基于InSAR技术提取南昌地区不透水面信息

徐 看，刘向铜，何佳君，范君林，周忠赣

(1.东华理工大学 测绘工程学院，江西 南昌 330013；2. 东华理工大学 核资源与环境国家重点实验室，江西 南昌 330013；3. 江西核工业测绘院，江西 南昌 330013)

不透水面是指能够阻止水直接渗透到土壤中的任何自然和人工表面，主要由城市中水泥、沥青、金属和玻璃等材质构成的交通用地(如高速公路、停车场、人行道)、广场和建筑物屋顶等组成(Arnold et al.，1996；Weng，2012)。伴随着全球城市化发展，不透水面正快速取代自然地表，已成为一种十分关键的地表覆盖类型(Zhang et al.，2017；刘畅等，2019)。因此，准确、高效地获取不透水面对城市生态建设及监测城市动态变化有着重要意义。

目前不透水面信息提取的研究主要是利用光学遥感影像信息中各地物的光谱特征差异建立指数模型，再提取出研究区域的不透水面信息(唐鹏飞等，2020；张静敏等，2016；赵晨等，2019)。但是光学遥感影像的成像特点使其无法克服影像成像中的大气影响和云层遮挡，而且对一些地物的光谱特征区分并不明显，存在着一定的光谱混淆，会出现“同物异谱”和“异物同谱”现象(周峰等，2020)。

合成孔径雷达(SAR)以其全天时、全天候、强穿透的成像能力，成为光学遥感的有益补充，甚至是数据获取的唯一手段(陈尔学，1999)。王馨爽等(2015)提出了基于多时相、多极化、干涉SAR测量的SVM土地覆盖分类方法，并且取得了较好的分类结果；江利明等(2008)采用分类与回归树(CART)算法证明了雷达遥感在城市不透水面覆盖度估算中的可行性和潜力；但是上述研究由于影像数据获取的限制，影像获取时间与样本数据获取时间不一致，以及CART算法对数据噪声和训练样本误差比较敏感，影响实验提取精度。本研究基于不同地物具有不同的时间去相干性，采用合成孔径雷达干涉技术提取出南昌地区的不透水面，并对提取结果进行精度评价。

1 研究区与数据

本研究区为南昌市,其位于长江以南，江西省中部偏北，赣江、抚河下游，鄱阳湖西南岸。该地区地物类型主要包括植被、水体、耕地、裸地和不透水面等。研究区位置如图1所示。

图1 研究区位置Fig.1 Location of the study area

哨兵1号(Sentinel-1)卫星是欧洲航天局哥白尼计划(GMES)中的地球观测卫星，由两颗分别于2014年4月与2016年4月发射的载有C波段合成孔径雷达的卫星组成，中国地区重返周期为12 d。本研究选取了覆盖研究区的时间间隔为34 d的两景Sentunel-1升轨数据，数据来源为欧空局官网(https: //scihub.Esa.int/)。数据详细信息见表1。

表1 影像信息Table 1 Image information

2 数据处理

2.1 SAR数据处理

D-INSAR技术基本思想是基于两幅或多幅雷达复数影像的相位信息，通过差分干涉提取地面目标三维空间信息和地表微小形变(Hu et al.，2017;朱煜峰等，2017)，其数据处理主要包括主影像、辅影像精确配准、干涉成像、外部DEM数据模拟相位、差分干涉、滤波、相位解缠、地理编码等。目前D-InSAR技术主要分为3种：二轨法、三轨法和四轨法。由于SRTM能够免费提供分辨率为30 m和90 m的高精度DEM数据，二轨法应用范围较广。因此本研究采用SRTM 30 m DEM数据，利用二轨法提取出覆盖南昌地区的相干系数图，处理数据流程如图2所示。

图2 Sentinel-1数据处理流程Fig.2 Sentinel-1 data processing flow

通过对Sentinel-1影像进行数据处理，得出时间基线为34 d，空间基线为130 m且覆盖整个南昌市的相干系数图(图3)。

图3 相干系数图Fig.3 The diagram of coherence coefficient diagram

2.2 光学遥感数据处理

本次采用覆盖南昌地区且成像时间分别为2018年4月17日、2018年5月1日的Landsat8-OLI影像数据，数据来源为地理空间数据云(http://www.gscloud.cn/)。基于决策树思想，通过建成区指数(BUAI)，改进的归一化水体指数(MNDWI)，制作研究区植被、水体掩膜，并根据研究区土壤反射光谱特点制作研究区土壤掩膜(万建鹏等，2015；徐涵秋等，2005)。通过结合掩膜文件，依次剔除掩膜地物的提取模型，反向提取出南昌地区的不透水面(图4，5)。

图4 光学影像处理流程图Fig.4 Optical image processing flow

3 基于SAR像提取不透水面

3.1 SAR相干的基本原理

SAR影像对中的相干系数是进行不透水面分类的重要参数。相干系数是指单视复数(SLC)影像对间相关程度的高低，直接反映了主辅影像获取时间基线中地物的变化信息(国贤玉等，2020)。不同的地物类型相干系数是不同的,因此可以利用相干系数进行地物分类。两幅影像之间的相干系数γ定义为:

(1)

式中,u1、u2为零均值的复高斯随机变量，*代表共轭转置，E为矩阵交换计算，其数值范围是[0,1]。当主辅影像在时间间隔内接收到的地物信号一致时，其值为1；当主辅影像在时间间隔内接收到的地物信号完全不同时，其值为0。基于相干系数这一特性，城市不透水面主要为人工建筑，在时间间隔内变化较小，主辅影像接受的信号接近一致，相干系数值较高；而透水面主要是由植被和水体构成，受风和季节影响在时间间隔内变化较大，相干系数值较小。因此，可以利用雷达干涉数据中不同地物的相干性系数差异进行不透水面提取。

3.2 确定阈值区间

本次采用随机森林法将南昌地区地物分为两类：透水面(植被、水体、耕地、裸地等)和不透水面(水泥建筑、道路等)。首先假设基于Landsat8影像提取出的不透水面为实验样本，初步确定不透水面相干系数的阈值分布范围；然后通过地理编码将两景影像转换到同一坐标系，联合影像信息，以两幅影像的地理坐标为基准，在像素级别上建立对应的地物映射。通过Landsat影像信息中某一地物的经纬度，在相干系数图中查询到对应这一地物的相干系数值。通过随机森林进行机器学习，估算得出该地区地物的相干系数值分布(图6)。此步骤仅是为了查看地物的相干系数值分布，初步估计透水面与不透水面的区分阈值区间，节省实验时间。从图6可以看出，透水面与不透水面相干系数值分布存在重叠区域，重叠区域占比较小且相干系数值都较高。通过与实际地物结合分析，透水面相干系数值高的地物多为耕地类型，这是由于光学影像提取不透水面存在将耕地错分为不透水面现象，这也间接证明了光学影像提取不透水面存在着缺陷。

图5 南昌市Landsat影像不透水面提取结果Fig.5 Landsat image impervious surface extraction results in Nanchang city

图6 相干系数值分布Fig.6 Distribution of coherence coefficient values

4 实验结果与分析

4.1 实验结果

为确定不透水面与透水面的区分阈值区间，选择同一时期的南昌地区Google Earth(www.google.com)高清影像作为参考影像。将南昌地区的谷歌高清影像中的地物作为真实地物，随机选取覆盖南昌全部地区的各地物200个样本，将其划分为水体、耕地、裸地、不透水面等。由于透水面与不透水面相干系数值分布的曲线相交点在[0.2,0.3]之间最为接近(图6)，结合样本分析相干系数值在[0.2,0.3]之间的地物，不透水面与透水面大致以该区间为分割线两极分化，因此不透水面与透水面的区分阈值也应在[0.2,0.3]之间。为确定不透水面与透水面的区分阈值，将随机选取的各地物样本作为训练样本通过随机森林进行迭代实验，其实验思路是基于决策树思想以阈值大小作为样本特征，对影像信息进行特征分类，以分类结果精度确定阈值(表2)。

表2 地物分类精度Table 2 Accuracy of feature classification

当用相干系数值0.245作为区分阈值提取不透水面时，其提取精度为92.64%。结合谷歌影像分析分类结果，在阈值小于0.245时，基于InSAR技术在区分水体与不透水面误差较大；在阈值高于0.245时，不透水面的提取精度皆小于以阈值为0.245的提取结果精度。因此，选定相干系数0.245为提取南昌地区不透水面信息的阈值，提取结果如图7所示。

图7 南昌市不透水面提取结果Fig.7 Results of impervious surface extraction in Nanchang city

4.2 实验分析

选择同一时期的谷歌地球影像作为真实影像，将之前随机选取的200个地物样本作为真实样本对提取结果进行精度判定。分析提取结果得出，基于Landasat影像提取南昌地区不透水面的总体精度为89.43%，基于InSAR技术提取南昌地区不透水面信息的总体精度达到了92.48%。利用在Earth影像信息选取的各地物样本作为训练样本，进行迭代实验，获得了各地物分类提取结果的错分误差(表3)。综合考虑各地物的错分误差精度，选取阈值为0.245时，耕地、裸地及不透水面的错分误差较小且趋于稳定，各地物的错分误差较为合理。

表3 地物错分误差Table 3 Misclassification error

对比InSAR技术与光学遥感手段提取不透水面的结果发现，前者提取不透水面信息的总体精度优于后者。在水体区分上InSAR技术提取精度略低于光学遥感数据提取精度，错分误差较大；但InSAR技术提取不透水面不易混淆耕地、裸地及建筑用地，而光学遥感影像信息提取不透水面则会在一定程度上混淆耕地、裸地及建筑用地，发生错分现象，前者错分误差低于后者。

为更直观地分析及对比InSAR技术和光学遥感手段提取不透水面的提取效果，选取4处典型区域进行对比(图8)。图8a影像研究区域为耕地(透水面)和建筑物(不透水面)混合区域，其中耕地区域占比较大。两种方法虽都能提取该区域不透水面，但光学遥感手段将大片耕地区域错分为不透水面，错分误差较大。这是由于耕地表面光谱信息随着地面覆盖物和季节变化而改变，春季时该地物的光谱信息接近于建筑物光谱信息，常规的光学遥感手段提取该地物容易发生错分现象，而InSAR技术并没有出现大面积的错分现象。图8b、c影像区域为水体(透水面)、耕地(透水面)和建筑物(不透水面)混合区域，光学遥感手段将水体和耕地都错分为不透水面，这是由于受云层影响导致的错分误差。图8d区域为建筑用地(不透水面)和建筑物(不透水面)混合区域，建筑用地的光谱信息与裸地的光谱信息十分接近，光学遥感手段将其错分为透水面。通过提取效果对比可知，InSAR技术能更完整地提取出该区域不透水面信息。

图8 提取效果对比图Fig.8 Comparison of extraction results

基于InSAR技术提取得到南昌地区不透水面信息，通过计算南昌市内各县区的不透水面面积及比重，得到研究区内各区域的不透水面信息统计表(表4)。

表4 南昌市内各县区的不透水面信息统计Table 4 Statistics of impervious surface information of counties and districts in Nanchang city

从表4可以看出，南昌地区不透水面总面积为1 567.44 km2，占比21.19%，主要分布在进贤县、新建区、南昌县，其余县区少量分布。从不透水面在各县区的分布情况看，不透水面在青山湖区、青云谱区、东湖区为第一大土地覆盖类型，密集程度几乎覆盖了整个县。这些区域是南昌地区城市化发展较快的区域，这说明不透水面可以作为衡量城市化程度的指标之一。基于InSAR技术提取研究区不透水面信息具有较高的精度，并且能够较好地区分裸地、耕地和建筑用地，适用于城市地区的不透水面信息提取。

5 结论

在基于InSAR技术提取研究区不透水面信息具有较高精度的基础上，克服了遥感影像数据受云层影响的缺点，摆脱了数据的限制。各地物错分误差较少且提取精度更高，可以更及时、高效地提取城市地区各个时间段的不透水面。