基于HJ－1数据和V－I－S模型的城市不透水层变化分析

单丹丹，杜培军，夏俊士，柳思聪

(中国矿业大学国土环境与灾害监测国家测绘局重点实验室，徐州 221116)

基于HJ－1数据和V－I－S模型的城市不透水层变化分析

单丹丹，杜培军，夏俊士，柳思聪

(中国矿业大学国土环境与灾害监测国家测绘局重点实验室，徐州 221116)

选择2008年和2010年徐州市城区的HJ－1A/1B多光谱遥感图像，利用线性光谱混合模型(LSMM)、多层感知器(MLP)神经网络和自组织映射(SOM)神经网络3种混合像元分解方法，基于V－I－S(植被－不透水层－土壤)模型提取城市不透水层。对3种方法的精度分析对比表明，MLP方法优于其他两种方法，能够比较清晰地反映出徐州市城市化的发展。对两个时相多光谱影像提取的不透水层信息的分析表明，徐州市近两年的发展中心已逐渐向城市边缘地带扩展，其主要原因在于经济的迅速增长和城市化进程的加速发展。

环境与灾害监测预报小卫星;不透水层;线性光谱混合模型;多层感知器神经网络;自组织映射神经网络

0 引言

植被－不透水层－土壤(Vegetation－Imperoious surface－Soil，V －I－S)模型是 Ridd在1995年进行城市形态研究时提出的一种分析模型，被视为城市土地利用、覆盖研究的重大进展［1］。V－I－S模型是一个概念模型，它把具有强烈异质性的城市土地覆盖简化成由植被、不透水层和土壤3种地物类型组成(水体除外)，其中植被和不透水层是表征城市环境状况的两个重要指标。V－I－S模型把城市景观与植被、不透水层和土壤的光谱特征联系起来，为定量分析城市环境生物物理组分提供了理论基础。随着遥感技术的发展，研究人员开展了许多借助V－I－S模型、以遥感图像为数据源的城市土地覆盖变化和生态环境研究。Carlson等［2］利用植被覆盖度与不透水层的关系，研究了提取城市建成区不透水层信息的方法。Wu等［3］利用光谱混合分析法对Landsat7 ETM+图像进行分解，利用低反射和高反射丰度图像提取出了不透水层，并利用数字正射影像(Digital Orthophoto Quarter Quadrangle，DOQQ)影像进行精度验证。

在利用V－I－S模型分析城市扩展与土地覆盖变化的研究中，国外卫星获取的遥感图像(包括中等分辨率的Landsat TM/ETM+、ASTER和高分辨率的QuickBird、IKONOS等图像)都得到了较多应用［4－7］。相对而言，国产卫星遥感数据如中巴地球资源卫星(CBERS)、北京一号小卫星(Beijing－l)、环境与灾害监测预报小卫星(HJ－1A/1B)等的应用潜力还有待进一步深入挖掘。为了推动HJ－1A/1B卫星30 m分辨率多光谱数据的应用，本文应用线性光谱混合模型(Linear Spectral Mixture Model，LSMM)、多层感知器(Multiple Layer Perceptron，MLP)神经网络和自组织映射(Self－Organizing Map，SOM)神经网络3种方法对区域不透水层进行遥感监测与分析，以评价针对HJ－1A/1B卫星数据的3种方法监测城市不透水层变化的优势，为推动国产遥感数据应用提供技术支持。

1 研究区概况和数据源

1.1 研究区概况

徐州市位于江苏省的西北部，总面积11258 km2，占江苏省总面积的11%。徐州市地貌除中部和东北为丘岗山地外，大部分为平原，平原面积占全市总面积的90%，境内河流纵横湖泊众多，城市的森林覆盖率为22.5%。徐州市是江苏省第二大城市，也是华东地区典型的矿业城市之一，近年来经济迅速发展，城市化进程的步伐不断加快。

1.2 HJ－1A/1B 卫星数据

HJ－1A/1B卫星于2008年9月6日成功发射，主要用于洪涝和干旱灾害、环境污染、生态环境、城市管理、地表分类、地质调查、海岸带等方面的监测。

本文使用HJ－1B卫星2008年12月7日和2010年11月30日获取的多光谱遥感图像。研究区为800像元×800像元的区域(对应实地5.67×108m2)，既包括徐州中心城区，也包括部分城市边缘区和郊区，能比较全面地反映徐州市区的情况。图1为研究区两个时相的B4(R)、B3(G)、B2(B)假彩色合成图像。

图1 研究区B4(R)、B3(G)、B2(B)假彩色合成图像Fig.1 B4(R)、B3(G)、B2(B)false color composite images of the study area

2 基于V－I－S模型的不透水层提取

V－I－S模型将城市图像中的每个像元看成植被、不透水层和土壤3种代表性地物类型的线性组合，能很好地表达地表覆盖类型。不透水层提取方法主要有人工解译分类法、植被覆盖度与不透水层的关系法［2］、面向对象分类法［8］和混合像元分解法等，其中基于混合像元分解的提取方法得到了广泛应用。

基于混合像元分解的不透水层提取方法的主要步骤是:①端元选择;②混合像元分解，得到高反射率和低反射率丰度图;③利用高反射率和低反射率丰度图计算城市不透水层比例。

2.1 端元选择

根据V－I－S模型，选择植被、不透水层和土壤3个端元就可以进行城市分解。但城市是一个复杂的综合体，尤其是城市不透水层包含了多种地物类型，光谱差异很大，直接提取城市不透水层，对端元的光谱值无法确定，提取效果也不理想。参照相关学者的研究，本文选择植被、土壤、低反射率地物和高反射率地物4个端元组分［3－4］。图2为4类端元的光谱曲线，表1为4类端元的变异系数。

图2 4类端元的光谱曲线Fig.2 The spectrum curves of the four endmembers

表1 4类端元的变异系数Tab.1 Variation coefficients of the four endmembers(%)

利用ENVI软件实现端元提取，具体过程是:①采用最大噪声分数(Maximum Noise Fraction，MNF)变换方法去除噪声并进行信息重组，选取信息量比较丰富的分量;②利用纯像元指数(Purity Pixel Index，PPI)进一步选择纯净像元;③利用N维可视化器结合手动选点最终选择端元;④选出纯净样本点作为端元对研究区进行混合像元分解。

2.2 线性光谱混合模型(LSMM)

LSMM是建立在像元内相同地物都有相同的光谱特征以及植被指数线性可加性基础上的。虽然混合像元内部各组分的光谱组合并非简单的线性关系，但线性光谱混合模型对于提取地表覆盖特征仍具有效性［9］。其原理为假设像元在某一波段的反射率等于各个基本组分的反射率与其所占面积比例的加权和［9－10］，可表示为

式中，Riλ为第i个像元在λ波段的反射率;fki为第k个基本组分在第i个像元中所占的面积比例;Ckλ为第k个基本组分在λ波段的反射率;εiλ为残差值。

进行线性光谱分离一般需要通过获取纯净像元确定Ckλ值，然后通过最小二乘法进行光谱分离与检验。

2.3 多层感知器(MLP)神经网络模型

为了解决非线性可分数据的多类别分解问题，Rumelhart等人提出了多层感知器(MLP)［11］。MLP网络由输入层、隐藏层和输出层构成。每一层的结点通过与下一层互连，输出到下一结点层，其输出层通过连接数值而被放大、衰减或抑制。除了输入层，每一结点的激励输出值由结点输入、激励函数及偏置量所决定。训练后的网络可形成模式空间与分类空间的非线性映射关系［12］。

本文在MLP模型中采用了反向传播(Back Propagation，BP)学习算法［13］。BP 神经网络是把一组样本的输入、输出问题转变为一个非线性优化问题。网络开始训练时，选用较小的随机互联权值与内部阈值，通过反复加载训练样本并调整权值，直到代价函数下降到可接受的容限值。

在遥感影像光谱分析中，输入层代表原始图像，每一个节点代表一个波段;隐藏层处理遥感图像并把处理结果传送到输出层;输出层最后得到处理的结果。图3为本实验用到的MLP结构图。

图3 多层感知器神经网络模型Fig.3 The structure of MLP network

2.4 自组织映射(SOM)神经网络模型

SOM是一种基于非监督和竞争学习的人工神经网络模型［14］。SOM神经网络为单层的前馈网络，包括输入层和输出层，输入层代表输入的特征向量，在遥感影像中包含的神经元表示输入的波段;输出层由一些神经元在二维平面上排列组成，它通过一系列权值与输入层相互连接［15］。SOM网络结构如图4所示。

SOM具有训练和分类两种状态。当输入矢量和某个连接输出神经元和输入神经元的权值的欧氏距离最小时，该输出神经元被激活，并作为网络的输出，此时该连接权被修正为和输入矢量更接近，而该输出神经元也被列为竞争获胜神经元。相应邻域的连接权也得到修改，直至网络达到终止条件。邻域函数、学习速率和终止条件均由具体问题而定［16］。

图4 自组织映射神经网络模型Fig.4 The structure of SOM network

2.5 不透水层比例的计算

由上述3种方法，可以分别得到植被、土壤、低反射率地物和高反射率地物的丰度图。城市不透水层作为V－I－S模型的一个重要因子，其光谱变异性较大，无法将不透水层作为一种端元提取，但可以利用低反射率地物和高反射率地物的丰度图建立城市不透水层覆盖度［3］。

提取不透水层覆盖度时，本文利用低反射率和高反射率丰度图相加，然后根据归一化差值水体指数(NDWI)对研究区的水体进行掩模运算［16］，以消除水体和阴影的影响。即

式中，RVIS为提取的不透水层覆盖度;Rlow和Rhigh分别为低反射率和高反射率丰度图;MNDWI为归一化差值水体指数的掩模。

NDWI的计算公式为

式中，ρGreen和ρNIR分别为HJ－1A/1B数据的绿光波段和近红外波段的亮度值。

经过多次实验，2008年的 NDWI选取阈值为0.2，2010 年的 NDWI选取阈值为0.14。

3 结果与精度分析

对HJ－1A/1B卫星2008年12月7日获取的30 m分辨率的多光谱遥感图像，采用上述3种模型提取不透水层信息，并以根据2008年11月12日获取的ALOS图像目视解译的地表不透水层作为地表真实数据，对HJ－1A/1B卫星数据获取的不透水层覆盖度进行了验证。图5为基于3种不同方法提取的研究区2008年不透水层覆盖度。

图5 3种方法提取的研究区2008年不透水层覆盖度Fig.5 Impervious surface fraction extracted by three methods in 2008

将ALOS数据与HJ－1A/1B卫星图像精确配准后重采样至2.5 m空间分辨率;为减小影像配准误差的影响，在提取的不透水层图像上选择3×3窗口作为精度检验样本，每个样本均对应ALOS图像上36像元×36像元。为了定量评价不透水层覆盖度的估计精度，根据采样点不透水层覆盖度的估计值和真实值，分别计算了均方根误差RMSE和均值误差 SE 两个指标［3］，即

式中，Îi为第i个样本不透水层覆盖度的估算值;Ii为由ALOS数据计算出的第i个不透水层覆盖度的“真实值”;N为总样本数。根据上式得到的系统误差和均值误差见表2。

表2 不透水层覆盖度误差对比Tab.2 Accuracy comparison of impervious surface extraction

3种方法提取不透水层覆盖度的估算值和真实值的关系如图6所示。

图6 3种方法提取不透水层覆盖度的估算值和真实值关系Fig.6 Linear regression between reference and estimated value of impervious surface extracted by three methods

综合分析图5、图6、表2和式(6)～(8)可以看出，LSMM、MLP和SOM方法对提取不透水层都具有一定的适应性。相比而言，MLP方法得到的不透水层覆盖度的系统误差和均值误差相对较小，与“真实值”的回归方程的复相关系数较大，说明利用MLP方法提取不透水层的精度高于其他两种方法，更加趋于真实值。

4 城市土地覆盖与不透水层变化分析

根据以上研究，选择MLP方法提取徐州市2008年和2010年两个时相的不透水层(图7中白色区域为不透水层)，对徐州市的区域地表覆盖变化进行分析。

图7 MLP方法提取研究区不透水层覆盖度Fig.7 Impervious surface fraction extracted by MLP

对图7中的两幅图像进行差值分析，可以得到不透水层变化区域，如图8所示。图8(a)中白色区域代表不透水层的增长，黑色区域代表不透水层的减少;图8(b)中白色区域表示不透水层总的变化区域。通过以上实验，可以得到V－I－S模型的3个端元，根据最大丰度，确定了两个时相上每个像元的类别，然后利用MLP分类方法得到研究区分类结果，如图9所示。

图8 研究区不透水层变化区域Fig.8 The change areas of impervious surface in study area

图9 研究区MLP分类结果Fig.9 The classification results in study area by MLP

最后，利用决策树方法对两个时相土地利用类型变化进行对比，见图10。表3给出了不同土地类型的覆盖变化率。

图10 研究区2008—2010年土地覆盖变化Fig.10 The land cover change from 2008 to 2010 in study area

表3 研究区2008—2010年土地覆盖变化Tab.3 The land cover change from 2008 to 2010 in study area (%)

由图7所示的不透水层分布及图8所示的不透水层变化区域图可以看出，研究区的不透水层从市中心逐渐向城市边缘拓展，2008年的不透水层主要包括徐州市中心的大型商业区、公共场所、人口密集住宅区等;而2010年的不透水层有些区域有所增长，也有些区域略有减少，增长部分包括铜山新区东部和南部、大龙湖景区、徐工集团和金龙湖景区，减少部分主要是中心城区和铜山新区主要建成区。为了更好地显示不透水层的变化区域，图8(a)中用红色标识增长区域，用黄色标识减少区域。

通过对图7中两个时相不透水层覆盖度中每个像元内部各种端元的丰度进行比较，选出不透水层丰度大的像元作为不透水层区域;然后利用阈值选择，得到2008年的不透水层占整个研究区的8.44%，而2010年上升到9.83%。相对于2008年，2010年的主要增长区A和B位于铜山新区东部和南部，C位于大龙湖附近，D部分为发展中的徐工集团，E位于金龙湖景区;减少区F为铜山新区主要建成区，G分布在城市中心城区(由于城市环境整治，植被绿化面积有所增加)。

从图10和表3可以看出，从2008—2010年，不透水层、植被和土壤3种地物类型的变化主要是土壤和不透水层之间的转化，2010年有3.7127%的土壤和0.3209%的植被转化为不透水层。这主要是由于在2008年，对于刚开发的建筑用地，大量的土壤裸露在地表，在遥感图像上显示为土壤;到了2010年，由于建筑施工则使土壤转变为了不透水层;另外还有2.2592%的不透水层转化为土壤，这是因为徐州市在城市化的过程中注意到了城市环境，对市中心及建成的铜山新区实行景观绿化工程，种植草坪等，在遥感图像上暂时未种植的地方被显示为土壤。

5 结论

(1)HJ－1A/1B卫星由于其空间分辨率和时间分辨率较高，谱段配置较为合理，已经具备了对我国环境动态监测和评估的能力，因此对地表覆盖与不透水层的分析具有可靠性。

(2)对比3种不透水层的提取方法，结果表明LSMM、MLP与SOM方法对于提取不透水层信息均具有一定的适宜性，但MLP方法的提取结果更加趋于真实值。

(3)通过分析徐州市两个时相的不透水层可以看出，由于城市化的发展，徐州市近两年的发展中心已逐渐向城市边缘地带扩展，尤其是铜山新区、东北边缘地带和大龙湖附近。另外从城市市中心区域不透水层的减少可以看出，由于政府实行景观绿化工程，对市中心进行了环境整治，进一步优化了徐州人居环境。

［1］Ridd M K.Exploring a V －I－S(Vegetation－Impervious Surface－Soil)Model for Urban Ecosystem Analysis Through Remote Sensing:Comparative Anatomy for Cities［J］.International Journal of Remote Sensing，1995，16(12):2165 －2185.

［2］Carlson T N，Arthur S T.The Impact of Land Use － Land Cover Changes Due to Urbanization on Surface Microclimate and Hydrology:a Satellite Perspective［J］.Global and Planetary Change，2000，25(1/2):49－65.

［3］Wu C S，Murray A T.Estimating Impervious Surface Distribution by Spectral Mixture Analysis［J］.Remote Sensing of Environment，2003，84(4):493 －505.

［4］Weng Q H，Hu X F.Medium Spatial Resolution Satellite Imagery for Estimating and Mapping Urban Impervious Surfaces Using LSMA and ANN［J］.Geoscience and Remote Sensing，2008，46(8):2397－2406.

［5］Lu D，Hetrick S，Moran E.Impervious Surface Mapping with QuickBird Imagery［J］.International Journal of Remote Sensing，2011，32(9):2519 －2533.

［6］Lu D S，Weng Q H.Extraction of Urban Impervious Surface from an IKONOS Image［J］.International Journal of Remote Sensing，2009，30(5):1297 －1311.

［7］岳文泽，吴次芳.基于混合光谱分解的城市不透水面分布估算［J］.遥感学报，2007，11(6):914 －922.

［8］李彩丽，都金康，左天惠.基于高分辨率遥感影像的不透水面信息提取方法研究［J］.遥感信息，2009(5):36－40.

［9］赵英时.遥感应用分析原理与方法［M］.北京:科学出版社，2003:328－334.

［10］周 纪，陈云浩，张锦水，等.北京市不透水层覆盖度遥感估算［J］.国土资源遥感，2007(3):13 －17.

［11］Rumelhart D E，Hinton G E，Williams R J.Learning Representations by Back－Propagating Errors(in Parallel Distributed Processing:Explorations in the Microstructure of Cognition)［M］.Massachusetts:MIT Press，1986:318 －362.

［12］骆剑承，周成虎，杨 艳.人工神经网络遥感影像分类模型及其与知识集成方法研究［J］.遥感学报，2001，5(2):122 －129.

［13］Kavzoglu T，Mather P M.The Use of Back－propagating Artificial Neural Networks in Land Cover Classification［J］.International Journal of Remote Sensing，2003，24(23):4907 －4938.

［14］Kohonen T.Self－ Organization and Associated Memory［M］.3 rd ed.NewYork:Spinger－ Verlag，1989:1 －65.

［15］Hu X F，Weng Q H.Estimating Impervious Surfaces from Medium Spatial Resolution Imagery Using the Self－organizing Map and Multi－ layer Perceptron Neural Networks［J］.Remote Sensing of Environment，2009，113(10):2089 －2102.

［16］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(7):1425 －1432.

［17］李传荣，贾媛媛，胡 坚，等.HJ－1光学卫星遥感应用前景分析［J］.国土资源遥感，2008(3):1 －3.

An Analysis of Changes of Urban Impervious Surface Area Based on HJ－1 Multispectral Images and V－I－S Model

SHAN Dan－dan，DU Pei－jun，XIA Jun－shi，LIU Si－cong
(Key Laboratory for Land Environment and Disaster Monitoring of State Bureau of Surveying and Mapping，China University of Mining and Technology，Xuzhou 221116，China)

In order to promote the application of the remote sensing data of HJ－1A/1B small satellite to urbanization monitoring，the authors selected Xuzhou City as the study area and chose HJ－ 1A/1B multispectral remote sensing images acquired in 2008 and 2010 as the data sources.After mixed pixel decomposition，the urban impervious surfaces were extracted by Linear Spectral Mixture Model(LSMM)，Multiple Layer Perceptron(MLP)and Self－organizing Map(SOM)on the basis of V －I－S model.A comparison of the three methods through accuracy analysis shows that MLP is suitable for estimating the abundance of impervious surface area(ISA)from HJ－1 A/1B data，and ISA can clearly reflect the trends of urbanization.

HJ－1A/1B;Impervious surface;Linear Spectral Mixture Model(LSMM);Multiple Layer Perceptron(MLP);Self－Organizing Map(SOM)

TP 75

A

1001－070X(2011)04－0092－08

2011－04－02;

2011－05－15

江苏省自然科学基金项目(编号:BK2010182)及江苏省“333工程”科研项目资助计划项目(编号:2009－32)共同资助。

单丹丹(1986－)，女，硕士研究生，主要研究方向为遥感图像处理与模式识别。

杜培军(1975－)，男，教授，博士生导师，主要从事遥感信息工程、地理信息科学与技术领域等方面的研究。Email:dupjrs@126.com。

(责任编辑:李 瑜)