基于兩種衛星傳感器的不透水面提取指數比較

馬羽赫 趙牡丹 周鵬 王建

（西北大學城市與環境學院，西安 710127）

0 引言

不透水面泛指由瀝青、混凝土、塑料等會阻止地表水分下滲至土壤的物質構成的地表面（如廣場、道路、建筑物屋頂等）[1]，已經成為衡量城市化進程和環境品質評價的重要指標[2]。隨著城市化程度加深，大量植被、濕地等自然表面被不透水面所代替[3]，城市地表結構和熱環境受到改變，導致地表徑流污染[4-5]、熱島效應增強[6-7]、物種多樣性下降[8]等生態環境問題。因此，快速、精確地提取城市不透水面信息具有重要意義。

衛星遙感具有更新周期短、可以大范圍監測的特點被廣泛應用[9-10]，為快速、大范圍監測不透水面動態變化提供了一種有效手段。目前，不透水面遙感信息提取的方法主要有：回歸模型[11]、指數法[12-14]、線性光譜混合分解法[15]，以及包括支持向量機[16-17]、人工神經網絡[18]、隨機森林[19]、決策樹[20]等的分類器模型法。指數法主要利用不透水面同其他背景地物的光譜特征在不同波段上的差異，通過建立波段間的比值運算，突出不透水面信息，并輔以合適閾值將其與背景地物分離。該方法可以簡單、高效、快速地提取大范圍的不透水面，并且無需設置參數[21]，目前已得到廣泛的應用。但是，不同的指數構建方式和提取效果存在較大差別。文獻[22]提出比值居民地指數（Ratio Resident-area Index，RRI）用于裸地較多城鎮信息提取；文獻[23]利用植被指數（Soil Adjusted Vegetation Index，SAVI）、改進的水體指數（Modified Normalized Difference Water Index，MNDWI）和建筑指數（Normalized Difference Built-up Index，NDBI）三個專題指數構建遙感建筑用地指數（Index Based Built-up Index，IBI）；文獻[24]等構建生物物理指數（Biophysical Composition Index，BCI）推導城市的構成；文獻[25]等結合夜間燈光數據構建植被溫度指數（Vegetation Temperature Light Index，VTLI）；文獻[26]等構建組合建筑指數（Combinational Build-Up Index，CBI）識別不透水面；文獻[27]選用藍、近紅外波段組合提出一種新的垂直不透水層指數（Perpendicular Impervious Index，PII）；文獻[28]提出一種針對西北干旱區城市不透水面提取的增強型不透水面指數（Enhancement Normalized Difference Impervious Surface Index，ENDISI）。

以上指數模型均能有效對不透水面進行提取，但各模型最初為追求提取效果均基于單一傳感器針對特定區域進行實驗，鮮有推廣到其他新型傳感器的討論。另外，各模型均提到裸土、沙地對不透水面提取結果的影響，但尚無研究對不同模型受裸土、沙地的影響程度進行定量對比。因此，本文使用目前數據品質高、易獲取的開放免費傳感器數據Landsat8 OLI和Sentinel-2A MSI數據，并選取NDBI、RRI、IBI、PII和ENDISI五種不透水面提取指數進行實驗，這些指數主要利用可見光、近紅外和中紅外波段構建，不涉及分辨率較低、數據源較少的熱紅外波段，具有一定普適性。結合不同傳感器數據和提取方法，本研究以大量裸土、沙地與人工不透水面混合分布的銀川市部分區域為研究區，系統對比這5種指數對不同傳感器數據的響應效果和對人工不透水面與裸土沙地的區分程度，填補各指數在兩種傳感器研究區下不透水面提取差異的研究空白，以期為今后不透水面的大范圍精準提取、多時序監測提供參考。

1 數據與方法

1.1 研究區概況

銀川市位于寧夏回族自治區北部，祁連山以東，黃河上游以西，地處北緯37°29′~38°53′、東經105°49′~106°53′。銀川市下轄興慶區、金鳳區、西夏區、永寧縣、賀蘭縣以及靈武市。本次研究區主要包括市轄區大部以及賀蘭縣和永寧縣的部分區域（見圖1）。銀川市是我國西北地區重要的中心城市，是國家西部大開發戰略的重點發展城市，“一帶一路”建設的重要節點城市，素有“塞上江南，魚米之鄉”之美譽。2017年，銀川市常住人口達222.54萬人，GDP達1 803.17億元，城市化率達到74%。受自然環境和人為活動影響，區域內有大量沙地和裸露地表。

圖1 研究區位置Fig.1 Location of study area

1.2 數據源及預處理

Landsat8是美國陸地衛星系列的第8顆光學對地觀測衛星，發射于2013年2月11日，延續了Landsat TM/ETM+的空間和時間分辨率，保持較好的時序性，并且在波段數量、波譜范圍和輻射分辨率上得到了改進[29]。Sentinel-2是歐洲航天局分別于2015年6月23日和2017年3月7日發射的Sentinel-2A和Sentinel-2B雙衛星，可以獲取地球表面10~60m空間分辨率的光學影像，擁有較高的空間分辨率、較短的重訪周期，并在全球范圍免費開放獲取[30]。Landsat8 OLI和Sentinel-2 MSI數據是目前和今后一段時期可穩定獲得的高品質多光譜遙感數據[31]。Landsat8 OLI和Sentinel-2 MSI的常用波段對比見表1。

本研究所使用的Landsat8 OLI數據下載于地理空間數據云（http://www.gscloud.cn），條帶號為130/33，成像時間2017年6月25日。Sentinel-2數據下載于歐洲航天局（https://scihub.copernicus.eu/）L1C級產品，成像時間為2017年7月29日，經Sen2Cor插件進行輻射定標和大氣校正處理后轉換為L2A級產品。Sentinel-2 MSI的可見光和近紅外波段為10m分辨率，短波紅外為20m分辨率，為了使6個波段的分辨率保持一致，利用“哨兵”數據應用平臺（Sentinel Application Platform，SNAP），使用最近鄰方法對可見光和近紅外波段進行重采樣。兩種數據時間相近，都經過預處理得到地表反射率。

表1 Sentinel-2 MSI和Landsat8 OLI常用波段對比Tab.1 Comparison of common bands between Sentinel-2 MSI and Landsat8 OLI

1.3 研究方法

（1）歸一化建筑指數（NDBI）

文獻[12]受到歸一化植被指數（NDVI）構建的啟發，發現在Landsat5 TM影像的第4與第5波段之間，城鎮的灰度值遞增，其他地類灰度值減小，據此構建指數NDBI如式（1）

式中 TM4、TM5分別指近紅外和中紅外波段的反射率，NDBI取值在–1與1之間。

（2）比值居民地指數（RRI）

文獻[22]采樣分析影像上6類典型地物的光譜特征，認為Landsat5 TM影像的第1和第4波段對比度較大，能很好地反映城鎮和裸地信息，因此提出指數RRI如式（2）。在此基礎上，通過設置合適閾值剔除裸地，掩膜水體，最終提取出城鎮信息。

式中 TM1、TM4分別指藍波段和近紅外波段的反射率。

（3）遙感建筑用地（IBI）

文獻[23]針對建筑用地光譜性質的復雜性，未采用影像的原始波段，而選用三個有關的專題指數，利用土壤調節植被指數SAVI、改進水體指數MNDWI和歸一化建筑指數NDBI，構建遙感建筑用地指數IBI，如式（3）。由于這三個專題指數互為負相關，因此能夠很好地從遙感影像中分離出建筑用地信息。

（4）垂直不透水層指數（PII）

文獻[27]在分析比值型植被指數和線性型植被指數的基礎上，認為在不透水層提取中，線性形式構建的指數能夠根據不同研究區內的土壤線自適應調整參數，減弱土壤帶來的噪聲影響。因此，利用藍波段和近紅外波段組合構建線性指數PII，如式（4）

式中BBlue、BNIR為藍波段和近紅外波段的反射率；m、n分別為藍波段和近紅外波段系數；C為隨參照線選取而變化的常數，m、n、C可通過參照線方程求出。在PII計算中，需要根據研究區土壤樣本和不透水層樣本計算藍波段和近紅外波段系數m、n。但是m、n值在不同的研究區中差異不大[32]，所以這里取文獻[27]所選研究區m、n、C的平均值（m=0.905，n=0.435，C=0.019）進行實驗。

（5）增強型不透水面指數（ENDISI）

文獻[28]在對主要地類譜特征對比分析的基礎上，發現在藍波段，不透水面的值高于水體、植被和裸土，并且差值較大；在紅波段，裸土的反射率高于不透水面；在近紅外波段，裸土和植被的值均高于不透水面。據此提出ENDISI，如式（5）

式中BRed、BSWIR1、BSWIR2分別為紅波段和2個中紅外波段的反射率。

2 結果與分析

2.1 不透水面提取結果

使用最大類間方差法（OTSU）[33]自適應閾值分別對Landsat8 OLI和Sentinel-2 MSI兩種數據的5種不透水面指數進行閾值分割。文獻[34]提出的MNDWI指標可以有效消除植被信息，快速提取水體，因此利用MNDWI對水體掩膜，最終得到不透水面提取結果，如圖2、圖3所示。對比假彩色合成圖和Google Earth高清影像，發現每種指數基本都可以將不透水面信息提取出來，但NDBI、RRI、IBI、ENDISI四種指數出現明顯的誤提（紅線標出），特別是裸土信息誤提嚴重，PII指數出現明顯的漏提（黃線標出）。

圖2 OTSU閾值的Landsat8不透水面提取結果Fig.2 OTSU threshold Landsat8 impervious surface extraction results

圖3 OTSU閾值的Sentinel-2不透水面提取結果Fig.3 OTSU threshold Sentinel-2 impervious surface extraction results

因此，本文在OTSU法確定的分割閾值基礎上，結合Google Earth同期高清影像，人機交互確定出每種指數的人工閾值進行提取實驗。Landsat8數據的NDBI、RRI、IBI、ENDISI、PII最終閾值分別為–0.012、0.353 2、–0.013 5、–0.033 7、–250.413 8；Sentinel-2數據的NDBI、RRI、IBI、ENDISI、PII最終閾值分別為–0.054 9、0.440 6、–0.071 3、–0.023 9、–117.503 0，提取結果如圖4、圖5所示。

2.2 精度評價分析

分別選用本次使用的10m分辨率的Sentinel-2真彩色影像和2017年7月15日更新的Google Earth銀川市高清歷史影像，作為Landsat8和Sentinel-2的驗證數據源，通過目視解譯的方式，從驗證數據源中隨機選取300個不透水面樣本和300個非不透水面樣本作為真值參考，對OTSU法閾值分割的結果和人機交互閾值分割的結果進行精度驗證，結果如表2所示。

可以得出2種傳感器數據、5種不透水面提取指數的10種組合中人機交互閾值提取結果的總體精度均高于OTSU法閾值，原因在于人機交互閾值提取的結果可以很好的平衡錯分和漏分情況，從而提高了總體精度。針對最終選取的人機交互閾值提取結果來看，以Sentinel-2為數據源的5種指數提取結果的總體精度各自均高于Landsat8。同一傳感器下，ENDISI、PII、RRI的總體精度相對NDBI、IBI更高。5種指數中提取結果總體精度最高的為RRI。

2.3 不同指數提取結果分析

圖4 人機交互閾值的Landsat8不透水面提取結果Fig.4 Landsat8 impervious surface extraction results of human-computer interaction threshold

圖5 人機交互閾值的Sentinel-2不透水面提取結果Fig.5 Sentinel-2 impervious surface extraction results of human-computer interaction threshold

表2 2種傳感器數據的5種不透水面指數提取結果精度指標Tab.2 Accuracy index of five kinds of water-impermeable surface index extraction results of two sensor data 單位：%

圖6 Landsat8和Sentinel-2數據下5種指數的不透水面提取結果疊加Fig.6 Superposition of the impervious surface extraction results of the five indices under Landsat8 and Sentinel-2 data

表3 5種不透水面指數提取結果像元統計Tab.3 Pixel statistics of the extraction results of the five types of impervious surface index 單位：%

分別將Landsat8和Sentinel-2兩種數據源的5種指數提取結果進行疊加，如圖6，顯示每個像元被幾種指數提取為不透水面，并統計各類像元的占比，如表3所示。經驗證比對，被5種指數均提取為不透水面的像元基本與實際吻合；被4種和1種指數提取為不透水面的像元較少，主要為建筑或道路與高亮度裸土的混合像元；被3種指數提取為不透水面的像元多分布于城區內，主要由ENDISI、RRI和PII的提取結果組成，由于NDBI和IBI未能正確識別大量建筑、道路和小面積裸土混合分布的區域，因此出現了較多的漏提，這種漏提現象在Landsat8數據中更加明顯；被2種指數提取的像元在Landsat8數據下多分布在南部的城區外圍，主要由于這些地方分布較多裸土、未種植作物的裸露農地與零散建筑混合，NDBI和IBI兩種指數錯提較多造成，而這種情況在Sentinel-2數據中更加突出，錯提像元在近郊區大量出現，東部、南部城區外尤為嚴重。從總體上看，該研究區裸土和沙地占比較大，干擾嚴重，但是在兩種傳感器下分別被5種指數均判別為不透水面和非不透水面的像元分別達79.31%和77.7%，說明5種指數均可以基本識別研究區內的不透水面。從結果上看，對該研究區東部、南部不透水面及大量裸土沙地混合分布的區域，NDBI和IBI的不透水面提取效果相對ENDISI、PII和RRI較差。

2.4 不同傳感器提取結果分析

先將Landsat8提取結果重采樣至10m，然后分別對5種指數的Landst8和Sentinel-2兩種數據源提取結果進行疊加，如圖7，共有僅S2為不透水面、僅L8為不透水面、L8、S2均為非不透水面和L8、S2均為不透水面這4種像元類型（L8、S2分別代表Landst8、Sentinel-2數據的不透水面提取結果），統計每種指數疊加結果的各類像元占比，如表4所示。結合圖7和表4可知，5種指數的2種傳感器數據提取結果在大部分區域較為一致，提取結果中同類型像元占比均在80%左右，但像元分布有所差異，NDBI和IBI的疊加結果中僅Sentinel-2判定為不透水面的像元較多。經對比發現，在Sentinel-2數據下，NDBI和IBI可以更好的提取城區內建筑密集區域的不透水面，漏提現象較少，另外，這兩種指數對研究區東部和東北部的人工大棚識別效果較好。RRI的疊加結果中僅Landsat8判定為不透水面的像元較多，主要是誤提了大量的高亮度裸土信息。ENDISI和PII對兩種傳感器數據的提取結果比較一致，因此，這兩種指數對Landsat8和Sentinel-2的響應效果具有更好的一致性。

圖7 5種指數下Landsat8和Sentinel-2的不透水面提取結果疊加Fig.7 Landsat8 and Sentinel-2 impervious surface extraction results are superimposed under five indexes

表4 各像元類型不同疊加結果的面積占比Tab.4 Proportion of each pixel type 單位：%

2.5 提取結果局部對比分析

為進一步對比各指數在不同傳感器下的提取精度和細節效果，選取研究區內6個較為典型的局部區域，將2種數據源的5種指數提取結果進行對比（見表5）。區域1為包含植被和水體的密集建筑區，可以看出Landsat8影像由于分辨率相對更低，混合像元的存在極大影響了提取效果，尤其在Landsat8數據的提取結果中可以明顯觀察到NDBI和IBI指數的漏提較為嚴重，Sentinel-2數據則能更好的表現建筑細節。區域2為農田中的道路，可以看到Landsat8數據的提取結果雖然相對較粗，但RRI和PII指數基本能較為完整的識別出道路和建筑，Sentinel-2數據的分辨率優勢極大的減少了混合像元的影響，對道路這類細小的不透水面的識別較為準確，但可以看到NDBI和IBI指數有將農田中的裸土識別為不透水面的情況。區域3為細碎的建筑和裸土混合分布的地區，盡管基于Sentinel-2數據能提取更多的建筑細節，但Landsat8和Sentinel-2兩種數據在不同方法下均出現了將裸土識別為人工不透水面的情況。區域4為被道路圍著的大塊裸地，可以看到兩種數據源下NDBI和IBI指數基本將裸土全部識別為不透水面，ENDISI也將大部分裸土識別為不透水面，而RRI和PII指數則能較好的區分出道路和裸土，并且在Sentinel-2數據下的區分效果更好。區域5和區域6主要為包含裸土的農地，有零散建筑分布其中，可以看到NDBI和IBI指數將大量的裸土識別為不透水面，ENDISI指數同樣也有一定程度的誤提情況，而RRI和PII指數則能較為準確的識別面積較小的不透水面?？傮w上，Landsat8數據受限于分辨率較低，導致提取結果較為粗糙，局部漏提較嚴重，細節不完整，Sentinel-2數據能表現更多的細節，提取結果比較完整，5種指數的提取效果均好于Landsat8數據，因此，提高數據的分辨率，可以改善地物識別效果。具體來看，兩種數據源下PII和RRI的總體提取效果、局部提取細節以及區分不透水面和裸土沙地的能力均優于NDBI、IBI和ENDISI。

表5 5種指數在2種傳感器數據下的局部提取結果Tab.5 Local extraction results of five indexes under two sensor data

3 結束語

本文以銀川市部分區域為例，選取NDBI、IBI、ENDISIS、PII和RRI五種常用不透水面提取指數，分別對Landsat8和Sentinel-2兩種傳感器數據的不透水面進行提取，得出以下結論：

1）5種指數針對Landsat8和Sentinel-2數據均可以基本提取出研究區的不透水面信息，但提取結果均不同程度的受到裸土和沙地的干擾，在裸土和沙地分布較廣泛的情況下，NDBI、IBI的精度在70%左右，ENDISI、PII和RRI可達80%以上，其中，RRI和PII區分不透水面和裸土沙地的效果最好，RRI提取結果的總體精度最高。

2）總體上，以Sentinel-2為數據源的5種指數提取結果總體精度各自均高于Landsat8，提取的不透水面細節表現更清晰、更完整。結果表明，NDBI和IBI對Sentinel-2數據的響應效果更好，在不透水面密集分布的城市內部較Landsat8數據提取精度更高，同時，這兩種指數可以很好的識別人工大棚。RRI在Landsat8數據下，裸土和沙地誤提現象較Sentinel-2嚴重。ENDISI和PII對兩種傳感器數據的響應效果較一致。

總體上看，數據分辨率仍是影響提取精度的主要因素，這也是相同指數在不同傳感器下提取結果產生差異的直接原因，今后需要結合更高分辨率的數據進行分析。此外，由于不同指數方法選取的波段組合不同，導致了相同傳感器下不同指數提取結果的差異性，未來仍需在更多典型區域進行推廣實驗，探究更加合理的識別方法。目前，對裸土沙地和不透水面的準確區分仍是不透水面提取的難點之一，本文通過比較5種不透水面指數在2種傳感器數據下的提取結果，對比分析了5種指數的差異性、區分不透水面和裸土沙地信息的能力以及對兩種傳感器數據的響應效果，希望能為未來大范圍、快速、精準地提取不透水面提供參考，并進一步促進這兩種數據在不透水面提取中的應用。