徐 看，劉向銅，何佳君，范君林，周忠贛

(1.東華理工大學(xué) 測繪工程學(xué)院，江西 南昌 330013；2. 東華理工大學(xué) 核資源與環(huán)境國家重點(diǎn)實(shí)驗(yàn)室，江西 南昌 330013；3. 江西核工業(yè)測繪院，江西 南昌 330013)

不透水面是指能夠阻止水直接滲透到土壤中的任何自然和人工表面，主要由城市中水泥、瀝青、金屬和玻璃等材質(zhì)構(gòu)成的交通用地(如高速公路、停車場、人行道)、廣場和建筑物屋頂?shù)冉M成(Arnold et al.，1996；Weng，2012)。伴隨著全球城市化發(fā)展，不透水面正快速取代自然地表，已成為一種十分關(guān)鍵的地表覆蓋類型(Zhang et al.，2017；劉暢等，2019)。因此，準(zhǔn)確、高效地獲取不透水面對城市生態(tài)建設(shè)及監(jiān)測城市動態(tài)變化有著重要意義。

目前不透水面信息提取的研究主要是利用光學(xué)遙感影像信息中各地物的光譜特征差異建立指數(shù)模型，再提取出研究區(qū)域的不透水面信息(唐鵬飛等，2020；張靜敏等，2016；趙晨等，2019)。但是光學(xué)遙感影像的成像特點(diǎn)使其無法克服影像成像中的大氣影響和云層遮擋，而且對一些地物的光譜特征區(qū)分并不明顯，存在著一定的光譜混淆，會出現(xiàn)“同物異譜”和“異物同譜”現(xiàn)象(周峰等，2020)。

合成孔徑雷達(dá)(SAR)以其全天時、全天候、強(qiáng)穿透的成像能力，成為光學(xué)遙感的有益補(bǔ)充，甚至是數(shù)據(jù)獲取的唯一手段(陳爾學(xué)，1999)。王馨爽等(2015)提出了基于多時相、多極化、干涉SAR測量的SVM土地覆蓋分類方法，并且取得了較好的分類結(jié)果；江利明等(2008)采用分類與回歸樹(CART)算法證明了雷達(dá)遙感在城市不透水面覆蓋度估算中的可行性和潛力；但是上述研究由于影像數(shù)據(jù)獲取的限制，影像獲取時間與樣本數(shù)據(jù)獲取時間不一致，以及CART算法對數(shù)據(jù)噪聲和訓(xùn)練樣本誤差比較敏感，影響實(shí)驗(yàn)提取精度。本研究基于不同地物具有不同的時間去相干性，采用合成孔徑雷達(dá)干涉技術(shù)提取出南昌地區(qū)的不透水面，并對提取結(jié)果進(jìn)行精度評價。

1 研究區(qū)與數(shù)據(jù)

本研究區(qū)為南昌市,其位于長江以南，江西省中部偏北，贛江、撫河下游，鄱陽湖西南岸。該地區(qū)地物類型主要包括植被、水體、耕地、裸地和不透水面等。研究區(qū)位置如圖1所示。

圖1 研究區(qū)位置Fig.1 Location of the study area

哨兵1號(Sentinel-1)衛(wèi)星是歐洲航天局哥白尼計(jì)劃(GMES)中的地球觀測衛(wèi)星，由兩顆分別于2014年4月與2016年4月發(fā)射的載有C波段合成孔徑雷達(dá)的衛(wèi)星組成，中國地區(qū)重返周期為12 d。本研究選取了覆蓋研究區(qū)的時間間隔為34 d的兩景Sentunel-1升軌數(shù)據(jù)，數(shù)據(jù)來源為歐空局官網(wǎng)(https: //scihub.Esa.int/)。數(shù)據(jù)詳細(xì)信息見表1。

表1 影像信息Table 1 Image information

2 數(shù)據(jù)處理

2.1 SAR數(shù)據(jù)處理

D-INSAR技術(shù)基本思想是基于兩幅或多幅雷達(dá)復(fù)數(shù)影像的相位信息，通過差分干涉提取地面目標(biāo)三維空間信息和地表微小形變(Hu et al.，2017;朱煜峰等，2017)，其數(shù)據(jù)處理主要包括主影像、輔影像精確配準(zhǔn)、干涉成像、外部DEM數(shù)據(jù)模擬相位、差分干涉、濾波、相位解纏、地理編碼等。目前D-InSAR技術(shù)主要分為3種：二軌法、三軌法和四軌法。由于SRTM能夠免費(fèi)提供分辨率為30 m和90 m的高精度DEM數(shù)據(jù)，二軌法應(yīng)用范圍較廣。因此本研究采用SRTM 30 m DEM數(shù)據(jù)，利用二軌法提取出覆蓋南昌地區(qū)的相干系數(shù)圖，處理數(shù)據(jù)流程如圖2所示。

圖2 Sentinel-1數(shù)據(jù)處理流程Fig.2 Sentinel-1 data processing flow

通過對Sentinel-1影像進(jìn)行數(shù)據(jù)處理，得出時間基線為34 d，空間基線為130 m且覆蓋整個南昌市的相干系數(shù)圖(圖3)。

圖3 相干系數(shù)圖Fig.3 The diagram of coherence coefficient diagram

2.2 光學(xué)遙感數(shù)據(jù)處理

本次采用覆蓋南昌地區(qū)且成像時間分別為2018年4月17日、2018年5月1日的Landsat8-OLI影像數(shù)據(jù)，數(shù)據(jù)來源為地理空間數(shù)據(jù)云(http://www.gscloud.cn/)?；跊Q策樹思想，通過建成區(qū)指數(shù)(BUAI)，改進(jìn)的歸一化水體指數(shù)(MNDWI)，制作研究區(qū)植被、水體掩膜，并根據(jù)研究區(qū)土壤反射光譜特點(diǎn)制作研究區(qū)土壤掩膜(萬建鵬等，2015；徐涵秋等，2005)。通過結(jié)合掩膜文件，依次剔除掩膜地物的提取模型，反向提取出南昌地區(qū)的不透水面(圖4，5)。

圖4 光學(xué)影像處理流程圖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影像對中的相干系數(shù)是進(jìn)行不透水面分類的重要參數(shù)。相干系數(shù)是指單視復(fù)數(shù)(SLC)影像對間相關(guān)程度的高低，直接反映了主輔影像獲取時間基線中地物的變化信息(國賢玉等，2020)。不同的地物類型相干系數(shù)是不同的,因此可以利用相干系數(shù)進(jìn)行地物分類。兩幅影像之間的相干系數(shù)γ定義為:

(1)

式中,u1、u2為零均值的復(fù)高斯隨機(jī)變量，*代表共軛轉(zhuǎn)置，E為矩陣交換計(jì)算，其數(shù)值范圍是[0,1]。當(dāng)主輔影像在時間間隔內(nèi)接收到的地物信號一致時，其值為1；當(dāng)主輔影像在時間間隔內(nèi)接收到的地物信號完全不同時，其值為0。基于相干系數(shù)這一特性，城市不透水面主要為人工建筑，在時間間隔內(nèi)變化較小，主輔影像接受的信號接近一致，相干系數(shù)值較高；而透水面主要是由植被和水體構(gòu)成，受風(fēng)和季節(jié)影響在時間間隔內(nèi)變化較大，相干系數(shù)值較小。因此，可以利用雷達(dá)干涉數(shù)據(jù)中不同地物的相干性系數(shù)差異進(jìn)行不透水面提取。

3.2 確定閾值區(qū)間

本次采用隨機(jī)森林法將南昌地區(qū)地物分為兩類：透水面(植被、水體、耕地、裸地等)和不透水面(水泥建筑、道路等)。首先假設(shè)基于Landsat8影像提取出的不透水面為實(shí)驗(yàn)樣本，初步確定不透水面相干系數(shù)的閾值分布范圍；然后通過地理編碼將兩景影像轉(zhuǎn)換到同一坐標(biāo)系，聯(lián)合影像信息，以兩幅影像的地理坐標(biāo)為基準(zhǔn)，在像素級別上建立對應(yīng)的地物映射。通過Landsat影像信息中某一地物的經(jīng)緯度，在相干系數(shù)圖中查詢到對應(yīng)這一地物的相干系數(shù)值。通過隨機(jī)森林進(jìn)行機(jī)器學(xué)習(xí)，估算得出該地區(qū)地物的相干系數(shù)值分布(圖6)。此步驟僅是為了查看地物的相干系數(shù)值分布，初步估計(jì)透水面與不透水面的區(qū)分閾值區(qū)間，節(jié)省實(shí)驗(yàn)時間。從圖6可以看出，透水面與不透水面相干系數(shù)值分布存在重疊區(qū)域，重疊區(qū)域占比較小且相干系數(shù)值都較高。通過與實(shí)際地物結(jié)合分析，透水面相干系數(shù)值高的地物多為耕地類型，這是由于光學(xué)影像提取不透水面存在將耕地錯分為不透水面現(xiàn)象，這也間接證明了光學(xué)影像提取不透水面存在著缺陷。

圖5 南昌市Landsat影像不透水面提取結(jié)果Fig.5 Landsat image impervious surface extraction results in Nanchang city

圖6 相干系數(shù)值分布Fig.6 Distribution of coherence coefficient values

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)結(jié)果

為確定不透水面與透水面的區(qū)分閾值區(qū)間，選擇同一時期的南昌地區(qū)Google Earth(www.google.com)高清影像作為參考影像。將南昌地區(qū)的谷歌高清影像中的地物作為真實(shí)地物，隨機(jī)選取覆蓋南昌全部地區(qū)的各地物200個樣本，將其劃分為水體、耕地、裸地、不透水面等。由于透水面與不透水面相干系數(shù)值分布的曲線相交點(diǎn)在[0.2,0.3]之間最為接近(圖6)，結(jié)合樣本分析相干系數(shù)值在[0.2,0.3]之間的地物，不透水面與透水面大致以該區(qū)間為分割線兩極分化，因此不透水面與透水面的區(qū)分閾值也應(yīng)在[0.2,0.3]之間。為確定不透水面與透水面的區(qū)分閾值，將隨機(jī)選取的各地物樣本作為訓(xùn)練樣本通過隨機(jī)森林進(jìn)行迭代實(shí)驗(yàn)，其實(shí)驗(yàn)思路是基于決策樹思想以閾值大小作為樣本特征，對影像信息進(jìn)行特征分類，以分類結(jié)果精度確定閾值(表2)。

表2 地物分類精度Table 2 Accuracy of feature classification

當(dāng)用相干系數(shù)值0.245作為區(qū)分閾值提取不透水面時，其提取精度為92.64%。結(jié)合谷歌影像分析分類結(jié)果，在閾值小于0.245時，基于InSAR技術(shù)在區(qū)分水體與不透水面誤差較大；在閾值高于0.245時，不透水面的提取精度皆小于以閾值為0.245的提取結(jié)果精度。因此，選定相干系數(shù)0.245為提取南昌地區(qū)不透水面信息的閾值，提取結(jié)果如圖7所示。

圖7 南昌市不透水面提取結(jié)果Fig.7 Results of impervious surface extraction in Nanchang city

4.2 實(shí)驗(yàn)分析

選擇同一時期的谷歌地球影像作為真實(shí)影像，將之前隨機(jī)選取的200個地物樣本作為真實(shí)樣本對提取結(jié)果進(jìn)行精度判定。分析提取結(jié)果得出，基于Landasat影像提取南昌地區(qū)不透水面的總體精度為89.43%，基于InSAR技術(shù)提取南昌地區(qū)不透水面信息的總體精度達(dá)到了92.48%。利用在Earth影像信息選取的各地物樣本作為訓(xùn)練樣本，進(jìn)行迭代實(shí)驗(yàn)，獲得了各地物分類提取結(jié)果的錯分誤差(表3)。綜合考慮各地物的錯分誤差精度，選取閾值為0.245時，耕地、裸地及不透水面的錯分誤差較小且趨于穩(wěn)定，各地物的錯分誤差較為合理。

表3 地物錯分誤差Table 3 Misclassification error

對比InSAR技術(shù)與光學(xué)遙感手段提取不透水面的結(jié)果發(fā)現(xiàn)，前者提取不透水面信息的總體精度優(yōu)于后者。在水體區(qū)分上InSAR技術(shù)提取精度略低于光學(xué)遙感數(shù)據(jù)提取精度，錯分誤差較大；但I(xiàn)nSAR技術(shù)提取不透水面不易混淆耕地、裸地及建筑用地，而光學(xué)遙感影像信息提取不透水面則會在一定程度上混淆耕地、裸地及建筑用地，發(fā)生錯分現(xiàn)象，前者錯分誤差低于后者。

為更直觀地分析及對比InSAR技術(shù)和光學(xué)遙感手段提取不透水面的提取效果，選取4處典型區(qū)域進(jìn)行對比(圖8)。圖8a影像研究區(qū)域?yàn)楦?透水面)和建筑物(不透水面)混合區(qū)域，其中耕地區(qū)域占比較大。兩種方法雖都能提取該區(qū)域不透水面，但光學(xué)遙感手段將大片耕地區(qū)域錯分為不透水面，錯分誤差較大。這是由于耕地表面光譜信息隨著地面覆蓋物和季節(jié)變化而改變，春季時該地物的光譜信息接近于建筑物光譜信息，常規(guī)的光學(xué)遙感手段提取該地物容易發(fā)生錯分現(xiàn)象，而InSAR技術(shù)并沒有出現(xiàn)大面積的錯分現(xiàn)象。圖8b、c影像區(qū)域?yàn)樗w(透水面)、耕地(透水面)和建筑物(不透水面)混合區(qū)域，光學(xué)遙感手段將水體和耕地都錯分為不透水面，這是由于受云層影響導(dǎo)致的錯分誤差。圖8d區(qū)域?yàn)榻ㄖ玫?不透水面)和建筑物(不透水面)混合區(qū)域，建筑用地的光譜信息與裸地的光譜信息十分接近，光學(xué)遙感手段將其錯分為透水面。通過提取效果對比可知，InSAR技術(shù)能更完整地提取出該區(qū)域不透水面信息。

圖8 提取效果對比圖Fig.8 Comparison of extraction results

基于InSAR技術(shù)提取得到南昌地區(qū)不透水面信息，通過計(jì)算南昌市內(nèi)各縣區(qū)的不透水面面積及比重，得到研究區(qū)內(nèi)各區(qū)域的不透水面信息統(tǒng)計(jì)表(表4)。

表4 南昌市內(nèi)各縣區(qū)的不透水面信息統(tǒng)計(jì)Table 4 Statistics of impervious surface information of counties and districts in Nanchang city

從表4可以看出，南昌地區(qū)不透水面總面積為1 567.44 km2，占比21.19%，主要分布在進(jìn)賢縣、新建區(qū)、南昌縣，其余縣區(qū)少量分布。從不透水面在各縣區(qū)的分布情況看，不透水面在青山湖區(qū)、青云譜區(qū)、東湖區(qū)為第一大土地覆蓋類型，密集程度幾乎覆蓋了整個縣。這些區(qū)域是南昌地區(qū)城市化發(fā)展較快的區(qū)域，這說明不透水面可以作為衡量城市化程度的指標(biāo)之一。基于InSAR技術(shù)提取研究區(qū)不透水面信息具有較高的精度，并且能夠較好地區(qū)分裸地、耕地和建筑用地，適用于城市地區(qū)的不透水面信息提取。

5 結(jié)論

在基于InSAR技術(shù)提取研究區(qū)不透水面信息具有較高精度的基礎(chǔ)上，克服了遙感影像數(shù)據(jù)受云層影響的缺點(diǎn)，擺脫了數(shù)據(jù)的限制。各地物錯分誤差較少且提取精度更高，可以更及時、高效地提取城市地區(qū)各個時間段的不透水面。