董杰　付偉　艾宇杰　王晶

摘 要：利用“珠海一號”等高光譜衛(wèi)星開展高精度提取不透水體信息研究具有現(xiàn)實(shí)意義。根據(jù)“珠海一號”遙感數(shù)據(jù)光譜特征，提出了利用支持向量機(jī)與比值居民地指數(shù)相結(jié)合的方法（RRI-SVM），對合肥市包河區(qū)的不透水面提取進(jìn)行研究。結(jié)果表明，RRI-SVM方法具有較高的提取精度，總體精度和Kappa系數(shù)分別為97.27%，0.92；與其他模型相比RRI-SVM方法能夠有效減弱裸土、建筑陰影對不透水面提取的影響；研究區(qū)不透水面空間分布呈現(xiàn)從西北到東南遞減趨勢，這與人口空間密度分布一致，兩者相關(guān)性系數(shù)為0.778，具有較強(qiáng)的相關(guān)性。利用RRI-SVM方法能夠有效獲取城區(qū)復(fù)雜地物條件下不透水體信息。

關(guān)鍵詞：不透水面提??；RRI指數(shù)；支持向量機(jī)；RRI-SVM；遙感監(jiān)測

中圖分類號：P237? 文獻(xiàn)標(biāo)識碼：A? 文章編號：1673-260X（2023）08-0001-05

不透水面指由各類不透水的建筑材料覆蓋形成的表面，如瀝青、水泥、混凝土等材料構(gòu)成的房屋、道路等建筑物構(gòu)筑物，在一定程度上反映了城市發(fā)展[1]。如何快速、精確地提取不透水面信息，是城市管理與規(guī)劃的重要研究課題。城市不透水面信息的獲取多以實(shí)地勘測的方式進(jìn)行，但這些方法存在時(shí)間跨度長，資金投入大，數(shù)據(jù)資料更新不及時(shí)等問題。遙感技術(shù)具有時(shí)間跨度長，監(jiān)測范圍廣、信息獲取容易等特點(diǎn)，彌補(bǔ)了傳統(tǒng)不透水面調(diào)查上的不足之處。

國內(nèi)外學(xué)者利用各類遙感衛(wèi)星在不透水面提取方面進(jìn)行了大量的研究，主要方法分為三類：人工方法、基于分類規(guī)則方法和深度學(xué)習(xí)等方法[2]。Wu等采用全約束線性光譜混合模型，估算了美國俄亥俄州哥倫布城區(qū)的不透水面分布以及植被和土壤覆蓋，結(jié)果表明，RMS誤差為10.6%，與DOQQ圖像的偏差基本一致[3]。肖榮波等運(yùn)用回歸樹亞象元估測法提取北京市中心城區(qū)的硬化地表信息，分析得出北京城市硬化地表景觀格局具有極強(qiáng)的空間梯度性，且各區(qū)域的景觀格局存在顯著的差別[4]。徐涵秋利用歸一化差值不透水表面指數(shù)（NDISI）對福州市不透水面進(jìn)行研究，并對不透水面蓋度與城市生態(tài)要素的關(guān)系進(jìn)行定量分析，得出高不透水面比例地區(qū)的升溫效應(yīng)要明顯高于低不透水面比例地區(qū)[5]。曹麗琴等為彌補(bǔ)高、低反照度端元選取對不透水面精度的影響，采用Fuzzy ARTMAP方法來估算武漢城區(qū)的城市不透水面覆蓋度，結(jié)果表明基于Fuzzy ARTMAP神經(jīng)網(wǎng)絡(luò)方法估算結(jié)果精度較高，與實(shí)際城市不透水面覆蓋度分布范圍一致[6]。宋毅等采用神經(jīng)網(wǎng)絡(luò)方法對昆明滇池的不透水面信息進(jìn)行提取分析，發(fā)現(xiàn)城市熱島的空間分布和變化與不透水面的分布和變化具有一致性，植被濃密區(qū)域和水體形成了城市中的“冷島”區(qū)域[7]。Yu比較得出面向?qū)ο蟮腟VM分類方法的分類方法優(yōu)于基于像素的SVM分類方法，并使用面向?qū)ο蟮腟VM分類方法提取了1953-2015年間孟買的不透水面信息[8]。

現(xiàn)有的不透水面研究數(shù)據(jù)多為中分辨率影像，基于高光譜衛(wèi)星數(shù)據(jù)進(jìn)行的城市不透水面提取研究開展較少。因此，本文以具有復(fù)雜下墊面的合肥市包河區(qū)為研究區(qū)，利用空間分辨率為10m的OHS數(shù)據(jù)，提出利用支持向量機(jī)與比值居民地指數(shù)組合（SVM-RRI）方法研究城市不透水面信息的提取。實(shí)現(xiàn)了復(fù)雜地物環(huán)境下的不透水面信息精細(xì)化的提取，為今后高光譜衛(wèi)星在不透水面的大范圍精準(zhǔn)提取、多時(shí)序監(jiān)測提供參考依據(jù)。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

合肥市包河區(qū)，位于合肥市區(qū)東南部，巢湖北岸，總面積340平方千米，城鎮(zhèn)化程度較高，區(qū)域內(nèi)分布著大量不透水建筑和裸露地，地物信息復(fù)雜，是合肥市的中心城區(qū)之一。該區(qū)域地處江淮平原和丘陵地帶，地理范圍為31°36′-31°54′N、117°13′-117°27′E之間，屬于北亞熱帶濕潤季風(fēng)氣候，四季分明，氣候溫和。

1.2 數(shù)據(jù)

“珠海一號”星座計(jì)劃將由34顆衛(wèi)星組成，截至2019年年底，共有12顆衛(wèi)星在軌運(yùn)行。“珠海一號”高光譜衛(wèi)星所搭載載荷采用CMOS探測器，采用推掃成像方式，擁有高空間和光譜分辨率，為遙感的定量分析與信息挖掘提供優(yōu)質(zhì)的數(shù)據(jù)資源。本文利用2021年1月8日“珠海一號”3D衛(wèi)星高光譜L1B級數(shù)據(jù)，空間分辨率10m，光譜分辨率2.5nm，波段數(shù)為32，光譜范圍400-1000nm的遙感數(shù)據(jù)。人口數(shù)據(jù)利用的是全球人口數(shù)據(jù)（https：//hub.worldpop.org/）中心提供的中國2020年人口空間分布柵格數(shù)據(jù)，空間分辨率為100m。

2 研究方法

2.1 比值居民地指數(shù)（RRI）

RRI指數(shù)是針對TM影像提出的不透水面提取指數(shù)，應(yīng)用在Landsat8 OLI和Sentinel-2 MSI上有較高的精度，能夠較好地凸顯城鎮(zhèn)和裸地信息間的差異[9]。結(jié)合“珠海一號”星座3D衛(wèi)星高光譜數(shù)據(jù)的波譜范圍，結(jié)合地物的光譜響應(yīng)曲線特征，將第3波段（R3）和第32波段（R32）作為RRI指數(shù)的比值波段。計(jì)算公式如下：

2.2 支持向量機(jī)（SVM）

2.3 支持向量機(jī)與比值居民地指數(shù)組合法（SVM-RRI）

本文提出將支持向量機(jī)與比值居民地指數(shù)組合法（SVM-RRI）。通過以下方法實(shí)現(xiàn)：（1）遙感數(shù)據(jù)預(yù)處理。為避免影像中幾何畸變和所存在的水體信息影響不透水面提取結(jié)果，對原始數(shù)據(jù)進(jìn)行正射校正和水體信息掩膜等處理，并結(jié)合衛(wèi)星波段特點(diǎn)，利用歸一化差異水體指數(shù)法（NDWI）去除水體信息[12]。（2）初步提取不透水面。對去除水體信息的遙感影像進(jìn)行RRI指數(shù)波段比的計(jì)算，并設(shè)置閾值來提取不透水面信息，并將其作為初始不透水面區(qū)域。（3）提取最終不透水面。在初始不透水面區(qū)域上選取一定量的不透水面和非不透水面樣本，使用SVM監(jiān)督分類生成分類規(guī)則影像，結(jié)合高清影像，為其設(shè)定合適閾值得到最終的不透水面，并進(jìn)行精度分析。

3 結(jié)果與分析

3.1 SVM-RRI提取結(jié)果分析

為詳細(xì)比對SVM-RRI方法提取不透水面的精度和細(xì)節(jié)特征，選擇研究區(qū)內(nèi)6個(gè)典型的子區(qū)域，如圖2所示。

圖3給出了不同研究子區(qū)域不透水面提取結(jié)果，其中上部分為原始影像，下部分為提取結(jié)果。圖3中（a）-（f）分別為研究區(qū)域內(nèi)的商業(yè)區(qū)、鐵路、高層建筑、農(nóng)田大棚、公園及高反射率的建筑物等。由目視解譯知識，根據(jù)（a）和（c）可得，陰影識別效果明顯，建筑物與街區(qū)道路邊界分明；（b）中對鐵路這類細(xì)長的不透水面的識別較為準(zhǔn)確，但存在部分高架道路并未被提取進(jìn)去的現(xiàn)象；（d）基本能將農(nóng)田大棚識別為不透水面，但大棚建筑邊界區(qū)域識別不清晰；（e）在該子區(qū)域，中方興湖公園區(qū)域裸地剔除效果較佳，渡江紀(jì)念館附近區(qū)域的不透水面提取細(xì)節(jié)尤為明顯，邊界十分清晰；（f）可以基本提取所在區(qū)域的不透水面，對于高亮建筑物存在部分的漏提現(xiàn)象。

綜上所述，使用SVM-RRI方法所提取的建筑物棱角及其陰影細(xì)節(jié)完善，可以識別出較多不透水體細(xì)節(jié)信息，在商業(yè)區(qū)、鐵路、高層建筑和公園等區(qū)域內(nèi)，提取結(jié)果較好。但在部分高亮地物的提取上存在漏提及邊界模糊等問題，其主要原因可能是“珠海一號”的波段范圍間隔較小，存在“同譜異物”和“同物異譜”的問題，另外，大圩生態(tài)農(nóng)業(yè)旅游景區(qū)的地物復(fù)雜程度高且聚集，提取準(zhǔn)確性易受干擾。

3.2 不同方法不透水面提取結(jié)果分析

為了對比SVM-RRI方法在不透水面提取上的優(yōu)勢，本文引入了RRI指數(shù)、傳統(tǒng)的線性光譜解混方法（LSMA）和支持向量機(jī)和線性光譜混合模型相結(jié)合的方法（SVM-LSMA）三種提取模型進(jìn)行對比分析。將各方法不透水面提取結(jié)果與原始進(jìn)行影像疊加處理，結(jié)果如圖4所示。由圖可知，LSMA提取到的不透水面信息基本完整，但在裸土混合分布地區(qū)出現(xiàn)較多的誤提現(xiàn)象，人工大棚區(qū)域提取效果較好；RRI指數(shù)易將河流和湖泊的邊界區(qū)域誤判為不透水面，但在少量裸露土壤及植被的識別上效果不佳；SVM-LSMA在陰影區(qū)和建筑物混淆問題上得以有效解決，但是無法精確地提取出細(xì)小街道，存在遺漏，且在高反射率屋頂存在少量漏提現(xiàn)象；SVM-RRI提取的不透水面信息相對更為精細(xì)，有效地解決了高分辨影像中對建筑物陰影部分和裸露地面的誤提現(xiàn)象；邊緣提取效果明顯，但在高反射率建筑物區(qū)域內(nèi)仍存在部分漏提現(xiàn)象。

為進(jìn)一步分析，上述四種提取方法，將利用四種方法提取的不透水面結(jié)果進(jìn)行疊加并進(jìn)行分類處理，分為RRI、LSMA、SVM-LSM、SVM-RRI、均為不透水面和均為非不透水面這6類，其結(jié)果如圖5所示。

為對比分析上述方法提取結(jié)果，表1統(tǒng)計(jì)了各方法提取的各類像元占比。結(jié)合圖5和表1，四種方法的提取結(jié)果在建筑物明顯區(qū)域較為一致，重疊區(qū)域相較于研究區(qū)面積占比為27.01%，對比數(shù)據(jù)結(jié)果發(fā)現(xiàn)RRI指數(shù)結(jié)果所提取的不透水面的像元占比較大，其占比分別為，31.48%、36.58%、34.78%和31.90%。但在研究區(qū)南部高反射率建筑區(qū)和東部農(nóng)田生態(tài)大棚等區(qū)域，各方法有較大差異：LMSA和SVM-LMSA在細(xì)小道路與大面積裸土混合區(qū)域提取效果較差，RRI在農(nóng)田大棚區(qū)域內(nèi)提取效果較差，而SVM-RRI相對于其他三種方法能夠獲得更加精細(xì)的地物信息。綜上，四種方法都可以基本識別出不透水面信息，其中SVM-RRI方法結(jié)果最優(yōu)。

3.3 精度評定

3.4 不透水面與人口數(shù)量相關(guān)性分析

人口的空間變動(dòng)是造成不透水面變化的重要外部驅(qū)動(dòng)因素，根據(jù)前人的研究結(jié)果，不透水面與人口數(shù)量有著較強(qiáng)的相關(guān)性[13]。本文在利用SVM-RRI方法所提取到的合肥市包河區(qū)不透水面的信息基礎(chǔ)上，研究不透水面與人口密度空間分布的相關(guān)關(guān)系。利用等間距法將獲取的不透水面和人口數(shù)據(jù)分別分為6類，如圖6、7所示[14]。

對比圖6和圖7，包河區(qū)不透水面和人口分布集中區(qū)域?yàn)楸辈亢椭胁?，該區(qū)域?yàn)榘訁^(qū)的市中心，地物信息復(fù)雜。以包河大道高架為分界線，左右兩側(cè)均分布有不透水面，右側(cè)多為廠房和工廠等高亮建筑物，左側(cè)則是高層建筑密集區(qū)，兩側(cè)不透水面和人口集聚度與北部相比較低。東南部毗鄰巢湖，是裸露土壤和植物最密集的地區(qū)，不透水面分布較少，多以濕地公園和生態(tài)農(nóng)莊中的人工建筑，生態(tài)農(nóng)莊區(qū)域有少量人口分布。進(jìn)一步分析不透水面與人口空間分布的關(guān)系，對研究區(qū)的不透水面和人口空間分布數(shù)據(jù)進(jìn)行相關(guān)分析。在研究區(qū)域內(nèi)隨機(jī)獲取200個(gè)（1像元×1像元）樣本點(diǎn)，通過SPSS軟件進(jìn)行相關(guān)分析可得，包河區(qū)的不透水面與人口數(shù)量存在顯著相關(guān)性，相關(guān)系數(shù)為0.778。說明了不透水面與人口分布有著較強(qiáng)的相關(guān)性。

4 結(jié)論

本文以“珠海一號”高光譜遙感衛(wèi)星為數(shù)據(jù)源，利用SVM-RRI模型重點(diǎn)研究合肥市包河區(qū)的不透水面提取，并與RRI、LSMA和SVM-LSM三種方法進(jìn)行對比分析，驗(yàn)證所提出方法的精度。得出如下結(jié)論，在研究區(qū)內(nèi)SVM-RRI的提取效果最優(yōu)，提取總體精度為96.82%，Kappa系數(shù)為0.92；與其他模型相比SVM-RRI能夠減弱裸露土壤對不透水面提取的影響，并能有效地區(qū)分裸土與建筑物、高層建筑與陰影之間的區(qū)別；研究區(qū)不透水分布與聚集程度呈現(xiàn)出由西北向東南遞減的趨勢，與人口空間分布一致，兩者相關(guān)系數(shù)為0.778，具有較高的相關(guān)性。但所提出的SVM-RRI模型對于識別人工農(nóng)田大棚等部分復(fù)雜地物信息存在的漏提和精細(xì)化不足等問題，后期將進(jìn)一步進(jìn)行研究以取得更為科學(xué)和系統(tǒng)的結(jié)論。

致謝

本文“珠海一號”衛(wèi)星數(shù)據(jù)由珠海歐比特宇航科技股份有限公司提供，在此表示衷心的感謝。

參考文獻(xiàn)：

〔1〕徐涵秋，王美雅.地表不透水面信息遙感的主要方法分析[J].遙感報(bào)，2016，20（05）：1270-1289.

〔2〕龐博，黃祚繼，吳艷蘭，等.基于改進(jìn)全卷積神經(jīng)網(wǎng)絡(luò)的高分遙感影像不透水面提取制圖[J].遙感信息，2020，35（04）：47-55.

〔3〕WU C.S， MURRAY A.T. Estimating impervious surface distribution by spectral mixtureanalysis[J]. Remote Sensing of Environment， 2003， 84（4）： 493-505.

〔4〕肖榮波，歐陽志云，蔡云楠，等.基于亞像元估測的城市硬化地表景觀格局分析[J].生態(tài)學(xué)報(bào)，2007， 27（08）：3189-3197.

〔5〕徐涵秋.城市不透水面與相關(guān)城市生態(tài)要素關(guān)系的定量分析[J].生態(tài)學(xué)報(bào)，2009，29（05）：2456-2462.

〔6〕曹麗琴，李平湘，張良培，等.Fuzzy ARTMAP算法在城市不透水面估算中的應(yīng)用研究[J].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2012，37（10）：1236-1239.

〔7〕宋毅，楊昆，趙旭東，等.基于ETM+/TM數(shù)據(jù)的滇池流域不透水面變化與城市熱島效應(yīng)關(guān)系研究[J].科學(xué)技術(shù)與工程，2014，14（03）：49-54.

〔8〕YU S S，SUN Z C，SUN L，et al. Extraction and Analysis of Mega Cities' Impervious Surface on Pixel-based and Object-oriented Support Vector Machine Classification Technology：A case of Bombay[J].Earth and Environmental Science，2017，57（01）.

〔9〕馬羽赫，趙牡丹，周鵬，等.基于兩種衛(wèi)星傳感器的不透水面提取指數(shù)比較[J].航天返回與遙感，2021，42（02）：139-151.

〔10〕鄧書斌，陳秋錦，杜會(huì)建，等.ENVI遙感圖像處理方法（第二版）[M].北京：高等教育出版社，2014.135-137.

〔11〕趙軍利，朱紅巍，楊文濤.基于支持向量機(jī)遙感影像滑坡信息提取研究[J].地理空間信息，2022， 20（12）：84-88.

〔12〕MCFEETERS S.K. The use of the normalized difference water index （NDWI） in the delineation of open water features[J].International Journal of Remote Sensing，1996，17（07）：1425-1432．

〔13〕段艷慧，郭偉，趙學(xué)勝，等.基于Landsat影像和統(tǒng)計(jì)數(shù)據(jù)的北京市人口密度制圖[J].北京測繪，2022，36（08）：1096-1101.

〔14〕馬業(yè)華，秦占飛.石家莊中心城區(qū)不透水面提取及空間格局分析[J].測繪地理信息，2022，47（S1）：99-104.

〔15〕何云海，國巧真，喬悅，等.高分六號影像不透水面提取研究[J].測繪科學(xué)，2022，47（09）：138-145.