基于“珠海一号”遥感数据的不透水面提取

董杰　付伟　艾宇杰　王晶

摘 要：利用“珠海一号”等高光谱卫星开展高精度提取不透水体信息研究具有现实意义。根据“珠海一号”遥感数据光谱特征，提出了利用支持向量机与比值居民地指数相结合的方法（RRI-SVM），对合肥市包河区的不透水面提取进行研究。结果表明，RRI-SVM方法具有较高的提取精度，总体精度和Kappa系数分别为97.27%，0.92；与其他模型相比RRI-SVM方法能够有效减弱裸土、建筑阴影对不透水面提取的影响；研究区不透水面空间分布呈现从西北到东南递减趋势，这与人口空间密度分布一致，两者相关性系数为0.778，具有较强的相关性。利用RRI-SVM方法能够有效获取城区复杂地物条件下不透水体信息。

关鍵词：不透水面提取；RRI指数；支持向量机；RRI-SVM；遥感监测

中图分类号：P237  文献标识码：A  文章编号：1673-260X（2023）08-0001-05

不透水面指由各类不透水的建筑材料覆盖形成的表面，如沥青、水泥、混凝土等材料构成的房屋、道路等建筑物构筑物，在一定程度上反映了城市发展[1]。如何快速、精确地提取不透水面信息，是城市管理与规划的重要研究课题。城市不透水面信息的获取多以实地勘测的方式进行，但这些方法存在时间跨度长，资金投入大，数据资料更新不及时等问题。遥感技术具有时间跨度长，监测范围广、信息获取容易等特点，弥补了传统不透水面调查上的不足之处。

国内外学者利用各类遥感卫星在不透水面提取方面进行了大量的研究，主要方法分为三类：人工方法、基于分类规则方法和深度学习等方法[2]。Wu等采用全约束线性光谱混合模型，估算了美国俄亥俄州哥伦布城区的不透水面分布以及植被和土壤覆盖，结果表明，RMS误差为10.6%，与DOQQ图像的偏差基本一致[3]。肖荣波等运用回归树亚象元估测法提取北京市中心城区的硬化地表信息，分析得出北京城市硬化地表景观格局具有极强的空间梯度性，且各区域的景观格局存在显著的差别[4]。徐涵秋利用归一化差值不透水表面指数（NDISI）对福州市不透水面进行研究，并对不透水面盖度与城市生态要素的关系进行定量分析，得出高不透水面比例地区的升温效应要明显高于低不透水面比例地区[5]。曹丽琴等为弥补高、低反照度端元选取对不透水面精度的影响，采用Fuzzy ARTMAP方法来估算武汉城区的城市不透水面覆盖度，结果表明基于Fuzzy ARTMAP神经网络方法估算结果精度较高，与实际城市不透水面覆盖度分布范围一致[6]。宋毅等采用神经网络方法对昆明滇池的不透水面信息进行提取分析，发现城市热岛的空间分布和变化与不透水面的分布和变化具有一致性，植被浓密区域和水体形成了城市中的“冷岛”区域[7]。Yu比较得出面向对象的SVM分类方法的分类方法优于基于像素的SVM分类方法，并使用面向对象的SVM分类方法提取了1953-2015年间孟买的不透水面信息[8]。

现有的不透水面研究数据多为中分辨率影像，基于高光谱卫星数据进行的城市不透水面提取研究开展较少。因此，本文以具有复杂下垫面的合肥市包河区为研究区，利用空间分辨率为10m的OHS数据，提出利用支持向量机与比值居民地指数组合（SVM-RRI）方法研究城市不透水面信息的提取。实现了复杂地物环境下的不透水面信息精细化的提取，为今后高光谱卫星在不透水面的大范围精准提取、多时序监测提供参考依据。

1 研究区与数据

1.1 研究区概况

合肥市包河区，位于合肥市区东南部，巢湖北岸，总面积340平方千米，城镇化程度较高，区域内分布着大量不透水建筑和裸露地，地物信息复杂，是合肥市的中心城区之一。该区域地处江淮平原和丘陵地带，地理范围为31°36′-31°54′N、117°13′-117°27′E之间，属于北亚热带湿润季风气候，四季分明，气候温和。

1.2 数据

“珠海一号”星座计划将由34颗卫星组成，截至2019年年底，共有12颗卫星在轨运行。“珠海一号”高光谱卫星所搭载载荷采用CMOS探测器，采用推扫成像方式，拥有高空间和光谱分辨率，为遥感的定量分析与信息挖掘提供优质的数据资源。本文利用2021年1月8日“珠海一号”3D卫星高光谱L1B级数据，空间分辨率10m，光谱分辨率2.5nm，波段数为32，光谱范围400-1000nm的遥感数据。人口数据利用的是全球人口数据（https：//hub.worldpop.org/）中心提供的中国2020年人口空间分布栅格数据，空间分辨率为100m。

2 研究方法

2.1 比值居民地指数（RRI）

RRI指数是针对TM影像提出的不透水面提取指数，应用在Landsat8 OLI和Sentinel-2 MSI上有较高的精度，能够较好地凸显城镇和裸地信息间的差异[9]。结合“珠海一号”星座3D卫星高光谱数据的波谱范围，结合地物的光谱响应曲线特征，将第3波段（R3）和第32波段（R32）作为RRI指数的比值波段。计算公式如下：

2.2 支持向量机（SVM）

2.3 支持向量机与比值居民地指数组合法（SVM-RRI）

本文提出将支持向量机与比值居民地指数组合法（SVM-RRI）。通过以下方法实现：（1）遥感数据预处理。为避免影像中几何畸变和所存在的水体信息影响不透水面提取结果，对原始数据进行正射校正和水体信息掩膜等处理，并结合卫星波段特点，利用归一化差异水体指数法（NDWI）去除水体信息[12]。（2）初步提取不透水面。对去除水体信息的遥感影像进行RRI指数波段比的计算，并设置阈值来提取不透水面信息，并将其作为初始不透水面区域。（3）提取最终不透水面。在初始不透水面区域上选取一定量的不透水面和非不透水面样本，使用SVM监督分类生成分类规则影像，结合高清影像，为其设定合适阈值得到最终的不透水面，并进行精度分析。

3 结果与分析

3.1 SVM-RRI提取结果分析

为详细比对SVM-RRI方法提取不透水面的精度和细节特征，选择研究区内6个典型的子区域，如图2所示。

图3给出了不同研究子区域不透水面提取结果，其中上部分为原始影像，下部分为提取结果。图3中（a）-（f）分别为研究区域内的商业区、铁路、高层建筑、农田大棚、公园及高反射率的建筑物等。由目视解译知识，根据（a）和（c）可得，阴影识别效果明显，建筑物与街区道路边界分明；（b）中对铁路这类细长的不透水面的识别较为准确，但存在部分高架道路并未被提取进去的现象；（d）基本能将农田大棚识别为不透水面，但大棚建筑边界区域识别不清晰；（e）在该子区域，中方兴湖公园区域裸地剔除效果较佳，渡江纪念馆附近区域的不透水面提取细节尤为明显，边界十分清晰；（f）可以基本提取所在区域的不透水面，对于高亮建筑物存在部分的漏提现象。

综上所述，使用SVM-RRI方法所提取的建筑物棱角及其阴影细节完善，可以识别出较多不透水体细节信息，在商业区、铁路、高层建筑和公园等区域内，提取结果较好。但在部分高亮地物的提取上存在漏提及边界模糊等问题，其主要原因可能是“珠海一号”的波段范围间隔较小，存在“同谱异物”和“同物异谱”的问题，另外，大圩生态农业旅游景区的地物复杂程度高且聚集，提取准确性易受干扰。

3.2 不同方法不透水面提取结果分析

为了对比SVM-RRI方法在不透水面提取上的优势，本文引入了RRI指数、传统的线性光谱解混方法（LSMA）和支持向量机和线性光谱混合模型相结合的方法（SVM-LSMA）三种提取模型进行对比分析。将各方法不透水面提取结果与原始进行影像叠加处理，结果如图4所示。由图可知，LSMA提取到的不透水面信息基本完整，但在裸土混合分布地区出现较多的误提现象，人工大棚区域提取效果较好；RRI指数易将河流和湖泊的边界区域误判为不透水面，但在少量裸露土壤及植被的识别上效果不佳；SVM-LSMA在阴影区和建筑物混淆问题上得以有效解决，但是无法精确地提取出细小街道，存在遗漏，且在高反射率屋顶存在少量漏提现象；SVM-RRI提取的不透水面信息相对更为精细，有效地解决了高分辨影像中对建筑物阴影部分和裸露地面的误提现象；边缘提取效果明显，但在高反射率建筑物区域内仍存在部分漏提现象。

为进一步分析，上述四种提取方法，将利用四种方法提取的不透水面结果进行叠加并进行分类处理，分为RRI、LSMA、SVM-LSM、SVM-RRI、均为不透水面和均为非不透水面这6类，其结果如图5所示。

为对比分析上述方法提取结果，表1统计了各方法提取的各类像元占比。结合图5和表1，四种方法的提取结果在建筑物明显区域较为一致，重叠区域相较于研究区面积占比为27.01%，对比数据结果发现RRI指数结果所提取的不透水面的像元占比较大，其占比分别为，31.48%、36.58%、34.78%和31.90%。但在研究区南部高反射率建筑区和东部农田生态大棚等区域，各方法有较大差异：LMSA和SVM-LMSA在细小道路与大面积裸土混合区域提取效果较差，RRI在农田大棚区域内提取效果较差，而SVM-RRI相对于其他三种方法能够获得更加精细的地物信息。综上，四种方法都可以基本识别出不透水面信息，其中SVM-RRI方法结果最优。

3.3 精度评定

3.4 不透水面與人口数量相关性分析

人口的空间变动是造成不透水面变化的重要外部驱动因素，根据前人的研究结果，不透水面与人口数量有着较强的相关性[13]。本文在利用SVM-RRI方法所提取到的合肥市包河区不透水面的信息基础上，研究不透水面与人口密度空间分布的相关关系。利用等间距法将获取的不透水面和人口数据分别分为6类，如图6、7所示[14]。

对比图6和图7，包河区不透水面和人口分布集中区域为北部和中部，该区域为包河区的市中心，地物信息复杂。以包河大道高架为分界线，左右两侧均分布有不透水面，右侧多为厂房和工厂等高亮建筑物，左侧则是高层建筑密集区，两侧不透水面和人口集聚度与北部相比较低。东南部毗邻巢湖，是裸露土壤和植物最密集的地区，不透水面分布较少，多以湿地公园和生态农庄中的人工建筑，生态农庄区域有少量人口分布。进一步分析不透水面与人口空间分布的关系，对研究区的不透水面和人口空间分布数据进行相关分析。在研究区域内随机获取200个（1像元×1像元）样本点，通过SPSS软件进行相关分析可得，包河区的不透水面与人口数量存在显著相关性，相关系数为0.778。说明了不透水面与人口分布有着较强的相关性。

4 结论

本文以“珠海一号”高光谱遥感卫星为数据源，利用SVM-RRI模型重点研究合肥市包河区的不透水面提取，并与RRI、LSMA和SVM-LSM三种方法进行对比分析，验证所提出方法的精度。得出如下结论，在研究区内SVM-RRI的提取效果最优，提取总体精度为96.82%，Kappa系数为0.92；与其他模型相比SVM-RRI能够减弱裸露土壤对不透水面提取的影响，并能有效地区分裸土与建筑物、高层建筑与阴影之间的区别；研究区不透水分布与聚集程度呈现出由西北向东南递减的趋势，与人口空间分布一致，两者相关系数为0.778，具有较高的相关性。但所提出的SVM-RRI模型对于识别人工农田大棚等部分复杂地物信息存在的漏提和精细化不足等问题，后期将进一步进行研究以取得更为科学和系统的结论。

致谢

本文“珠海一号”卫星数据由珠海欧比特宇航科技股份有限公司提供，在此表示衷心的感谢。

参考文献：

〔1〕徐涵秋，王美雅.地表不透水面信息遥感的主要方法分析[J].遥感报，2016，20（05）：1270-1289.

〔2〕庞博，黄祚继，吴艳兰，等.基于改进全卷积神经网络的高分遥感影像不透水面提取制图[J].遥感信息，2020，35（04）：47-55.

〔3〕WU C.S， MURRAY A.T. Estimating impervious surface distribution by spectral mixtureanalysis[J]. Remote Sensing of Environment， 2003， 84（4）： 493-505.

〔4〕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（08）：3189-3197.

〔5〕徐涵秋.城市不透水面与相关城市生态要素关系的定量分析[J].生态学报，2009，29（05）：2456-2462.

〔6〕曹丽琴，李平湘，张良培，等.Fuzzy ARTMAP算法在城市不透水面估算中的应用研究[J].武汉大学学报（信息科学版），2012，37（10）：1236-1239.

〔7〕宋毅，杨昆，赵旭东，等.基于ETM+/TM数据的滇池流域不透水面变化与城市热岛效应关系研究[J].科学技术与工程，2014，14（03）：49-54.

〔8〕YU S S，SUN Z C，SUN L，et al. Extraction and Analysis of Mega Cities' Impervious Surface on Pixel-based and Object-oriented Support Vector Machine Classification Technology：A case of Bombay[J].Earth and Environmental Science，2017，57（01）.

〔9〕马羽赫，赵牡丹，周鹏，等.基于两种卫星传感器的不透水面提取指数比较[J].航天返回與遥感，2021，42（02）：139-151.

〔10〕邓书斌，陈秋锦，杜会建，等.ENVI遥感图像处理方法（第二版）[M].北京：高等教育出版社，2014.135-137.

〔11〕赵军利，朱红巍，杨文涛.基于支持向量机遥感影像滑坡信息提取研究[J].地理空间信息，2022， 20（12）：84-88.

〔12〕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（07）：1425-1432．

〔13〕段艳慧，郭伟，赵学胜，等.基于Landsat影像和统计数据的北京市人口密度制图[J].北京测绘，2022，36（08）：1096-1101.

〔14〕马业华，秦占飞.石家庄中心城区不透水面提取及空间格局分析[J].测绘地理信息，2022，47（S1）：99-104.

〔15〕何云海，国巧真，乔悦，等.高分六号影像不透水面提取研究[J].测绘科学，2022，47（09）：138-145.