成都市不透水面时空变化分析

辜寄蓉　李　琳

(四川师范大学西南土地资源监测与评价教育部重点实验室，成都　610066)



成都市不透水面时空变化分析

辜寄蓉李琳

(四川师范大学西南土地资源监测与评价教育部重点实验室，成都610066)

【摘要】随着城市化进程的加快，以水泥和沥青面为主的不透水面逐渐取代了自然景观，成为城市的主要地表景观。研究采用TM中分影像，对比分析了归一化差值不透水面指数法和城市建成区指数法提取不透水面的效果，成功提取研究区不透水面信息，并分析不透水面在城市区域的时空变化。成都市第一圈层行政区内的不透水面明显多于第二圈层，并呈现“一主、多点”的分布格局，主要分布在中心城区、周边县城、产业园区和工业园区，与城市建成区密度形态一致。随着城市发展，不透水面大量增加，向西和向南扩张明显。

【关键词】不透水面；时空变化；城市建成区指数法；归一化差值不透水面指数法

1引言

城市化是一个国家或地区走向现代化的必经阶段，根据《2015年中国统计年鉴》显示，2014年我国城市化水平达到54.77%，已经进入快速城市化发展的阶段。不透水面是随着城市化进程而产生的一种典型城市景观，反映城市的发展，影响城市生态环境等多方面。不透水面是指一种阻止水分渗入下层地物的物质，主要包括屋顶、沥青或水泥道路、停车场以及裸岩等具有不透水性的地表面，与透水性的植被和土壤地表面相对。不透水面是城市景观的重要组成，是城市化的产物。因此，准确地提取不透水面信息，监测城市化进程、分析城市扩张具有重要意义。

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，目前已有众多学者研究了不透水面的提取方法，多元回归分析、决策树分类、光谱混合分析以及人工神经网络模型等方法已广泛应用于实践。

1.1传统方法

(1)人工解译方法

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[1]。该方法可操作性强，但是工作量大，主观性较强，并且要结合野外调查，费时费力，应用范围有限。

(2)多元回归分析法

多元回归分析法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，利用不透水面与遥感或GIS变量之间的回归关系来求解。该方法可以精确估算每个像元内不透水面的比例，避免将一个含有一定变化范围的不透水面的混合像元当作单一类别的像元。Weng、任鹏飞等[2，3]利用城市地区植被覆盖与不透水面之间的关系，建立多元回归模型来提取不透水面信息。

(3)决策树分类法

决策树分类模拟人工分类过程，从上往下对整个数据集进行逐级的细分，直到提取出想要的类别为止。决策树是严格的非参模型，不要求输入数据具有正态分布的统计特性，更加适合于处理分布不均匀的数据集，并且能够处理特征和类别之间的非线性关系[4]。决策树分类结构确定、易于解释、操作性强，但对训练样本的依懒性比较大。李明诗、GaoF等[5，6]等通过决策树算法对中分辨率影像提取不透水面信息。针对髙空间分辨率影像。

一些学者在决策树算法的基础上提出了分类回归树算法，它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。该算法基本上是全自动的，并且运行的时间较短，因此可以说这是一种花费少并且适合于大面积不透水面制图的方法，但对数据噪声和训练样本比较敏感。Xian等[7，8]应用分类回归树模型法分别对美国3个地区进行不透水面提取，模拟了其扩张变化过程。

1.2基于光谱与几何特征的遥感方法

(1)线性光谱混合模型

光谱混合模型包括线性模型和非线性模型，在研究中使用较多的是线性光谱混合模型。线性光谱混合模型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VIS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。岳文泽等[9]和周纪等[10]利用该方法分别提取了上海和北京地区的不透水面信息。

(2)面向对象方法

面向对象方法以影像对象为单位，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。谭衢霖等利用TM影像试验了一种基于面向对象分类分析的城区地面不透水程度分析制图方法[11]。

1.3人工智能方法

(1)人工神经网络方法

人工神经网络方法是模仿人类神经系统的结构和功能进行数据接收、处理、存储和传输的一种算法，具有并行处理、自组织和自学习等特点。人工神经网络模型的优点在于能够研究非线性关系，分析不同类型数据，且只需较少的训练样本，分类精度要高于传统分类方法。目前，多层感知神经网络MLP模型和自组织神经网络SOM模型已被广泛应用。

(2)支持向量机

支持向量机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。该方法快速准确，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的制图。程熙等[12]利用SVM模型对天津市主城区的TM影像进行不透水面估算。

2成都市不透水面提取

成都市的LandsatTM卫星遥感数据，来源于美国地址调查局USGS网站http：//glovis.usgs.gov/。共收集了4期影像，轨道号为path129/row039和path130/row039，其中前3期遥感影像来源于Landsat5TM影像，第4期遥感影像来源于Landsat8，数据详情见表1。

表1　采用Landsat卫星遥感影像数据详情

本次研究采用归一化差值不透水面指数NDISI法和城市建成区指数BUAI法提取研究区2000-2014年不透水面信息。

2.1水体掩膜

成都市范围内含有反射率较低的水体，如府河、南河、沙河等，这些水体的存在会对不透水面信息的提取产生干扰，因此在不透水面提取过程中必须对水体进行剔除。

采用改进的归一化差异水体指数MNDWI法获取水体信息，进行水体掩膜。MNDWI的取值在-1到1之间，值越大为水体的概率越高。经过反复目视判读实验确定在2000、2005和2009年中MNDWI>0.12的区域为水体，2014年MNDWI>0.195的区域为水体，生成水体掩膜文件，再运用该掩膜文件对研究区影像进行水体掩膜，得到不包含水体信息的遥感影像。

2.2归一化差值不透水面指数法

不透水地面不是由一种物质组成的，是由多种电磁波谱成分组成，依靠单一的强弱波段很难增强地表的不透水面信息，因此需要从不透水面成分的共性进行分析研究。徐涵秋通过研究城市主要地类在遥感影像的光谱特征发现，各种不透水性质的地表在热红外波段的辐射率普遍都较高，但在近红外波段的反射率都较低[13]。据此，可将代表地物热射能力的热红外波段和表征植被特性的近红外波段作为指数创建的强弱反射率波段来增强不透水面信息，使得具有不透水性质的地表表现出更高的热辐射强度，而植被表现出更低的反射度。但是由于土壤、沙地和水体也具有类似的光谱特征。因此如果仅采用热红外与近红外波段的比值运算，其所增强的不透水面信息中会混有沙土和水体等非不透水面信息，影响研究精度。所以不能仅使用这两个波段进行增强不透水专题信息，要利用复合波段的比值来创建新的专题信息增加指数。

通过研究沙地和水体的电磁波谱特征发现，虽然沙地和水体在热红外和近红外波段处的光谱特征与不透水面相似，但这两类物质在中红外和可见光范围的反射率都比其他属性的地表高，并且水体在可见光范围的反射率与不透水面材料没有确定关系，可高也可低。因此可将中红外和可见光的任一波段结合原来指数的近红外波段作为不透水面新指数的弱反射部分，这样的组合使得不透水面可以区别于沙地和水体[13]。这种复合波段组成的不透水面信息提取指数称为归一化差值不透水面指数NDISI，其表达式为：

式中，Tir为热红外波段的反射率，VIS1为可见光中的某一波段的反射率，Nir为近红外波段的反射率，Mir1为中红外1波段的反射率。NDISI具有归一化指数的特征，取值介于[-1，1]之间，被增强的信息大于0，受抑制的信息普遍小于或等于0。

上式中的可见光波段VIS1用于区分不透水面和水体。但是当水体在可见光处的反射率低于不透水面地类时，采用上式估算的不透水面信息中会含有水的噪音。徐涵秋通过研究发现，用原始波段衍生的水体指数波段可以有效地解决这一问题，即将可见光波段替换为水体指数波段，以进一步扩大水体和不透水面的反差。则上式可以改写为：

式中，MNDWI为改进的归一化差异水体指数。

2.3城市建成区指数法

建筑用地是城市不透水面的主要组成部分，查勇等通过分析NDVI发现，在近红外和中红外两波段之间，只有城镇区域的灰度值是增高走势，其他地物灰度值都是降低走势，利用建筑用地在短波红外波段的反射率大于近红外波段，建立了归一化建筑指数NDBI，其表达式为：

式中，Mir 为中红外波段的反射率，Nir为近红外波段的反射率。NDBI反映建筑用地的信息，取值介于[-1，1]之间，数值越大表明为建筑用地的概率越高，理论上取值大于0的为建筑用地，小于0的为非建筑用地。

归一化植被指数NDVI是遥感监测植被覆盖和生态环境状况最常用的指标，它增强了对植被的响应能力，使区域植被信息得到增强。NDVI的值在[-1，1]之间，当NDVI为正值时，说明此处可能为植被覆盖区，其植被覆盖度随着NDVI取值的增大而增大；当NDVI值为负值时，则说明此处为非植被覆盖区，是其他类型的地物如不透水面等。

如果某一像元为不透水面，那么其NDBI值为正，NDVI值为负，两者如果相减所得的值会增大，也就增强了建筑用地信息，即城市的不透水面信息得到了增强；若某一像元为植被，那么其NDBI值为负，NDVI值为正，两者相减所得的值会大大减小，也就削弱了植被信息。李玮娜结合NDBI和NDVI来增强城市不透水面信息的响应能力，创建了一个新的城市不透水面提取指标，称为城市建成区BUAI，其表达式为[14]：

BUAI=NDBI-NDVI

式中，NDBI是归一化建筑指数，NDVI是归一化植被指数。BUAI的取值范围为[-2，2]，理论上大于0的部分被增强的不透水面信息，小于或等于0的部分为透水表面信息。

3成都市不透水面提取结果

通过上述两种方法分别提取建立图像模型对不透水面专题信息进行增强，利用ENVI遥感处理软件得到研究区不透水面结果。图1为2000-2014年两种方法的提取结果，在图中越红的地方表示值越高，地面不透水率越高。

图1　研究区2000-2014年不透水地面信息结果

从提取结果对比可以看出，在有云区域NDISI表现为低值，而BUAI表现为高值，也就是说NDISI法提取不透水面明显不受云的影响，BUAI法则受云影响相对较大，在有云遮盖的区域，提取的误差明显加大。为了更准确的比较两种方法的提取效果，本文进一步通过高分辨率影像进行提取适宜性分析比较两种方法在无云区域的提取精度。将2014年TM8的全色波段与原影像进行影像融合，以融合后的图像作验证影像。同时应用四川省测绘局天地图影像进行对比验证。首先将NDISI和BUAI结果分别进行二值化提取出不透水面信息。然后将融合后的高分辨率影像与二值化后的NDISI和BUAI不透水结果叠加在一起，在无云区域采用随机抽样的方法抽取了1000个验证像元进行人机交互检验。结果发现NDISI法有236个误分，总精度达到70.4%，Kappa系数为0.7783；BUAI法有189个误分，总精度达到81.1%，Kappa系数为0.8165。从图2可以看出，NDISI法主要是在高反照度的像元上判断不及BUAI精度高。从2014年的精度评价结果可看出，城市建成区指数法提取不透水面信息精度更高，使用BUAI法可以较简单、快捷和相对准确的将不透水面信息提取出来。其他3个年份由于没有相关影像数据支持，故没有进行精度评价。

通过分析发现，城市建成区指数BUAI法虽然受云影响在有云区域存在误差，但在无云区域提取精度较高，故本次研究最终采用BUAI结果进行云掩膜，得到成都市的不透水面。

图2　不透水信息提取准确度对比

4成都市不透水面时空变化分析

4.1基于行政区的时空变化分析

研究中对成都市各辖区进行分析，统计研究区内各区县的平均BUAI值，得到结果如图3所示。

图3　2000-2014年成都市各区县平均BUAI

这4期数据均反映了中心城区的五个区即锦江区、青羊区、金牛区、武侯区和成华区之间差异不大，但由于城市发展在空间布局上的差异以及各个区内建筑密度、绿地、水面等条件的差异，中心区域的五个区与第二圈层的几个区之间的平均BUAI差异明显。中心区域的五个区，由于建筑密度高度密集，平均BUAI明显高于周围的几个区。

4.2基于剖面带的时空变化分析

为了深入剖析成都市不透水面的空间格局，下面分别以天府广场为中心，划东西和南北两条剖面线，提取两个方向的剖面BUAI，如图4和图5所示。

图4　研究区2000-2014年东西向BUAI剖面线

东西向剖面线从西部温江区金马镇开始，经过西部的绕城高速、天府广场、东部的绕城高速，到达东部龙泉驿区万兴乡。上图反映了从西向东剖面线上BUAI变化的趋势，2000年和2005年最为明显的特征就是中部高，两端低，说明中心城区的BUAI高于其他地区。2009年和2014年剖面线西段BUAI升高，这是由于温江区金马镇快速发展，不透水面大量增加；而剖面线东段的变化不明显，也就是说不透水面向东扩展不明显。

图5　研究区2000-2014年南北方向BUAI剖面线

南北向剖面线从北部新都区新民镇开始，经过北部的绕城高速、人民北路、天府广场、人民南路、南部的绕城高速，到达南部双流县籍田镇。上图反映了从北向南剖面线上BUAI变化的趋势，2000-2009年最为明显的特征就是中部高，两端低，说明中心城区的BUAI高于其他地区。2014年剖面线南段BUAI明显升高，这是由于天府新区成立导致南部快速发展，不透水面大量增加；而剖面线北部的变化不明显，也就是说不透水面向东扩展不明显。

4.3基于道路圈层的时空变化分析

将计算得到的BUAI结果采用阈值计算得到的各年不透水面，然后进行叠加分析，得到研究区2000-2014年不透水面分布图(见图6)，并分别统计出各年份不透水面面积，如图7所示。

图6　研究区2000-2014年不透水面分布图

图7　研究区2000-2014年不透水面面积

从图中可以看出：2000年成都市不透水面呈现主要分布在中心城区二环路范围内，这些区域人口密度大，建筑密集，是城市发展的中心；在双流县、温江区、郫县、新都区、青白江区和龙泉驿区也出现了小面积的不透水面分布区，位于其县城、产业园区和工业园区等区域；在主要交通干道，如三环路、绕城高速、天府大道、成龙大道、成南高速、蓉都大道、G318和G317等沿线上也出现了不透水面分布区，这主要是道路本身及其带来的沿线发展。

2005年成都市不透水面在2000年的基础上向外扩展，扩张区域主要集集中分布在主城区二环路和三环路之间；由于城市向西向南发展，西南方向和西北方向扩展十分明显；第二圈层上龙泉驿区由于其汽车产业的发展城市不透水面扩展最为明显，其次是温江区、新都区和青白江区；新都区新修建的火车站也使地表变成了不透水面。

由于城市的快速发展，可以明显看出2005年到2009年成都市不透水面的增加与2000年到2005年的增加相比，增加面积明显增多，城市的扩张明显增强；2009年成都市不透水面已基本布满三环路内区域，在西南方向和西北方向甚至已与外圈层的不透水面连接连片；由于双流机场的扩建和西航港区域的发展，使得这一区域地表覆盖类型变化明显，不透水面大大增加；产业的发展和工业园区的建立也使成都市周边出现了新的不透水面分布区；由于高新区和高新西区的成立，向南和向西北扩展的趋势仍在继续。

由于天府新区的成立，成都市向南快速发展，使得2014年在成都向南方向南的区域出现了大量的新的不透水面，并可以明显看出已初步形成了道路交通网络；另外中心城区仍继续向外扩展，不透水面已向绕城高速扩张。

总体来说，对比成都市几期不透水面分布图进行比较分析可以发现，成都市不透水面的分布和演变具有一定的规律性。成都市不透水面的空间分布和城市建成区密度形态是一致的，呈现“一主、多点”的分布格局，即不透水面主要分布在中心城区、周边县城、产业园区和工业园区。从2000-2014年，伴随着城市的发展，成都市不透水面大量增加，并且可以看出不透水面向西向南扩展迅速，在这些区域不透水面大片连接趋势越来越明显，这也与成都市城市发展方向是一致的。

5结论与展望

成都市在西部大开发的推进下，2000年以来成都市城市化发展迅速，2014年城市化水平已达70.3%，城市建设和改造高速发展，使得城市不透水面快速增长。

(1)研究中对比分析了归一化差值不透水面指数法和城市建成区指数法提取不透水面的效果，发现归一化差值不透水面指数法不受云影响，但提取精度不如城市建成区指数法好。最终采用城市建成区指数法，成功提取了研究区不透水面信息。

(2)成都市第一圈层的锦江区、青羊区、金牛区、武侯区和成华区由于建筑密度高度密集，平均BUAI明显高于第二圈层的双流县、温江区、郫县、新都区、青白江区和龙泉驿区，即第一圈层行政区内的不透水面明显多于第二圈层。

(3)东西剖面带上由“低、高、低”变为“高、高、低”，西边温江区发展迅速，不透水面大量增加；南北剖面线上由“低、高、低”变为“低、高、高”，南边天府新区成立，导致发展迅速，不透水面增加。

(4)成都市不透水面的空间分布和城市建成区密度形态是一致的，呈现“一主、多点”的分布格局，即不透水面主要分布在中心城区、周边县城、产业园区和工业园区；伴随着城市的发展，成都市不透水面面积明显增加，并且可以看出不透水面向西向南扩展迅速，在这些区域不透水面大片连接趋势越来越明显，这也与成都市城市发展方向是一致的。

在本次研究中，由于数据获取的问题，仅采用中等分辨率的TM影像进行不透水信息的提取，并只对2014年不透水面提取精度进行了验证。

参考文献：

[1]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.

[2]WengQH，LuDS.Estimationoflandsurfacetemperature-vegetationabundancerelationshipforurbanheatislandstudies[J].RemoteSensingofEnvironment，2004，89：467-483.

[3]任鹏飞，甘淑，谢显奇等.基于ETM+遥感探测山地城市不透水面及其动态分析[J].水土保持通报，2013，33(5)：109-112，160.

[4]McCauleyS，GoetzSJ.Mappingresidentialdensitypatternsusingmulti-temporalLandsatdataandadecision-treeclassifier[J].InternationalJournalofRemoteSensing，2004，25(6)：1077-1094.

[5]李明诗，彭世揆，周林等.基于ASTER数据的决策树自动构建及分类研究[J].国土资源遥感，2006，3：33-42.

[6]GaoF，DeColstounEB，MaR，etal.Mappingimpervioussurfaceexpansionusingmedium-resolutionsatelliteimagetimeseries：acasestudyintheYangtzeRiverDelta，China[J].InternationalJournalofRemoteSensing，2012，33(24)：7609-7628.

[7]XianG，CraneM.AssessmentofurbangrowthintheTampaBaywatershedusingremotesensingdata[J].RemoteSensingofEnvironment，2005，97(2)：203-215.

[8]XianG.Mappingimpervioussurfacesusingclassificationandregressiontreealgorithm[M].WengQ.RemoteSensingofImperviousSurfaces.BocaRaton，FL：CRCPress，2007.

[9]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.

[10]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，2007，73(3)：13-17.

[11]谭衢霖，徐东彪.基于对象分类的密云县城区地面不透水程度分析[J].北京交通大学学报，2011，35(4)：107-113.

[12]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.

[13]徐涵秋.一种快速提取不透水面的新型遥感指数[J].武汉大学学报：信息科学版，2008，(11)：1150-1153.

[14]李玮娜.基于遥感技术的城市不透水面信息的提取应用[D].中北大学，2013.

作者简介：辜寄蓉，教授，硕士生导师，博士，长期从事地理信息系统理论和应用研究

中图分类号：TP79

文献标识码：A

文章编号：1673-288X(2016)04-0211-06

Study on Spatial and Temporal Variation of The ImperviousSurfaceinChengdu

GU JirongLI Lin

(Key Laboratory of Land Resources Evaluation and Monitoring in Southwest of Sichuan Normal University，Chengdu，610068)

Abstract：With the rapid development of urbanization，the natural surface is continuously substituted by urban artificial surface. We extracted the impervious surface in Chengdu using TM images. We contrasted two RS algorithm：NDISI and BUAI，and extracted the impervious surface using BUAI. The spatial and temporal characteristics of impervious surface were analyzed in Chengdu. The impervious surface of the first circle within the administrative region is significantly more than the second circle. Impervious surface presents a main，multi point distribution pattern in Chengdu，and is mainly distributed in central urban area，surrounding counties，industrial parks and industrial parks. With the development of the city，the impervious surface is increasing，and the expansion of the West and the south is obvious.

Keywords：The impervious surface；Spatial and temporal variation；Built UpArea Index；Normalized Difference Impervious Surface Index

引用文献格式：辜寄蓉等.成都市不透水面时空变化分析[J].环境与可持续发展，2016，41(4)：211-216.