2018年海南岛不透水层分布图

李青雯，闫冬梅，令健梅，黄青青

1. 中国科学院空天信息创新研究院，北京 100094

2. 北京林业大学，北京 100083

数据库（集）基本信息简介

引 言

21世纪以来，随着经济水平的快速提高和人口迅速增长，中国的城市化水平不断提高，城市的扩张速度不断加快。在城市扩张的过程中，土地覆盖类型、人口聚集地、房屋建筑、道路等城市特征也在发生变化。其中，不透水层[1]是阻止水渗入土壤的土地覆盖表面，主要包括水泥建筑物、道路、停车场等，已成为城市环境研究中的一项重要指标，对生态环境变化以及城市发展等具有重要意义。

对于城市而言，不透水层和生态环境有着密切的关系[2]，不透水层面积的增加会影响水循环，导致水质量的降低[3]，同时会影响城市散热过程，引发热岛效应。在城市发展方面，不透水层分布的空间特征能够体现出城镇的规划和结构，不透水层分布的规模能够直接体现出城镇发展的现状。因此可通过研究海南岛的不透水层分布获取海南岛生态环境变化信息以及城镇分布信息，对海南岛的城镇扩展研究以及未来城镇规划有着重要意义。

利用遥感技术进行不透水层研究较人工调查相比有更加高效、准确、信息量大等优势，其已成为不透水层研究中比较有效的方法[4-5]。常用的基于遥感技术的不透水层提取方法有光谱混合分析法、指数法、回归法、面向对象分类法、基于决策树方法等。其中光谱混合分析法[6]是基于混合像元问题建立线性混合模型来提取不透水层，指数法是基于不透水层的光谱响应特征构建不透水层指数，回归法是通过建立回归方程得到不透水层的分布。如王宪凯[7]等利用生物物理成分指数（Biophysical Composition Index，BCI）与裸土指数（Bare Soil Index，BI）相结合的方法获取三亚市的不透水面信息，进而得到三亚市不透水面分布图，该数据集为本文提供了指数法提取不透水面信息的思路，但本文的研究范围更广，提取方法更高效。

目前，不透水层的研究同时存在许多难点。对于中低分辨率遥感影像，每个像元由多个地物类型混合组成，在提取中存在混合像元的问题。由于不透水层的材料具有多样性，使得不透水层具有较大的光谱差异性，加大了提取的难度。对于高分辨率遥感影像，受城市高建筑物的影响，被阴影遮挡的地物光谱信息缺失。另外，海南岛具有范围大、植被覆盖面积大、云量大的特点。针对海南岛的特点，本文利用Landsat 8遥感影像，结合了改进的归一化差值不透水面指数方法和垂直不透水层指数方法，得到2018年海南岛的不透水层分布图。

1 数据采集和处理方法

1.1 区域范围

海南省位于中国大陆最南端，与广东省接壤，北部为琼州海峡，西部为北部湾，东部为南海和台湾省，东南和南部与菲律宾、文莱和马来西亚相邻。海南省的管辖范围包括海南岛和西沙群岛，南沙群岛，中沙群岛及其海域的岛屿和礁石。海南省跨越 18○10'–20○10'N，108○37'–111○03'E，全省土地面积3.5万平方公里，海域面积约200万平方公里。

其中，海南岛面积3.39万平方公里是仅次于台湾岛的中国第二大岛屿。海南岛是典型的热带季风气候区，雨量充沛。年降水量在1000–2600 mm之间，年平均降水量为1639 mm。有明显的多雨季和少雨季。地势中间高四周低，为穹形山体，具有明显的梯级结构，其中位于中南部的五指山为海南岛的最高峰。

1.2 基础数据准备

本文主要研究不透水层的提取方法，并完成不透水层分布图。美国航空航天局于 2013年 2月11日发射的 Landsat 8陆地资源卫星上有两个传感器，分别是 OLI陆地成像仪（Operational Land Imager）和TIRS热红外传感器（Thermal Infrared Sensor）。Landsat 8波段设置如表1所示。Landsat 8数据中的卷云波段为本文的云掩膜提供了良好的数据支持，同时，TIRS热红外传感器提供了更精细的热红外波段信息，能够满足本文的波段需求和分辨率需求。因此，最终选择Landsat 8陆地资源卫星作为遥感数据源。

表1 Landsat 8波段设置

1.3 数据处理

1.3.1 数据预处理

由于遥感影像数据在获取和传输的过程中，存在几何畸变和辐射失真等现象。本文对Landsat 8数据进行了几何精校正、辐射定标和大气校正，使处理后的数据更加真实地反映地物光谱信息。

1.3.2 掩膜

（1）水体掩膜

图像掩膜是用选定的图像、图形或物体、对待处理的图像（全部或局部）进行遮挡来控制图像处理的区域或处理过程。因为提取的不透水层信息受到了水体的干扰，因此对经过指数法提取出的不透水层进行水体掩膜处理。

水体由于对太阳光有很强的吸收能力，所以水体的反射率在可见光波长总体上具有较低的反射率，并且波长越长，反射率越小。水体在蓝光波段具有相对较强的反射率，这也是海水呈现出蓝色的主要原因，而水体在近红外波段和中红外波段反射率较低。

本数据中水体掩膜中的水体提取，采用徐涵秋[8]在Mcfeeters构建的归一化差异水体指数（NDWI）基础上，提出的改进的归一化差异水体指数（MNDWI）。

（2）云掩膜

遥感影像中的云是无法避免的，而云层覆盖的区域，遥感卫星采集的反射值是由两部分组成的，其中一部分是太阳辐射经过云层发射的值，另一部分是太阳辐射经过地物反射后再次穿透云层的反射值，因此云层会影响地物在各波段的反射率，干扰不透水层的提取，需要对各景遥感影像的不透水层提取结果进行云掩膜。由于ENVI中已经有较为成熟的云自动检测工具，采用ENVI生成云掩膜文件。

1.3.3 改进的归一化差值不透水面指数法

（1）归一化差值不透水面指数法（NDISI）

在遥感影像中不同地物具有不同的反射光谱，可以通过光谱特征来识别地物。由不透水层构成的地物具有以下光谱特征：在热红外波段具有较高的反射率，在近红外波段具有较低的反射率。由于在热红外波段和近红外波段中，土壤、水体、裸地等地物的光谱特征与不透水层相似，需要加入更多波段信息来区分不透水层与土壤、水体、裸地等地物。通过分析发现，水体[9]在可见光波段中的绿光波段具有较高的反射率，利用徐涵秋提出的改进的归一化差异水体指数（MNDWI）来识别水体，进而区分不透水层与水体。MNDWI指数的表达式如式（1）所示。

其中Green为绿光波段，MIR为中红外波段。

同时，利用植被在近红外波段具有较高反射率的特性，通过扩大强辐射与弱辐射的差异进一步有效提取不透水层。具体来说，归一化差值不透水面指数就是将不透水层的强反射波段作为分子，弱反射波段作为分母，进行比值运算，来增大强反射波段与弱反射波段的差距，进而达到增强不透水层信息，抑制其他地物信息的效果。不透水层信息则可以用复合波段组成的NDISI指数[10]如式（2）表示。

式（2）中，NIR、MIR和TIR分别为影像的近红外、中红外和热红外波段；MNDWI为改进的归一化差异水体指数。

（2）改进的归一化差值不透水面指数法

对于NDISI，式（2）中通过比值运算增强了热红外波段信息，减弱了水体、近红外和中红外波段的信息，有效地区分了不透水层与土壤、水体、裸地，但没有考虑植被对不透水层提取的影响。而海南岛处于热带地区，常年覆盖大量植被，使得植被成为海南岛不透水层提取中重要的考虑因素。在用NDISI提取海南岛不透水层时，发现存在植被误提取的现象。因此需要引入植被指数进行波段组合，更精确地提取不透水层。综合多种植被指数后，本文选取了归一化植被指数NDVI来描述植被信息。

同时，由于前期进行了水体掩膜处理，而NDISI中的MNDWI波段是用来区分不透水层和水体的。因此，可以去除不必要的MNDWI波段，引入必要的NDVI波段，组成新的指数。

改进后的归一化差值不透水面指数（M_NDISI）如式（3）所示。

式中NDVI如式（4）所示。

M_NDISI方法通过波段运算得到植被指数（NDVI）。然后将热红外波段和NDVI波段进行0–255级拉伸，通过波段运算得到M_NDISI。最后，选择合适阈值，提取出不透水层。

1.3.4 垂直不透水层指数方法

（1）指数构建

基于不透水层在蓝波段和近红外波段的光谱值差异较小，而土壤和植被在蓝波段和近红外波段的光谱值差异较大的特性，田玉刚提出了基于垂直不透水层指数[11]的不透水层提取方法。选择蓝波段和近红外波段构建PII指数如式（5）所示。

图1 样本点到参照线的距离示意图

（2）参数估计

在5景Landsat 8遥感影像组成的海南岛研究区中，分别选择100个纯净的土壤样本和100个不透水层样本，并获取各样本蓝波段和近红外波段的光谱值，对两者进行最小二乘拟合。

由于自然地物的复杂性，样本具有一定的离散度，所以需要通过样本的标准差来调整拟合的土壤线和不透水层线。最终，PII指数的参照线由平移后的土壤线和不透水层线的角平分线构成。

将a 、b代入式（7）即可得到PII系数。

PII方法的流程为先在图像研究区内均匀选取少量纯净土壤样本和不透水层样本，获得各样本的蓝波段和近红外波段的光谱值，进而得到土壤拟合线和不透水层拟合线，再得到不透水层参照线，并通过数学方法构建不透水层指数。之后，利用波段运算得到Landsat影像上各像元点的计算结果值。最后，选择合适阈值，提取出不透水层。

1.3.5 不透水层制图

分别对经过M_NDISI方法和PII方法提取的不透水层进行拼接，得到两种方法的海南岛不透水层数据图。由于海南岛有大面积的山体，会造成大面积的阴影，阴影地区的光谱无法很好地反映地物特征，造成通过M_NDISI方法提取的不透水层，出现山体阴影误提取的现象。由于裸土与不透水层的光谱特征相似，通过PII方法提取的不透水层，出现裸地误提取的现象。

因此，采用两种方法结合，将两种不透水层提取结果进行逻辑推导与运算，得到最终的不透水层提取结果，可以有效减少透水层误提取的现象。

2 数据样本描述

对海南岛的5景Landsat 8遥感影像进行上述处理，得到将M_NDISI方法和PII方法相结合，提取的海南岛2018年不透水层分布图。如图2所示，其中红色部分为不透水层。

图2 海南岛2018年不透水层分布图

3 数据质量控制和评估

本数据的精度检验选用高分二号2017年更新的分辨率为1 m的融合遥感影像作为参考数据，用目视解译的方法得到不透水层的真实值。在海南岛的Landsat 8影像上随机选取1000个像元点，通过统计每个像元点的不透水层目视解译结果和提取结果，得到本文方法的提取精度（表2）。

表2 精度分析

通过验证，该方法的OA达到88.1%，Kappa系数达到0.762，具有良好的提取效果。该方法较M_NDISI方法和PII方法具有更高的精度，精度对比如表3所示。

表3 精度对比

通过对比，可以看出将M_NDISI方法和PII方法的不透水层提取结果进行逻辑推导与运算后得到的提取结果精度，相比M_NDISI方法和PII方法的提取精度有了很大提高。

4 数据价值

本数据集以海南岛为研究区，基于2018年的海南岛5景Landsat 8遥感数据，得到海南岛的不透水层分布图。通过海南岛的不透水层分布，可以监测海南岛的生态环境变化以及城镇规划和结构，为相关的生态环境研究和社会科学研究提供不透水层分布数据源。本数据集对海南省政策制定、发展规划以及资源利用都有很大意义。