王李良，張修宇

（華北水利水電大學(xué)，河南 鄭州 450045）

1 引 言

不透水面是指由不透水材料制成的人造表面，如硬化道路、建筑物屋頂、低滲透率的停車場等，是城市化水平的重要指標(biāo)［1－4］。 改革開放以來，我國城鎮(zhèn)化率不斷提高，不透水面面積逐年增大，在滿足經(jīng)濟(jì)社會發(fā)展用地需求的同時形成了許多城市病，如熱島效應(yīng)、雨島效應(yīng)、城市內(nèi)澇等［5］。 科學(xué)認(rèn)識不透水面時空變化特征，對于制定科學(xué)合理的區(qū)域發(fā)展規(guī)劃，解決城市洪澇災(zāi)害等問題具有重要意義。

通過遙感技術(shù)獲得的影像數(shù)據(jù)具有大范圍、低成本、重復(fù)觀測等優(yōu)勢，為長時序不透水面提取提供了優(yōu)質(zhì)數(shù)據(jù)源。 近年來，國內(nèi)外學(xué)者提出了許多不透水面提取方法［6］，其中指數(shù)法是一種典型的不透水面提取方法，其通過光譜變換增強(qiáng)不透水面信息同時抑制透水面信息，然后通過閾值分割提取不透水面。 李健等［7］使用歸一化建筑指數(shù)（NDBI）對不同季節(jié)的城鎮(zhèn)用地進(jìn)行提取分析，發(fā)現(xiàn)提取夏季的不透水面精確度最高。 穆亞超等［8］提出了增強(qiáng)型不透水面指數(shù)（END?ISI），可用于高效提取干旱地區(qū)的不透水面。 Wang Zhaoqi 等［9］提出歸一化差異不透水指數(shù)（NDII）并用來提取不透水面面積，得到了較高的提取精度。TANG Yun 等［10］利用夜間燈光指數(shù)提取不透水面。總體而言，利用不透水面指數(shù)可以簡單快捷提取大面積不透水面，但是分類結(jié)果受分割閾值影響較大，而且確定最佳分割閾值較難。 機(jī)器學(xué)習(xí)分類法是另一種常用的不透水面提取方法。 常翔宇等［11］使用隨機(jī)森林分類法，以2017 年長春市為例進(jìn)行不透水面提取，提取總體精度達(dá)到94%。 周峰等［12］利用水體指數(shù)、植被指數(shù)、建筑指數(shù)構(gòu)建決策樹模型，進(jìn)行平原區(qū)不透水面提取，得出不透水面以東、以南為主要擴(kuò)張方向，年均擴(kuò)張速度為6.7 km2。 袁修柳等［13］利用分類回歸樹法，提取武漢市2015 年不透水面面積，結(jié)果表明武漢市2015 年不透水面呈現(xiàn)顯著的空間自相關(guān)。 蔡博文等［14］建立深度學(xué)習(xí)模型，實(shí)現(xiàn)武漢市不透水面的自動提取，結(jié)果表明江漢區(qū)和武昌區(qū)2 個核心主城區(qū)不透水面占比超過60%。 邵振峰等［15］利用支持向量機(jī)方法，提取武漢市的不透水面面積。 Yu S S 等［16］利用基于像素和面向?qū)ο蟮闹С窒蛄繖C(jī)分類算法，提取孟買市的不透水面。

已有研究表明，機(jī)器學(xué)習(xí)分類法的不透水面提取精度普遍高于指數(shù)法［17］，但該類方法需要大量有代表性的不透水面訓(xùn)練樣本，在大尺度、長時序不透水面提取研究中獲取訓(xùn)練樣本通常需要消耗大量的人力物力。 此外，傳統(tǒng)的遙感數(shù)據(jù)處理平臺（如ENVI、PEI、ERDAS 等）需要將數(shù)據(jù)下載到本地，難以滿足快速信息化背景下遙感大數(shù)據(jù)的應(yīng)用需求。 Google Earth En?gine（GEE）是由Google 公司開發(fā)的遙感大數(shù)據(jù)分析計(jì)算和地理信息數(shù)據(jù)可視化的綜合性云服務(wù)平臺，集成了PB 級遙感數(shù)據(jù)和海量的地理信息數(shù)據(jù)處理算法，可有效解決大尺度、長時序地表覆蓋研究和專題要素制圖中數(shù)據(jù)獲取難、處理效率低的難題，是現(xiàn)階段廣泛采用的遙感大數(shù)據(jù)處理分析平臺。 鑒于此，本文利用GEE 云平臺［18－20］大尺度、長時序數(shù)據(jù)分析功能，根據(jù)Landsat 衛(wèi)星遙感影像提取河南省引黃受水區(qū)1990—2020 年的不透水面信息，并選取面積增長率、擴(kuò)張強(qiáng)度等指標(biāo)，分析該區(qū)域不透水面時空變化特征，以期為該區(qū)域發(fā)展規(guī)劃提供數(shù)據(jù)支撐。

2 研究區(qū)概況和數(shù)據(jù)來源

2.1 研究區(qū)概況

河南省引黃受水區(qū)包括鄭州、開封、洛陽、平頂山、安陽、鶴壁、新鄉(xiāng)、焦作、濮陽、許昌、三門峽、商丘、周口、濟(jì)源14 個地級市（見圖1）。 2020 年研究區(qū)有8 141萬人口，生產(chǎn)總值為47 459 億元，是河南省的重要輻射區(qū)，也是我國重要的人口密集區(qū)、農(nóng)業(yè)生產(chǎn)區(qū)和交通樞紐區(qū)。 研究區(qū)屬于嚴(yán)重缺水地區(qū)，水資源利用效率較低，水資源安全保障能力不足。 正確認(rèn)識河南省引黃受水區(qū)不透水面時空變化特征，對于推動黃河流域生態(tài)保護(hù)和高質(zhì)量發(fā)展戰(zhàn)略具有重要意義。 然而，現(xiàn)階段針對該區(qū)域不透水面時空變化的研究較少，不透水面時空變化特征尚不清晰，嚴(yán)重制約了該區(qū)域的科學(xué)規(guī)劃和高質(zhì)量發(fā)展。

2.2 數(shù)據(jù)來源

將GEE 云平臺上集成的數(shù)字高程模型和Landsat 5／7／8 衛(wèi)星遙感影像作為主要數(shù)據(jù)源。 數(shù)字高程模型采用NASA SRTM Digital Elevation Data 30 m 數(shù)據(jù)產(chǎn)品，該數(shù)據(jù)產(chǎn)品是利用雷達(dá)干涉測量法生成的高精度全球30 m 數(shù)字高程模型，是現(xiàn)階段廣泛采用的數(shù)字高程模型。 受Landsat 衛(wèi)星發(fā)射時間和數(shù)據(jù)質(zhì)量的制約，在本研究中1990—2010 年不透水面提取采用Landsat 5 TM 遙感影像，2012 年不透水面提取采用Landsat 7 ETM＋遙感影像，其余年份采用Landsat 8 OLI 遙感影像。 生產(chǎn)總值和人口資料來源于1990—2020 年《河南省統(tǒng)計(jì)年鑒》。

3 研究方法

本研究基于Landsat 衛(wèi)星遙感數(shù)據(jù)，首先進(jìn)行融合鑲嵌和裁剪拼接，利用GEE 平臺的Landsat 影像去云算法（Simple Cloud Score 函數(shù)）對河南省引黃受水區(qū)的遙感影像進(jìn)行處理，得到去云圖像，選取大量樣本作為區(qū)分不透水面和透水面的基礎(chǔ)樣本，在平臺完成編程之后，使用隨機(jī)森林分類法對圖像進(jìn)行不透水面分類，得到不透水面初步分類結(jié)果，再利用總體精度和Kappa 系數(shù)進(jìn)行精度評價，達(dá)到要求后，使用ArcGIS軟件對數(shù)據(jù)進(jìn)行提取，并將提取結(jié)果與生產(chǎn)總值和人口進(jìn)行相關(guān)性分析。

3.1 數(shù)據(jù)預(yù)處理及樣本選取

（1）數(shù)據(jù)預(yù)處理。 首先創(chuàng)建一個函數(shù)進(jìn)行云掩膜處理，將檢測出的云以及云陰影像元數(shù)值設(shè)置為0，利用云量得分掩膜云以及云陰影影像，對每個像元求得中值，復(fù)制影像時間屬性，對相應(yīng)時間屬性的Landsat影像進(jìn)行加載，以真彩色顯示研究區(qū)域的遙感影像。

（2）樣本選取。 先對研究區(qū)遙感影像進(jìn)行預(yù)處理，并結(jié)合Google 地圖選擇樣本。 初步在研究范圍內(nèi)選取1 316 個樣本，其中不透水面樣本683 個、透水面樣本633 個。 然后，在GEE 平臺上運(yùn)行土地分類程序，當(dāng)總體精度達(dá)到90%且通過人工目視的方法對分類結(jié)果進(jìn)行識別沒有大量漏檢和誤檢情況時，將樣本作為整體樣本，再逐年對樣本進(jìn)行更正。

3.2 基于隨機(jī)森林分類法的不透水面提取

隨機(jī)森林分類算法（RF）是一種多決策樹集成監(jiān)督分類算法，與其他機(jī)器學(xué)習(xí)分類算法（如支持向量機(jī)分類法、人工神經(jīng)網(wǎng)絡(luò)模型、決策樹分類法）相比，該算法能夠有效避免模型過擬合問題，且模型參數(shù)少、分類精度高，已廣泛應(yīng)用于不透水面提取、地表水體制圖、土地覆蓋分類等研究。 因此，本文采用隨機(jī)森林分類法提取河南省引黃受水區(qū)逐年不透水面信息，步驟如下。

（1）建立不透水面分類特征空間。 結(jié)合已有研究成果，選取衛(wèi)星遙感影像光譜特征，構(gòu)建河南省引黃受水區(qū)不透水面分類特征空間。

（2）選取訓(xùn)練樣本。 采用分層隨機(jī)采樣方法，按照7 ∶3 的比例將樣本分為訓(xùn)練樣本和精度評價樣本。

（3）隨機(jī)森林分類模型訓(xùn)練。 設(shè)置隨機(jī)森林分類模型關(guān)鍵參數(shù)：決策樹數(shù)目（K）和分裂節(jié)點(diǎn)特征數(shù)（m）。 根據(jù)隨機(jī)森林分類的袋外（OOB）誤差理論，隨著決策樹數(shù)目的增大，隨機(jī)森林分類精度增高，但分類過程中消耗的時間成本和內(nèi)存成本也相應(yīng)增大。 為了平衡分類精度和分類成本，通常選取OOB 誤差函數(shù)收斂時的決策樹數(shù)目。 研究表明，m的取值與分類特征數(shù)（n）有密切關(guān)系，通常取的整數(shù)。 通過多次測試，本研究K值取25、m值取2。

（4）單時相不透水面提取。 將單時相數(shù)據(jù)集代入步驟（3）訓(xùn)練好的隨機(jī)森林分類模型，得出單時相不透水面提取結(jié)果。

3.3 精度評價

結(jié)合已有研究，使用Kappa系數(shù)來衡量分類結(jié)果的精度，通過總體精度（OA）反映分類結(jié)果的總體誤差情況。

總體精度（OA）計(jì)算公式為

Kappa系數(shù)計(jì)算公式為

式中：N為精度評價樣本數(shù)；Pe為偶然一致性誤差；TP為真實(shí)不透水面識別為不透水面的面積；FN為真實(shí)不透水面識別為透水面的面積；FP為真實(shí)透水面識別為不透水面的面積；TN為真實(shí)透水面識別為透水面的面積。

對所有時相不透水面提取結(jié)果進(jìn)行精度評價，結(jié)果見圖2。 可知，1990—2020 年河南省引黃受水區(qū)不透水面提取結(jié)果總體精度均高于0.950；除2000 年（0.792）和2002 年（0.798），不透水面提取的Kappa系數(shù)均大于0.800。

3.4 不透水面時空演變分析方法

不透水面時空擴(kuò)張數(shù)量主要從面積和擴(kuò)張速率兩方面進(jìn)行分析。

面積增長量計(jì)算公式為

面積增長率計(jì)算公式為

擴(kuò)張速率計(jì)算公式為

擴(kuò)張強(qiáng)度指數(shù)計(jì)算公式為

式中：Si和Sj分別為第i時相和第j時相（i＜j）的研究區(qū)不透水面面積；T為時間，T＝j(luò)－i。

結(jié)合已有研究文獻(xiàn)，根據(jù)擴(kuò)張強(qiáng)度指數(shù)，將城市擴(kuò)張分為高速擴(kuò)張（M≥1.92）、快速擴(kuò)張（ 1.05 ≤M ＜1.92）、中 速 擴(kuò) 張（ 0.59 ≤M ＜1.05）、低 速 擴(kuò) 張（0.28≤M＜0.59）、緩慢擴(kuò)張（ 0 ≤M ＜0.28）5 種狀態(tài)。

4 結(jié)果與討論

4.1 不透水面提取結(jié)果

經(jīng)過測試和預(yù)計(jì)算對編寫的程序和樣本調(diào)整后，經(jīng)過GEE 平臺計(jì)算后得到分類后的研究區(qū)不透水面圖像，利用ArcGIS 計(jì)算研究區(qū)不透水面面積，結(jié)果見圖3。 可以看出，研究區(qū)和各地級市不透水面面積均呈逐年增大趨勢，研究區(qū)不透水面總面積從1990 年的353 km2增大到2020 年的7 598 km2。

4.2 不透水面數(shù)量分析

1992—2020 年河南省引黃受水區(qū)不透水面擴(kuò)張?zhí)卣饕姳?（表中為每隔2 a 的數(shù)據(jù)）。 從擴(kuò)張強(qiáng)度指數(shù)看，1992—2020 年研究區(qū)不透水面直處于緩慢擴(kuò)張狀態(tài)， 2020 年不透水面擴(kuò)張速率最大（500.22 km2／a），1992 年增長速率最?。?3.59 km2／a）。

表1 河南省引黃受水區(qū)不透水面擴(kuò)張?zhí)卣?/p>

河南省引黃受水區(qū)不同時期的不透水面變化情況見圖4。 各地級市的不透水面主要集中在城市，其次是鄉(xiāng)鎮(zhèn)和農(nóng)村等人類居住區(qū)。 不透水面面積呈逐年增大趨勢，1996—2004 年面積增長率較大，在30%以上。從不透水面提取情況來看，大多數(shù)農(nóng)村地區(qū)不透水面面積逐年增大，原因可能是經(jīng)濟(jì)發(fā)展改善了農(nóng)村道路、硬化路面面積逐漸增大。 2008—2020 年面積增長率逐漸穩(wěn)定在11%～16%，說明不透水面擴(kuò)張速度逐漸趨于穩(wěn)定。

鄭州市主城區(qū)不同時期的不透水面變化情況見圖5（紅色代表不透水面，綠色代表透水面）。 1990—2020 年，鄭州市不透水面從主城區(qū)逐漸擴(kuò)大到周邊地區(qū)，呈現(xiàn)顯著的增長趨勢。 鄭州市不透水面面積和面積增長率始終大于其他各地級市的，說明其作為省會城市發(fā)展速度最快、城鎮(zhèn)化水平最高，其中鄭州市2020 年不透水面面積為2 449 km2。

4.3 不透水面擴(kuò)張的驅(qū)動力分析

城市發(fā)展離不開社會經(jīng)濟(jì)等因素的發(fā)展，而生產(chǎn)總值和人口作為社會經(jīng)濟(jì)的基礎(chǔ)指標(biāo)，對社會經(jīng)濟(jì)有著不可缺少的作用，故選取生產(chǎn)總值和人口分析河南省引黃受水區(qū)不透水面變化的驅(qū)動力。 不透水面與生產(chǎn)總值、人口相關(guān)性見圖6。

（1）生產(chǎn)總值。 河南省引黃受水區(qū)生產(chǎn)總值從1990 年的677 億元增長到2020 年的47 459 億元，經(jīng)濟(jì)增速為1 559 億元／a。 由圖6 可知，不透水面面積與生產(chǎn)總值擬合優(yōu)度為0.980，說明不透水面面積與經(jīng)濟(jì)發(fā)展有顯著的相關(guān)性。

（2）人口。 人口是城市發(fā)展的重要因素之一，人口越多，代表著一個城市越具有活力和發(fā)展前景。 河南省引黃受水區(qū)人口從1990 年的5 673 萬增長到2020 年的8 141 萬，平均增速為82 萬人／a。 由圖6 可知，不透水面面積與人口顯著正相關(guān)（R2＝0.912），說明人口增長對不透水面擴(kuò)張有正向影響。

5 結(jié) 論

（1）本研究提取不透水面的總體精度高于0.95，Kappa系數(shù)大于0.79，說明利用GEE 平臺提取不透水面的精度較高。

（2）研究區(qū)不透水面面積從1990 年的353 km2增大到2020 年的7 598 km2，總體呈增大趨勢。 不透水面主要集中在城市，其次為鄉(xiāng)鎮(zhèn)和農(nóng)村。

（3）從不透水面變化的驅(qū)動力來看，不透水面面積與生產(chǎn)總值和人口數(shù)量的擬合優(yōu)度分別為0.980 和0.912，說明不透水面面積與生產(chǎn)總值和人口總數(shù)顯著正相關(guān)，不透水面面積擴(kuò)張與經(jīng)濟(jì)和人口的增長密切相關(guān)。