ρ_{B 4} + L}

(11)

NDBI = \frac{ρ_{B 6} - ρ_{B 5}}{ρ_{B 6} + ρ_{B 5}}

(12)

IBI = \frac{NDBI - (MNDWI + SAVI) / 2}{NDBI + (MNDWI + SAVI) / 2}

(13)

CBI = \frac{(PC 1 + NDWI) / 2 - SAVI}{(PC 1 + NDWI) / 2 + SAVI}

(14)

EBBI = \frac{ρ_{B 6} - ρ_{B 5}}{10 \sqrt[]{ρ_{B 6} + TIR}}

(15)

NDISI = \frac{TIR - [(NDWI + ρ_{B 5} + ρ_{B 6}) / 3]}{TIR + [(NDWI + ρ_{B 5} + ρ_{B 6}) / 3]}

式中: ρ_B3,ρ_B4,ρ_B5和ρ_B6分别为绿光波段,红光波段,近红外波段和短红外波段1的反射率; L为土壤调节系数,在本实验中取值为0.5; TIR为热红外波段的灰度值; PC1为主成分分析的第一主成分分量; MNDWI为改进的归一化水体指数。

3 结果与讨论

获取研究区1和研究区2的几种不透水面指数如图4和图5所示。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 基于Landsat8影像的研究区1不透水面光谱指数专题信息比较

Fig.4 Comparison of thematic information of impervious surface spectral index in research area 1 based on Landsat8 images

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 基于Landsat8影像的研究区2不透水面光谱指数专题信息比较

Fig.5 Comparison of thematic information of impervious surface spectral index in research area 2 based on Landsat8 images

利用IDFPS获取研究区1的BRISI,NDBI,IBI,CBI,EBBI和NDISI的阈值分别为0.149,-0.069,0.152,0.254,0.268和0.162,研究区2各指数的阈值分别为0.248,0.026,0.469,0.245,0.351和0.188。大于或等于分割阈值的像元为不透水面,像元赋值为1; 小于阈值的像元为非不透水面像元,赋值为0。得到不透水面二值化图,如图6、图7所示。为了评估BRISI的性能,采用随机采样方法,对Google Earth影像进行目视解译,并在重庆实验区和西安实验区分别随机选取了782和930个验证样本。其中,重庆研究区有410个不透水面样本和372个非不透水面样本; 西安研究区有528个不透水面样本和402个非不透水面样本。最后分别计算生产者精度、使用者精度、总精度和Kappa系数,结果如表3所示。其中,生产者精度为正确提取的像元个数与参考像元个数之间的比率; 使用者精度为正确提取的像元个数与提取的总像元个数之间的比率。生产者精度和使用者精度可以反映出提取结果与参考影像之间的重合程度。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 研究区1 基于不同光谱指数的不透水面专题信息

Fig.6 Thematic information on impervious surfaces based on different spectral indices in research area 1

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 研究区2基于不同光谱指数的不透水面专题信息

Fig.7 Thematic information on impervious surfaces based on different spectral indices in research area 2

表3 其他指数和BRISI的精度评估

Tab.3 Accuracy assessment of other indices and BRISI

研究区	指数	阈值	生产者精度/%	使用者精度/%	总体精度/%	Kappa
研究区1	BRISI	0.149	89.7	87.2	86.8	0.724
	NDBI	-0.069	91.2	62.9	63.6	0.434
	IBI	0.152	90.8	76.2	73.1	0.515
	CBI	0.254	83.3	80.1	83.5	0.681
	EBBI	0.268	83.6	80.8	82.9	0.627
	NDISI	0.162	82.3	81.1	82.1	0.693
研究区2	BRISI	0.248	88.3	89.3	88.4	0.729
	NDBI	0.026	91.4	59.1	58.2	0.399
	IBI	0.469	90.2	63.5	65.1	0.492
	CBI	0.245	87.7	83.4	84.7	0.687
	EBBI	0.351	82.5	69.3	71.4	0.592
	NDISI	0.188	83.1	84.0	82.0	0.655

新窗口打开| 下载CSV

由表3可知,在2个研究区提取结果中,BRISI的总体精度均为各指数中最高,分别为86.8%和88.4%。2个研究区NDBI和IBI总体精度分别为63.6%和73.1%以及58.2%和65.1%,2个指数对不透水面区域进行了过度分类,故具有较大的误差,造成这一现象的主要原因是由于裸地和不透水面区域具有类似的光谱特征而被错误地分类为不透水面区域,而其他的几种指数针对裸地做出了改进,所以能够在一定程度上避免将裸地识别为不透水面。相比之下,BRISI使用多个指数建立综合指数很好地抑制了裸地信息,有助于更精确地提取不透水面区域。在2个研究区中,BRISI的Kappa系数分别为0.724和0.729,在6种指数中最高,提取不透水面信息效果更好。BRISI在2个研究区的生产者精度分别为89.7%和88.3%,与其他指数相差不大,而在使用者精度上则提升较多。

在研究区1中,右上角大块裸地为重庆江北国际机场附近,在研究区2中,西安市区北部也存在大量的裸地和收割秸秆后残留物形成的裸地。重庆江北机场附近裸地类型绝大部分为开发区挖除其他覆盖地物后留下的裸露土地。西安市裸地类型与重庆市不同,是由于5—6月是小麦收割月份,小麦收割后秸秆残留物形成的农田裸地。虽然裸土和秸秆残留物光谱特性相近,但是两类地物的反射率还是存在一定差别。秸秆与裸土在可见光和近红外波段范围内仅存在反射率大小的差异,但在短波红外波段范围内表现出明显的光谱特征差异^[19]。从图7 (a)可以明显看出,BRISI指数一样可以抑制秸秆收割后残留物形成的类似裸地。因此,不管是开发区开发后留下的裸地还是作物收割后留下的秸秆残留物形成的裸地,BRISI指数都能很好地区别不透水面区域与裸地。

目前有些方法使用Landsat8热红外波段实现不透水面区域提取,尽管也能有很好地区分裸地的效果,但是会存在一些限制条件,比如这些方法需要在气候温度变化较大的地区进行,而本文提出的方法对此没有要求,只需数据源具有涉及到的波段即可。同时,在错分像元中,有一部分像元为混合像元,如不透水面和植被或公园绿地交界的区域,这主要是因为植被和不透水面混合区域在短波红外波段的反射率高于近红外波段的反射率,可以提高空间分辨率以提高不透水面提取的准确度^[17]。另外,本文使用Landsat8数据对BRISI进行了验证,对其他遥感卫星数据的适用性有待进一步验证。

4 结论

本文利用Landsat8影像B4,B5和B6波段提出一个新指数ISBAI,然后与BAI结合构建了一个能够区分不透水面区域和裸地的指数BRISI,并使用IDFPS方法获取不透水面指数的阈值,来分析不透水面区域信息提取的准确性。分别使用山地城市和平原城市作为研究区域对提出的指数BRISI的性能进行评价,并且与其他几种不透水面指数进行对比分析。主要结论如下:

1)利用不透水面区域、裸地和水体,植被在B4,B5和B6上的光谱特征差异,通过处理可以拉大它们之间的差距,从而排除水体、植被对不透水面提取的干扰。

2)BRISI指数在山地城市和平原城市的实验效果优于其他几种常见的不透水面指数: 在研究区1(山地城市),BRISI总体精度比其他几种不透水面指数至少提高了3.3百分点,最大的提高了23.2百分点,Kappa系数高于其他指数0.031~0.29; 在研究区2(平原城市),BRISI总体精度比其他几种指数至少提高了3.7百分点,最大的提高了30.2百分点,Kappa系数高于其他指数0.042~0.33。

(3)在识别裸地方面,BRISI对研究区2中农田收割后裸地要比研究区1中的开发区裸地的效果更好,所以指数的精确度与实验区的裸地类型有很大的关系。

本文只选取了重庆和西安作为研究区,需要综合分析更多其他不同地物组成类型的城市,尤其是有其他裸地类型的城市。此外,在实验结果验证中,利用目视解译的分类结果进行验证,可能会造成一定误差,在今后进一步的研究中将获取地面实际数据,以便进行更为准确的评估。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

Slonecker

E T

, Jennings

D B

, Garofalo

Remote sensing of impervious surfaces:A review

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

DOI:10.1080/02757250109532436 URL [本文引用: 1]

[2]

Zha

, Gao

, Ni

Use of normalized difference built-up index in automatically mapping urban areas from TM imagery

[J]. International Journal of Remote Sensing, 2003,24(3):583-594.

DOI:10.1080/01431160304987 URL [本文引用: 2]

[3]

Assyakur

A R

, Adnyana

I W S

, Arthana

I W

, et al.

Enhanced built-up and bareness index (EBBI) for mapping built-up and bare land in an urban area

[J]. Remote Sensing, 2012,4(10):2957-2970.

DOI:10.3390/rs4102957 URL [本文引用: 2]

[4]

刘畅, 杨康, 程亮, 等.

Landsat8不透水面遥感信息提取方法对比

[J]. 国土资源遥感, 2019,31(3):148-158.doi: 10.6046/gtzyyg.2019.03.19.

[本文引用: 1]

Liu

, Yang

, Cheng

, et al.

Comparison of remote sensing information extraction methods for Landsat8 impervious surface

[J]. Remote Sensing for Land and Resources, 2019,31(3):148-158.doi: 10.6046/gtzyyg.2019.03.19.

[本文引用: 1]

[5]

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

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

DOI:10.1080/01431160802039957 URL [本文引用: 2]

[6]

Sun

, Chen

, Jia

, et al.

Combinational build-up index (CBI) for effective impervious surface mapping in urban areas

[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2017,9(5):2081-2092.

[本文引用: 2]

[7]

H Q

Analysis of impervious surface and its impact on urban heat environment using the normalized difference impervious surface index (NDISI)

[J]. Photogrammetric Engineering & Remote Sensing, 2010,76(5):557-565.

[本文引用: 1]

[8]

Ridd

M K

Exploring a V-I-S(vegetation-impervious surfacesoil)model for urban ecosystem analysis through remote sensing:Comparative anatomy for cities

[J]. International Journal of Remote Sensing, 1995,16(12):2165-2185.

DOI:10.1080/01431169508954549 URL [本文引用: 1]

[9]

Deng

, Wu

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

[J]. Remote Sensing of Environment, 2012,127(5):247-259.

DOI:10.1016/j.rse.2012.09.009 URL [本文引用: 1]

[10]

Chen

, Liu

, Zhang

, et al.

Monitoring the seasonal bare soil areas in Beijing using multitemporal TM images

[C]//IEEE International Geoscience and Remote Sensing Symposium.IEEE, 2004,8292837.

[本文引用: 1]

[11]

Rogers

A S

, Kearney

M S

Reducing signature variability in unmixing coastal marsh thematic mapper scenes using spectral indices

[J]. International Journal of Remote Sensing, 2004,25(12):2317-2335.

DOI:10.1080/01431160310001618103 URL [本文引用: 1]

[12]

Zhao

, Chen

Use of normalized difference bareness index in quickly mapping bare areas from TM/ETM+

[C]//Proceedings of Geoscience and Remote Sensing Symposium.IEEE, 2005: 1666-1668.

[本文引用: 1]

[13]

, Chen

A new bare-soil index for rapid mapping developing areas using Landsat8 data

[J].ISPRS-International Archives of the Photogrammetry,Remote Sensing and Spatial Information Sciences, 2014,XL-4:139-144.

DOI:10.5194/isprsarchives-XL-4-139-2014 URL [本文引用: 1]

[14]

李霞, 徐涵秋, 李晶, 等.

基于NDSI和NDISI指数的SPOT-5影像裸土信息提取

[J]. 地球信息科学学报, 2016,18(1), 117-123.

DOI:10.3724/SP.J.1047.2016.00117 URL [本文引用: 1]

遥感裸土识别制图为水土流失治理工作提供了科学依据。本文以SPOT-5影像为实验数据,提出一种以土壤指数NDSI和不透水面指数NDISI提取裸土的方法。通过热红外波段的亚像元分解技术,将同期120 m分辨率的TM 6波段细化为10 m分辨率的地表温度影像,为SPOT-5影像计算NDISI不透水面指数增加了必要的热红外波段。在此基础上,构建双重指数模型,获得10 m分辨率的裸土数据。研究表明,双重指数模型可较好地解决裸土提取中建筑用地与裸土相混淆的问题,提取裸土的总精度可达95.4%。通过比较10 m的SPOT-5和30 m的TM影像的裸土提取结果,发现影像分辨率的提升可使裸土信息提取结果更加准确、精细。因此,本文为更高分辨率裸土识别制图,提供了一种有效的方法。

, Xu

H Q

, Li

, et al.

Extraction of bare soil information from SPOT-5 image based on NDSI and NDISI index

[J]. Journal of Geo-Information Science, 2016,18(1):117-123.

[本文引用: 1]

[15]

窦鹏, 陈洋波, 张涛, 等.

基于Landsat ETM+影像的增强型裸地指数研究

[J]. 地理与地理信息科学, 2017,33(2):25-31.

[本文引用: 1]

Dou

, Chen

Y B

, Zhang

, et al.

Study of enhanced bared land index using Landsat ETM+ imagery

[J]. Geography and Geo-Information Science, 2017,33(2):25-31.

[本文引用: 1]

[16]

Chu

Q W

, Zhang

H Q

, Wu

Y W

, et al.

Application research of Landsat-8

[J]. Remote Sensing Information, 2013,28(4):110-114.

[本文引用: 2]

[17]

Tran

D B

, Puissant

, Badariotti

, et al.

Optimizing spatial resolution of imagery for urban form detection:The cases of France and Vietnam

[J]. Remote Sensing, 2011,3(10):2128-2147.

DOI:10.3390/rs3102128 URL [本文引用: 2]

[18]

Luo

X B

, Peng

Y D

, Gao

Y H

An improved optimal segmentation threshold algorithm and its application in the built-up quick mapping

[J]. Journal of the Indian Society of Remote Sensing, 2017,45(6):1-12.

DOI:10.1007/s12524-016-0569-2 URL [本文引用: 1]

[19]

李志婷, 王昌昆, 潘贤章, 等.

基于模拟Landsat-8 OLI数据的小麦秸秆覆盖度估算

[J]. 农业工程学报, 2016,32(s1):145-152.

[本文引用: 1]

Z T

, Wang

C K

, Pan

X Z

, et al.

Estimation of wheat straw mulching based on simulated Landsat-8 OLI data

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016,32(s1):145-152.

[本文引用: 1]

Remote sensing of impervious surfaces:A review

2001

... 作为城市发展和城市环境质量评价的重要指标,城市不透水面信息的自动提取具有重要意义^[1].不同地物由于组成成分的差异,其电磁波的光谱特性也不同,这是遥感光谱信息可以用来区分地物的理论基础,也是提取城市不透水面信息的重要依据.目前,基于遥感光谱特征的各种不透水面指数的基本思路大致可以分为2种,一是利用遥感影像原始波段直接构建的不透水面指数,比如归一化建筑指数(normalized difference built-up index, NDBI)^[2]和增强型建筑和裸地指数 (enhanced built-up and bareness index, EBBI)^[3]; 二是利用影像复合波段构建的不透水面指数和利用指数波段或分量构建的不透水面指数^[4],如指数型建筑用地指数 (index-based built-up index, IBI)^[5],组合建筑指数(combinational built-up index, CBI)^[6]和归一化不透水面指数 (normalized difference impervious surface index, NDISI)^[7]. ...

Use of normalized difference built-up index in automatically mapping urban areas from TM imagery

2003

... 根据图2可知,水体反射率与其他地物差异较大,表明水体区分性较好.因为影像的获取时间为夏季,植被生长茂盛,B4与B5的趋势变化与其他地物明显不同,可以利用该特征来削弱此类地物信息.另外,从总体趋势看,不透水面与裸地的反射率在6个波段上的值都较高,而且光谱变化也十分相似,Zha等^[2]提出的归一化建筑指数NDBI和徐涵秋^{[5 ]}提出的IBI指数由于“同物异谱,异物同谱”现象的存在,不适用于在包含大量裸地环境的情况下使用,所以需要对此做进一步分析. ...

Enhanced built-up and bareness index (EBBI) for mapping built-up and bare land in an urban area

2012

... 尽管现有光谱指数在特定情况下能有效提取不透水面信息,但由于裸地和不透水面光谱特征的“异物同谱”现象,这2类地物十分容易混淆,提取效果较差.因此,针对不透水面与裸地难以分开的问题,很多学者对此进行了研究.Assyakur等^[3]根据不透水面区域和裸地由于其构成材料类型不同导致在热红外波段不透水面区域反射率更高的特点,首次使用近红外、短波红外和热红外波段构建了EBBI,通过双阈值提取裸地和不透水面; Ridd^[8]于1995年提出经典概念模型V-I-S(vegetation-impervious surface-soil),认为城市土地覆被是由植被、不透水面与土壤按照一定比例组成; Deng等^[9]在此基础上提出生物物理成分指数,突出植被、土壤与不透水面之间的对比,且该指数与不透水面明显正相关,能够有效分离裸地和不透水面; Sun等^[6]将遥感数据的原始波段简化为第一主成分分量PC1、土壤调节植被指数(soil adjusted vegetation index,SAVI)和归一化差异水体指数(normalized difference water index,NDWI)3个波段并据此构建了CBI, 显著减少数据冗余,避免了和裸地之间的混淆,从而提高了提取精度.这些方法也有一定的缺点,比如可能会随着不同的主成分分量变化系数而引起结果变化,降低使用效果. ...

Landsat8不透水面遥感信息提取方法对比

2019

Landsat8不透水面遥感信息提取方法对比

2019

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

2008

Combinational build-up index (CBI) for effective impervious surface mapping in urban areas

2017

Analysis of impervious surface and its impact on urban heat environment using the normalized difference impervious surface index (NDISI)

2010

Exploring a V-I-S(vegetation-impervious surfacesoil)model for urban ecosystem analysis through remote sensing:Comparative anatomy for cities

1995

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

2012

Monitoring the seasonal bare soil areas in Beijing using multitemporal TM images

2004

... 除了针对不透水面区域的研究之外,识别裸地从而提升不透水面提取精度的研究也有很多.Chen等^[10]提出了裸地指数(bare soil index,BI),结合数字高程模型、归一化植被指数和阴影指数来识别裸地; Rogers等^[11]在检测沿海沼泽变化情况时构建了归一化土壤指数(normalized difference soil index,NDSI); Zhao等^[12]基于裸地和其他地物在红外波段上的显著差异的特点构建了归一化裸土指数(normalized difference bareness index,NDBaI),但仅能将不透水面与裸土的部分分离; Li等^[13]将穗帽变换亮度指数(tasseled cap brightness,TCB)和NDBaI结合起来,构建了一种新的方法; 李霞等^[14]提出了一种基于NDSI和NDISI指数的更高分辨率裸土信息提取方法,但由于2个指数的构建都需要中红外波段,因而不适用于无中红外波段的遥感影像.以上对裸地的提取方法还存在不具有普适性、提取精度较低等问题. ...

Reducing signature variability in unmixing coastal marsh thematic mapper scenes using spectral indices

2004

Use of normalized difference bareness index in quickly mapping bare areas from TM/ETM+

2005

A new bare-soil index for rapid mapping developing areas using Landsat8 data

2014

基于NDSI和NDISI指数的SPOT-5影像裸土信息提取

2016

基于NDSI和NDISI指数的SPOT-5影像裸土信息提取

2016

基于Landsat ETM+影像的增强型裸地指数研究

2017

... 基于前人的研究分析,本文充分分析了Landsat8 OLI影像的光谱特征,构建了一个新的指数,不透水面与裸地区域指数(impervious surface and bareness area index, ISBAI), 然后结合裸地区域指数^[15](bareness area index, BAI)构建抑制裸地的不透水面指数(bareness-restrained impervious surface index, BRISI)来提取城市不透水面信息,并在西安市和重庆市的Landsat8 OLI影像上进行了测试.将测试结果和其他几种常见不透水面指数的结果进行了比较,表明本文提出的指数BRISI消除了裸地在不透水面区域提取中的影响,同时提取不透水面的精度也最高. ...

基于Landsat ETM+影像的增强型裸地指数研究

2017

Application research of Landsat-8

2013

... 实验使用的是Landsat8 OLI影像,其中研究区1影像轨道号为128/39,成像于2016年7月20日,研究区2影像轨道号为127/36,成像于2016年6月17日,2个研究区当天均晴朗无云.Landsat8卫星携带2个推扫式仪器: 陆地成像仪(OLI)和热红外传感器(TIRS).OLI增加了2个新的光谱波段,为水资源和海岸带调查专门设计的深蓝色可见光波段(B1),以及一个新的红外通道(B9),用于检测卷云^[16].Landsat8 OLI波段信息如表1所示. ...

... 综上所述,仅利用或构建一个指数很难有效地抑制裸地信息,因此还需要选择一个合适的裸地指数来构建一个综合指数.窦鹏等^[16]提出BAI,在OLI影像中计算公式为: ...

Optimizing spatial resolution of imagery for urban form detection:The cases of France and Vietnam

2011

... NDBI的阈值是通过基于双窗口变步长搜寻法(double-window flexible pace search,DFPS)思想的半自动分割方法确定的^[17].本文采用改进的双窗口变步长搜寻法(improved double-window flexible pace search, IDFPS)选取阈值^[18].在IDFPS方法中,采样方法被重新设计为2个双重自由窗口,可以自由选择更典型的样本.此外,通过迭代搜索过程搜索整体精度的最大值,最终可以找出最佳分割阈值.与DFPS方法相比,IDFPS方法的抽样方法更加方便,评估标准更加合理.IDFPS方法的具体步骤如下: ...

... 目前有些方法使用Landsat8热红外波段实现不透水面区域提取,尽管也能有很好地区分裸地的效果,但是会存在一些限制条件,比如这些方法需要在气候温度变化较大的地区进行,而本文提出的方法对此没有要求,只需数据源具有涉及到的波段即可.同时,在错分像元中,有一部分像元为混合像元,如不透水面和植被或公园绿地交界的区域,这主要是因为植被和不透水面混合区域在短波红外波段的反射率高于近红外波段的反射率,可以提高空间分辨率以提高不透水面提取的准确度^[17].另外,本文使用Landsat8数据对BRISI进行了验证,对其他遥感卫星数据的适用性有待进一步验证. ...

An improved optimal segmentation threshold algorithm and its application in the built-up quick mapping

2017

基于模拟Landsat-8 OLI数据的小麦秸秆覆盖度估算

2016

... 在研究区1中,右上角大块裸地为重庆江北国际机场附近,在研究区2中,西安市区北部也存在大量的裸地和收割秸秆后残留物形成的裸地.重庆江北机场附近裸地类型绝大部分为开发区挖除其他覆盖地物后留下的裸露土地.西安市裸地类型与重庆市不同,是由于5—6月是小麦收割月份,小麦收割后秸秆残留物形成的农田裸地.虽然裸土和秸秆残留物光谱特性相近,但是两类地物的反射率还是存在一定差别.秸秆与裸土在可见光和近红外波段范围内仅存在反射率大小的差异,但在短波红外波段范围内表现出明显的光谱特征差异^[19].从图7 (a)可以明显看出,BRISI指数一样可以抑制秸秆收割后残留物形成的类似裸地.因此,不管是开发区开发后留下的裸地还是作物收割后留下的秸秆残留物形成的裸地,BRISI指数都能很好地区别不透水面区域与裸地. ...

基于模拟Landsat-8 OLI数据的小麦秸秆覆盖度估算

2016

〈

〉