英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料

利用多源遥感数据估算城市不透水地表百分率

摘要不透水表面是监测城市发展和环境质量的重要因素。然而，对不透水表面的准确和经济有效的提取仍然是一个挑战。针对不同成像传感器的多源遥感数据越来越多的可用性，本研究开发了一种利用多源遥感数据在亚像素级绘制大面积不透水地表百分率的方法。基于对Landsat ETM 影像的分类回归树(CART)算法，在深圳进行了一个案例研究。实验结果表明，两种数据均能较好地绘制城市不透水面百分比(ISP)，且精度较好，但SPOT图像由于其空间分辨率高于Landsat ETM ，其不透水面百分比(ISP)估计精度表现较好。

一、介绍

在过去30年改革开放以来,中国许多城市经历了快速的城市化,影响和改变了城市的土地利用和土地覆盖(LULC)模式在城市和郊区大幅由人类活动,和城市化的直接后果是增加空间分布和量化不透水表面的变化。

不透水的表面通常被定义为水不能渗入土壤的人工特征。不透水表面的例子有建筑物、道路、停车场、人行道和其他类型的建筑区域，它们通常由混凝土、塑料、沥青、金属、石头、砖等材料制成^[1,2]。近年来，不透水的地表不仅成为城市化的主要指标，而且成为影响环境质量的关键因素。因此，准确地估算和绘制不透水表面不仅对城市可持续发展和环境管理有价值，如水质评估和雨水税收^[2,3]，而且对城市规划也有价值。建设基础设施和可持续城市增长^[4,5,6]。

由于不透水表面的重要性，来自不同学科的许多研究人员尝试利用卫星遥感数据，特别是过去几十年的多光谱光学图像，以低成本有效地估计和绘制城市不透水表面^[7,8,9]。同时，目前已有多种景观抗渗评估方法，包括多元统计分析^[10,11,12]、光谱混合分析^[13,14]、人工神经网络^[15]、亚像素分类^[16]、遥感数据与地理信息系统(GIS)集成等。然而，由于城市/郊区景观的复杂性以及不同LULC类型之间的光谱混淆所带来的困难，利用中等分辨率的光学遥感数据准确、经济有效地识别不透水表面仍然是一项具有挑战性的任务^[10,11,17]。到目前为止，几乎所有的研究都局限在有限的空间范围内，大多数研究只使用一种类型的数据来开发用于模型预测的训练数据。

本文的主要目的是开发一种基于分类回归树(CART)算法，利用多源遥感数据可重复、准确、经济有效地绘制大面积不透水地表百分率的方法。利用SPOT和Landsat ETM 数据对深圳市不透水地表百分率(ISP)进行了实例研究。通过回归树模型对研究区10m和30m分辨率的亚像素不透水面进行映射。通过来自高分辨率遥感影像(IKONOS)的独立ISP参考数据评估ISP估计结果。

二、研究区域和数据

A.研究区域

选择中国广东省深圳市作为研究区域(图1)。它是位于22.45ordm;N-22。87ordm;N, 113.77ordm;e - 114。62ordm;E,覆盖约255公里。2该地区呈现出混合使用模式，包括农业、林业、住宅、商业、交通等。选择这个区域是因为其多样化的LULC模式和多源图像的可用性。

B.数据集和预处理

本研究采用多源遥感影像，包括IKONOS、SPOT 5hrg和Landsat7 ETM 数据。利用2003年11月的多光谱IKONOS卫星图像，为ISP预测和性能评估提供参考数据。对于IKONOS数据，将1米的全色图像与4米的多光谱波段进行融合，得到4个波段（蓝色、绿色、红色和近红外）的图像，最终空间分辨率为1米。在晴朗的天气条件下获得两种中等空间分辨率的多光谱图像，2003年10月获得分辨率为10米的SPOT5 HRG和2003年1月获得分辨率为30米的Landsat7 ETM ，两幅图像均进行了几何校正，并自动选择IKONOS图像作为参考图像，并使用像素大小分别为10mtimes;10m和30mtimes;30m的三次卷积算法对所有频带重新采样。本研究所使用的所有遥感资料均重新投影到WGS84-UTM投影。

图1所示.研究区域在深圳的位置

三、方法和程序

为了估计和绘制城市不透水表面百分比，本研究使用了基于多源图像的CART算法。该方法需要高分辨率的图像来建立训练数据集，中等分辨率的图像通过回归树模型在亚像素水平上估计大区域的ISP。它包括以下步骤:

1)融合IKONOS影像的训练/测试数据采集。

2)基于训练样本和选择的预测变量构建回归树。

3)中分辨率光学遥感影像ISP预测模型的空间外推。

4) ISP估计和映射的准确性评估。

A、分类回归树算法

分类回归树(CART)是一种非参数机器学习算法，它可以从大量的变量中选择这些变量及其相互作用在决定要解释的连续或分类因变量的结果时是最重要的。回归树使用分区算法构造，该算法通过递归地将训练样本分割成更小的子集来构建树[18,19]。一般情况下，模型可以表示为一组规则:

规则一:如果条件是x, x, x，hellip; 是真的，那么

在那里,i是第i个规则。

xn独立变量。

yi是因变量。

ai和bj是线性系数。

m是第i个自变量的个数规则。

CART算法的主要优点是简单、准确、可预测性好。此外，它还考虑了预测变量和目标变量之间的非线性关系，并接受连续变量和离散变量作为连续变量预测^[19]的输入数据。利用商业软件Cubist 2实现了深圳市ISP模型的回归树算法。05由Rulequest开发。

B.ISP培训/测试数据收集

为了在大范围内准确地估计ISP, CART算法使用从高分辨率图像中获得的接近真实的不透水率数据集作为回归树模型中的因变量。因此，高分辨率图像的分类精度及其百分比统计是ISP建模的关键。

在本研究中，根据我们的先验知识，使用监督分类对IKONOS图像进行分类。分类结果分为农田、植被、裸地、建筑、道路、水泥、水、阴影8类，其中建筑、道路、水泥类为不透水表面。整个过程使用ERDAS Imagine软件完成，总体分类准确率为91。12%， Kappa系数为0.9042。然后将划分为不透水面的像素聚合在一起，以10m和30m网格计算ISP，以匹配SPOT和Landsat ETM 图像，需要注意的是，由于属性状态不确定，阴影类被排除在ISP计算之外。图2展示了IKONOS图像的一个子集和相应的ISP结果，分别为10m和30m分辨率。

训练和测试数据来源广泛，不含阴影区域，基于分层随机抽样方法，独立选取8000个训练样本和2000个测试样本，建立基于规则的ISP预测模型并进行评估。

图2.IKONOS 1m分辨率样本及其ISP 10m和30m图像:(a)IKONOS;(b) ISP图像10m;(c) ISP图像30m。

C.ISP的建模和绘制

利用Cubist 2开发了基于CART算法的预测模型。05年的软件。选取SPOT的4个光谱波段和Landsat ETM 的6个波段(不包括空间分辨率大得多的热红外波段6)作为自变量，选取训练样本上的高分辨率数据(IKONOS)作为因变量。利用最相关的输入变量和所有可用的训练数据建立最终的回归树模型，然后应用于所有的像素点来映射大的区域。

D.ISP估计的准确性评估

预测模型的价值在于它们做出准确预测的能力。预测不透水表面百分率(ISP)的准确性可以通过交叉验证或使用holdout测试数据(2000个采样点)来评估。Cubist软件生成的测试误差估计被认为是可靠的，因为它们是基于不用于构建回归树模型的测试数据。Cubist除了计算平均误差(AE)和相对误差(RE)外，还计算了实际值和预测值之间的相关系数(r)。在本研究中，所有三种统计方法都被用来评估ISP模型的性能。

四、结果与讨论

用Cubist 2建立了两种回归树模型。05分别以Landsat ETM 和SPOT波段为独立样本输入变量，并应用模型来映射大区域的ISP。图3显示了这两个模型的结果。通过目视检查，根据我们对研究区域的了解，ISP估计结果总体上是合理的。该模型正确预测了研究区西北部大部分丘陵地区的低ISP值(小于30%)，也预测了高密度建成区的高ISP值超过70%。

图3.ISP估计结果(a) Landsat ETM _6;(b) SPOT_4

为了准确评估ISP估计结果，计算平均误差(AE)、相对误差(RE)和相关系数(r)，如表1所示。比较分析表明，基于这两种SPOT数据的ISP预测模型具有更好的估计性能。与Landsat ETM -derived ISP估计相比，平均误差降低了2。(18 8%。9% vs。(16.1%)，相关系数值由0增大。74 - 0.79。

表ISP估计结果的准确性评估

图4为精度评估的散点图，显示了目标属性的实际值与模型预测值之间的一致性。图4(a)说明了基于Landsat ETM 的预测模型对ISP低的像素产生了高估，对ISP高的像素产生了低估。从图4(b)可以看出，与基于Landsat ETM 的预测模型相比，基于spot的预测模型具有更好的预测性能。这是因为混合像元现象的空间分辨率比Landsat ETM 要低得多，而CART算法可以为预测模型生成更可靠的规则。

(一)

图4.由(a) Landsat ETM (b) SPOT得到的ISP估计精度评估结果的散点图

五、结论

人们已经认识到，不透水的表面映射是城市相关研究的关键。然而，从遥感数据中准确、经济有效地提取不透水地表仍然是一个挑战。本研究采用基于CART算法的深圳IKONOS、SPOT、Landsat ETM 多源遥感数据提取亚像素不透水地表信息。

实验结果表明，高空间分辨率图像(IKONOS)是城市不透水面率提取的重要训练数据源，也可作为验证中分辨率数据结果的参考数据。通过IKONOS提供的参考数据验证，准确率评估结果显示，平均预测误差为18。9%和16。1%， Pearson相关系数为0。74和0。79对于Landsat ETM 和SPOT分别导出的模型。与之前的研究相比，本研究在中分辨率多源遥感数据的亚像素级不透水面的映射方面有了改进。研究还证明了CART算法能够预测城市的不透水性，并且具有一致性和可接受的准确性。

承认

本研究由国家自然科学基金(No.40701122)资助。感谢美国地质调查局(USGS)和EROS数据中心提供的实验数据。作者感谢王昌成、陆丽君、姜厚军对稿件的修改提出的意见和建议。我们也感谢邱志伟处理的一些图像。

参考文献

[1] SLONECKER, E.T., JENNINGS, D.B. and GAROFALO, D., 1994, Remote sensing of impervious surfaces: a review. Remote Sensing Reviews, 20, pp. 227–255.

[2] ARNOLD, J.C.A. and GIBBONS, C.J., 1996, Impervious surface coverage: The emergence of a key urban environmental indicator. Journal of the American Planning Association, 62, pp. 243–258.

[3] CARLSON, T.N., 2004, Analysis and prediction of surface runoff in an urbanizing watershed using satellite imagery. Journal of the American Water Resources Association, 40, pp.1087–1098.

[4] LU, D. and WENG, Q., 2006, Use of impervious surface in urban land– use classification. Remote Sensing of Environment, 102, pp. 146–160.

[5] PU, R., GONG, P., MICHISHITA, R. and SASAGAWA,T. C , 2008, Spectral mixture analysis for mapping abundance o

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[410709]，资料为PDF文档或Word文档，PDF文档可免费转换为Word