城市不透水面及地表温度的遥感估算_国土资源遥感
遥感技术在城市热岛效应监测中的应用
遥感技术在城市热岛效应监测中的应用随着城市化进程的加速，城市规模不断扩大，城市热岛效应日益显著。
城市热岛效应是指城市中心区域的温度明显高于周边郊区的现象，这对城市居民的生活质量、能源消耗和生态环境都产生了负面影响。
为了有效地监测和研究城市热岛效应，遥感技术发挥了重要作用。
遥感技术是一种非接触式的、远距离获取地球表面信息的手段。
它通过传感器接收来自地面物体反射或发射的电磁波信号，经过处理和分析，获取有关地物的特征和信息。
在城市热岛效应监测中，遥感技术具有许多优势。
首先，遥感技术能够实现大面积同步观测。
相比传统的地面观测方法，遥感可以在短时间内获取整个城市甚至更大范围的地表温度信息，为研究城市热岛的空间分布和变化趋势提供了全面的数据支持。
其次，遥感技术具有较高的时空分辨率。
不同类型的遥感卫星和传感器可以提供从每日到数年、从几十米到几千米不等的时空分辨率数据，满足不同尺度和时间频率的监测需求。
再者，遥感技术能够获取多种信息。
除了地表温度，还可以同时获取土地利用类型、植被覆盖度、建筑物分布等与城市热岛效应相关的信息，有助于深入分析热岛形成的原因和机制。
在城市热岛效应监测中，常用的遥感数据包括热红外遥感数据和可见光近红外遥感数据。
热红外遥感数据直接反映地表物体的热辐射特性，是获取地表温度的重要数据源。
通过对热红外波段的观测和分析，可以计算出地表温度。
常用的热红外遥感传感器有 Landsat 系列卫星上的热红外传感器（TIRS）、MODIS 等。
可见光近红外遥感数据则主要用于提取与城市热岛效应相关的地表参数，如植被覆盖度、不透水面比例等。
植被覆盖度高的地区通常温度较低，而不透水面比例高的区域往往容易形成高温区。
利用植被指数（如 NDVI）可以估算植被覆盖度，通过计算归一化建筑指数（NDBI）等可以确定不透水面的分布。
在利用遥感技术监测城市热岛效应时，数据处理和分析方法至关重要。
首先是辐射定标和大气校正。
由于传感器接收到的电磁波信号在传输过程中会受到大气的影响，因此需要进行辐射定标将传感器记录的数字值转换为辐射亮度值，并通过大气校正去除大气的干扰，以获取准确的地表反射率和发射率。
全球地表覆盖数据辅助多源影像融合提取城市不透水面
全球地表覆盖数据辅助多源影像融合提取城市不透水面霍嘉婷;赵展;朱秀丽
【期刊名称】《测绘通报》
【年(卷),期】2024()2
【摘要】本文提出了一种利用GlobeLand30数据辅助多源数据融合进行城市不透水面自动提取的方法。
首先基于波段映射和小波变换的影像融合方法,融合哨兵二号和高分二号影像,获得同时具有较高空间分辨率和光谱分辨率的融合影像,其具有丰富的光谱特征和空间特征,有利于提升复杂城市区域的不透水面和非不透水面区分能力。
然后利用GlobeLand30数据的类别信息自动获取初始分类样本,基于融合影像的丰富光谱信息构建多种植被指数、水体指数和建成区指数,对初始分类样本进行优化。
最后利用优化后的训练样本,使用光谱、地物指数等特征训练分类器,实现城市不透水面的自动准确提取。
本文以济南市2019年的高分二号和哨兵二号影像为试验数据,在时相、分辨率与影像均不同的GlobeLand30全球地表覆盖数据辅助下获得了总体精度优于92%的不透水面提取结果,验证了本文方法的有效性。
【总页数】7页(P19-25)
【作者】霍嘉婷;赵展;朱秀丽
【作者单位】山东建筑大学测绘地理信息学院;国家基础地理信息中心;自然资源部时空信息与智能服务重点实验室
【正文语种】中文
【中图分类】P237
【相关文献】
1.基于Grabcut融合多源数据提取不透水面
2.多时相影像福州市不透水面对城市地表温度的空间分布研究
3.融合光学与雷达遥感数据的城市不透水面提取方法
4.多源高分辨率遥感影像不透水面提取
5.多源遥感数据支持下的城市不透水面提取——以天津市为例
因版权原因，仅展示原文概要，查看原文内容请购买。
城市不透水面及其与城市热岛的关系研究_以泉州市区为例_林云杉_遥感技术与应用
泉州市地处福建省东南沿海, 是全国著名侨乡、 福建省三大中心城市之一。改革开放以来, 泉州市的 经济迅速发展, 城市化进程的步伐不断加快, 引起了
第 1 期 林云杉等: 城市不透水面及其与城市热岛的关系研究——以泉州市区为例 15
ble-im pervious-soil m odel, 简称 V-I-S 模型) , 将城市 影像中的每个像元看成这 3 种代表性类型的线性组 合。 Carlson[ 6] 等 利 用 植 被 覆 盖 度 ( Fract ional Veget ation cover, F r) 与不透水面之间的关系, 研究 了适合于 城市建成 区不透 水面信 息提取 的方法。 Bauer[ 7] 等将 L andsat T M 分类影像和高分辨率的航 空照片结合, 提取出不透水面, 然后再利用缨帽变换 中的绿度分量与不透水面的回归关系来评价不透水 面提 取 的 精 度。Wu[ 8] 等 利 用 光 谱 混 合 分 析 法 ( SMA ) 对 L andsat7 ET M + 影像进行分解, 提取出 不透水面, 并利用 DOQQ 影像对提取精度进行了验 证。在国内, 对不透水面的遥感研究开展的比较少。 姜红梅[ 9] 等将土地利用 1 km 栅格信息和数字高程 模型数据进行空间配准, 由此通过目视解译直接提 取新安江模型参数的不透水面积比。总的看来, 不透 水面的遥感研究多集中在国外, 而国内类似的研究 正在起步。本文将以福建省泉州市建成区为例, 利用 植被覆盖度与不透水面在城市建成区内的关系来快
土地利用的快速变化。随着土地利用类型的变化, 城 市下垫面性质也发生了很大的改变。大量城市建筑 物的兴建导致了城市不透水面面积的快速增加, 从 而对城市的热环境产生了很大的影响。因此, 研究泉 州市建成区不透水面分布及其与城市热岛之间的关 系, 对进一步加强泉州市城市建设和提高人居环境 的质量具有重要的意义。
基于遥感的合肥市不透水层覆盖度研究
基于遥感的合肥市不透水层覆盖度研究高学武;李茂林;曹艳;陈立君;黄仁庆;方刚【摘要】随着合肥市城市化进程的不断加快,合肥市城市不透水面也在不断扩张.为了更好地了解合肥市城市不透水盖度的空间分布状况,应用Landsat 8卫星中的OLI和TIRS影像,利用归一化差值不透水面指数(NDISI)来提取合肥市城市不透水层盖度,并对其进行分析.通过计算得出:2017年,合肥市市区不透水层占研究区面积的6.22％,透水层占研究区面积的93.78％.城市不透水层变化是反映城市化进程的一个重要标志.利用遥感技术对合肥市城市不透水面盖度进行估算,研究成果对合肥市的城市规划、环境质量评价、经济发展及城市化进程等都有重要意义.【期刊名称】《商丘师范学院学报》【年(卷),期】2018(034)009【总页数】4页(P52-55)【关键词】遥感;不透水层;NDISI;Landsat8;合肥市【作者】高学武;李茂林;曹艳;陈立君;黄仁庆;方刚【作者单位】宿州学院环境与测绘工程学院,安徽宿州234000;宿州学院环境与测绘工程学院,安徽宿州234000;宿州学院环境与测绘工程学院,安徽宿州234000;宿州学院环境与测绘工程学院,安徽宿州234000;宿州学院环境与测绘工程学院,安徽宿州234000;宿州学院环境与测绘工程学院,安徽宿州234000【正文语种】中文【中图分类】X1430 引言随着城市经济的快速发展，城市化进程的不断加快，城市最突出的变化是城市不透水层面积不断增加.不透水层被定义为屋顶、沥青、水泥道路、停车场等具有不透水性的地物表面[1]，随着城市不透水面的不断增加，城市热岛效应及水质面源污染也会不断加剧，城市不透水面是表征城市环境的一个重要因子，也是衡量城市化水平的一个重要指标[2].城市地表同种地物光谱变异强烈，给终端单元选取带来较大的不确定性，直接影响线性光谱混合模型对各端元分量的拟合精度[3].目前，利用遥感技术估算城市不透水层的方法大致分为五类：(1)用其他地类(如植被)和不透水面关系获取不透水面信息.(2)使用最小噪音(MNF)变换和线性光谱分解模型(LSMA)估算不透水面面积.(3)通过将影像分类结果和其他数据生成的不透水面系数进行解算获取不透水面面积.(4)通过影像分类，手工或半自动获取不透水面信息.(5)利用主成分分析(PCA)融合算法获取不透水面信息[4].前两种方法是基于VIS模型.在此之前，周纪、张道卫[5]、金晶[6]等也进行了类似研究.合肥市作为安徽省省会，对其进行城市不透水面信息研究是十分重要的.作者在参考前人研究成果的基础上，利用Landsat 8卫星数据和徐涵秋提出的归一化差值不透水指数(NDISI)模型[7]，提取合肥市城市不透水面信息，并对合肥市城市不透水层覆盖度进行分析.1 研究区概况及数据来源1.1 研究区概况合肥市地处长江和淮河之间，位于116°41′-117°58′E，30°57′-32°32′N间，面积为11900 km2，其中巢湖水域面积为809.4 km2，市区总面积为838.52 km2，本文研究区为合肥市市区及其县区，由于2017年合肥市进行了行政区划调整，研究区也做了相应调整，如图1所示.图1 合肥市行政区划图Fig.1 Map of the administrative divisions of Hefei图2 研究区影像图Fig.2 Image of study area1.2 数据来源2013年美国成功发射Landsat-8卫星.由于Landsat-8卫星OLI影像能提供更大的灰度值区间，使不同土地覆盖类型的区分更加明显，能明显提升水体、不透水层、耕地和裸土分类精度[8].TIRS主要用于收集地球两个热区地带的热量流失，目标是了解所观测地带的水分消耗.论文采用的遥感数据是2017年4月23日Landsat8卫星影像，天气晴好，轨道号为121-38，云量为0%.由于Landsat 8数据已进行几何校正，因此只需对其进行辐射定标和大气校正，利用合肥市矢量边界图裁剪出合肥市影像图，其影像大小为4021×6097像元，研究区影像图如图2所示.2 研究方法徐涵秋在研究不透水层时发现，不透水面在热红外波段具有较高的辐射率，而在近红外波段具有较低的反射率，可利用热红外波段与复合波段比值运算来增强不透水面信息，在此基础上提出归一化差值不透水面指数(Normalized Difference Impervious Surface Index，NDISI)，并将其在福州、厦门地区实验成功.归一化差值不透水面指数的计算原理：在多光谱波段内分别找出对不透水层辐射最强波段和最弱波段，将辐射弱者作为分母，强者作为分子.为了去除水体对不透水层信息的影响，将改进型归一化水体指数(MNDWI)加入NDISI指数中的弱反射波段[7]，即：(1)公式(1)中RG为绿色波段反射值，是Landsat8卫星OLI影像第3波段.(2)公式(2)中RNIR、RMIR和RTIR分别为Landsat8卫星近红外波段、中红外波段和热红外波段反射值.在Landsat 8卫星OLI影像中：NIR是第5波段，MIR是第6波段；在Landsat 8卫星TIRS影像中：TIR是第10波段[9].在公式(2)中，由于水体在可见光波段中的反射率要低于不透水层，所以将改进型归一化水体指数(MNDWI)加入NDISI指数中的弱反射波段.为了避免出现分子太小和分母太大而造成指数偏低的状况，特将弱反射组值(MNDWI+RNIR+RMIR)除以3，使不透水层信息值为正值，植被、沙土和水体信息值均为负值，扩大不透水层和植被、沙土、水体的反差，抑制这些背景地物信息，从而增强不透水面信息.NDISI指数的缺点在于其所使用的热红外波段分辨率较低，虽与多光谱波段的混合计算起到了一定融合细化作用，仍加剧了中分辨率影像的混合像元现象.克服这一问题的思路是先对热红外波段影像进行细化，然后再计算该指数，可明显提高NDISI影像的清晰度[10].NDISI具有归一化指数特征，NDISI值介于-1和1之间，如果取“0”值作为阈值，则大于“0”的值是被增强的不透水层信息，受抑制的其他地物值要小于或等于“0”.对NDISI反演的结果进行归一化处理，使其值介于0-1之间，其结果可作为城市不透水面盖度.3 合肥市归一化差值不透水面指数的计算与分析在参考和借鉴前人研究成果的基础上，以Landsat8卫星影像为数据源，利用归一化差值不透水面指数(NDISI)、公式(1)和公式(2)来计算合肥市城市不透水面信息，计算结果如图3所示.由图3可知，合肥市NDISI指数大于0的范围(即城市不透水信息)主要分布在城市建成区、平原区和河流两侧.在前面图像处理的基础上，将NDISI指数值进行归一化处理，使其值统一到0-1间，归一化结果可作为合肥市城市像元的不透水面盖度，2017年合肥市城市不透水面盖度如图4所示.利用ENVI软件的统计功能，经统计得到合肥市2017年平均不透水盖度为6.22%.图3 2017年NDISI指数图Fig.3 2017 NDISI index chart图4 2017年合肥市不透水盖度图Fig.4Impervious coverage of Hefei city in 2017图5 基于NDISI的不透水面二值化结果图Fig.5Two value map of impervious surface Based on NDISI图6 研究区不透水盖度分布图Fig.6Coverage of impervious surface chart in study area为了更直观地了解不透水面盖度在合肥市区的分布，在ENVI5.3软件中，以“0”值作为阈值进行二值化处理，结合合肥市实际情况，将合肥市不透水面盖度分为不透水层、水体、植被、裸土等四类，分类结果如图5和图6所示.由图5可知，研究区不透水层主要分布在城市建成区，透水层主要分布在市郊及县城，而且分布相对集中.在ENVI5.3软件中，利用“Class Statistics”功能统计出合肥市2017年不透水层面积，统计结果见表1.表1 2017年合肥市不透水盖度Tab.1Impervious coverage of Hefei city in2017分类面积/(km2)比例/%不透水层739.356.22植被3185.5426.78裸土6612.6355.60水体1356.3611.40由表1可知，2017年合肥市城市不透水层面积为739.35 km2，透水层面积为11154.1 km2，为了更详细地了解不透水层盖度在空间上的分布特征，通过ENVI 掩膜功能计算出研究区各个区县范围内的不透水层盖度，计算结果见表2.表2 2017年合肥市各区县不透水层盖度Tab.2Impervious coverage of districts and counties in Hefei in2017行政区面积/(km2)比例/%合肥市143.3927.8肥东县149.356.6肥西县146.886.3居巢区83.784.1庐江县67.382.9长丰县148.616.3合肥市市区的不透水层盖度明显高于郊区，城市中心的不透水层盖度最高，且由市中心老城区向外，各县不透水层面积均有所增加.主要是由于合肥市近几年城市化快速发展，城市不断向外扩张所致，城市内的居民区、地铁线路、工厂等建设，使不透水层明显增多.由表2可知，在研究区范围内，合肥市的不透水层盖度最高，比例达27.8%，庐江县的不透水层盖度最低，比例只有2.9%，肥东县、肥西县和长丰县不透水层盖度比例基本持平.4 结论(1)论文以Landsat8卫星影像为数据源，利用ENVI5.3软件和归一化差值不透水面指数(NDISI)提取了合肥市2017年城市不透水层信息.研究表明，合肥市市区的不透水层盖度明显高于郊区及周边县区，市中心的不透水层盖度最高.(2)合肥市城市不透水层主要分布在建成区，其不透水层面积占研究区面积的6.22%，这与合肥市城市大规模扩张密切相关.近年来，合肥市整体发展趋势向南，工业向北发展，城市道路及公共设施面积大幅增加，使得建设用地面积不断扩大，从而引起城市不透水层盖度也不断增加.(3)研究区透水层主要分布在市郊及周边农村地区.(4)研究成果可为合肥市城市建设和城市规划提供一定的参考和借鉴.参考文献：【相关文献】[1]周纪，陈云浩，张锦水，等.北京城市不透水层覆盖度遥感估算[J].国土资源遥感，2007，19(3)：13-17.[2]单丹丹，夏骏士，杜培军，等.基于HJ-1数据和V-I-S模型的城市不透水层变化分析[J].国土资源遥感，2011(4)：92-99.[3]高利鹏，赵华亮，刘明翔，等.基于遥感影像不透水层估算的震后城区损坏面积评估[J].遥感技术与应用，2013，28(4)：582-587.[4]顾海燕，李海涛，杨景辉.基于最小噪声分离变换的遥感影像融合方法[J].国土资源遥感，2007(2)：53-55.[5]张道卫，郭华东，孙仲旭.超大城市地表特征参数估算及其对城市热环境的影像研究[J]，遥感技术与应用，2012，27(1)：51-57.[6]金晶，王斌，张立明.基于线性光谱混合分析的城市不透水层分布估算[J].复旦学报(自然科学版)，2010(2)：197-208.[7]徐涵秋.一种快速提取不透水面的新型遥感指数[J].武汉大学学报(信息科学版)，2008，33(11)：1150-1153.[8]陈齐，李新通.Landsat 8 OLI影像新增特征对土地覆盖遥感分类的影响分析[J].亚热带资源与环境学报，2015，10(3)：79-86.[9]崔秋洋，潘云，杨雪.基于Landsat8遥感影像的北京市平原区不透水层盖度估算[J].首都师范大学学报(自然科学版)，2015，36(2)：89-92.[10]徐涵秋，王美雅.地表不透水面信息遥感的主要方法分析[J].遥感学报，2016，20(5)：1270-1289.。
地表温度遥感反演模型改进及其在城市规划中的应用思考
地表温度遥感反演模型改进及其在城市规划中的应用思考地表温度是指地表各点的温度值，它是地球能量平衡过程中重要的参数之一。
传统的地表温度观测方法包括气象站点观测和陆地表面观测，然而这些方法在时间和空间上存在一定的局限性。
近年来，利用遥感技术对地表温度进行反演成为一种重要的手段。
本文将通过改进地表温度遥感反演模型，并探讨其在城市规划中的应用思考。
首先，地表温度遥感反演模型的改进对于提高反演精度具有重要意义。
目前，一般采用黑体辐射模型和亮温-温度关系模型进行地表温度的反演。
然而，这些模型在复杂地表条件下存在一定的局限性，如城市地表由于城市热岛效应等因素造成的温度变化较大。
因此，我们可以通过引入辅助因子来改进地表温度遥感反演模型。
例如，可以利用土地利用/覆盖类型（Land Use/Cover Types，LULC）数据、高程数据和气象数据等，结合多源数据构建地表温度反演模型。
这样可以综合考虑不同因素对地表温度的影响，提高反演模型的准确性和稳定性。
其次，地表温度遥感反演模型在城市规划中有着广泛的应用前景。
城市规划是指通过合理的布局和设计，以实现城市的可持续发展和人民生活质量的提升。
地表温度作为城市热环境的重要参数，对城市规划具有重要的指导意义。
首先，地表温度反演模型可以为城市规划提供科学依据。
通过对地表温度的反演和分析，可以揭示城市热岛效应的空间分布特征，为城市规划提供热环境指导。
其次，地表温度反演模型可以辅助城市热环境评价。
通过对地表温度的反演和分析，可以评估城市热环境的状况，为城市规划和城市管理部门提供决策支持。
再次，地表温度反演模型可以为城市热环境治理提供科学依据。
通过对地表温度的反演和分析，可以研究城市热岛效应的形成机制，制定相应的治理措施，以改善城市热环境。
然而，地表温度遥感反演模型在应用过程中还面临一些挑战和问题。
首先，地表温度遥感反演模型对数据质量要求较高。
由于遥感数据本身具有一定的噪声和误差，因此对遥感数据进行预处理和校正是必不可少的。
城市热岛效应的遥感监测研究
城市热岛效应的遥感监测研究在现代城市的快速发展中，城市热岛效应已成为一个备受关注的环境问题。
城市热岛效应是指城市地区的温度高于周边郊区和农村地区的现象，这对城市居民的生活质量、能源消耗以及生态环境都产生了显著的影响。
为了更好地了解和应对这一问题，遥感技术凭借其大范围、多时相、高分辨率等优势，成为了监测城市热岛效应的重要手段。
遥感技术能够获取城市地表的温度信息，通过热红外波段的观测，我们可以直观地了解城市不同区域的热量分布情况。
这些数据不仅包括地表温度，还能反映出土地利用类型、植被覆盖度等与城市热岛效应密切相关的因素。
例如，城市中的混凝土建筑和沥青道路等不透水面在白天吸收大量太阳辐射，导致温度升高，而植被和水体则具有较好的降温作用。
在遥感监测中，传感器的选择至关重要。
常用的热红外传感器有MODIS（中分辨率成像光谱仪）、Landsat 系列卫星上的热红外传感器等。
MODIS 具有较高的时间分辨率，可以每天获取全球的数据，适合进行大范围的宏观监测。
而 Landsat 系列卫星的空间分辨率相对较高，能够更详细地反映城市内部的温度差异。
数据获取后，需要进行一系列的预处理工作。
这包括辐射定标、几何校正、大气校正等步骤，以确保数据的准确性和可靠性。
辐射定标将传感器获取的原始数字信号转换为具有实际物理意义的辐射亮度值；几何校正则消除由于卫星姿态、地球曲率等因素造成的图像几何变形；大气校正用于消除大气对辐射传输的影响，从而更准确地获取地表温度。
有了准确的地表温度数据，接下来就是分析城市热岛的时空分布特征。
从时间上看，城市热岛效应在一天中不同时段、一年中不同季节都有所变化。
通常在白天，由于城市活动密集、人为热量排放增加，热岛强度较大；而在夜间，城市的蓄热能力使得热岛效应依然存在。
在季节方面，夏季往往是城市热岛效应最为显著的时期。
从空间上看，城市中心区域的温度通常高于郊区，交通繁忙的主干道、工业区以及高密度的商业区往往是高温区域。
基于Landsat 8遥感图像信息容量与城市不透水面指数的关系研究
基于Landsat 8遥感图像信息容量与城市不透水面指数的关系研究毛文婷;王旭红;祝明英;蔡静;程德强【摘要】不透水面指数可以有效提取不透水面信息,反映城市硬化地表的覆盖度,但不能直接表征地表覆盖度的复杂度,而遥感图像信息容量是一种可以表征地表景观复杂度的指标.该文结合二者各自特点,计算出遥感图像信息容量和不透水面指数,对二者进行耦合分析,发现不同波段的信息容量与城市不透水面指数均方差的相关系数均高于0.8,二者关系密切,说明信息容量可以表征城市不透水面的变化,进一步研究还发现,信息容量值的大小与城市化进程较为一致.【期刊名称】《华中师范大学学报（自然科学版）》【年(卷),期】2015(049)004【总页数】7页(P608-614)【关键词】遥感图像;信息容量;不透水面指数【作者】毛文婷;王旭红;祝明英;蔡静;程德强【作者单位】西北大学城市与环境学院,西安710127;西北大学城市与环境学院,西安710127;西北大学城市与环境学院,西安710127;西北大学城市与环境学院,西安710127;西北大学城市与环境学院,西安710127【正文语种】中文【中图分类】TP79随着城市化进程的不断加快，城市地表景观也发生了巨大变化，主要表现在城市地表覆盖结构的变化.城市地表覆盖主要包括硬化不透水的建设用地(道路，房屋等)[1-2]和可透水的自然地表覆盖(水体、绿地等)，前者也就是我们通常说的不透水面(impervious surface area， ISA).在城市化过程中，不透水面在城市地表覆盖类型的比重不断增加，自然地表覆盖类型所占的比重不断减少.由于不透水面改变了城市地表覆盖的自然景观，使城市热辐射能力增强，改变了城市的生态环境，导致城市热岛效应、城市地表径流和水文环境的改变、生物多样性遭到破坏等一系列生态环境问题.因此，不透水面比重是评价城市化进程和衡量城市环境质量的重要指标之一[3-4].近年来，随着遥感技术的进步，大量不同时相、不同分辨率的遥感影像获取，为借助遥感手段提取不透水面信息[5-8]，深入分析城市化过程中出现的各种生态环境问题[9-14]，以及辅助决策和保护城市生态环境已成为可能.同时，城市化过程中的环境生态问题，亦成为许多专家学者研究的热点领域之一. 由于城市景观的复杂性，地表结构十分复杂，空间异质性异常明显.采用单一的城市覆被特征参数如植被指数、不透水面指数、水体指数等，难以全面地定量分析复杂的城市景观结构，从而在一定程度上影响了城市生态系统演变机制研究.信息容量是一种基于多维直方图的图像质量评价指标，计算时考虑了像元点所处的局部区域特征，可客观有效地表征对象的结构特征信息[15-17].信息容量大小与数字图像有意义的灰度层次数相关，对遥感图像而言，遥感图像的复杂度与所表示区域地表空间结构的复杂程度相对应.因此，通过遥感图像信息容量值的大小可以表征地表景观复杂度[18-20].这里我们应用遥感图像信息容量来量化表征城市地表景观的复杂度.不透水面指数是根据不透水面在不同波段的光谱特性不同而得出的计算模型[7]，用于提取城市不透水面信息，表征城市硬化地表的覆盖度.信息容量与不透水面指数比较而言，信息容量可以用于表征地表复杂度或破碎度，但不透水面指数不能表征地表复杂度或破碎度.本文通过计算遥感图像信息容量和不透水面指数，分析二者的关系，提出遥感图像信息容量可以表征不透水面的变化，进而将信息容量作为表征城市硬化地表的复杂度或破碎度的一项指标.通过本文的研究，将信息容量应用于城市地表景观的破碎度评价中，从而深化了信息容量在地学中的应用研究.1.1 遥感图像信息容量的计算信息容量是基于多维直方图的灰度数字图像质量评价的一种指标，计算时考虑了遥感图像的上下文关系.其计算公式如下：其中，Cinfo是信息容量，单位为bit；ω为约束区间.约束区间的选择和参数的确定，是计算信息容量的关键性步骤.由于多维直方图的统计计算比较复杂，本文以二维直方图为例说明约束区间的选择与定义.约束区间ω定义为[18]：G1和G2是左右相邻的两个像元灰度值；Gmax和Gmin是图像中的像元灰度最大值和最小值；T1和T2是非负值，T1表示图像灰度级最大值和最小值之差的一半，T2表示相邻两像元的灰度值之差.1.2 不透水面指数不透水面(Impervious surfaces)是指水不能直接通过且不能下渗到土壤中的物质，包括沥青、水泥、瓦片等材料构成的建筑物、路面和停车场等[4].伴随着城市化的进程，城市不透水面不断增加，城市景观也随之发生了巨大变化.自劳斯(Rouse)等人[11]引入归一化差值植被指数(NDVI)在遥感影像上提取植被信息以来，已有不少的专家学者提出了一些新的归一化差值指数来提取不同的地物信息，如归一化差值水体指数[21]、归一化差值不透水面指数可分别用于提取水体信息、不透水面信息等.同时，一些专家学者对这些归一化差值指数进行了进一步的修正，使这些指数在一定程度上能更准确地表征地物的专题信息[7].本文采用徐涵秋提出的归一化差值不透水面指数(normalized difference impervious surface index，NDISI)，该指数较其它提取不透水面信息的指数可以达到更好地提取效果[7].式中，NIR、MIR1、TIR分别为遥感影像的近红外波段、中红外1波段和热红外波段，分别对应landsat8第5波段、第6波段、第10波段，这里还采用了改进型归一化水体指数(MNDWI，modified normalized difference water index).其中，Green为绿光波段，即为Landsat 8第3波段.1.3 技术路线依据研究思路，绘制研究技术路线图 (图1).该研究方案分为3部分：①数据预处理，包括遥感数据的辐射校正和几何校正等.②不透水面指数和信息容量计算，选取适宜的波段，计算不透水面指数；信息容量的计算是基于单波段的，由于地物电磁辐射光谱特征在不同波段的差异性，信息容量的计算值在不同波段是不同的.为了更透彻地分析信息容量与不透水面指数的关系，选用了Landsat 8的4个波段，分别是绿波段(Band 3)、红波段(Band 4)、近红外波段(Band 5)、中红外1波段(Band 6).③结果讨论分析，从信息容量与不透水面指数的剖面趋势分析、相关性分析以及在此基础上对信息容量进行的区域分析3个方面研究探索信息容量可能性的应用.2.1 数据源研究数据为2014年5月11日Landsat8卫星获取的数据，轨道号PATH/ROW为127/36，数据来源于NASA官方网站.主要采用了陆地成像仪(OLI)的4个波段，分别是绿波段(Band 3)、红波段(Band 4)、近红外波段(Band 5)、中红外(Band 6)，空间分辨率为30 m.本文对landsat8数据做预处理，使用FLAASH大气校正法做辐射校正，各项定标参数从影像头文件中获取，以1∶5000地形图(高斯—克吕格投影)为参考几何校正.2.2 研究区研究区位于黄河流域中部地势平坦的关中盆地区域内，经纬度范围为：108°30′E～109°15′E，34°5′N～34°30′N.主要包括西安市的主城区、咸阳市秦都区和渭城区(如图2).其中西安市是国家重要的科研、教育和工业基地，我国西部地区重要的中心城市，世界历史文化名城.在该研究区内较均匀的选取了61个样区作为研究对象.3.1 信息容量与不透水面指数的剖面趋势分析对样区的MNDISI沿着某一剖面线，该剖面线位于西安绕城高速以内(具体位置如图3)，通过剖面线坡度的陡缓可以表现不透水面影像上的变化趋势(如图4).同时采用移动窗口分析法将第六波段信息容量以栅格图像的形式显示[20]，并沿着同一剖面线做示意图(如图5).由图4、图5可以看出在归一化差值不透水面指数值变化剧烈的地方，信息容量值大，如在1 000～1 100范围内，归一化差值不透水面指数值变化剧烈，信息容量的值就相对较高.从剖面图中初步判定：信息容量在一定程度上可以表征城市不透水面的变化幅度.3.2 信息容量与不透水面指数的回归分析本文在研究区内随机选取61个样区，计算landsat8数据4个波段的样区信息容量.这四个波段对本文的研究具有典型的代表性，其中与不透水面指数计算直接相关的是Landsat8数据的近红外波段(Band 5)、中红外1波段(Band 6)，间接相关的绿波段(Band 3)，以及不相关的红波段(Band 4)，这样可以比较全面的研究不同波段信息容量与MNDISI的关系.借助ENVI平台获取MNDISI，并对61个样区的MNDISI平均值(Mean)、均方差(Stdev)进行统计.Landsat8数据第3、4、5、6波段信息容量与MNDISI均值的相关系数均小于0.2，说明信息容量与MNDISI均值相关性不显著，但4个波段的信息容量与MNDISI的均方差相关系数均达到0.8以上，说明信息容量与MNDISI的均方差是高度相关的(如表1).4个波段中样区信息容量与样区MNDISI的均方差相关系数较大的是参与MNDISI计算的2个波段(band5、band6)，其它两个波段相关系数较低，但总体相差不大.4个波段样区信息容量和样区MNDISI的均方差分别做一元线性回归分析并利用趋势线进行拟合(如图4所示)，确定性系数分别为0.705、0.694、0.703、0.713，对一元线性回归模型进行F检验，在置信水平 0.01 下，计算5组回归分析的F值分别为141.47、133.93、139.89、146.71,均大于 F0.005(1，n-2)=8.49，n为61，则可以认为4个回归方程在此置信水平下是显著的.由此可以判定信息容量和MNDISI均方差关系密切，说明信息容量在一定程度上能够表征城市不透水面的变化幅度，可以成为表征城市硬化地表复杂度的指标.3.3 不同城市化进程区信息容量的区域分析研究表明不透水面可以作为评价城市化进程的指标[3]，结合信息容量和不透水面指数的关系，进一步挖掘信息容量所蕴含的信息，发现信息容量与城市化进程也具有一定的关系，以下从定性和定量角度分别分析二者的关系.对研究区窗口信息容量进行分级，如图7.从图中可以发现研究区内信息容量值大的区域主要集中在城市中心(如莲湖区，新城区，碑林区，雁塔区北部以及咸阳市的秦都区)，这些区域城市化程度高，地表结构复杂；信息容量小的区域主要集中在渭河流域和灞河流域附近，这些区域是城市化程度低的城镇郊区，地表结构较为单一.可定性说明信息容量值的大小与城市化的进程相一致.对研究区9个区的信息容量按等级进行栅格统计，如表2，可以看出：整个研究区信息容量主要集中于4、5两个等级；研究区中处于中心位置的碑林区、莲湖区、新城区是城市核心区，在该研究区中城市化水平最高，三区信息容量的第5等级都超过60%，；雁塔区、秦都区、未央区属于半城市化区，两区信息容量第5等级的比例都超过了26%，；长安区、灞桥区属于城市边缘区，两区信息容量第4等级的比例都接近40%，；而咸阳市的渭城区城市化水平比较低，属于乡村区，其信息容量主要集中在第3、4等级.以上分析，可定量说明信息容量值的大小与研究区的各区城市化程度较为一致.4.1 结论本研究以西安城区为主体研究区，以Landsat8影像为数据源，选取61个样区，通过计算获取每个样区信息容量和MNDISI，对二者关系进行分析，得出以下结论.(1)遥感图像信息容量与MNDISI均值的相关系数较低、与MNDISI均方差的相关系数均大于0.8，揭示了遥感图像信息容量与MNDISI均值没有直接的相关性，而与MNDISI均方差关系密切.说明不透水面的分布变化是影响信息容量值大小的，信息容量的大小是可以表征硬化地表复杂度或破碎度的.(2)由于不透水面可以反映城市化进程，结合信息容量和MNDISI均方差的相关关系，研究发现信息容量值的大小与城市化的进程相一致，在城市核心区、半城市化区、城市边缘区、乡村区的信息容量级别呈现依次降低的趋势.(3)通过该研究，表明信息容量可以突破以往从宏观上表征地表复杂度的变化的研究领域，在一定程度上也能够体现较小尺度内如当今人类社会生产生活最为主要的聚落形态城市的景观变化，从而使信息容量的应用范围从宏观深入到较微观的领域.此外，还将信息容量与地学中其它问题相结合，使得信息容量与地学紧密结合起来，扩展了其在地学中的应用领域.4.2 展望城市不透水面作为评价城市环境质量的指标之一，在本文的研究基础上，可进一步利用信息容量评价城市化过程中出现的一系列生态环境问题特别是城市热岛问题，从而为城市环境发展决策提供参考.【相关文献】[1] 李伟峰，欧阳志云，陈求稳，等. 基于遥感信息的北京硬化地表格局特征研究[J].遥感学报，2008, 12(04): 603-612.[2] 李伟峰，王轶．城市硬化地表格局特征及尺度效应遥感研究[J]．国土资源遥感， 2010(01):69-72．[3] 刘珍环，王仰麟，彭建．不透水表面遥感监测及其应用研究进展[J]．地理科学进展, 2010, 29(09): 1143-1152.[4] Arnold C L,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．[5] Weng Q， Hu X， Lu D．Extracting impervious surfaces from medium spatial resolution multispectral and hyperspectral imagery: a comparison[J]．International Journal of Remote Sensing, 2008, 29(11):3209-3232.[6] 李玮娜，杨建生，李晓，等．基于TM图像的城市不透水面信息提取[J]．国土资源遥感, 2013， 25(01): 66-70.[7] 徐涵秋．一种快速提取不透水面的新型遥感指数[J]．武汉大学学报：信息科学版, 2008，33(11): 1150-1153．[8] 王浩，卢善龙，吴炳方，等. 不透水面遥感提取及应用研究进展[J].地球科学进展, 2013,28(03): 327-336.[9] Conway T M. Impervious surface as an indicator of pH and specific conductance in the urbanizing coastal zone of New Jersey, USA[J]．Journal of Environmental Management, 2006， 85(2):308-316．[10] Xu H，Lin D，Tang F．The impact of impervious surface development on land surface temperature in a subtropical city: Xiamen，China[J]．Int J Climatol, 2013，33(8):1873-1883．[11] Zhang X，Zhong T，Wang K，et al．Scaling of impervious surface area and vegetation as indicators to urban land surface temperature using satellitedata[J]．International Journal of Remote Sensing, 2009， 30(4):841-859．[12] 韩春峰，张友水，陈友飞．多时相影像福州市不透水面对城市地表温度的空间分布研究[J].遥感信息, 2010(06):79-86．[13] 林冬凤，徐涵秋．厦门城市不透水面及其热环境效应的遥感分析[J]．亚热带资源与环境学报, 2013， 8(03):78-84．[14] 唐菲，徐涵秋．旧城改造与城市热岛效应关系的遥感研究——以福州市苍霞片区为例[J].地理科学, 2011， 31(10): 1228-1234．[15] 殷德奎，俞卞章，佟明安. 基于多维直方图的灰度图像质量评价[J].模式识别与人工智能, 1996, 9(03): 265-270.[16] 殷德奎，俞卞章，佟明安. 红外热图像像质评定方法[J].激光与红外, 1996, 26(02): 75-79.[17] 戴奇燕，尤建洁，胡晔，等．细节信息容量与MTF相关分析[J]．航天返回与遥感, 2005，26(04):15-19．[18] 王旭红，李飞，张哲，等．遥感图像信息容量约束区间的选择与空间分异性[J].地球信息科学学报, 2014， 16(01): 108-116．[19] 秦慧杰．不同地貌类型区遥感影像信息容量的空间差异性研究[D]．西安：西北大学，2011．[20] 张哲．遥感图像信息容量的模型构建与差异性研究[D]．西安：西北大学，2012．[21] 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(7):1425-1432．。
不透水面遥感提取及应用研究进展_王浩_地球科学进展
第28卷第3期2013年3月地球科学进展ADVANCES IN EARTH SCIENCEVol．28No．3Mar．，2013王浩，卢善龙，吴炳方，等．不透水面遥感提取及应用研究进展［J］．地球科学进展，2013，28（3）：327-336．［Wang Hao，Lu Shanlong，Wu Bingfang，et al．Advances in remote sensing of impervious surfaces extraction and its applications［J］．Advances in Earth Science，2013，28（3）：327-336．］不透水面遥感提取及应用研究进展*王浩，卢善龙，吴炳方*，李晓松(中国科学院遥感应用研究所，北京100101)摘要：不透水面信息的提取方法与应用是近年来城市规划、热岛效应分析、水环境监测和水资源管理等诸多领域的研究热点。
遥感技术的发展使不透水面快速准确提取成为可能。
从影像特征(光谱、空间几何、时间)选择、分类器(参数、非参数)选择和空间尺度(像元、亚像元尺度)选择3个方面归纳和总结了各种不透水面遥感提取方法原理、应用现状和存在问题，回顾了不透水面在城市化监测、人口估计、水环境监测、热岛效应分析、水文气候建模分析等领域的应用，指出了不透水面遥感提取和应用的发展方向。
关键词：不透水面;遥感提取;特征选择;亚像元尺度;不透水面应用中图分类号：TP75文献标志码：A文章编号：1001-8166（2013）03-0327-101引言不透水面的定义为：诸如屋顶、沥青或水泥道路以及停车场等具有不透水性的地表面，与透水性的植被和土壤地表面相对［1］。
不透水面盖度（Imper-vious Surface Coverage，ISC）的定义为：某区域内不透水面覆盖面积与区域面积的比例。
降水在不透水面地区难以入渗到土壤，导致当地的入渗和土壤水分减少，自然截留和洼地储水能力同样也大大减弱，地下水交换和基流活动也会减弱。