趙晨 聶運菊 汪博軍 李永飛

摘要 基于亞像元思想，采用線性光譜混合模型對混合像元進行分解，結(jié)合傳統(tǒng)與手動方法選取端元，使用Landsat 8 OLI數(shù)據(jù)對研究區(qū)不透水面覆蓋度（Impervious Surface Coverage，ISC）進行提取，并對初步提取的不透水面采用NDVI閾值法進行優(yōu)化處理。對于模型的分解精度，RMS平均值為0.008 812，達到精度要求。提取結(jié)果經(jīng)精度驗證，提取的不透水面蓋度的均方根誤差為0.139 8，平均絕對誤差為0.080 9，具有較高的精度。最后，對南昌部分地區(qū)進行不透水面蓋度統(tǒng)計，并對其進行空間分布分析。研究結(jié)果表明：使用線性光譜混合模型并結(jié)合傳統(tǒng)與手動選取端元，能夠較好的提取南昌地區(qū)不透水面蓋度信息，可以解決僅僅基于像元的不透水面提取精度不高的問題;南昌地區(qū)不透水面主要集中在研究區(qū)的中部地區(qū)，四周不透水面蓋度較低，平均不透水面蓋度最高的地區(qū)為青云譜區(qū)，平均ISC達到59%。

關(guān)鍵詞 不透水面;線性光譜混合模型;端元;遙感

中圖分類號 P237文獻標識碼 A

文章編號 0517-6611（2019）14-0063-04

doi：10.3969/j.issn.0517-6611.2019.14.021

開放科學（資源服務）標識碼（OSID）：

Abstract Based on the subpixel idea，this paper used linear spectral mixture model to decompose the mixed pixels，which combined the traditional and manual methods to select the endmembers.The landsat 8 operational land imager data was used to extract the impervious surface coverage of the study area and the NDVI threshold method was used to optimize the impervious surface of the initial extraction.For the decomposition accuracy of this paper，the RMS average was 0.008 812，which met the accuracy requirements.The extraction result was verified by accuracy，and the root mean square error of the extracted impervious surface coverage was 0.139 8，and the average absolute error was 0.080 9，which had high precision.Finally，the impervious surface coverage statistics of some areas in Nanchang was conducted and the spatial distribution was analyzed.The results showed that the linear spectral mixiture model combined with traditional and manual selection of endmembers could better extract the coverage of the impervious surface in Nanchang area，which can solve the problem of low precision of impervious surface extraction based on only pixels;the impervious surface of Nanchang area was mainly concentrated in the central part of the study area.The area with impervious surface coverage was lower，and the area with the highest average impervious surface coverage was Qingyunpu area，with an average ISC of 59%.

Key words Impervious surface;Linear spectral mixture model;Endmember;Remote sensing

作者簡介 趙晨（1993—），女，安徽亳州人，碩士研究生，研究方向：資源環(huán)境遙感、地理信息系統(tǒng)應用。*通信作者，副教授，博士，從事資源環(huán)境遙感、地理信息系統(tǒng)應用研究。

收稿日期 2019-02-23;修回日期 2019-03-21

近年來城鎮(zhèn)化進程不斷加快，生態(tài)環(huán)境的變化也逐漸引起人們的重視，而城市化最顯著的特點是土地利用類型的變化，主要是不透水面與以植被為主的非不透水面之間的轉(zhuǎn)換。不透水面是指諸如屋頂、瀝青或水泥道路及停車場等具有不透水性的地面。當?shù)乇聿煌杆媛蔬_到10%時，流域水質(zhì)就會受到影響，當不透水面率超過30%時水質(zhì)會下降[1]，因此，不透水面積的增加對生態(tài)環(huán)境有一定的負面影響。不透水面蓋度（Impervious Surface Coverage，ISC）是指某區(qū)域內(nèi)不透水面覆蓋面積與區(qū)域面積的比例[2]，在城區(qū)尺度上，不透水面覆蓋度是表征城市化程度的重要指標，現(xiàn)已被廣泛應用于城市居民區(qū)的人口估算、土地利用規(guī)劃、地表覆蓋制圖等各方面[3]。

多次試驗發(fā)現(xiàn)，單純使用這2種方法選取的端元均不能達到很好的分解效果。有研究表明，使用手工選取的方法能達到較高精度[11]，但僅使用手工選取工作量較大，也可能產(chǎn)生一定的人為誤差，因此該研究使用結(jié)合PPI法和手動選取的方法來獲取端元。首先對MNF變換后的數(shù)據(jù)進行PPI計算，經(jīng)比較設PPI閾值為5和2，能較好的選出植被和山區(qū)、田地間土壤端元，通過對研究區(qū)影像目視判讀以及參考文獻[12]，土壤端元還應包括建筑工地裸露土壤以及裸露基巖，對于這些不透水面，主要借助高分辨率影像目視解譯手工選取，不透水面分為高反射率不透水面和低反射率不透水面，主要在水泥、瀝青地面和屋頂處選取。將以上選取的端元加載到谷歌高分辨率影像上，交互瀏覽，刪除錯分和純度不高的像元，獲得質(zhì)量較好的端元。

線性分解的結(jié)果是各個端元的豐度圖和最后一個殘差均方根（RMS Error）波段，不透水面覆蓋度即為高反射率不透水面與低反射率不透水面覆蓋度之和;RMS的值用來檢驗線性光譜分解的合理性，RMS均值一般要小于0.02[6]。該文的分解結(jié)果RMS平均值為0.008 812，表明模型分解具有較高的度。

2.4 優(yōu)化處理 在初步分解的結(jié)果中往往存在一些錯分現(xiàn)象，如陰坡植被容易與低反射率不透水面混淆，干土壤容易與高反射率不透水面混淆，這就增大了不透水面提取結(jié)果的誤差。為了優(yōu)化結(jié)果，對初步提取的不透水面結(jié)果，可使用歸一化建筑指數(shù)（NDBI）和歸一化植被指數(shù)（NDVI）進行掩膜處理。有研究分別使用這2個指數(shù)處理，提高了不透水面的提取精度[4，13]。但對于該文的研究區(qū)域，試驗發(fā)現(xiàn)，使用NDBI進行掩膜處理，在剔除山體植被的同時，也掩膜掉了部分建筑，造成不透水面提取誤差，因此，該文使用NDVI進行優(yōu)化處理。

理論上當NDVI>NDVI0時，ISC=0，NDVI0為植被與非植被的臨界值，經(jīng)密度分割以及交互瀏覽多次試驗，并在保證不透水面基本范圍的基礎上，將NDVI0設為0.557。初提不透水面蓋度以及進行優(yōu)化處理的不透水面覆蓋度結(jié)果分別如圖3和圖4所示。為了對比優(yōu)化處理的結(jié)果，在驗證精度時，分別對初步提取和經(jīng)優(yōu)化處理后的數(shù)據(jù)進行精度驗證。

3 結(jié)果與分析

3.1 不透水面提取精度驗證 該研究采用均方根誤差（RMSE）和平均絕對誤差（MAE）來驗證初步提取和經(jīng)過優(yōu)化處理后的不透水面覆蓋度提取精度，RMSE和MAE的值越小表明誤差越小，即精度越高。精度驗證使用經(jīng)幾何校正后的3.0 m谷歌高分辨率影像，校正誤差小于0.5個像元。以3×3個像元窗口為樣本單元，在研究區(qū)的原始影像上均勻選取50個樣本（對應高分辨率影像上，樣本大小即為30×30個像元），分別統(tǒng)計初提和經(jīng)優(yōu)化處理后每個樣本的不透水面覆蓋度;將樣本進行矢量化并加載到谷歌高分影像上，通過目視解譯，統(tǒng)計計算每個樣本的不透水面比例，作為真實數(shù)據(jù)。RMSE和MAE計算公式分別如式（4）和（5）所示。

式中，Yi為高分辨率影像驗證樣本的真實不透水面比例，Xi為該文提取結(jié)果的樣本區(qū)域內(nèi)不透水面比例，n為樣本數(shù)，在該研究中n為50。

經(jīng)統(tǒng)計計算，線性光譜分解初步提取結(jié)果的RMSE為0.144 3，MAE為0.092 2;經(jīng)優(yōu)化處理后的RMSE為0.139 8，MAE為0.080 9。結(jié)果表明，線性光譜分解獲得的不透水面蓋度具有較高的精度，特別是經(jīng)NDVI優(yōu)化處理后精度得到一定程度的提高。

3.2 南昌地區(qū)不透水面空間分布分析 對最終的不透水面覆蓋度提取結(jié)果進行統(tǒng)計處理，獲得南昌部分地區(qū)的不透水面覆蓋度分布情況，結(jié)果如表1所示。為了更好地對比每個區(qū)縣的不透水面覆蓋度情況，使用ENVI分區(qū)統(tǒng)計擴展工具進行分區(qū)統(tǒng)計，并計算不透水面面積，結(jié)果如表2所示。分類后不透水面空間分布情況如圖5所示。

由統(tǒng)計結(jié)果可知，含有不透水面的像元數(shù)占總像元數(shù)的22.87%，其中不透水面覆蓋度在75%以上的面積占總面積的9.39%。由不透水面覆蓋度空間分布圖（圖5）以及表2可知，不透水面分布較集中，主要分布在青山湖區(qū)、青云譜區(qū)、西湖區(qū)、東湖區(qū)以及南昌縣的西南部地區(qū)，其中，青云譜區(qū)和西湖區(qū)的平均不透水面覆蓋度最高，分別達到59%和57%。而不透水面蓋度的低值區(qū)主要在研究區(qū)的四周，其中灣里區(qū)尤為顯著，主要因為該地區(qū)以山地為主，植被茂盛，建筑物稀少，從而不透水面覆蓋度較低。另外新建區(qū)的大部分地區(qū)以丘陵農(nóng)田為主，開發(fā)的建設用地所占比例相對較低，因此其整體不透水面覆蓋度不高。

4 結(jié)語

該研究基于混合像元的存在，采用完全約束的線性光譜混合模型（LSMM）對南昌部分地區(qū)不透水面覆蓋度的提取方法進行研究，采用植被—土壤—高反射率—低反射率端元的四端元組合，能夠較好的表示研究區(qū)的地表覆被情況。結(jié)合手動選取端元方式，提取出高反射率和低反射率不透水面豐度圖，從而獲得研究區(qū)不透水面覆蓋度，由分解結(jié)果及精度驗證可知，該方法能夠有效的獲取南昌地區(qū)不透水面覆蓋度及空間分布情況。精度驗證結(jié)果表明，不透水面提取整體精度較高，具有一定的可信性。

該研究有些地區(qū)不透水面的提取還有待繼續(xù)探討：在研究區(qū)域的東北部，即鄱陽湖與陸地的交界處，由于富含水分，造成地表覆被類型復雜，可能存在較小部分的反射率較低的含水泥沙等，并且很難通過剔除水體的方式去除。因此，會對該小部分區(qū)域的低反射率不透水面的提取有一定影響，從而可能降低該區(qū)域不透水面整體的提取精度，僅使用剔除水體的四端元組合很難對這部分地區(qū)進行精確的分解。而在初步的嘗試中，將水體作為端元則對南昌城市內(nèi)部的低反射率不透水面的提取中有明顯的影響，降低了低反射率不透水面的提取精度。在后續(xù)研究中可將這些因素考慮進去，探討新的端元組合形式與不透水面提取方法，從而更好地提取特定區(qū)域的不透水面信息。

城市不透水面覆蓋度變化會對地表徑流、城市熱環(huán)境等有一定影響，并與城市化進程有一定關(guān)系。因此，對于不透水面提取的研究，能夠為城市生態(tài)健康狀況評價、土地利用變化和城市化監(jiān)測以及城市規(guī)劃建設等提供一些輔助信息，具有一定的實際應用價值。

參考文獻

[1] ARNOLD C L，Jr，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.

[2] 王浩，盧善龍，吳炳方，等.不透水面遙感提取及應用研究進展[J].地球科學進展，2013，28（3）：327-336.

[3] 姜增琛，張繼賢，梁勇，等.泰安市區(qū)不透水面覆蓋度遙感估算研究[J].測繪科學，2017，42（5）：76-81.

[4] 徐涵秋，王美雅.地表不透水面信息遙感的主要方法分析[J].遙感學報，2016，20（5）：1270-1289.

[5] RIDD M K.Exploring a V-I-S （vegetation-impervious surfacesoil） model for urban ecosystem analysis through remote sensing：Comparative anatomy for cities[J].International journal of remote sensing，1995，16（12）：2165- 2185.

[6] WU C S，MURRAY A T.Estimating impervious surface distribution by spectral mixture analysis[J].Remote sensing of environment，2003，84（4）：493-505.

[7] 岳文澤，吳次芳.基于混合光譜分解的城市不透水面分布估算[J].遙感學報，2007，11（6）：914-922.

[8] 程熙，沈占鋒，駱劍承，等.利用混合光譜分解與SVM估算不透水面覆蓋率[J].遙感學報，2011，15（6）：1228-1241.

[9] 徐涵秋.一種快速提取不透水面的新型遙感指數(shù)[J].武漢大學學報（信息科學版），2008，33（11）：1150-1153.

[10] BROMN M，LEWIS H G，GUNN S R.Linear spectral mixture models and support vector machines for remote sensing[J].IEEE Transaction Geoscience and Remote Sensing，2000，38（5）：2346-2360.

[11] 黃艷妮，查良松，陳健.基于線性光譜混合模型的混合像元分解研究：以合肥市為例[J].安徽師范大學學報（自然科學版），2012，35（3）：258-263.

[12] 鄧蕾，趙小鋒，王慧娜，等.城市混合像元分解中土壤與不透水面純像元選取方法的對比研究：以廈門為例[J].遙感技術(shù)與應用，2013，28（6）：1039-1045.

[13] 趙怡，許劍輝，鐘凱文，等.LSMA結(jié)合NDBI提取廣州市部分城區(qū)不透水面的方法[J].地理空間信息，2018，16（3）：90-93.