2. 北京师范大学资源学院, 北京 100875
, ,
在城市化过程中出现的不透水层产生大量的表层径流，这将增加水污染和洪涝灾害的风险，阻止与含水层的水量交换，增加土壤侵蚀的风险。中国经济快速发展及正在进行的快速城市化需要大量的土地，致使农田、草地、森林等向城市不断转化。城市边缘区经历着最剧烈的土地覆盖变化，该地区的不透水层是表达城市化进程的重要参量[1]。因此，快速、准确地获取城市边缘区不透水层的信息对于掌握城市扩展趋势、分析城市扩展对环境产生的潜在风险、加强城市规划管理具有重要的意义。
遥感识别技术提供了城市土地覆盖监测的有效方法，但由于城市边缘区土地覆盖的复杂性和遥感影像空间分辨率的限制，为不透水层的提取带来困难[2]，传统的分类方法存在一定的局限性[3]。硬分类方法(如最大似然分类、k-means等)是将像元归属于特定的土地覆盖类型，获得排他性的属性空间特征进行划分[4]。然而，城市的土地覆盖的异质性强，尤其对建设中的城市边缘区，混合像元是普遍存在的现象，这种排他性的结果导致识别的错入、错出[4-5]。针对这一问题，软分类方法能够将不透水层的识别结果以丰度进行表示，已得到了广泛应用[6-8]。植被-不透水层-土壤-水体模型(vegetation-impervious surface-soil model，V-I-S)以参数化形式定义了城市环境的生物物理组分和城市发展不同阶段，成为目前通用的城市土地覆盖描述的概念框架[9]。根据该理论，可将城市不透水层(如居民区、工业区、交通设施)定义为城市不透水层组分，将这些组分输入到混合光谱分析模型(spectral mixture analysis, SMA)进行分解，提取不透水层的丰度信息[10]。
无论是软分类方法还是硬分类方法，在提取不透水层时均存在局限性[5, 11-13]。而扩展支持向量机(extended support vector machines，ESVM)结合软、硬分类方法各自的优势，综合考虑了光谱波动性和混合像元的影响，在土地覆盖制图应用中得到较好的识别结果[3, 5]。
在城市边缘区，不透水层与其他地物(如森林、草地、农田)相互混合，复合光谱和纹理信息能够有效地保证不透水层的提取精度[10]。纹理信息作为描述空间异质性的有效指标，能够协助光谱信息提高空间特征划分的能力[14-17]。一阶统计和二阶统计测量方法能够有效表达纹理特征，可以作为验证的有效参数来提升光谱特征分类精度[14-15, 18]。
本文目标是综合利用影像光谱和纹理特征，运用软硬分类方法，选择典型的北京城市边缘区进行不透水层的提取，分析纹理特征对识别结果的影响，并与传统的识别方法进行对比，以验证该方法的有效性。
一、 研究区与数据选择了两个试验区，分别位于大兴区和通州区的城市边缘区，范围均为10 km×10 km。北京作为国际大都市，随着经济的高速发展和人口的大量涌入，城市化进程异常迅速。相对于稳定的城市中心而言，这一发展多发生在城市的边缘带。
SPOT-XS作为试验数据源，获取日期为2006年4月27日，无云，质量较好(A、B、C均为RGB组合波段：近红、红、绿)(如图 1中A所示)。选取了2个具有高分辨率的多光谱QuickBird影像作为进行精度评价的验证数据，分辨率为2.4 m，覆盖范围均为10 km×10 km，获取日分别为2006年4月23日(如图 1中B方框所示)和2006年5月2日(如图 1中C方框所示)，与SPOT-XS影像获取时间接近。对高分辨率QuickBird数据进行SVM分类并结合目视的数字化修正，得到不透水层的分布，作为验证真值用于精度评价。接着，将不透水层的专题图聚合到20 m分辨率，用于与SPOT影像分辨率匹配。
|
| 图 1 研究区及数据 |
与传统的基于光谱的ESVM方法不同, 本文方法主要是通过复合光谱、纹理信息进行软硬分类，提取出不透水层，具体采用ESVM方法进行实现，表达为SH_ST_SVM (soft and hard svm method incorporating spectral and texture)用于不透水层的提取。主要步骤如图 2所示。
|
| 图 2 试验流程 |
首先，进行纹理特征的提取。周边像元的空间信息可以用来构造纹理信息，该纹理信息与光谱信息相结合有利于土地覆盖制图[14, 18-19]。本文根据灰度共生矩阵，生成8种空间统计信息(CON、ASM、COR、MEAN、SD、DIS、HOM等)，并根据已有研究结果选择选取CON、ASM、COR、MEAN和SD用于表示空间异质性特征[20]。然后将这5个纹理特征数据与原始遥感影像进行叠加。
其次，参照USGS土地覆盖分类体系定义5个初始类，分别为不透水层、农田、林地、裸地、水体，分类样本从原始的遥感影像图中进行选取。根据每一类的训练样本数为10~30 p(p为波段数)原则[21-22]，采用人工判定方法获得的纯净像元，在遥感影像上选择出120个样本用于分类。
然后，基于SH_ST_SVM的不透水层识别。与传统的线性光谱混合模型采用(linear spectral mixture analysis, LSMA)均值来解释端元特征相比，ESVM方法利用组分特征构建特征空间，利用支撑向量构建最优超平面，将整个不透水层光谱空间分为3部分：纯净、混合和非不透水层(如图 3所示)。具体实现方法参见[3, 5]。最终，排他性的硬分类结果和连续的软分类结果镶嵌而形成不透水层专题图。
|
| 图 3 ESVM识别不透水层示意 |
最后，精度评价采用平方根误差(root mean square error，RMSE)和偏差(bias)。其中，RMSE表示估计值与真实值之间偏差的衡量指标，bias表示估计值与真实值相比的高估或低估程度。
(1) 
(2) 式中，N为研究区内遥感影像的像元总个数；
利用JM距离表示不同土地覆盖类型之间的区分度(见表 1)。JM距离越接近2，地物之间的分离度就越高。从JM距离可以看出，加入光谱与纹理信息计算得到的分离度高于单用光谱信息。单用光谱信息，不透水层和裸地的JM距离为0.69，说明二者之间的光谱混淆程度高；裸地纹理信息比较平坦，一旦加入纹理信息，由于纹理能够对不透水层光谱的异质性进行有效的表达，从而纹理可以提高二者的区分度。
| 类别 | 类别 | 农田 | 森林 | 水体 | 裸地 |
| 光谱+纹理 | 不透水层 | 2.00 | 2.00 | 2.00 | 2.00 |
| 农田 | 2.00 | 2.00 | 2.00 | ||
| 森林 | 2.00 | 2.00 | |||
| 水体 | 2.00 | ||||
| 光谱 | 不透水层 | 1.99 | 2.00 | 1.99 | 0.69 |
| 农田 | 1.95 | 2.00 | 2.00 | ||
| 森林 | 2.00 | 2.00 | |||
| 水体 | 2.00 |
为验证本文方法的有效性，分别与不同信息源、不同分类器组合的5种方法提取的不透水层进行对比分析，分别包括单一光谱的硬支撑向量机分类方法(hard spectral SVM classification，H_S_SVM)、复合光谱和纹理的硬支撑向量机分类方法(hard spectral and textural SVM classification，H_ST_SVM)、单一光谱的软支撑向量机分类方法(soft spectral SVM classification，S_S_SVM)、复合光谱和纹理的软支撑向量机分类方法(soft spectral and textural SVM Classification，S_ST_SVM)、单一光谱的软硬支撑向量机分类方法(soft and hard spectral SVM，SH_S_SVM)。根据SH_ST_SVM选取样本所在位置，提取上述5种方法样本特征进行不透水层的提取。
在不同的土地覆盖类别中进行不透水层识别结果的精度评估，也即将真值数据聚合到20 m分辨率，其像元中要含有不透水层土地覆盖类型(>0%)。
表 2表明，在不透水层区域，将纹理特征作为描述不透水层的空间特征，能够在一定程度上提高不透水层的识别精度，RMSE降低约1%~5%，在与土壤或植被相混合的不透水层识别方面，精度有所提高，与以往的研究结论相一致[19]。
| 方法 | 不透水层 | |
| RMSE | bias | |
| SH_ST_ESVM | 25.82 | -9.79 |
| SH_S_ESVM | 28.69 | -11.89 |
| S_S_SVM | 30.04 | -14.09 |
| H_S_SVM | 32.80 | -16.57 |
| S_ST_SVM | 27.49 | -10.56 |
| H_ST_SVM | 28.72 | -12.70 |
ESVM方法的关键步骤在于将整个区域划分为纯净像元区和混合像元区。将从QuickBird影像得到的每种土地覆盖类型分类结果聚合到20 m。将土地覆盖类型丰度为100%的定义为纯净像元并作为真值，验证不同方法获取到的纯净、混合像元分布的一致性。一致性指标(C)定义如下
(3) 式中，pi表示从SPOT影像中得到的第i个纯净或混合像元；pi表示从QuickBird影像中得到的第i个纯净或混合像元；⊗表示从SPOT影像或QuickBird影像得出结果的一致性。如果pi与pi的结果都是纯净或混合像元，则结果为1，否则为0。C则表示SPOT与QuickBird之间像元结果一致性的总数。
在QuickBird影像中包含22 228个纯净像元、16 660个混合像元。将真值输入到基于光谱和纹理方法的分类结果中，两种类型像元的一致性像元为22 607个；基于光谱的方法纯净、混合像元识别率较低，一致性像元为20 924个，本文方法能够将纯净、混合像元的识别率提高10%。
4. 空间特征分析选择一个子区进行不同方法识别结果的空间特征分析(如图 4所示)。如图 4(d)-图 4(i)所示，6种方法所得到的不透水层分布大致相同。从细节上看，SH_S_ESVM和SH_ST_ESVM方法能够将像元进行有效划分：将纯净像元赋值为100%，将混合像元赋值为0~100%。由于光谱方差能够有效描述光谱波动，提高了与土壤的分离度，SH_ST_ESVM更能保证不透水层的识别范围。尽管典型的像元与整个不透水层范围相符合，但是不透水层的丰度均低于100%。H_S_SVM和H_ST_SVM作为硬分类方法，在过渡区识别结果为0或100%，会导致混合像元中不透水层的缺失。
|
| 图 4 子窗口中不透水层识别结果 |
随着中国经济的快速发展，尤其像北京这样的大都市正在经历剧烈的城市扩张过程，承受着环境、生态等方面的压力。城市边缘区是城市化进程中最为剧烈区域，本文提出城市边缘区光谱和纹理复合的软硬分类方法(SH_ST_ESVM)，得到满意结果。
与传统软硬分类方法相比，SH_ST_ESVM方法既吸收了硬分类方法能够避免环境噪声和少量空间分布差异导致的光谱空间波动的优点，又具有软分类方法有效地分解混合像元的能力，从而能够刻画城市边缘区不透水层的边缘。与传统不考虑纹理特征的分类方法相比，ST_HS分类方法的精度有所提高。在不透水层类型中，纯净、混合像元的识别效率提高10%，RMSE降低了1%~5%，该区域的不透水层的城市边缘区异质性大、破碎度高，融入纹理的软硬分类方法对不透水层的提取具有较广的应用潜力。
本研究仍有一些方面有待进一步深化：纹理与光谱信息融合的更优方法；纹理特征作为与光谱特征相关的信息，具有复杂的非线性特征空间关系，因此线性核函数在土地覆盖制图和破碎区域分解中会存在一些问题，需要应用非线性核函数，如多项式函数、径向基函数等进行进一步验证。
| [1] | POWELL R L, ROBERTS D A, DENNISON P E, et al. Sub-pixel Mapping of Urban Land Cover Using Multiple Endmember Spectral Mixture Analysis:Manaus, Brazil[J]. Remote Sensing of Environment , 2007, 106 (2) : 253–267. DOI:10.1016/j.rse.2006.09.005 |
| [2] | LU D, WENG Q. Use of Impervious Surface in Urban Land-use Classification[J]. Remote Sensing of Environment , 2006, 102 (1) : 146–160. |
| [3] | 朱爽, 张锦水, 帅冠元, 等. 通过软硬变化检测识别冬小麦[J]. 遥感学报 , 2014, 18 (2) : 476–496. |
| [4] | LU D, WENG Q. A Survey of Image Classification Methods and Techniques for Improving Classification Performance[J]. International Journal of Remote Sensing , 2007, 28 (5) : 823–870. DOI:10.1080/01431160600746456 |
| [5] | WANG L, JIA X. Integration of Soft and Hard Classifications Using Extended Support Vector Machines[J]. IEEE Transactions of Geoscience and Remote Sensing Letters , 2009, 6 (3) : 543–547. DOI:10.1109/LGRS.2009.2020924 |
| [6] | CHO M A, DEBBA P, MATHIEU R, et al. Improving Discrimination of Savanna Tree Species through a Multiple-endmember Spectral Angle Mapper Approach:Canopy-level Analysis[J]. IEEE Transactions of Geoscience and Remote Sensing , 2010, 48 (11) : 4133–4142. |
| [7] | PU R L, GONG P, TIAN Y, et al. Using Classification and NDVI Differencing Methods for Monitoring Sparse Vegetation Coverage:a Case Study of Saltcedar in Nevada, USA[J]. International Journal of Remote Sensing , 2008, 29 (14) : 3987–4011. DOI:10.1080/01431160801908095 |
| [8] | PAINTER T H, RITTGER K, MCKENZIE C, et al. Retrieval of Subpixel Snow Covered Area, Grain Size, and Albedo from MODIS[J]. Remote Sensing of Environment , 2009, 113 (4) : 868–879. DOI:10.1016/j.rse.2009.01.001 |
| [9] | RIDD M K. Exploring a VIS (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. DOI:10.1080/01431169508954549 |
| [10] | WENG Q. Remote Sensing of Impervious Surfaces in the Urban Areas:Requirements, Methods, and Trends[J]. Remote Sensing of Environment , 2012, 117 (1) : 34–49. |
| [11] | 赖祖龙, 申邵洪, 程新文, 等. 基于图斑的高分辨率遥感影像变化检测[J]. 测绘通报 , 2009 (8) : 17–20. |
| [12] | DOPIDO I, VILLA A, PLAZA A, et al. A Quantitative and Comparative Assessment of Unmixing-based Feature Extraction Techniques for Hyperspectral Image Classification[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing , 2012, 5 (2) : 421–435. DOI:10.1109/JSTARS.2011.2176721 |
| [13] | 巫兆聪, 胡忠文, 张谦, 等. 结合光谱、纹理与形状结构信息的遥感影像分割方法[J]. 测绘学报 , 2013, 42 (1) : 44–50. |
| [14] | GONG P, MARCEAU D J, HOWARTH P J. A Comparison of Spatial Feature Extraction Algorithms for Land-use Classification with SPOT HRV Data[J]. Remote Sensing of Environment , 1992, 40 (2) : 137–151. DOI:10.1016/0034-4257(92)90011-8 |
| [15] | HARALICK R M, SHANMUGAM K, DINSTEIN I H. Textural Features for Image Classification[J]. IEEE Transactions of Systems, Man and Cybernetics , 1973 (6) : 610–621. |
| [16] | PAN Y, HU T, ZHU X, et al. Mapping Cropland Distributions Using a Hard and Soft Classification Model[J]. IEEE Transactions on Geoscience and Remote Sensing , 2012, 50 (11) : 4301–4312. DOI:10.1109/TGRS.2012.2193403 |
| [17] | SOARES J V, RENNO C D, FORMAGGIO A R, et al. An Investigation of the Selection of Texture Features for Crop Discrimination Using SAR Imagery[J]. Remote Sensing of Environment , 1997, 59 (2) : 234–247. DOI:10.1016/S0034-4257(96)00156-3 |
| [18] | SHABAN M A, DIKSHIT O. Improvement of Classification in Urban Areas by the Use of Textural Features:the Case Study of Lucknow City, Uttar Pradesh[J]. International Journal of Remote Sensing , 2001, 22 (4) : 565–593. DOI:10.1080/01431160050505865 |
| [19] | ZHANG Q, WANG J, GONG P, et al. Study of Urban Spatial Patterns from SPOT Panchromatic Imagery Using Textural Analysis[J]. International Journal of Remote Sensing , 2003, 24 (21) : 4137–4160. DOI:10.1080/0143116031000070445 |
| [20] | 张锦水, 潘耀忠, 韩立建, 等. 光谱与纹理信息复合的土地利用/覆盖变化动态监测研究[J]. 遥感学报 , 2007, 11 (4) : 500–510. |
| [21] | 李德仁, 李熙. 论夜光遥感数据挖掘[J]. 测绘学报 , 2015, 44 (6) : 591–601. |