城市不透水面遥感研究进展

任金华，吴绍华，2，周生路，林 晨

(1.南京大学地理与海洋科学学院，南京 210093;2.土壤与农业可持续发展国家重点实验室/中国科学院南京土壤研究所，南京 210008;3.中国科学院南京地理与湖泊研究所，南京 210008)

城市不透水面遥感研究进展

任金华1，吴绍华1，2，周生路1，林 晨2，3

(1.南京大学地理与海洋科学学院，南京 210093;2.土壤与农业可持续发展国家重点实验室/中国科学院南京土壤研究所，南京 210008;3.中国科学院南京地理与湖泊研究所，南京 210008)

不透水面作为衡量城市化程度和环境质量的重要指标之一，受到人类越来越多的关注。不透水面的大小、位置、几何形状、空间布局以及透水面与不透水面的比率，显著影响了区域生态环境的变化。利用多种遥感数据和方法进行不透水面的提取和制图已成为研究热点之一。从传统遥感方法、基于光谱与几何特征方法、人工智能方法等方面总结了不透水面的遥感提取方法，介绍和评析了各种方法的原理、特点和应用范围，并对未来城市不透水面的提取方法与应用进行了展望。

不透水面;遥感;数据融合;城市化

0 引言

随着我国城市化进程的加快，作为城市化显著特征之一的不透水面也在不断增加，这将影响地区的生态环境，从而导致流域水文循环异常、非点源污染增加、城市热岛效应增强以及生物多样性减少等问题的发生。广义的不透水面(impervious surface area，ISA)是指天然或人为源，能够隔离地表水渗透到土壤，进而改变洪水径流的流动、物质沉淀和污染剖面的任何物质［1］。目前所研究的人工不透水面多指城市中的道路、停车场、广场及屋顶等建筑物。衡量不透水面常用的不透水面指数(impervious surface area index，ISAI)是指单位面积内不透水面所占地表面积的比例，既可作为城市化程度的指标，也可作为衡量环境质量的指标之一［2］。

尽管国内外研究者对不透水面的研究很多，但对不透水面这一概念并没有严格的定义和分类。Schueler［3］认为不透水面由建筑物顶部(如建筑和结构)和交通系统(如道路、地铁和停车场)等2部分组成;Arnold和Gibbons［4］将不透水面定义为“任何阻挡水分流入土壤的物质”，不仅包括人工建筑物，还包括自然产生的物质(如坚硬的裸露基岩)。目前，大部分研究者都将道路、停车场及建筑物等研究对象作为城市不透水面。早期的不透水面研究方法较简单，主要是结合地面测量的人工遥感解译。随着遥感技术的发展和数据的多元化，不透水面的遥感提取技术和精度也得到飞速发展和提高，多元回归分析、分类回归树模型、光谱混合分析以及人工神经网络模型等研究方法已广泛应用于实践。Slonecker等［1］将不透水面的遥感提取方法分为3类:解译法、模型法和光谱法。Ridd［5］在1995年提出由城市生态环境组成的参数化概念模型(vegetationimpervious surface－soil，V －I－S)为提取不透水面提供了新视角。结合此模型进行的不透水面研究已成为近年来遥感研究的新热点之一。

本文主要总结近年来不透水面的遥感分析方法，并在文献［1］的基础上，将不透水面遥感提取方法分为传统方法、基于光谱与几何特征方法以及人工智能方法，分析各类方法应用的特点及效果，展望不透水面遥感新技术的应用。

1 传统的遥感方法

1.1 人工解译法

人工解译方法是人工通过目视来识别和分析不透水面的色调、纹理、大小、形状、阴影和背景等信息，从而提取不透水面［6－7］。尽管该方法在提取不透水面的方法中结果最精确［8］，且可操作性强，但是解译工作量大，同时主观性强，还要结合GPS野外调查，费时费力，数据获取难，应用范围有限［2］。

1.2 多元回归分析法

多元回归分析法(multiple regression analysis)将不透水面作为一个连续变量，估测每一个像元中不透水面的比例［9］。该方法可避免因将一个含有一定变化范围的不透水面的混合像元定义为单一类别所产生的误差［9］。

Bauer等［9］采用1990和2000年的 TM/ETM 图像，利用缨帽变换中不透水面指数与绿度值之间的负相关性，建立最小二乘回归模型，以此估算明尼苏达州不透水面的分布;但由于裸土和矿山的绿度值较低，再加上不透水面有树冠遮盖，导致模型估算精度不高。Sawaya等［10］在局部尺度上，应用样本建立了基于IKONOS的归一化植被指数(NDVI)与高分辨率数据提取的不透水面指数之间的回归关系，然后利用NDVI进行逐一像元求算，取得了较好的效果;但由于高分辨率图像上树冠和建筑物阴影的NDVI值较低，使计算结果产生误差。Lu等［11］利用从ETM+图像上获得的居民点数据集作为因变量，将美国国防气象卫星的线性业务扫描系统(DMSP－OLS)获取的数据与MODIS NDVImax和人类居住指数作为自变量，建立回归模型，进行中国南部人类居住地绘图，并取得了较好的效果。

1.3 分类回归树模型法

分类回归树算法(classification and regression tree，CART)［12］作为决策树算法的一种，通过连续二叉树形式对数据集进行训练，最终实现对离散目标变量的分类和连续目标变量的预测。该算法已经广泛应用于不透水面的研究，基本思路是:首先利用高分辨率遥感数据(如IKONOS)获取不透水面估算的训练样本;然后通过CART算法建立回归预测模型;最后利用中等分辨率遥感数据(如TM)进行大面积不透水面的估算和制图［13－14］。

Xian［15］采用0.3 m 空间分辨率的正射图像和中等分辨率的ETM+图像应用上述方法分别对西雅图塔科马地区和拉斯维加斯山谷区进行不透水面提取。其中，前一地区提取结果的精度更高，而后一地区因存在较多裸露的岩石和土壤，提取结果有一定误差。张路等［12］利用 IKONOS，SPOT5，CBERS02 和ETM+遥感图像对深圳城区进行了不透水面的提取，研究发现近红外波段对估算精度的影响最大，使用全部波段要比使用单一波段或部分波段的组合得到的结果精度更高。基于光学遥感数据进行不透水面估算时，其预测模型得到的结果在实际不透水面分布范围的两端分别存在着高估和低估的现象［12］。江利明等［16］尝试利用InSAR数据进行的研究表明，干涉雷达在这方面具有一定潜力，特别是在裸土和稀疏植被的估算方面要优于光学遥感。

CART方法也有局限性，作为弱学习算法，对数据噪声和训练样本误差具有敏感性，对不均衡样本的欠学习能力也限制了其精度的进一步提高。廖明生［17］将Boosting技术引入该方法，进一步提高了不透水面估算的精度。另外，CART提取精度取决于训练样本面积的大小:当训练样本面积足够大时，获得的结果较好;当样本面积较小时，结果并不稳定［18］。

2 基于光谱与几何特征的遥感方法

2.1 线性光谱混合模型法

线性光谱混合模型(linear spectral mixture analysis，LSMA)［19］中像元在某波段的反射率是由构成像元基本组分的反射率以其所占像元面积比例为权重系数的线性组合。将V－I－S模型与具有明确物理意义的线性光谱混合模型相结合，估算城市地表各组分覆盖度，已成为近年来遥感研究的热点之一［20－21］。Wu 和 Murray［20］研究发现不透水面与高反照率(如混凝土和砂)和低反照率(如沥青)地物密切相关，利用遥感图像提取不透水面能够满足精度要求。

该模型算法简单、计算方便，在不透水面的研究中得到广泛应用。潘竟虎等［22］利用该方法对兰州市中心城区不透水面进行遥感估算，发现利用高反照率或低反照率地物为最终光谱端元时，能很好地表达城市不透水面信息。岳文泽等［23］对上海市不透水面分布进行估算时也得到相同的结论。袁超等［24］采用LSMA模型，对北京城区不透水面进行空间分析，并与同期 SPOT5对比验证，决策系数为0.932，均方根误差为0.086，结果令人满意。应用LSMA模型研究城市环境生物物理组成时，端元的确定是关键，端元的光谱变异对LSMA模型拟合结果产生重要影响［25］。周纪等［25］提出了一种基于光谱相似性的端元优化选取方法，可有效减小同种纯净地物由于光谱变异性导致的模型拟合误差，但仍然存在人为影响因素。Roberts等［26］提出了多重端元光谱混合模型，Rashed等［27］应用该模型进行不透水面的提取，发现该模型在异质性显著的城市地区有很大的应用潜力。

但应用LSMA方法有一个共同的问题，即往往低估了不透水面指数较低的地区，而高估了不透水面指数较高的地区，这主要是因为中等分辨率图像在空间分辨率和光谱分辨率上都存在局限性［28］。Lu和Weng［29］提出了3种方法解决这一问题:①分层;②使用多重端元;③利用高光谱影像。Weng和Hu［28］利用高光谱影像进行不透水面的提取，并比较不同端元组合的提取精度，结果发现:高反照率、低反照率、植被和土壤等4种端元的组合能够产生令人满意的结果;4种端元中任意3种端元的某些组合也可获得残差较小的图像。

2.2 面向对象的方法

面向对象方法(object based image analysis，OBIA)［30］以影像对象为单位，利用影像对象的光谱信息及真实地物的形状特征和邻近关系特征，引入模糊逻辑规则对分类对象进行描述，使易混淆的地物便于识别与提取，从而提高图像不透水面信息的提取精度。这种方法避免了基于像元的传统处理方法在处理高分辨率遥感图像时所产生的“椒盐”现象，目前广泛应用于遥感土地利用分类［30－31］。

李彩丽［30］等利用南京 IKONOS影像，采用OBIA方法提取了不透水面信息，初步解决了阴影归类和剔除遮盖不透水面的植被等问题，提高了不透水面信息的提取精度。孙志英等［31］也以南京市为例，采用10m空间分辨率的SPOT5影像，以多尺度分割和面向对象分类方法实现城市地表不透水信息的快速提取。由于分割尺度在面向对象分类法中占有重要地位，因此如何根据不同地物的空间信息和背景信息，划分最适宜的分割尺度，成为该方法提取精度的直接影响因素之一［32］。Zhou 和 Wang［33］提出多个代理分割和分类的方法，并对不透水面进行提取。Hu和Weng［34］提出面向对象的模糊分类方法，并使用多光谱IKONOS影像对美国印第安纳波利斯涵盖住宅和中央商务区的不透水面进行提取，其中模糊分类规则是根据光谱、空间和纹理进行的信息提取方法;结果表明住宅区的提取精度达95%，中央商务区的精度达92%。Yu等［35］基于面向对象二阶段方法的休斯顿市区景观结构调查的精度达94.1%。OBIA方法还适用于大尺度遥感影像，如Verbeeck等［36］利用 QuickBird影像提取住宅小区内的道路、屋顶等不透水面，虽然由于阴影的误差导致结果并不理想，但该研究提供了一种易于使用的市区高分辨率地图的生成方法。

面向对象分类方法对于光谱特征相似而地物类型不同的影像对象，可以利用地物的纹理、形状、邻域信息轻松地进行区分，能够构建多尺度网络层次，为分类提供上下文拓扑关系信息，有利于进一步准确、精细地提取［31］。

3 基于人工智能的遥感方法

人工智能算法已成为遥感图像处理的研究热点之一。人工神经网络模型、支持向量机及随机森林［37］等方法已经应用于不透水面的研究，其中前两者应用较广泛。

3.1 人工神经网络模型

人工神经网络(artificial neural network，ANN)模型是模拟因变量与自变量之间复杂的、非线性关系的计算机程序方法，不需要事先假定输入和输出参数之间关系的性质和原始数据的转化［38］，只需要较少的训练样本［39］。目前，多种类型的人工神经网络模型已应用于土地利用和不透水面的提取，其中应用最广泛的是多层感知神经网络(multi－layer perceptron neural network，MLP)模型和自组织神经网络(self－organizing map neural network，SOM)模型。

MLP模型一般由1个输入层、1～2个中间层和1个输出层组成，中间层的数目和节点数量并不固定，需要依据具体情况进行确定。学习算法是ANN模型成功的关键，BP神经网络算法是应用最广泛的一种［40］。Mohapatra等［41］选择一个3 层网络进行高分辨率影像的亚像元分类，通过创建活化水平图像来提取不透水面;该结果与通过彩色航空影像数字化后得到的真实不透水面相比，具有较高的相似水平。MLP模型训练样本的选择很重要，结果精度的高低与样本密不可分，所以样本的选择应考虑到像元内端元的各种组成情况，使其具有代表性［42］。Chormanski等［43］使用高分辨率的 IKONOS影像进行部分地区的土地利用分类，形成训练样本，然后对中等分辨率的ETM+图像进行不透水面的提取。Weng等［40］对该方法和线性光谱混合模型方法进行比较，分类结果显示ANN更具优越性，主要是因为其处理非线性混合光谱影像的能力较强;但该方法也有局限性:首先是由于中间层节点的数目决定了系统的复杂性，显著影响了分类精度和训练时间，尽管已有人提出一些确定中间层恰当节点数目的方法，但都没有被普遍接受［44］;第二是上文已经述及的训练样本选取问题;第三则是BP算法的学习过程需要耗费大量时间［45］。

基于Kohonen的SOM模型是一个2层网络，一个输入层，一个输出层(又称Kohonen层或竞争层)。该方法基于竞争学习原理［46］，2层内的所有神经元都与另一层相连，竞争层的所有神经元通过竞争得到激活，这种有效地竞争和抑制，使得自适应的学习能力得到提高［47］。SOM目前在不透水面提取与土地覆被分类方面的应用不如MLP广泛，但具有较大潜力，很多研究者对这2种方法进行了比较。Ji等［48］同时应用 Kohonen自组织特征图(kohonen self－organizing feature map，KSOFM)和 MLP 进行像元尺度上的土地利用分类，结果表明SOM是一种替代MLP进行土地利用分类的可行方法。Lee和Lathrop［49］利用ETM+图像进行亚像元尺度的城市土地覆被提取，发现SOM比MLP具有一些优势。Hu和Weng［44］将SOM和MLP这2种方法同时应用于不透水面提取，研究发现SOM方法更具优势，尤其是住宅区的提取精度更高，表明SOM比MLP更善于处理混合像元问题，而商业区由于阴影导致提取结果具有较大误差，显示这2种算法均不能较好地解决阴影问题。

3.2 支持向量机

支持向量机(support vector machine，SVM)［50］是一种相对较新的智能分类方法，该方法根据结构风险最小化准则，在使训练样本分类误差极小化的前提下，尽量提高分类器的泛化推广能力，具有强大的非线性和高维处理能力，算法复杂度与样本维数无关，只取决于支持向量的个数。与其他学习算法相比，SVM方法快速准确，且在小样本限制下具有很好的泛化能力，适用于地面样本获取难度较大的大区域不透水面覆盖率(impervious surface percentage，ISP)的制图［51］。

目前该方法已经应用于不透水面的提取。Zhang等［52］采用Landsat图像进行南京城区不透水面的绘图，应用最小二乘支持向量机方法获得结果的均方根误差为0.106，优于使用线性光谱混合方法获取的结果。程熙等［51］对天津市主城区的TM图像进行不透水面估算，研究结果表明:SVM模型能够拟合各像元光谱组分间的非线性关系且具有较好的小样本泛化性能，适用于地面样本较少的大区域ISP制图;增加与ISP相关性大的光谱特征向量作为SVM输入，能够提供更多的区域地物空间分布信息，还能够调整无样本的地表类型ISP估算值，从而提高区域ISP估算的整体精度。

4 多源数据的融合

数据融合［53］包括不同传感器数据的融合，也包括不同分辨率和不同时相数据的融合。融合图像具有丰富的信息，与单一图像数据相比，融合图像提高了信息质量，从而使得信息处理(如分类)得到更高的精度。

Zhang和Maxwell［54］采用了融合的 TM 和 SPOT Pan图像进行小尺度城市屋顶制图，并采用了融合的QuickBird Pan和MS图像进行中尺度城市屋顶的制图，结果显示数据融合对制图结果的精度提高有显著意义。Lu等［55］利用多时相的 Landsat图像分别采用不同方法从像元和亚象元尺度进行城乡结合区复杂不透水面的检测，并利用QuickBird影像对获取的结果进行纠正，有效减少了混合像元引起的误差，提高了提取精度。肖荣波等［56］利用不同分辨率、不同季节的TM/ETM+和QuickBird遥感数据进行北京市中心城区不透水面指数的估算，结果表明不同时相的遥感图像可以挖掘地物在不同时期的光谱差异，从而提高图像的分类精度。

雷达数据因数据空间分辨率高、处理时间短和成本低而得到越来越多的应用。与其他遥感数据相比，雷达数据仅仅着重于地物的几何特征，能够准确捕捉地物的绝对高程，尤其适用于建筑物的提取［57］。Yu 等［35］结合激光雷达(LiDAR)数据和彩色红外航空图像，使用面向对象二阶段方法对休斯顿市区景观结构进行详细调查，并进一步将不透水面分为高楼、高层建筑、普通楼房、街道、公路及休憩用地等对象，总体分类精度高达94.1%。

许多研究证明使用雷达数据和光谱数据的融合可以提高不透水面的提取精度。Hodgson等［58］利用融合航空正射影像和LiDAR数据形成的数据集，采用多种方法对城市地块进行不透水面制图，结果发现LiDAR数据中的地物高度信息促进了所有方法中不透水面的提取精度。江利明等［16］融合光学SPOT遥感数据和合成孔径雷达(SAR)干涉数据进行香港九龙和港岛市区的不透水面预测，与这2种数据的单独使用相比，取得了更好的结果。但SAR影像存在相干斑噪声和侧视成像方式(即具有较低的空间分辨率)等缺点，影响了雷达遥感的不透水面指数的估算精度，这需要在以后的研究中进一步提高。

Lu等［59］通过融合TM和雷达数据对不透水面进行制图，研究在不同空间分辨率和波长下雷达数据所起的作用。研究显示:不同数据融合能提高空间分辨率和绘制不透水面分布空间模式的准确性，但对增强统计面积的精度并无显著作用;不同波长的雷达数据的应用结果并没有显著不同。因此雷达数据的主要作用在于降低混合像素的影响，从而提高不透水面空间格局分布制图的准确性。

5 结论与展望

随着遥感技术的迅速发展，不透水面问题得到广泛关注和研究，多源数据和各种研究方法的应用使得不透水面提取精度得到提高;但研究方法都有其局限性，数据融合优势仍没有得到充分发挥，目前该领域研究焦点主要集中在利用中等分辨率遥感图像进行不透水面的制图、远程传感器的优势和局限性等方面。笔者认为，今后的不透水面研究主要应从以下4个方面展开:

1)遥感提取方法的改进。改进传统方法，研究应用新方法，进一步提高城市不透水面遥感信息提取精度。传统不透水面遥感信息提取方法的结果精度不高，如建筑物和行道树的阴影降低了不透水面的解译精度。去除阴影是目前遥感影像解译中的难题之一，因此改进传统方法和研究应用新方法(如各种智能算法)将成为重点。

2)多源遥感数据的有效应用。中、高等分辨率遥感融合数据将成为提取不透水面的主要数据源。因中等分辨率的遥感数据分类精度不够，而单独使用高分辨率数据费时费力，因此融合中、高等分辨率数据，发挥各自的优势将成为不透水面提取的重要途径。融合不同传感器、不同分辨率和不同时相的数据，合理结合、取长补短，能够显著提高不透水面的提取精度。雷达数据鉴别人造结构时具有强大的实用性，尤其识别地物几何特征方面的优势特别适用于对建筑结构和道路信息的提取。

3)海量不透水面遥感数据库的建立。如今影像数据与光谱数据往往独立存在，这样割裂的数据形式增加了研究者使用的困难，需要结合计算机与GIS技术，以空间数据库的形式进行集成和管理。如何建立完整的不透水面空间数据库，以便进行该领域的深入研究，是今后需要加强的方面。

4)不透水面研究领域的扩展和加深。不透水面作为城市化程度的标志，与城市生态环境有密切的联系。城市碳循环、城市热岛效应、城市水文变化、非点源污染、生物多样性减少等热点问题均与不透水面的增加存在较强的因果关系。尽管国内外研究者对这些问题已经做了研究，但主要还是侧重于现象表征，对不透水面与城市环境问题发生、发展的过程机理需要进一步加强研究。因此，利用遥感结合其他学科技术方法，研究不透水面和城市生态环境问题是未来发展的重要方向。

综上所述，随着多源遥感数据融合的使用和不透水面提取技术的发展，不透水面提取精度将进一步提高，这必将促进与之相关的城市生态环境问题研究的深入，从而为人类居住环境的改善作出贡献。

［1］Slonecker E T，Jennings D，Garofalo D.Remote Sensing of Impervious Surfaces:A Review［J］.Remote Sensing Reviews，2001，20(3):227－255.

［2］刘珍环，王仰麟，彭 建.不透水表面遥感监测及其应用研究进展［J］.地理科学进展，2010，29(9):1143 －1152.Liu Z H，Wang Y L，Peng J.Remote Sensing of Impervious Surface and Its Applications:A Review［J］.Progress in Geography，2010，29(9):1143－1152(in Chinese with English Abstract).

［3］Schueler T R.The Importance of Imperviousness［J］.Watershed Protection Techniques，1994，1(3):100 －111.

［4］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.

［5］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.

［6］Phinn S，Stanford M，Scarth P，et al.Monitoring the Composition of Urban Environments Based on the Vegetation－impervious Surface－ soil(VIS)Model by Subpixel Analysis Techniques［J］.International Journal of Remote Sensing，2002，23(20):4131 －4153.

［7］李伟峰，欧阳志云，陈求稳，等.基于遥感信息的北京硬化地表格局特征研究［J］.遥感学报，2008，12(4):603 －612.Li W F，Ouyang Z Y，Chen Q W，et al.Study on the Spatial Pattern of Impervious Surface Using Remote Sensing Data Within the Urban Area of Beijing［J］.Journal of Remote Sensing，2008，12(4):603－612(in Chinese with English Abstract).

［8］Mohapatra R P，Wu C S.High Resolution Impervious Surface Estimation:An Integration of IKONOS and Landsat－7 ETM Imagery［J］.Photogrammetric Engineering and Remote Sensing，2010，76(12):1329－1341.

［9］Bauer M E，Loffelholz B C，Wilson B.Estimating and Mapping Impervious Surface Area by Regression Analysis of Landsat Imagery［M］//Weng Q.Remote Sensing of Impervious Surfaces.Boca Raton，FL:CRC Press，2007.

［10］Sawaya K E，Olmanson L G，Heinert N J，et al.Extending Satellite Remote Sensing to Local Scales:Land and Water Resource Monitoring Using High － resolution Imagery［J］.Remote Sensing of Environment，2003，88(1/2):144 － 156.

［11］Lu D S，Tian H Q，Zhou G M，et al.Regional Mapping of Human Settlements in Southeastern China with Multisensor Remotely Sensed Data［J］.Remote Sensing of Environment，2008，112(9):3668－3679.

［12］张 路，高志宏，廖明生，等.利用多源遥感数据进行城市不透水面覆盖度估算［J］.武汉大学学报，2010，35(10):1212－1216.Zhang L，Gao Z H，Liao M S，et al.Estimating Urban Impervious Surface Percentage with Multi－ source Remote Sensing Data［J］.Geomatics and Information Science of Wuhan University，2010，35(10):1212－1216(in Chinese with English Abstract).

［13］Yang L M，Huang C Q，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.

［14］李 倩，李彩丽，芮菡艺，等.基于遥感影像不同亮度的CART方法估算不透水率研究［J］.水电能源科学，2010，28(12):45 －48.Li Q，Li C L，Rui H Y，et al.Estimate of Impervious Surface Percent Based on Different Brightness of CART Method with Remote Sensing Images［J］.Water Resources and Power，2010，28(12):45－48(in Chinese with English Abstract).

［15］Xian G.Mapping Impervious Surfaces Using Classification and Regression Tree Algorithm［M］.Weng Q.Remote Sensing of Impervious Surfaces.Boca Raton，FL:CRC Press，2007.

［16］江利明，廖明生，林 珲，等.利用雷达干涉数据进行城市不透水层百分比估算［J］.遥感学报，2008，12(1):176 －185.Jiang L M，Liao M S，Lin H，et al.Estimating Urban Impervious Surface Percentage with ERS － 1/2 InSAR Data［J］.Journal of Remote Sensing，2008，12(1):176 － 185(in Chinese with English Abstract).

［17］廖明生，江利明，林 珲，等.基于CART集成学习的城市不透水层百分比遥感估算［J］.武汉大学学报，2007，32(12):1099－1106.Liao M S，Jiang L M，Lin H，et al.Estimating Urban Impervious Surface Percent Using Boosting as a Refinement of CART Analysis［J］.Geomatics and Information Science of Wuhan University，2007，32(12):1099 －1106(in Chinese with English Abstract).

［18］Im J，Lu Z Y，Rhee J，et al.Impervious Surface Quantification U-sing a Synthesis of Artificial Immune Networks and Decision/Regression Trees from Multi－ sensor Data［J］.Remote Sensing of Environment，2011，117:101 － 113.doi:10.1016/j.rse.2011.06.024.

［19］赵英时.遥感应用分析原理与方法［M］.北京:科学出版社，2003:330－331.Zhao Y S.The Principles and Methods of Remote Sensing Applications and Analysis［M］.Beijing:Science Press，2003:330 － 331(in Chinese).

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

［21］谢苗苗，王仰麟，李贵才.基于亚像元分解的不透水表面与植被覆盖空间分异测度——以深圳市为例［J］.资源科学，2009，31(2):257－264.Xie M M，Wang Y L，Li G C.Spatial Variation of Impervious Surface Area and Vegetation Cover Based on Subpixel Model in Shenzhen［J］.Resources Science，2009，31(2):257 － 264(in Chinese with English Abstract).

［22］潘竟虎，李晓雪，刘春雨.兰州市中心城区不透水面覆盖度的遥感估算［J］.西北师范大学学报:自然科学版，2009，45(4):95－100.Pan J H，Li X X，Liu C Y.Urban Impervious Surface Abundance Estimation in Lanzhou City Based on Remote Sensing［J］.Journal of Northwest Normal University:Natural Science，2009，45(4):95－100(in Chinese with English Abstract).

［23］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.Yue W Z，Wu C F.Urban Impervious Surface Distribution Estimation by Spectral Mixture Analysis［J］.Journal of Remote Sensing，2007，11(6):914 －922(in Chinese with English Abstract).

［24］袁 超，吴炳方，罗兴顺，等.城市不透水表面遥感估算研究［J］.测绘工程，2009，18(3):32 －36.Yuan C，Wu B F，Luo X S，et al.Estimating Urban Impervious Surface Distribution with RS［J］.Engineering of Surveying and Mapping，2009，18(3):32 －36(in Chinese with English Abstract).

［25］周 纪，陈云浩，张锦水，等.北京城市不透水层覆盖度遥感估算［J］.国土资源遥感，2007(3):13－17.Zhou J，Chen Y H，Zhang J S，et al.Urban Impervious Surface A-bundance Estimation in Beijing Based on Remote Sensing［J］.Remote Sensing for Land and Resources，2007(3):13 － 17(in Chinese with English Abstract).

［26］Roberts D A，Gardner M，Church R，et al.Mapping Chaparral in the Santa Monica Mountains Using Multiple Endmember Spectral Mixture Models［J］.Remote Sensing of Environment，1998，65(3):267－279.

［27］Rashed T，Weeks J R，Roberts D，et al.Measuring the Physical Composition of Urban Morphology Using Multiple Endmember Spectral Mixture Models［J］.Photogrammetric Engineering and Remote Sensing，2003，69(9):1011 －1020.

［28］Weng Q，Hu X，Lu D.Extracting Impervious Surface from Hyperspectral Imagery with Linear Spectral Mixture Analysis［M］//Weng Q.Remote Sensing of Impervious Surfaces.Boca Raton，FL:CRC Press，2007.

［29］Lu D，Weng Q H.Spectral Mixture Analysis of the Urban Landscape in Indianapolis with Landsat ETM+Imagery［J］.Photogrammetric Engineering and Remote Sensing，2004，70(9):1053 －1062.

［30］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.Li C L，Du J K，Zuo T H.The Study of Extracting Impervious Surface Information Based on High Resolution Remote Sensing Image［J］.Remote Sensing Information，2009(5):36 － 40(in Chinese with English Abstract).

［31］孙志英，赵彦锋，陈 杰，等.面向对象分类在城市地表不可透水度提取中的应用［J］.地理科学，2007，27(6):837 －842.Sun Z Y，Zhao Y F，Chen J，et al.Application of Object－ oriented Classification in Extraction of Impervious Degree of Urban Surface［J］.Scientia Geographica Sinica，2007，27(6):837 －842(in Chinese with English Abstract).

［32］黄慧萍，吴炳方.地物大小、对象尺度、影像分辨率的关系分析［J］.遥感技术与应用，2006，21(3):243 －248.Huang H P，Wu B F.Analysis to the Relationship of Feature Size，Objects Scales，Image Resolution［J］.Remote Sensing Technology and Application，2006，21(3):243 －248(in Chinese with English Abstract).

［33］Zhou Y，Wang Y Q.Extraction of Impervious Surface Areas from High Spatial Resolution Imagery by Multiple Agent Segmentation and Classification［J］.Photogrammetric Engineering and Remote Sensing，2008，74(7):857 －868.

［34］Hu X F，Weng Q H.Impervious Surface Area Extraction from IKONOS Imagery Using an Object－ based Fuzzy Method［J］.Geocarto International，2011，26(1):3 －20.

［35］Yu B，Liu H，Zhang L，et al.An Object－based Two－stage Meth-od for a Detailed Classification of Urban Landscape Components by Integrating Airborne LiDAR and Color Infrared Image Data:A Case Study of Downtown Houston［C］//Urban Remote Sensing Joint E-vent.Shanghai，China:IEEE，2009:1 －8.

［36］Verbeeck K，Hermy M，Van Orshoven J.An Hierarchical Object Based Image Analysis Approach to Extract Impervious Surfaces Within the Domestic Garden［J］.Joint Urban Remote Sensing E-vent，2011:397 －400.

［37］Walton J T.Subpixel Urban Land Cover Estimation:Comparing Cubist，Random Forests，and Support Vector Regression［J］.Photogrammetric Engineering and Remote Sensing，2008，74(10):1213－1222.

［38］Plumb A P，Rowe R C，York P，et al.Optimisation of the Predictive Ability of Artificial Neural Network(ANN)Models:A Comparison of Three ANN Programs and Four Classes of Training Algorithm［J］.European Journal of Pharmaceutical Sciences，2005，25(4/5):395－405.

［39］Pal M，Mather P M.An Assessment of the Effectiveness of Decision Tree Methods for Land Cover Classification［J］.Remote Sensing of Environment，2003，86(4):554 － 565.

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

［41］Mohapatra R P，Wu C.Subpixel Imperviousness Estimation with IKONOS Imagery:An Artificial Neural Network Approach［M］//Weng Q.Remote Sensing of Impervious Surfaces.Boca Raton，FL:CRC Press，2007.

［42］骆成凤.遗传算法优化的BP神经网络城市不透水层百分比估算［J］.测绘科学，2011，36(1):48 －50.Luo C F.Estimating Urban Impervious Surface Percentage with BP Neural Network Based on Genetic Algorithm［J］.Science of Surveying and Mapping，2011，36(1):48 －50(in Chinese with English Abstract).

［43］Chormanski J，Vande Voorde T，Roeck T D，et al.Improving Distributed Runoff Prediction in Urbanized Catchments with Remote Sensing Based Estimates of Impervious Surface Cover［J］.Sensors，2008，8:910 －932.

［44］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

［45］Heermann P D，Khazenie N.Classification of Multispectral Remote Sensing Data Using a Back － propagation Neural Network［J］.IEEE Transactions on Geoscience and Remote Sensing，1992，30(1):81－88.

［46］Filippi A，Dobreva L，Klein A G，et al.Self－ organizing Map －based Applications in Remote Sensing［C］//Matsopoulos G K.Self－ organizing Maps.2010:231 －248.

［47］Hasi B，Ma J M，Li Q Q，et al.Self－ organizing Feature Map Neural Network Classification of the ASTER Data Based on Wavelet Fusion［J］.Science in China Series D:Earth Sciences，2004，47(7):651－658.

［48］Ji C Y.Land－use Classification of Remotely Sensed Data Using Kohonen Self－ organizing Feature Map Neural Networks［J］.Photogrammetric Engineering and Remote Sensing，2000，66(12):1451－1460.

［49］Lee S，Lathrop R G.Subpixel Analysis of Landsat ETM+Using Self－organizing Map(SOM)Neural Networks for Urban Land Cover Characterization［J］.Transactions on Geoscience and Remote Sensing，2006，44(6):1642 －1654.

［50］张学工.关于统计学习理论与支持向量机［J］.自动化学报，2000，26(1):32 －42.Zhang X G.Introduction to Statistical Learning Theory and Support Vector Machines［J］.Acta Automatica Sinica，2000，26(1):32 －42(in Chinese with English Abstract).

［51］程 熙，沈占锋，骆剑承，等.利用混合光谱分解与SVM估算不透水面覆盖率［J］.遥感学报，2011，15(6):1228 －1241.Cheng X，Shen Z F，Luo J C，et al.Estimating Impervious Surface Base on Comparison of Spectral Mixture Analysis and Support Vector Machine Methods［J］.Journal of Remote Sensing，2011，15(6):1228－1241(in Chinese with English Abstract).

［52］Zhang Y J，Chen L，He C.Estimating Urban Impervious Surfaces Using LS－ SVM with Multi－scale Texture［C］//Urban Remote Sensing Joint Event Shanghai，China:IEEE，2009:1 －6.

［53］Wald L.Some Terms of Reference in Data Fusion［J］.IEEE Transactions on Geoscience and Remote Sensing，1999，37(3):1190 －1193.

［54］Zhang Y，Maxwell T.Roof Mapping Using Fused Multiresolution Optical Satellite Images［M］//Weng Q.Remote Sensing of Impervious Surfaces.Boca Raton，FL:CRC Press，2007.

［55］Lu D，Moran E，Hetrick S.Detection of Impervious Surface Change with Multitemporal Landsat Images in an Urban－rural Frontier［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2011，66(3):298－306.

［56］肖荣波，欧阳志云，蔡云楠，等.基于亚像元估测的城市硬化地表景观格局分析［J］.生态学报，2007，27(8):3189 －3197.Xiao R B，Ouyang Z Y，Cai Y N，et al.Urban Landscape Pattern Study Based on Sub － pixel Estimation of Impervious Surface［J］.Acta Ecologica Sinica，2007，27(8):3189 －3197(in Chinese with English Abstract).

［57］Yu B L，Liu H X，Wu J P，et al.Automated Derivation of Urban Building Density Information Using Airborne LiDAR Data and Object－ based Method［J］.Landscape and Urban Planning，2010，98(3/4):210－219.

［58］Hodgson M E，Jensen J R，Tullis J A，et al.Synergistic Use of Lidar and Color Aerial Photography for Mapping Urban Parcel Imperviousness［J］.Photogrammetric Engineering and Remote Sensing，2003，69(9):973 －980.

［59］Lu D S，Li G Y，Moran E，et al.Mapping Impervious Surfaces with the Integrated Use of Landsat Thematic Mapper and Radar Data:A Case Study in an Urban－rural Landscape in the Brazilian Amazon［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2011，66(6):798－808.

Advances in Remote Sensing Research on Urban Impervious Surface

REN Jin － hua1，WU Shao － hua1，2，ZHOU Sheng － lu1，LIN Chen2，3
(1.School of Geographic and Oceanographic Sciences，Nanjing University，Nanjing 210093，China;2.State Key Laboratory of Soil and Sustainable Agriculture，Institute of Soil Science，Chinese Academy of Science，Nanjing 210008，China;3.Nanjing Institute of Geography and Limnology，Chinese Academy of Science，Nanjing 210008，China)

Impervious surface，as an important indicator to measure the urbanization degree and environmental quality，has attracted more and more attention.The magnitude，location，geometry，spatial pattern of impervious surfaces and the ratio of perviousness－imperviousness significantly affect regional eco－environment changes.Extracting and mapping impervious surface by means of multiple remote sensing data and analytical methods have constituted a hot topic in these research directions.In this paper，impervious surface extraction methods are summarized from traditional method of remote sensing，extraction based on spectrum and geometrical features and artificial intelligence algorithms，then the principles，characteristics，application fields are described，and finally the future prospects are pointed out.

impervious surface;remote sensing;data fusion;urbanization

TP 79

A

1001－070X(2012)04－0008－08

2011－12－06;

2012－02－29

国家自然科学基金项目(编号:41001047)和土壤与农业可持续发展国家重点实验室开发课题(编号:Y052010004)共同资助。

10.6046/gtzyyg.2012.04.02

任金华(1985－)，女，硕士研究生，主要研究方向为土地利用与覆被变化。E－mail:rjhmail@126.com。

吴绍华(1980－)，男，副教授，研究方向为城市土壤环境。E－mail:shaohuawu@126.com。

(责任编辑:邢 宇)