基于HJ－1數(shù)據(jù)和V－I－S模型的城市不透水層變化分析

單丹丹，杜培軍，夏俊士，柳思聰

(中國礦業(yè)大學國土環(huán)境與災害監(jiān)測國家測繪局重點實驗室，徐州 221116)

基于HJ－1數(shù)據(jù)和V－I－S模型的城市不透水層變化分析

單丹丹，杜培軍，夏俊士，柳思聰

(中國礦業(yè)大學國土環(huán)境與災害監(jiān)測國家測繪局重點實驗室，徐州 221116)

選擇2008年和2010年徐州市城區(qū)的HJ－1A/1B多光譜遙感圖像，利用線性光譜混合模型(LSMM)、多層感知器(MLP)神經(jīng)網(wǎng)絡和自組織映射(SOM)神經(jīng)網(wǎng)絡3種混合像元分解方法，基于V－I－S(植被－不透水層－土壤)模型提取城市不透水層。對3種方法的精度分析對比表明，MLP方法優(yōu)于其他兩種方法，能夠比較清晰地反映出徐州市城市化的發(fā)展。對兩個時相多光譜影像提取的不透水層信息的分析表明，徐州市近兩年的發(fā)展中心已逐漸向城市邊緣地帶擴展，其主要原因在于經(jīng)濟的迅速增長和城市化進程的加速發(fā)展。

環(huán)境與災害監(jiān)測預報小衛(wèi)星;不透水層;線性光譜混合模型;多層感知器神經(jīng)網(wǎng)絡;自組織映射神經(jīng)網(wǎng)絡

0 引言

植被－不透水層－土壤(Vegetation－Imperoious surface－Soil，V －I－S)模型是 Ridd在1995年進行城市形態(tài)研究時提出的一種分析模型，被視為城市土地利用、覆蓋研究的重大進展［1］。V－I－S模型是一個概念模型，它把具有強烈異質(zhì)性的城市土地覆蓋簡化成由植被、不透水層和土壤3種地物類型組成(水體除外)，其中植被和不透水層是表征城市環(huán)境狀況的兩個重要指標。V－I－S模型把城市景觀與植被、不透水層和土壤的光譜特征聯(lián)系起來，為定量分析城市環(huán)境生物物理組分提供了理論基礎。隨著遙感技術(shù)的發(fā)展，研究人員開展了許多借助V－I－S模型、以遙感圖像為數(shù)據(jù)源的城市土地覆蓋變化和生態(tài)環(huán)境研究。Carlson等［2］利用植被覆蓋度與不透水層的關(guān)系，研究了提取城市建成區(qū)不透水層信息的方法。Wu等［3］利用光譜混合分析法對Landsat7 ETM+圖像進行分解，利用低反射和高反射豐度圖像提取出了不透水層，并利用數(shù)字正射影像(Digital Orthophoto Quarter Quadrangle，DOQQ)影像進行精度驗證。

在利用V－I－S模型分析城市擴展與土地覆蓋變化的研究中，國外衛(wèi)星獲取的遙感圖像(包括中等分辨率的Landsat TM/ETM+、ASTER和高分辨率的QuickBird、IKONOS等圖像)都得到了較多應用［4－7］。相對而言，國產(chǎn)衛(wèi)星遙感數(shù)據(jù)如中巴地球資源衛(wèi)星(CBERS)、北京一號小衛(wèi)星(Beijing－l)、環(huán)境與災害監(jiān)測預報小衛(wèi)星(HJ－1A/1B)等的應用潛力還有待進一步深入挖掘。為了推動HJ－1A/1B衛(wèi)星30 m分辨率多光譜數(shù)據(jù)的應用，本文應用線性光譜混合模型(Linear Spectral Mixture Model，LSMM)、多層感知器(Multiple Layer Perceptron，MLP)神經(jīng)網(wǎng)絡和自組織映射(Self－Organizing Map，SOM)神經(jīng)網(wǎng)絡3種方法對區(qū)域不透水層進行遙感監(jiān)測與分析，以評價針對HJ－1A/1B衛(wèi)星數(shù)據(jù)的3種方法監(jiān)測城市不透水層變化的優(yōu)勢，為推動國產(chǎn)遙感數(shù)據(jù)應用提供技術(shù)支持。

1 研究區(qū)概況和數(shù)據(jù)源

1.1 研究區(qū)概況

徐州市位于江蘇省的西北部，總面積11258 km2，占江蘇省總面積的11%。徐州市地貌除中部和東北為丘崗山地外，大部分為平原，平原面積占全市總面積的90%，境內(nèi)河流縱橫湖泊眾多，城市的森林覆蓋率為22.5%。徐州市是江蘇省第二大城市，也是華東地區(qū)典型的礦業(yè)城市之一，近年來經(jīng)濟迅速發(fā)展，城市化進程的步伐不斷加快。

1.2 HJ－1A/1B 衛(wèi)星數(shù)據(jù)

HJ－1A/1B衛(wèi)星于2008年9月6日成功發(fā)射，主要用于洪澇和干旱災害、環(huán)境污染、生態(tài)環(huán)境、城市管理、地表分類、地質(zhì)調(diào)查、海岸帶等方面的監(jiān)測。

本文使用HJ－1B衛(wèi)星2008年12月7日和2010年11月30日獲取的多光譜遙感圖像。研究區(qū)為800像元×800像元的區(qū)域(對應實地5.67×108m2)，既包括徐州中心城區(qū)，也包括部分城市邊緣區(qū)和郊區(qū)，能比較全面地反映徐州市區(qū)的情況。圖1為研究區(qū)兩個時相的B4(R)、B3(G)、B2(B)假彩色合成圖像。

圖1 研究區(qū)B4(R)、B3(G)、B2(B)假彩色合成圖像Fig.1 B4(R)、B3(G)、B2(B)false color composite images of the study area

2 基于V－I－S模型的不透水層提取

V－I－S模型將城市圖像中的每個像元看成植被、不透水層和土壤3種代表性地物類型的線性組合，能很好地表達地表覆蓋類型。不透水層提取方法主要有人工解譯分類法、植被覆蓋度與不透水層的關(guān)系法［2］、面向?qū)ο蠓诸惙ǎ?］和混合像元分解法等，其中基于混合像元分解的提取方法得到了廣泛應用。

基于混合像元分解的不透水層提取方法的主要步驟是:①端元選擇;②混合像元分解，得到高反射率和低反射率豐度圖;③利用高反射率和低反射率豐度圖計算城市不透水層比例。

2.1 端元選擇

根據(jù)V－I－S模型，選擇植被、不透水層和土壤3個端元就可以進行城市分解。但城市是一個復雜的綜合體，尤其是城市不透水層包含了多種地物類型，光譜差異很大，直接提取城市不透水層，對端元的光譜值無法確定，提取效果也不理想。參照相關(guān)學者的研究，本文選擇植被、土壤、低反射率地物和高反射率地物4個端元組分［3－4］。圖2為4類端元的光譜曲線，表1為4類端元的變異系數(shù)。

圖2 4類端元的光譜曲線Fig.2 The spectrum curves of the four endmembers

表1 4類端元的變異系數(shù)Tab.1 Variation coefficients of the four endmembers(%)

利用ENVI軟件實現(xiàn)端元提取，具體過程是:①采用最大噪聲分數(shù)(Maximum Noise Fraction，MNF)變換方法去除噪聲并進行信息重組，選取信息量比較豐富的分量;②利用純像元指數(shù)(Purity Pixel Index，PPI)進一步選擇純凈像元;③利用N維可視化器結(jié)合手動選點最終選擇端元;④選出純凈樣本點作為端元對研究區(qū)進行混合像元分解。

2.2 線性光譜混合模型(LSMM)

LSMM是建立在像元內(nèi)相同地物都有相同的光譜特征以及植被指數(shù)線性可加性基礎上的。雖然混合像元內(nèi)部各組分的光譜組合并非簡單的線性關(guān)系，但線性光譜混合模型對于提取地表覆蓋特征仍具有效性［9］。其原理為假設像元在某一波段的反射率等于各個基本組分的反射率與其所占面積比例的加權(quán)和［9－10］，可表示為

式中，Riλ為第i個像元在λ波段的反射率;fki為第k個基本組分在第i個像元中所占的面積比例;Ckλ為第k個基本組分在λ波段的反射率;εiλ為殘差值。

進行線性光譜分離一般需要通過獲取純凈像元確定Ckλ值，然后通過最小二乘法進行光譜分離與檢驗。

2.3 多層感知器(MLP)神經(jīng)網(wǎng)絡模型

為了解決非線性可分數(shù)據(jù)的多類別分解問題，Rumelhart等人提出了多層感知器(MLP)［11］。MLP網(wǎng)絡由輸入層、隱藏層和輸出層構(gòu)成。每一層的結(jié)點通過與下一層互連，輸出到下一結(jié)點層，其輸出層通過連接數(shù)值而被放大、衰減或抑制。除了輸入層，每一結(jié)點的激勵輸出值由結(jié)點輸入、激勵函數(shù)及偏置量所決定。訓練后的網(wǎng)絡可形成模式空間與分類空間的非線性映射關(guān)系［12］。

本文在MLP模型中采用了反向傳播(Back Propagation，BP)學習算法［13］。BP 神經(jīng)網(wǎng)絡是把一組樣本的輸入、輸出問題轉(zhuǎn)變?yōu)橐粋€非線性優(yōu)化問題。網(wǎng)絡開始訓練時，選用較小的隨機互聯(lián)權(quán)值與內(nèi)部閾值，通過反復加載訓練樣本并調(diào)整權(quán)值，直到代價函數(shù)下降到可接受的容限值。

在遙感影像光譜分析中，輸入層代表原始圖像，每一個節(jié)點代表一個波段;隱藏層處理遙感圖像并把處理結(jié)果傳送到輸出層;輸出層最后得到處理的結(jié)果。圖3為本實驗用到的MLP結(jié)構(gòu)圖。

圖3 多層感知器神經(jīng)網(wǎng)絡模型Fig.3 The structure of MLP network

2.4 自組織映射(SOM)神經(jīng)網(wǎng)絡模型

SOM是一種基于非監(jiān)督和競爭學習的人工神經(jīng)網(wǎng)絡模型［14］。SOM神經(jīng)網(wǎng)絡為單層的前饋網(wǎng)絡，包括輸入層和輸出層，輸入層代表輸入的特征向量，在遙感影像中包含的神經(jīng)元表示輸入的波段;輸出層由一些神經(jīng)元在二維平面上排列組成，它通過一系列權(quán)值與輸入層相互連接［15］。SOM網(wǎng)絡結(jié)構(gòu)如圖4所示。

SOM具有訓練和分類兩種狀態(tài)。當輸入矢量和某個連接輸出神經(jīng)元和輸入神經(jīng)元的權(quán)值的歐氏距離最小時，該輸出神經(jīng)元被激活，并作為網(wǎng)絡的輸出，此時該連接權(quán)被修正為和輸入矢量更接近，而該輸出神經(jīng)元也被列為競爭獲勝神經(jīng)元。相應鄰域的連接權(quán)也得到修改，直至網(wǎng)絡達到終止條件。鄰域函數(shù)、學習速率和終止條件均由具體問題而定［16］。

圖4 自組織映射神經(jīng)網(wǎng)絡模型Fig.4 The structure of SOM network

2.5 不透水層比例的計算

由上述3種方法，可以分別得到植被、土壤、低反射率地物和高反射率地物的豐度圖。城市不透水層作為V－I－S模型的一個重要因子，其光譜變異性較大，無法將不透水層作為一種端元提取，但可以利用低反射率地物和高反射率地物的豐度圖建立城市不透水層覆蓋度［3］。

提取不透水層覆蓋度時，本文利用低反射率和高反射率豐度圖相加，然后根據(jù)歸一化差值水體指數(shù)(NDWI)對研究區(qū)的水體進行掩模運算［16］，以消除水體和陰影的影響。即

式中，RVIS為提取的不透水層覆蓋度;Rlow和Rhigh分別為低反射率和高反射率豐度圖;MNDWI為歸一化差值水體指數(shù)的掩模。

NDWI的計算公式為

式中，ρGreen和ρNIR分別為HJ－1A/1B數(shù)據(jù)的綠光波段和近紅外波段的亮度值。

經(jīng)過多次實驗，2008年的 NDWI選取閾值為0.2，2010 年的 NDWI選取閾值為0.14。

3 結(jié)果與精度分析

對HJ－1A/1B衛(wèi)星2008年12月7日獲取的30 m分辨率的多光譜遙感圖像，采用上述3種模型提取不透水層信息，并以根據(jù)2008年11月12日獲取的ALOS圖像目視解譯的地表不透水層作為地表真實數(shù)據(jù)，對HJ－1A/1B衛(wèi)星數(shù)據(jù)獲取的不透水層覆蓋度進行了驗證。圖5為基于3種不同方法提取的研究區(qū)2008年不透水層覆蓋度。

圖5 3種方法提取的研究區(qū)2008年不透水層覆蓋度Fig.5 Impervious surface fraction extracted by three methods in 2008

將ALOS數(shù)據(jù)與HJ－1A/1B衛(wèi)星圖像精確配準后重采樣至2.5 m空間分辨率;為減小影像配準誤差的影響，在提取的不透水層圖像上選擇3×3窗口作為精度檢驗樣本，每個樣本均對應ALOS圖像上36像元×36像元。為了定量評價不透水層覆蓋度的估計精度，根據(jù)采樣點不透水層覆蓋度的估計值和真實值，分別計算了均方根誤差RMSE和均值誤差 SE 兩個指標［3］，即

式中，?i為第i個樣本不透水層覆蓋度的估算值;Ii為由ALOS數(shù)據(jù)計算出的第i個不透水層覆蓋度的“真實值”;N為總樣本數(shù)。根據(jù)上式得到的系統(tǒng)誤差和均值誤差見表2。

表2 不透水層覆蓋度誤差對比Tab.2 Accuracy comparison of impervious surface extraction

3種方法提取不透水層覆蓋度的估算值和真實值的關(guān)系如圖6所示。

圖6 3種方法提取不透水層覆蓋度的估算值和真實值關(guān)系Fig.6 Linear regression between reference and estimated value of impervious surface extracted by three methods

綜合分析圖5、圖6、表2和式(6)～(8)可以看出，LSMM、MLP和SOM方法對提取不透水層都具有一定的適應性。相比而言，MLP方法得到的不透水層覆蓋度的系統(tǒng)誤差和均值誤差相對較小，與“真實值”的回歸方程的復相關(guān)系數(shù)較大，說明利用MLP方法提取不透水層的精度高于其他兩種方法，更加趨于真實值。

4 城市土地覆蓋與不透水層變化分析

根據(jù)以上研究，選擇MLP方法提取徐州市2008年和2010年兩個時相的不透水層(圖7中白色區(qū)域為不透水層)，對徐州市的區(qū)域地表覆蓋變化進行分析。

圖7 MLP方法提取研究區(qū)不透水層覆蓋度Fig.7 Impervious surface fraction extracted by MLP

對圖7中的兩幅圖像進行差值分析，可以得到不透水層變化區(qū)域，如圖8所示。圖8(a)中白色區(qū)域代表不透水層的增長，黑色區(qū)域代表不透水層的減少;圖8(b)中白色區(qū)域表示不透水層總的變化區(qū)域。通過以上實驗，可以得到V－I－S模型的3個端元，根據(jù)最大豐度，確定了兩個時相上每個像元的類別，然后利用MLP分類方法得到研究區(qū)分類結(jié)果，如圖9所示。

圖8 研究區(qū)不透水層變化區(qū)域Fig.8 The change areas of impervious surface in study area

圖9 研究區(qū)MLP分類結(jié)果Fig.9 The classification results in study area by MLP

最后，利用決策樹方法對兩個時相土地利用類型變化進行對比，見圖10。表3給出了不同土地類型的覆蓋變化率。

圖10 研究區(qū)2008—2010年土地覆蓋變化Fig.10 The land cover change from 2008 to 2010 in study area

表3 研究區(qū)2008—2010年土地覆蓋變化Tab.3 The land cover change from 2008 to 2010 in study area (%)

由圖7所示的不透水層分布及圖8所示的不透水層變化區(qū)域圖可以看出，研究區(qū)的不透水層從市中心逐漸向城市邊緣拓展，2008年的不透水層主要包括徐州市中心的大型商業(yè)區(qū)、公共場所、人口密集住宅區(qū)等;而2010年的不透水層有些區(qū)域有所增長，也有些區(qū)域略有減少，增長部分包括銅山新區(qū)東部和南部、大龍湖景區(qū)、徐工集團和金龍湖景區(qū)，減少部分主要是中心城區(qū)和銅山新區(qū)主要建成區(qū)。為了更好地顯示不透水層的變化區(qū)域，圖8(a)中用紅色標識增長區(qū)域，用黃色標識減少區(qū)域。

通過對圖7中兩個時相不透水層覆蓋度中每個像元內(nèi)部各種端元的豐度進行比較，選出不透水層豐度大的像元作為不透水層區(qū)域;然后利用閾值選擇，得到2008年的不透水層占整個研究區(qū)的8.44%，而2010年上升到9.83%。相對于2008年，2010年的主要增長區(qū)A和B位于銅山新區(qū)東部和南部，C位于大龍湖附近，D部分為發(fā)展中的徐工集團，E位于金龍湖景區(qū);減少區(qū)F為銅山新區(qū)主要建成區(qū)，G分布在城市中心城區(qū)(由于城市環(huán)境整治，植被綠化面積有所增加)。

從圖10和表3可以看出，從2008—2010年，不透水層、植被和土壤3種地物類型的變化主要是土壤和不透水層之間的轉(zhuǎn)化，2010年有3.7127%的土壤和0.3209%的植被轉(zhuǎn)化為不透水層。這主要是由于在2008年，對于剛開發(fā)的建筑用地，大量的土壤裸露在地表，在遙感圖像上顯示為土壤;到了2010年，由于建筑施工則使土壤轉(zhuǎn)變?yōu)榱瞬煌杆畬?另外還有2.2592%的不透水層轉(zhuǎn)化為土壤，這是因為徐州市在城市化的過程中注意到了城市環(huán)境，對市中心及建成的銅山新區(qū)實行景觀綠化工程，種植草坪等，在遙感圖像上暫時未種植的地方被顯示為土壤。

5 結(jié)論

(1)HJ－1A/1B衛(wèi)星由于其空間分辨率和時間分辨率較高，譜段配置較為合理，已經(jīng)具備了對我國環(huán)境動態(tài)監(jiān)測和評估的能力，因此對地表覆蓋與不透水層的分析具有可靠性。

(2)對比3種不透水層的提取方法，結(jié)果表明LSMM、MLP與SOM方法對于提取不透水層信息均具有一定的適宜性，但MLP方法的提取結(jié)果更加趨于真實值。

(3)通過分析徐州市兩個時相的不透水層可以看出，由于城市化的發(fā)展，徐州市近兩年的發(fā)展中心已逐漸向城市邊緣地帶擴展，尤其是銅山新區(qū)、東北邊緣地帶和大龍湖附近。另外從城市市中心區(qū)域不透水層的減少可以看出，由于政府實行景觀綠化工程，對市中心進行了環(huán)境整治，進一步優(yōu)化了徐州人居環(huán)境。

［1］Ridd M K.Exploring a V －I－S(Vegetation－Impervious Surface－Soil)Model for Urban Ecosystem Analysis Through Remote Sensing:Comparative Anatomy for Cities［J］.International Journal of Remote Sensing，1995，16(12):2165 －2185.

［2］Carlson T N，Arthur S T.The Impact of Land Use － Land Cover Changes Due to Urbanization on Surface Microclimate and Hydrology:a Satellite Perspective［J］.Global and Planetary Change，2000，25(1/2):49－65.

［3］Wu C S，Murray A T.Estimating Impervious Surface Distribution by Spectral Mixture Analysis［J］.Remote Sensing of Environment，2003，84(4):493 －505.

［4］Weng Q H，Hu X F.Medium Spatial Resolution Satellite Imagery for Estimating and Mapping Urban Impervious Surfaces Using LSMA and ANN［J］.Geoscience and Remote Sensing，2008，46(8):2397－2406.

［5］Lu D，Hetrick S，Moran E.Impervious Surface Mapping with QuickBird Imagery［J］.International Journal of Remote Sensing，2011，32(9):2519 －2533.

［6］Lu D S，Weng Q H.Extraction of Urban Impervious Surface from an IKONOS Image［J］.International Journal of Remote Sensing，2009，30(5):1297 －1311.

［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］李彩麗，都金康，左天惠.基于高分辨率遙感影像的不透水面信息提取方法研究［J］.遙感信息，2009(5):36－40.

［9］趙英時.遙感應用分析原理與方法［M］.北京:科學出版社，2003:328－334.

［10］周 紀，陳云浩，張錦水，等.北京市不透水層覆蓋度遙感估算［J］.國土資源遙感，2007(3):13 －17.

［11］Rumelhart D E，Hinton G E，Williams R J.Learning Representations by Back－Propagating Errors(in Parallel Distributed Processing:Explorations in the Microstructure of Cognition)［M］.Massachusetts:MIT Press，1986:318 －362.

［12］駱劍承，周成虎，楊 艷.人工神經(jīng)網(wǎng)絡遙感影像分類模型及其與知識集成方法研究［J］.遙感學報，2001，5(2):122 －129.

［13］Kavzoglu T，Mather P M.The Use of Back－propagating Artificial Neural Networks in Land Cover Classification［J］.International Journal of Remote Sensing，2003，24(23):4907 －4938.

［14］Kohonen T.Self－ Organization and Associated Memory［M］.3 rd ed.NewYork:Spinger－ Verlag，1989:1 －65.

［15］Hu X F，Weng Q H.Estimating Impervious Surfaces from Medium Spatial Resolution Imagery Using the Self－organizing Map and Multi－ layer Perceptron Neural Networks［J］.Remote Sensing of Environment，2009，113(10):2089 －2102.

［16］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.

［17］李傳榮，賈媛媛，胡 堅，等.HJ－1光學衛(wèi)星遙感應用前景分析［J］.國土資源遙感，2008(3):1 －3.

An Analysis of Changes of Urban Impervious Surface Area Based on HJ－1 Multispectral Images and V－I－S Model

SHAN Dan－dan，DU Pei－jun，XIA Jun－shi，LIU Si－cong
(Key Laboratory for Land Environment and Disaster Monitoring of State Bureau of Surveying and Mapping，China University of Mining and Technology，Xuzhou 221116，China)

In order to promote the application of the remote sensing data of HJ－1A/1B small satellite to urbanization monitoring，the authors selected Xuzhou City as the study area and chose HJ－ 1A/1B multispectral remote sensing images acquired in 2008 and 2010 as the data sources.After mixed pixel decomposition，the urban impervious surfaces were extracted by Linear Spectral Mixture Model(LSMM)，Multiple Layer Perceptron(MLP)and Self－organizing Map(SOM)on the basis of V －I－S model.A comparison of the three methods through accuracy analysis shows that MLP is suitable for estimating the abundance of impervious surface area(ISA)from HJ－1 A/1B data，and ISA can clearly reflect the trends of urbanization.

HJ－1A/1B;Impervious surface;Linear Spectral Mixture Model(LSMM);Multiple Layer Perceptron(MLP);Self－Organizing Map(SOM)

TP 75

A

1001－070X(2011)04－0092－08

2011－04－02;

2011－05－15

江蘇省自然科學基金項目(編號:BK2010182)及江蘇省“333工程”科研項目資助計劃項目(編號:2009－32)共同資助。

單丹丹(1986－)，女，碩士研究生，主要研究方向為遙感圖像處理與模式識別。

杜培軍(1975－)，男，教授，博士生導師，主要從事遙感信息工程、地理信息科學與技術(shù)領域等方面的研究。Email:dupjrs@126.com。

(責任編輯:李 瑜)