出版日期: 2016-08-25
点击次数：
下载次数：
DOI: 10.11834/jrs.20166210
2016 | Volumn20 | Number 5

论文

地表不透水面信息遥感的主要方法分析

徐涵秋 , 王美雅

福州大学环境与资源学院, 遥感信息工程研究所, 福建省水土流失遥感监测评价重点实验室, 福建福州 350116

收稿日期: 2016-06-02; 修改日期: 2016-06-06; 优先数字出版日期: 2016-08-25

基金项目: 国家自然科学基金（编号：41501469）；福建省教育厅重点项目（编号：JA13030）

第一作者简介: 徐涵秋(1955-), 男, 教授, 研究方向为环境遥感应用。E-mail:hxu@fzu.edu.cn

中图分类号: TP79

文献标识码: A

文章编号: 1007-4619(2016)05-1270-20

摘要

全球范围内的城市扩张已使得大量的不透水面取代了以植被为主的地表自然景观，并给生态环境带来了明显的负面影响。不透水面作为一个影响生态环境的关键因子已引起了全社会的广泛关注。如何及时快速地掌握不透水面的空间分布信息，准确无误地量化不透水面的动态变化信息，是城市规划、环境保护亟待解决的现实问题。而遥感以其快速、大范围、多尺度、可重复的对地观测优势为解决这一问题提供了很好的解决方案。不透水面遥感研究经过近十几年的发展已有了长足的进步，多种针对不透水面信息反演的遥感创新技术与方法被相继提出。本文重点分析了这些针对遥感不透水面提出的创新技术，详细地指出了它们的优势和不足，并在此基础上总结了中国遥感工作者在不透水面遥感方面的研究工作。当前许多不透水面信息的反演精度都可以达到85%以上，但是不透水面与裸土和阴影信息的混淆仍是困扰不透水面信息精准反演的主要问题。由于大部分不透水面材料具有和砂土石同源的特点，因此在现有影像光谱分辨率不足的情况下，单靠光谱是很难进一步提高不透水面信息的反演精度，而借助LiDAR等其他辅助数据，将有望帮助解决这一瓶颈问题。

关键词

不透水面 , 遥感 , 信息反演 , 影像处理 , 生态环境

Remote sensing-based retrieval of ground impervious surfaces

XU Hanqiu , WANG Meiya

College of Environment and Resources, Institute of Remote Sensing Information Engineering, Fujian Provincial Key Laboratory of Remote Sensing of Soil Erosion, Fuzhou University, Fuzhou 350116, China

Abstract

Worldwide land use change and urban spatial expansion have replaced the vegetation-dominated natural landscape with various impervious surfaces. This replacement has brought about significant negative impacts on the global ecological environment and has raised public awareness of the emergence of this key ecological environment indicator. Impervious surfaces have become an important consideration in many environmental-or socioeconomic-related studies. Quickly gathering information regarding the magnitude, location, geometry, and spatial pattern of impervious surfaces and accurately quantifying the dynamic information on impervious surfaces have become urgent issues to be addressed. Today's remote sensing technology can provide a promising solution to this problem owing to its rapid, repetitive, synoptic, and multi-scale Earth observation. The remote sensing of impervious surfaces has made considerable progress after its development in 2000, and various innovative techniques for the retrieval of impervious surface information have been proposed in the last decade. Therefore, we examined these innovative approaches and focused on their advantages and disadvantages through a literature review. Chinese research and achievements regarding the remote sensing of impervious surfaces were also summarized. The current remote sensing of impervious surfaces has made great progress, and many of the techniques for the information extraction and classification of impervious surfaces achieve an accuracy of over 85%. Nevertheless, the mapping of impervious surfaces remains a challenge. The main problem is the confusion between impervious surface information and bare soil/shadow information, which affects the accurate retrieval of impervious surface information. Most impervious surface materials are made of or directly from rock, sand, or clayish soil. Thus, impervious surfaces exhibit similar spectral characteristics. Existing multispectral remote sensors lack sufficient spectral resolution to distinguish impervious surface materials from bare soil. Thus, using the techniques on the basis of spectral characteristics alone hampers the improvement of the accuracy of impervious surface inversion. Other secondary data, such as LiDAR data, are expected to help solve this bottleneck in future research on the remote sensing-based retrieval of impervious surfaces.

Key words

impervious surface , remote sensing , information retrieval , image processing , ecological environment

1 引言

全球范围内的土地利用变化已使得地表在过去的100年里发生了显著变化，其最重要的特征之一就是大量的不透水面取代了以植被为主的自然景观。不透水面是指由各种不透水建筑材料所覆盖的表面，如由瓦片、沥青、水泥混凝土等材料构成的屋顶、道路和广场。由于不透水面会阻止水的下渗，阻断自然地表的蒸散作用，并由此给全球的生态环境带来负面影响，因此从20世纪90年代起就逐渐引起了人们的关注，并认识到不透水面是影响环境的关键因子(Schueler，1994)。当地表不透水面率达到10%时，流域水质就会受到影响，而达到30%时流域的水质便会下降(Arnold和Gibbons，1996)；高不透水面率的城市地表由于地表热平衡受到破坏使得夏季增温现象明显，城市产生严重的热岛效应(徐涵秋，2009)；高不透水面率的城市地面还会使暴雨时地表径流量增大4–5倍，导致城市内涝(Arnold和Gibbons，1996)；除此之外，不透水面的广泛存在也影响了生物的迁徙，破坏了自然生态系统。因此，及时掌握不透水面分布信息，准确量化地表不透水面比例，对于保护生态环境具有重要的意义。美国国家土地覆盖数据库(NLCD)早在其2001版中就加入了不透水面专题层，供广大用户使用。

传统获取城市不透水面信息的手段主要采用人工测绘，它耗资巨大、实时性差、数据难以及时更新。随着卫星对地观测技术的快速发展，越来越多的不透水面信息遥感反演方法被相继提出，为不透水面信息的快速获取提供了成本效益比高的方法。本文拟重点对城市不透水面的遥感研究进行回顾和总结，主要侧重于针对不透水面反演提出的创新技术与方法，并对每种技术方法进行剖析，使读者能够较清楚地认识到它们的优缺点，所涉及的遥感数据主要为城市遥感中常用的中、高分辨率卫星影像。此外，本文还基于文献检索，对中国的不透水面遥感研究进行了分析。

需要说明的是，“不透水面”在国内也被翻译成“不透水层”。从英文impervious surface来看，surface一词明确指的是表面，而“层”可以是“表层”、也可以是“下层”或“夹层”，后二者则无“面”的意思。从CNKI检索来看，翻译成“不透水面”的占82%，翻译成“不透水层”的占18%，因此本文将采用“不透水面”一词。

2 不透水面反演算法

在Web of Science核心库上以主题词“imperv*”+“remote* sens*”检索，发现涉及不透水面遥感方面的SCI(含SCIE，下同)论文共有385篇(截止到2016年5月28日)，而其中在2000年之前发表的只有5篇，这说明国际上不透水面遥感研究在2000年后明显增加，现有针对不透水面遥感的技术也绝大部分都是在2000年以后提出的，以下逐一进行分析。

2.1 光谱混合分析法SMA(Spectral Mixture Analysis)

(1) 固定端元光谱混合分析法：光谱混合分析是广泛使用于中分辨率遥感影像中的不透水面反演方法。由于中分辨率影像的空间分辨率通常为数十米，因此普遍含有混合像元。通过光谱混合分析方法分解出每个像元中各种地物端元(endmember)所占的比例，则可以明显提高中分辨率遥感影像的解译精度。在光谱混合分析法中，线性光谱混合分析LSMA(Linear SMA)是采用的最多的方法，其基本模型为：

$ {R_b}=\sum\limits_{i=1}^N {{f_i}{R_{i,b}}+{e_b}} $

(1)

式中，R_b是影像b波段的反射率；N是终端地类的数目；f_i是终端地类i的权重；R_i_{, b}是终端地类i在b波段的反射率；e_b是残差。另外，上式还必须满足$ \sum\limits_{{\rm{i}} = 1}^{\rm{N}} {{f_{\rm{i}}} = 1} $，且f_i≥0这两个条件。

Ridd(1995)提出了著名的V-I-S模型，他把城市地表视为植被(vegetation)、不透水面(imperviousness)、土壤(soil)三者的线性组合，这一固定端元的概念模型随即被许多研究所采用。Wu和Murray(2003)将此概念模型应用在Landsat ETM+影像上，实现了真正意义上的可操作的混合像元光谱分解。Wu和Murray(2003)将城市地表分为4个端元，分别为：高反照率地物、低反照率地物、植被和土壤。通过最小噪音分量变换(MNF)、像元纯净指数计算(PPI)等一系列步骤，将每幅城市影像分解为以上4个端元的4幅分量影像，进一步将高反照率分量影像与低反照率分量影像相加，得到了不透水面影像，该影像中每个像元的值即为分解出的不透水面比例值，精度验证表明该方法的RMSE为10.6%。

由于LSMA方法具有较好的理论基础和算法框架，加上遥感商用软件提供了实现线性光谱分解的实用工具，因此LSMA是当前广为使用的不透水面反演算法。3篇相关论文(Ridd，1995；Wu和Murray，2003；Wu，2004)分别以505、318和192次，分列不透水面遥感SCI高引论文的第1、2、4名。但是LSMA方法也存在以下问题：一是仅用1或2个固定端元无法有效地代表城市中的各种不透水面物质，因此许多裸土会混在不透水面信息中；二是由于V-I-S模型没有考虑到水体，造成水体信息与低反照不透水面信息相混，因此必须事先掩模去水体；三是由于多光谱影像的光谱分辨率有限，因此不易获取代表纯净像元的端元光谱特征；四是计算复杂，难以用于大面积不透水面信息的提取。

为了解决以上问题，有多种方法相继提出。如为减少端元内的光谱变异性，Wu(2004)在线性光谱变换前，先对影像光谱进行正规化，有效地改善了不透水面反演结果；为提高端元选择的准确性，唐菲和徐涵秋(2014)采用高光谱影像Hyperion来选取地物端元。Hyperion是高光谱影像，其多达242个的波段数显然有助于端元的选择，但却增加了波段间的冗余度，因此如何从中选取有效的特征波段就成了研究的关键。通过一系列判别分析，唐菲和徐涵秋(2014)从中选取出11个最有效特征波段来进行端元选取(图 1)，并把这11个波段同时用于3对不同城市的Hyperion与TM/ETM+的同步影像对中。结果发现，由此选取的端元更为准确，大大减少了土壤、阴影和不透水面的混淆。在3个城市反演出的不透水面精度都要高于TM/ETM+，R²提升了9.6%—17.3%；RMSE减少了23.3%—33.6%。

图 1 Hyperion影像特征波段选取流程图，Λ为波段选择标准度量值(唐菲和徐涵秋，2014)

Fig. 1 Flowchart of feature band selection for Hyperion imagery(Tang & Xu, 2014)

(2) 多端元光谱混合分析法。Roberts等人(1998)提出了多端元光谱混合分析法MESMA(Multiple Endmember Spectral Mixture Analysis)。该方法考虑到不同像元内的地物类别并不相同，因此像元的端元必须要有变化性。不同像元可以采用不同地物的端元组合来进行分解，以解决SMA的固定端元限制问题。Rashed等人(2003)采用了MESMA法来反演洛杉矶的不透水面，利用63个由2—4不等的端元组成的模型对影像的各像元进行混合光谱分析。该方法允许影像中每个像元的端元数和类型都是可变的，然后选用多种指标对这些多端元模型进行遴选，最后找出影像中适合各个像元分解的最优模型，并由它们形成城市地表的4个主分量(植被、不透水面、土壤、水体或阴影)。Powell等人(2007)也采用了MESMA法，其初选的终端模型多达1137个，通过筛选出最低RMSE误差和最低复杂度的模型作为每个像元的优选模型，然后由它们获得连续的不透水面端元分量影像(图 2)。Fan和Deng(2014)对MESMA法进行改进，提出了SASD-MESMA法(Spectral Angle and Spectral Distance MESMA)，运用光谱角和光谱距离来评估光谱库的光谱和影像光谱之间的相似性，以利于识别最有代表性的端元。

图 2 MESMA法流程图(译自Powell等，2007)

Fig. 2 Flowchart of MESMA(translated from Powell et al., 2007)

2.2 指数法

指数法是通过遥感光谱指数来增强和提取不透水面信息。在针对不透水面信息的专题指数尚未提出以前，学者主要依据不透水面和植被的负相关关系来提取不透水面信息。

(1) ISA指数：Carlson和Arthur(2000)基于像元二分法的思想创建了ISA(Impervious Surface Area)指数，将城市建成区每个像元视为仅由不透水面和植被组成，并指出不透水面与植被覆盖度呈负相关关系，因此将ISA定义为1与植被覆盖度之差，即：ISA=(1–Fr)_dev，式中Fr为植被覆盖度，dev代表已开发的建筑区。

ISA的值介于0—1之间，因此应用该指数可以获得连续的不透水面比例信息。使用该指数需要注意的是：首先公式中的Fr采用的是Carlson和Ripley(1997)提出的植被覆盖度，即取平方的植被覆盖度，这对植被覆盖度较低的城市建成区比较适合，它可以避免因植被覆盖度的高估而导致的不透水面低估；其次由于该指数将像元简单地定义为仅由不透水面和植被组成，因此该指数只能用于以植被和不透水面为主的地区，不宜用于有裸土和水体的分布区，也正因为此，Carlson和Arthur(2000)在其公式中加入了dev下标，特指该指数只适用于建筑区。如果要将该指数用于非建筑区，则必须事先掩模去水和裸土等像元，否则会造成不透水面的高估。

ISA指数计算简单，是不透水面指数中应用最多的指数，发表该指数的论文已被SCI论文引用165次，列不透水面遥感SCI高引论文的第9名。

(2) NDISI指数：Xu(2010)提出了第1个直接针对不透水面特性建立的不透水面指数NDISI(Normalized Difference Impervious Surface Index)。Xu(2010)认识到组成地表不透水面物质差别很大，其光谱响应特征各异，因此必须从性质各异的不透水地表物质中找出它们共有的光谱响应特性，才有可能建立不透水面指数。通过考察各种主要地类的反射光谱特征后，Xu(2010)发现：不透水面地类虽然差别较大，但它们普遍具有在热红外波段辐射率高，在近红外波段反射率低的特征；此外植被在近红外波段具有远高于不透水面地类的反射率。因此，采用热红外与近红外波段的比值可以有效地增强不透水面地类信息。这一比值的科学意义是明显的，不透水面地类普遍具有很高的热辐射能力，但却完全不具备植被生长的条件，因此以表征地物热辐射能力的热红外波段和代表地表植被生物量的近红外波段为基本框架构成的比值运算，可以最大程度地突出不透水面信息。但是由于土、砂和水体也具有相似的特征，如果仅采用热红外与近红外波段的比值运算，其所增强的不透水面信息中必然会混有砂土和水体的信息。显然，采用传统的双波段比值增强法来构成新的指数是不可行的。作者在进一步的研究中发现，土壤和砂地在中红外波段(1550–1750 nm)和可见光波段普遍具有比不透水面地类高的反射率，而水体则在可见光波段具有比不透水面地类高的反射率。因此，NDISI指数采用复合波段比值法来构建，即在不透水面弱反射的近红外波段上，进一步加入中红外和可见光波段，构成不透水面地类的弱反射组，以使不透水面信息与砂土和水体区别开来，即：NDISI=[TIR-(MIR+NIR+VIS)/3]/[TIR-(MIR+NIR+VIS)/3)]，其中TIR、MIR、NIR和VIS分别为热红外、中红外、近红外和可见光波段，其中VIS也可根据水体的情况选用MNDWI水体指数(Xu，2006)替代。NDISI还可以借鉴植被覆盖度的方式进一步转换为连续的不透水面比例。经Landsat与ASTER影像的测试，NDISI的RMSE为7.87%，R²为0.91。

NDISI指数是第一个真正意义的不透水面指数，它可以较好地区别不透水面和砂土信息(Ma等，2010；Balçik，2014；林蔚等，2015)，且不需要预先掩模水体，因此被李德仁等人(2016)称为高效且计算相对简单的方法；Tullis等人(2010)、Zhang等人(2013)也都将NDISI称为创新技术；Wentz等人(2014)则指出NDISI可以量化像元的不透水面比例。NDISI指数创建的另一作用就是使得不透水面信息可以像植被指数NDVI那样与其他生态环境因子进行大样本量的定量关系分析。正是这种大样本量的分析，Xu(2010)发现不透水面与地表温度呈指数函数关系，而不是通常认为的简单线性关系。这一指数函数关系已被许多后续研究所证实(Balçik，2014；Meng等，2014；吴昌广等，2015)。

在使用中也发现，NDISI的缺点在于其所使用热红外波段具有较低的分辨率(60—120 m)，虽经与多光谱波段的混合计算起到了一定的融合细化作用，但仍然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影像进行细化，然后再计算指数，可以明显提高NDISI影像的清晰度(图 3)。另外，计算NDISI计算必须重点注意以下两个步骤：一是由于热红外波段的量纲与多光谱波段不一致，所以必须先将热红外波段按多光谱波段的数值范围进行拉伸；二是必须经过测试来决定是采用VIS波段或MNDWI波段来计算NDISI，不要随意代入VIS或MNDWI波段就进行计算，如果选用MNDWI波段，还必须同样对其按多光谱波段的数值范围进行拉伸。如果忽略了以上两点，则不易获得理想的结果，这也很可能是有些NDISI应用精度不高的原因。

图 3 基于NDISI指数的不透水面提取

Fig. 3 NDISI-based impervious surface extraction

(3) MNDISI指数：Liu等人(2013)在NDISI的基础上提出了MNDISI指数(Modified NDISI)，其表达式为：MNDISI=[(TIR–LIT)–(MIR+SAVI)]/[(TIR+LIT)+(MIR+SAVI)]，LIT为夜间灯光影像，SAVI为土壤调节植被指数。该指数通过加入夜间灯光数据来增强不透水面信息，抑制其他背景地物信息。由于该方法使用的是较少见的高分辨率夜间灯光数据，可能会限制该指数的实际应用(Zhang等，2015)。另外，使用该指数必须预先掩模水体，也增加了方法的复杂性(Wang等，2015)。该指数迄今尚未获得第三方应用，可能与这些因素有关。

(4) NDII指数：Wang等人(2015)提出了NDII指数(Normalized Difference Impervious Index)，其构建形式为：NDII=(VIS-TIR)/(VIS+TIR)。与NDISI比较可以发现，NDII同样采用了TIR热红外波段与VIS可见光波段来构建指数。由于Wang等人(2015)预先掩模去影像中的裸土和水体，然后将每个像元视为仅由不透水面和植被组成，因此用户如要使用NDII就必须预先掩模去裸土和水体。由于裸土本身就容易与不透水面相混，因此预先掩模裸土并非易事。另一个问题是Wang等人(2015)采用VIS减去TIR来构建NDII指数，这一构建原理恰好与NDISI相反，主要依据是其文章中图 2的光谱曲线图，但该图存在一定的错误：一是该图的纵坐标表示的是反射率，而热红外波段表征的并不是反射率，因此将量纲不统一的波段放在一起比较是不合适的；二是在其图 2中，TIR波段的值离奇地小于VIS波段，以致作者将其作为用VIS减去TIR的指数构建依据。显然，这一指数构建的依据并不可靠。

(5) P指数：Ma等人(2010)将NDISI指数、IBI建筑指数(Xu，2008)和经LSMA反演得到的不透水面影像(ISA)集成在一起，构建了用于增强不透水面信息的P指数，即：P=e^{2[(NDISI+IBI+ISA)/3]}。该指数是一种经验指数，其通用性还有待检验。由于该指数实际上集成了3种方法，其中还包含由计算复杂的LSMA获得的ISA，因此其实际应用会受到明显的限制。

(6) 三指数法：三指数法是指由3个不同的指数或分量来构建新的指数(Xu，2008)。

BCI指数：Deng和Wu(2012)提出了BCI指数(Biophysical Composition Index)用于提取不透水面信息，其指数由缨帽变换的3个分量来构成，即：BCI=[(TC1+TC3)/2–TC2]/[(TC1+TC3)/2+TC2]，其中TC1、TC2和TC3分别为缨帽变换的亮度、绿度和湿度分量。

该指数创建的基本思想是：亮的不透水面具有高的TC1值，暗的不透水面具有高的TC3值，而植被具有高的TC2值。因此，Deng和Wu(2012)认为高亮的不透水面将具有最高的BCI值，其次为暗的不透水面，而土壤则具有负的或接近0的BCI值。在实际应用中可以发现BCI在抑制植被信息比较有效，但提取的不透水面中会混有土壤的信息(图 4(a)—(c))，主要的原因是暗色不透水面的BCI值经常低于土壤，而不是高于土壤。在TC1和TC2以及TC2和TC3构建的特征空间中，土壤和暗色不透水面的散点分布椭圆会出现重叠(图 4(d)—(f))。从指数构建机理来看，BCI采用代表水体的湿度分量(TC3)来代表暗色不透水面并不合适，这意味着暗色不透水面会与水体混淆，因此在计算BCI时还需预先掩模掉水体。

图 4 基于BCI指数的不透水面提取

Fig. 4 BCI-based impervious surface extraction

Sun等人(2016)提出了CBI指数(Combinational Built-up Index)用于提取不透水面，即：CBI=[(PC1+NDWI)/2-SAVI]/[(PC1+ NDWI)/2+SAVI)。不难发现，该指数的3个分量与上述BCI几乎一样，只是用PC1(第一主成分)替换BCI中的TC1分量，用NDWI水体指数替换TC3湿度分量，用SAVI植被指数替换TC2绿度分量，因此两个指数的本质是一致的。图 5是采用CBI和BCI对图 3(a)进行不透水面提取的结果，可以看出二者的结果很接近，图 3(a)矩形中的裸土都混进了提取出的不透水面信息中，只不过CBI混得更为严重。

图 5 不透水面提取结果图

Fig. 5 Extracted impervious surfaces of BCI and CBI

Xu(2008)针对城市建成区地表覆盖以建筑物、植被和水体为主的特点创建了三指数法，并提出了IBI建筑指数。该指数首次采用指数波段(而不是影像的原始波段)来构建指数。他选用了NDBI建筑指数、SAVI植被指数和MNDWI水体指数来分别代表城市的3种主要地类，即：IBI=[NDBI-(MNDWI+SAVI)/2]/[NDBI+(MNDWI+SAVI)/2]。现在这种3指数的构建形式已被广泛接受。以上无论是BCI或者是CBI采用的都是这种3指数形式，而且指数的构建变量也基本一致，即都采用代表建筑、水体、植被的3个指数或分量来构建指数(表 1)，仅是在所选择的代表指数或分量上有所不同，说明这些指数的构建机理是相同的。由于这些变量之间具有明显的相关性(表 2)，因此它们在建筑不透水面的反演上，不会有太大区别。所不同的只是由于IBI不用预先掩模水，因此在公式的构建上与BCI和CBI略有不同。

表 1 IBI、BCI和CBI指数构成的3个变量对比
Table 1 Comparison of three variables of IBI, BCI and CBI

下载CSV

	IBI(Xu，2008)	BCI(Deng和Wu，2012)	CBI(Sun等，2016)	作用
变量1	NDBI(建筑指数)	TC1(亮度分量)	PC1第一主成分	代表建筑和中、高反照地物
变量2	SAVI(植被指数)	TC2(绿度分量)	SAVI(植被指数)	代表植被
变量3	MNDWI(水体指数)	TC3(湿度分量)	NDWI(水体指数)	代表水体

表 2 IBI、BCI和CBI指数各个变量之间的相关度(R)
Table 2 Correlation(R)of each variable of IBI, BCI and CBI

下载CSV

	TC1	NDBI	PC1	TC2	SAVI	TC3	MNDWI	NDWI
TC1	1	0.796	0.998
NDBI	0.796	1	0.855
PC1	0.998	0.855	1
TC2				1	0.921
SAVI				0.921	1
TC3						1	0.773	0.716
MNDWI						0.773	1	0.824
NDWI						0.716	0.824	1

2.3 决策树模型

(1) 基于回归分析的决策树模型。分类回归树(CART)模型是当前不透水面反演中用得较多的方法。CART是一种二分递归的决策树结构模型，它根据训练数据产生的规则来预测连续变量。其中每个规则定义了多变量线性回归模型建立的条件。CART模型可以有效处理大量数据、高维数据和非线性关系数据，并且对输入数据没有统计分布要求，输入数据也可以是连续的或离散的，因此有利于大范围不透水面信息的提取。

Yang等人(2003)借助1 m的高分辨率数字正射影像DOQ(Digital Orthophoto Quadrangle)和1 m的IKONOS融合影像来获取Landsat影像的不透水面信息。作者通过将高分影像获得的不透水面比例信息与Landsat影像进行多变量回归分析，求取二者之间的相关关系模型。以Yang等人(2003)研究的美国Sioux Falls市为例，先将IKONOS影像进行非监督分类，获得像元尺度为1 m的不透水面影像，然后将1 m不透水面影像按与ETM+分辨率相同的30×30 m网格求出每个30 m²网格中的不透水面比例，再将其与两幅代表落叶前和落叶后的ETM+影像的20个因子进行回归分析，最后确定出落叶前影像中的绿度分量、第4、7、3波段这4个因子为最重要的因子，并据此建立分类回归树模型以获得整个Sioux Falls市的不透水面比例图。当前，美国NLCD数据库中的不透水面数据层的制作采用的就是这一技术。该方法的误差(平均为8.8%—11.4%)仍主要来自于不透水面与砂土石信息的混淆。

Xian和Crane(2005)、Xian等人(2008)同样利用1 m分辨率DOQ影像的不透水面比例信息与Landsat影像的多光谱波段建立回归关系，然后利用回归树模型来反演不透水面信息，并借助热红外波段、坡度因子和NDVI指数来去除误分的像元。Shao等人(2015)也用类似的方法对中巴卫星CBERS-2B进行不透水面亚像元分类，其结果的R²可达0.81，RMSE为11.3%。

(2) 基于规则的决策树模型。由于高分影像的光谱波段数较少，从而限制了光谱混合分析法的使用。高分影像通常又没有中红外、热红外波段，而现有的指数法大多需要中红外或热红外波段，这也给高分影像的不透水面提取带来很大的困难。为此，Lu等人(2011a)采用混合规则法来反演QuickBird影像的不透水面信息，并与最大似然分类法、图像分割法对比。结果发现混合规则法的精度最高。作者先根据NDVI植被指数和NIR近红外波段建立规则来掩模去植被和水体，然后对剩余的影像进行非监督分类，分离出不透水面和非不透水面信息，最后辅以人工修改获得不透水面信息，其总精度可达98%。

Xu(2013)则针对高分影像波段数少、光谱分辨率低的问题，在IKONOS、ALOS与SPOT 5等高分影像中，通过增加NDVI植被指数与NDWI水体指数波段来扩充原始影像的数据维，并摒弃了可见光中冗余的蓝、绿波段，最后选用红光、近红外、NDVI、NDWI(指数)波段来建立规则(图 6)，提出了一种基于分层分类提取规则的不透水面信息反演方法，较好地解决了高分辨率影像由于波段数量有限，缺少中红外波段而无法很好地获取不透水面信息的这一难题。该方法提取精度可达95%，明显高于支持向量机和最大似然分类法得到的精度。Xu(2013)进一步将统一的规则使用在其他不同的验证影像和验证地点上，也获得了88%—91%的总精度，说明该算法具有较好的通用性。

图 6 基于规则的高分辨率影像不透水面信息提取图(Xu，2013)

Fig. 6 Rule-based extraction of impervious surface from a high-resolution IKONOS image(Xu, 2013)

Parent等人(2015)同样在1 m的航空影像的4个波段中加入NDVI植被指数波段，以增加影像的光谱分辨率，然后与LiDAR数据结合对8种地类进行基于规则的分类研究。他们为每种地类建立了2—6条不等的分类规则，结果获得了93%的总精度。而其中建筑物类的精度最高，无论是生成者精度或者用户精度都大于97%(图 7)，这可能得益于所加入的LiDAR高程数据，使得原本分类精度较低的建筑类获得了最高的精度。但也正是LiDAR高程数据，使得建筑类的分类误差主要出现在其与中等以上高度的树木之间。

图 7 基于航空影像和LiDAR数据的不透水面分类(Parent等，2015)

Fig. 7 Impervious surface classification based on airbone and LiDAR data(Parent, et al., 2015)

2.4 回归模型法

(1) 基于植被的回归模型法。Bauer等人(2007)将Landsat TM/ETM+影像缨帽变换的绿度分量与1 m的DOQ影像中获取的不透水面比例信息进行回归分析，获得二者的回归关系模型，然后根据该模型对绿度分量进行变换，获得初始不透水面影像，接着又将初始不透水面影像再次与DOQ影像的不透水面比例信息进行校正，修改回归方程系数，再以新的回归模型对初始不透水面影像进行变换，最终获得不透水面比例影像。其精度的平均标准差为11.7%、平均R²为0.87。该方法是基于不透水面与植被的绿度分量具有显著的负相关关系这一原理创建的。但是正如所有的基于植被信息反演不透水面的方法那样，这一方法也同样存在不透水面信息与裸土相混的情况。因此作者进一步借助其他辅助图件掩模去裸土信息，同时也强调应采用夏季的影像以获得不透水面和植被之间的最大反差。

(2) 基于不透水面的回归模型法。Lu等人(2011b)同样采用与高分影像不透水面信息建立回归关系来反演Landsat TM影像的不透水面信息。与Bauer等人(2007)不同的是，作者直接用TM影像分离出的原始不透水面比例信息来与QuickBird高分影像的不透水面比例信息建立回归关系，然后用所取得的关系式对原始的TM不透水面影像进行校正，获得最终的不透水面影像，精度为R=0.89，RMSE=12.8%。

2.5 其他基于分类的方法

以上分析的都是特别针对遥感不透水面专题信息反演提出的创新技术方法。而常规的遥感分类方法中，也有许多可以用于不透水面信息的分类。

(1) 最大似然分类法。最大似然分类法是基于概率判别规则的传统分类法，对于某一个特定的像元来说，在一个预先设定的N个分类训练数据集中，它需要计算出该像元属于该数据集中每一类的概率，然后将这个像元归属到其中概率最大的那一类(Jensen，2015)。最大似然分类法是早期不透水面分类的常用方法(Plunk等，1990；Madhavan等，2001；Jennings等，2004；Gluch等，2006；陈爽等，2006)。然而，最大似然分类法是一种参数分类器，其重要前提是假设数据具有正态分布的特征，而许多分类数据并不满足这一要求，特别是在异质性的城市地表。最大似然法是一种逐像元分类法，每个像元都被“硬”归入某一类别，忽略了混合像元的存在。另外，对于广泛存在的同物异谱和异物同谱现象，基于概率的最大似然分类法也没有特别有效的解决方法。

(2) 面向对象分类方法。随着大量高空间分辨率遥感影像的出现以及遥感商业软件的发展，面向对象方法被广泛应用于高分遥感影像的土地利用分类中。这种方法不直接对影像的像元进行分类，而是按照一定的标准先对影像进行分割，然后再对分割出的对象进行分类。面向对象的方法综合考虑影像的光谱、纹理、空间等方面的特征，使得高空间分辨率遥感影像中包含的信息能得到充分运用，便于识别和提取容易混淆的地物(Benz等，2004；Jensen，2015)。由于该算法的最小处理单元为对象，而不是像元，因此其分类结果影像的图面具有较好的完整性，少有基于逐像元分类中常见的所谓“椒盐”现象。已有很多学者将面向对象法应用于不透水面的分类中(Jin等，2005；孙志英等，2007；Zhou和Troy，2008；Van de Voorde等，2009；Hu和Weng，2011；Sebari和He，2013)，有的研究认为面向对象分类法会比最大似然分类法获得更高的精度(Yuan和Bauer，2006)。

由于图像分割是该方法的关键步骤，遥感影像中的光照差距、噪声、阴影等都会影响分割的准确性。再加上现有的分割方法都是因图而异，还缺乏通用的分割算法，在选取图像分割优化参数方面的困难也给该方法的推广带来很大的难度(Lu等，2014)。目前，该方法对于高分辨率影像中常见的阴影和光谱混淆问题也还缺乏有效的解决办法(Lu等，2011a；Hu和Weng，2011)。

面向对象方法的一个普遍认为的优点是它可以消除逐像元分类中常见的椒盐信息，因此被认为优于最大似然等逐像元分类法。但是这些所谓的“椒盐”究竟是否为无用的噪音信息还有待商榷。分米级、米级高分辨率影像的出现使得地表的每一微细地物都得以分辨出，如零星散布在建筑群中的树在这类影像中往往只有1—2个像元。在逐像元分类中，这些零星的树一般都可以被分出来，但在面向对象的方法中，它们往往被作为斑点噪音被剔除。这样的后果是面向对象方法的结果图面更整洁、美观，没有“椒盐”，而最大似然法的结果图面因为有这些树的斑点而显得凌乱。但从面积统计来看，面向对象分类结果的建筑群由于消除了树的斑点，因此必然造成建筑面积的高估，而最大似然分类的结果图面虽然不美观，但其建筑面积的估算可能更准确。另外，采用高分影像的初衷就是要分辨地表的细节，如房前屋后的每一棵树、每一块小草坪。如果把这些细节都抹去了，则采用高分影像的意义就不大了。

(3) 人工神经网络分类法ANN(Artificial Neural Network)：人工神经网络是由大量简单的神经元连接成的复杂网络，它能够模仿人类神经系统的结构和功能来接收、处理、贮存和传输数据，具有并行处理、自组织、自学习等特点。人工神经网络的优势是在于它是非参数分类器，无需假设数据呈正态或线性分布，只需要少量的样本就可以处理非线性关系，并且能够融合光谱特征以外的辅助数据和先验知识，能够将不同的数据进行综合分析，具有较好的容错特性(Paola和Schowengerdt，1995；Atkinson和Tatnall，1997；Pal和Mather，2003)。

ANN既可以作为逐像元的分类器，也可以与亚像元分类方法相结合进行不透水面的反演，其中多层感知神经网络MLP(Multi-Layer Perceptron)和自组织映射神经网络SOM(Self-Organizing Map)应用最为广泛。有些学者对这2个模型进行了对比研究，如Ji(2000)对比了MLP和SOM算法，结果发现SOM在逐像元的分类上精度更高；Hu和Weng(2009)采用SOM和MLP模型的不透水面提取结果也表明SOM比MLP的效果会稍好些，尤其是在居民区的提取上。另有不少学者则开展了ANN与线性光谱混合分析模型的对比，Weng和Hu(2008)对比MLP和LSMA不透水面提取效果的研究表明，MLP提取的不透水面信息精度会比LSMA高约7%–12%，作者将其归功于ANN能够处理非线性的混合光谱问题。Van de Voorde等人(2009)同样比较了MLP和LSMA的不透水面估算精度，结果证明MLP的平均误差为10.4%，而LSMA的平均误差为12.9%。Pu等人(2008)、曹丽琴等人(2012)的类似研究也都发现人工神经网络方法估算精度高于线性光谱混合分析模型。

已有研究表明，人工神经网络分类器与传统的分类方法相比具有一定的优势, 但是存在一些不足。首先，由于ANN分类器在选择拓扑结构时经常缺乏充分的理论依据，网络连接权值的物理意义较不明确，因此人们通常难以理解其推理过程；其次，常用的MLP模型中的隐含层和隐含层结点的数量比较难确定，虽然有些用于设计隐含层结点数量的算法，但并没有得到广泛接受。另外，MLP在训练过程中出现的局部最小值问题也会明显影响结果的精度(Weng，2012)。SOM虽然没有MLP这些问题，但它的分类处理过程较慢，其分类精度很大程度上依赖于特征图谱的大小，太多或太少的神经元都会明显增加不透水面估算结果的RMSE，并且每个类别训练样本的数量也会影响SOM的分类过程(Ji，2000；Weng，2012)。此外，ANN算法对知识的表达、存储和推理是隐式的，所以它高度依赖学习样本的数量和质量，在学习上收敛速度慢、网络记忆不够稳定，并且对所输入数据的预处理要求比较高(贾坤等，2011)。

(4) 支持向量机SVM(Support Vector Machine)：SVM是一种非参数分类器，它基于结构风险最小化准则，通过在高维的特征空间中找出最优化的分类超平面来解决影像的分类问题。其突出的优点就是所需要的训练样本较少，并可获得较高的精度(Zhu和Blumberg，2002；Durbha等，2007；Heremans和Van Orshoven，2015)。从20世纪90年代起，SVM开始被应用于遥感影像的分类研究中。Foody和Mathur(2004)的研究表明SVM方法的分类精度要高于决策树和MLP分类方法。在不透水面遥感方面，Sun等人(2011)在Landsat TM影像提取不透水面的结果也表明，SVM的提取精度要优于MLP，其RMSE比后者低了近20%。谭琨和杜培军(2008)、Xu(2013)的研究也分别表明SVM的精度要高于神经网络分类法和最大似然分类法。Okujeni等人(2015)使用SVM对模拟的30 m分辨率EnMAP(Environmental Mapping and Analysis Program)高光谱数据进行不透水面分类尝试，结果表明，使用30 m高光谱数据的SVM分类器可较精细地鉴别多类不透水面信息，其精度明显高于Landsat 30 m影像获得的不透水面信息精度，并可与9 m空间分辨率影像的精度媲美，但是不透水面还是会不同程度地与土壤信息混淆。还有许多学者也先后将SVM用于反演城市不透水面信息(Esch等，2009；Leinenkugel等，2011；程熙等，2013；翟珂等，2015)。由于城市地表覆盖复杂，样本获取难度较大，在不透水面样本数据较少时，SVM的优势就显现出来。

表 3对以上各种不透水面遥感方法的分类性质、是否能够计算连续的不透水面比例，以及最适合的影像分辨率进行了总结。

表 3 主要的不透水面遥感方法
Table 3 Main methods for impervious-surface retrieval

下载CSV

	方法	逐像元	亚像元	计算不透水面比例	高分辨率影像	中分辨率影像	参考文献
光谱混合分析法	固定端元法		+	+		+	Wu和Murray(2003)，Wu(2004)
光谱混合分析法	多端元法		+	+		+	Rashed等人(2003)，Powell等人(2007)
指数法	ISA	+	+	+	+	+	Carlson和Arthur(2000)
	NDISI	+	+	+		+	Xu(2010)
	MNDISI	+				+	Liu等人(2013)
	P	+				+	Ma等人(2010)
	BCI	+	+	+	+	+	Deng和Wu(2012)
决策树模型	分类回归树CART		+	+		+	Yang等人(2003)，Xian等人(2008)
决策树模型	规则法	+			+	+	Lu等人(2011a)，Xu(2013)，Parent等人(2015)
回归模型	基于植被的回归法		+	+		+	Bauer等人(2007)
回归模型	基于不透水面的回归法		+	+		+	Lu等人(2011b)
分类法	最大似然分类法	+			+	+	Plunk等人(1990)，陈爽等人(2006)
	面向对象分类法	+			+	+	Hu和Weng(2011)，Sebari和He(2013)
	人工神经网络法	+	+	+	+	+	Ji(2000)，Weng和Hu(2008)
	支持向量机法	+			+	+	谭琨和杜培军(2008)，Esch等人(2009)，Okujeni等人(2015)
注：本文将空间分辨率为10—100 m的影像称为中分辨率，将空间分辨率≤10 m的影像称为高分辨率。

3 中国的不透水面遥感研究

在Web of Science核心库和中国知网CNKI全文数据库上对中国学者的不透水面遥感论文进行检索，英文的检索主题词与前述相同，中文则以“遥感”+“不透水面”和“遥感”+“不透水层”为主题词进行检索(检索时间截止到2016年5月28日)。共检出涉及不透水面遥感、并以中国大陆为第一作者单位的SCI论文80篇，中文论文111篇，最早发表的年份为2006年(英文)、2007年(中文)。总的来看，中国不透水面遥感研究虽然起步较晚，但发展较快，SCI论文比例从2006年占世界的8.3%，迅速上升到2016年的50%(图 8)，表明中国学者对国际不透水面遥感研究的贡献正在日益显现。

图 8 中国学者遥感不透水面SCI论文分逐年分布图

Fig. 8 Yearly published SCI-indexed papers of Chinese scholars in remote sensing of impervious surface from 2000 to 2016

表 4给出了中国最早发表不透水面遥感中、英文论文的前5本期刊和作者。从英文期刊来看，最早发表的是中国的《科学通报》和《环境科学》的英文版，这说明中国的英文期刊在早期为中国不透水面遥感研究成果走向世界起到了积极作用。

表 4 中国最早发表不透水面遥感中、英文论文的前5本期刊和作者
Table 4 Top five national and SCIE-indexed journals and authors, listed by the earliest publication of the paper in remote sensing of impervious surface

下载CSV

期刊	作者	发表日期	期刊	作者	发表日期
遥感技术与应用	林云杉等人(2007)	2007-02-28	Chinese Science Bulletin	Yue等人(2006)	2006年
中国图象图形学报	周存林和徐涵秋(2007)	2007-05-15	Journal of Environmental Sciences	Xiao等人(2007)	2007年
国土资源遥感	周纪等人(2007)	2007-09-15	International Journal of Sustainable Development & World Ecology	Liu等人(2008)	2008年
遥感学报	岳文泽和吴次芳(2007)	2007-11-15	Ecological Complexity	Li等人(2009)	2009年
武汉大学学报(信息科学版)	廖明生等人(2007)	2007-12-05	Photogrammetric Engineering & Remote Sensing	Xu(2010)	2010年

表 5列出了中国不透水面遥感中、英文论文的前5名高引作者。从表 5中可以看出，中国学者也产出了一批有一定影响力的论文。中、英文论文中都各有1篇2013年发表的论文的引用频次超过百次，其中的英文论文是中国学者唯一进入ESI地学高引论文前1%的不透水面遥感论文。但是，中国学者SCI论文的引用率还偏低，国际SCI不透水面遥感论文的篇均引用次数为20.17，而中国的只有7.1。当然，这与中国学者论文发表的时间较短也有一定的关系。

表 5 中国不透水面遥感中、英文论文的前5名高引作者
Table 5 Top 5 most cited Chinese researchers in remote sensing of impervious surface

下载CSV

作者	期刊	发表年份	引用频次	作者	期刊	发表年份	SCI引用频次
徐涵秋和唐菲(2013)	生态学报	2013	118	Gong等人(2013)	International Journal of Remote Sensing	2013	149
徐涵秋(2009)	生态学报	2009	82	Li等人(2009)	Ecological Complexity	2009	51
徐涵秋(2008)	武汉大学学报(信息科学版)	2008	60	Xiao等人(2007)	Journal of Environmental Sciences	2007	39
岳文泽和吴次芳(2007)	遥感学报	2007	60	Xu(2010)	Photogrammetric Engineering & Remote Sensing	2010	31
周存林和徐涵秋(2007)	中国图象图形学报	2007	48	Yang等人(2011)	Remote Sensing of Environment	2011	29

表 6总结了中国不透水面遥感采用的主要方法。从中可以看出，光谱混合分析法和指数法是中国学者采用的主流方法，共占58.12%，而其中又以光谱混合分析法为最多。剩下的几种算法都未超过10%，大于5%的有决策/分类回归树、支持向量机和面向对象法；而监督/非监督分类、神经网络和回归法使用的比例都较低。在国际上，各种方法的使用会相对分散，不会像中国特别集中在2种方法上。例如，光谱混合分析法虽然在国际也是排名第一，但所占比例仅有中国的一半。与国际不同的是，监督/非监督分类在中国所占比例很低，但在国际上则排名第2。这可能与中国起步较晚，当开始介入这一领域时，已有较多成熟的方法可供选择有关。指数法的使用在中国排名第二，在国际排名第三。剩下的几种算法在国际上也都未超过10%，神经网络和回归法也都未超过5%。

表 6 中国不透水面遥感研究采用的主要方法
Table 6 Main methods for remote sensing of impervious surface used by Chinese researchers

下载CSV

主要方法	中文论文	SCI论文	中国比例/%	国际比例/%
光谱混合分析法	33	31	33.51	16.36
指数法	31	16	24.61	10.39
决策树/分类回归树	8	7	7.85	5.97
支持向量机	4	8	6.28	7.27
面向对象	5	5	5.24	7.53
监督/非监督分类	3	4	3.66	11.69
神经网络	4	3	3.66	2.86
回归	0	1	0.52	4.94
其他	23	5	14.66	32.99
注：中国的比例是将中英文论文的数字相加计算。

4 结语

不透水面遥感研究在2000年后步入快速发展阶段，多种针对不透水面信息反演的技术相继提出，它们在生态环境、热岛监测、城市规划等领域得到广泛的应用。随着中国新型城镇化的建设，以及一系列生态城市、海绵城市的建设，不透水面遥感将得到越来越广泛的应用，但在使用中应重点考虑以下几个方面：

(1) 逐像元分类与亚像元分类。就不透水面分类而言，无论是参数或非参数分类，逐像元分类都是将影像中的每个像元指定为不透水面像元或非不透水面像元，二者必居其一，因此也被称为“硬”分类。逐像元分类往往只有一张结果图，它的主要缺点之一就是忽略了混合像元问题，而混合像元又在中分辨率影像中普遍存在，因此给不透水面分类结果带来一定的不确定性。

亚像元分类是针对混合像元的分类方法，它不将每个像元强行归为某类，而是计算每个像元中各组成地类端元所占的比例。因此亚像元分类可以获得1张也可以获得多张分类结果图(或称为分量图)，每一张图代表某一个端元的比例图。就不透水面结果图而言，它表示的是各像元中不透水面所占的比例，因此可以更准确地反映不透水面分布的实际情况。如1个30 m分辨率的像元，经过亚像元分类确定不透水面所占比例为70%，则该像元代表的不透水面面积为(30×30 m)×0.7=630 m²，但如果是逐像元分类，其面积就是(30×30 m)×1=900 m²，多估了270 m²。但是亚像元分类的这一优点经常被忽略，许多采用亚像元分类的研究在计算面积时，采用的仍然是逐像元分类的方法。

(2) 现有不透水面遥感算法大部分都是针对中分辨率影像，许多算法都应用到中红外、热红外这些有利于建筑不透水面识别的光谱波段。但现有的高分辨率影像中除了少数具有中红外波段外，大部分只有可见光和近红外波段，从而限制了这些算法的使用。当前针对高分影像开发的算法还很少，这给高分辨率影像不透水面的提取带来较大的困难。另外，高分辨率影像的混合像元问题虽然得以缓解，但阴影又成为影响不透水面反演精度的一个突出问题。

(3) 除了指数、决策树方法外，其他大部分算法计算复杂，很多算法都是以一小块影像为例进行实验，许多还需要预先剔除水体信息，因此难以在大范围里使用。另外，许多算法都是针对某一特定影像或特定地区，通用性不强，因此也难以推广。而指数和决策树算法中有的无法准确区别不透水面和裸土信息，有的受制于植被的季相，有的分辨率还有待于提高。

当前，不透水面信息和砂土石信息的混淆仍是许多算法不能解决的问题。其根源在于：许多建筑、铺路材料本身就是石质(如各种板材)，或由石料、粘土煅烧而成(如水泥来源于石灰岩，各种建筑外墙贴面砖、铺地砖来源于粘土)。因此它们都不同程度地保持了其原材质的光谱特征，使得建筑、铺路材料和砂土石具有相似的光谱，导致它们之间的混淆。以不透水面的最主要材质—建筑混凝土为例，它是由水泥、碎石和砂子按一定比例配置而成，其中碎石常以抗风化强、石英含量高的花岗岩石为主。图 9给出了这3种组成物质、两种混凝土和土壤的反射光谱曲线。从图 9中可以看出，两种混凝土在可见光—近红外波长处的反射光谱特征与花岗岩相似，而在中红外波长处则综合了花岗岩和砂子的反射特征。从反射强度来看，在3种组成混凝土的材料中，石灰岩(水泥的原材料)反射率最低，花岗岩次之，砂子最高，因此由它们组成的混凝土的反射强度介于3者之间，由它们的比例来决定。而土壤是砂的进一步风化产物，除了粒度更细、反射更强外，其反射曲线特征与砂子几乎一样，与铺路混凝土也很接近。

图 9 混凝土及其组成物质的光谱反射特征(据ENVI软件光谱库)

Fig. 9 Spectral characteristics of construction concrete and its component materials(from spectral library of ENVI package)

以上分析可以看出，混凝土与砂、石、土具有类似的反射光谱特征，在中红外波长处的反射峰、谷的位置基本一致，这也是现有许多方法无法解决以混凝土为主的不透水面与砂土石信息混淆的根本原因。

总的来看，在现有方法存在的问题中，不透水面和砂土石信息的混淆仍是最主要问题，借助高光谱分辨率传感器数据可能有助于改善这一问题(唐菲和徐涵秋，2014；Okujeni等，2015)。但是，由于当前高光谱分辨率数据极为有限，单从光谱的角度可能很难彻底解决这一问题，只有借助其他辅助信息，如：

(1) 由于裸土的纹理、几何形态和建筑、道路等不透水面会有较大的区别，因此采用有效的特征纹理信息辅助分类将有望提高精度。

(2) 选用正确季相的影像有利于避免裸土和不透水面信息的混淆。由于夏季影像的裸土或多或少会有植被覆盖，地表裸露面积减少，因此选择夏季的影像会比秋冬季的影像更有利于不透水面信息的提取。

(3) 近年来随着LiDAR数据的普及，已有一些研究利用该数据来辅助提取不透水面信息，获得很好的效果，其精度往往都在90%以上(Brennan和Webster，2006；Zhou和Troy，2008；Tiwari等，2009；Singh等，2012；Parent等，2015)。显然，加入LiDAR高程数据的建筑物可以比较容易地和裸土区别开来。

中国的不透水面遥感虽然起步较晚，但发展很快，中国学者发表的不透水面遥感SCI论文在2016年已占世界同期这方面SCI论文的50%，并涌现出一些有影响力的高引论文和创新技术，受到了一定的好评。当前中国学者采用的主流算法是光谱混合分析法和指数法，这与国际比较相似，但其集中度要比国际高很多。

参考文献(References)

Arnold C L, Gibbons C J.1996.Impervious surface coverage:the emergence of a key environmental indicator. Journal of the American Planning Association, 62 (2): 243–258. DOI: 10.1080/01944369608975688.

Atkinson P M, Tatnall A R L.1997.Introduction neural networks in remote sensing. International Journal of Remote Sensing, 18 (4): 699–709. DOI: 10.1080/014311697218700.

Balçik F B.2014.Determining the impact of urban components on land surface temperature of Istanbul by using remote sensing indices. Environmental Monitoring and Assessment, 186 (2): 859–872. DOI: 10.1007/s10661-013-3427-5.

Bauer M E, Loffelholz B C, Wilson B. Estimating and mapping impervious surface area by regression analysis of Landsat imagery//Weng Q H, ed.Remote Sensing of Impervious Surfaces. Boca Raton, Florida: CRC Press 2007 : 3 -19.

Benz U C, Hofmann P, Willhauck G, Lingenfelder I, Heynen M.2004.Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information. ISPRS Journal of Photogrammetry and Remote Sensing, 58 (3/4): 239–258. DOI: 10.1016/j.isprsjprs.2003.10.002.

Brennan R, Webster T L.2006.Object-oriented land cover classification of lidar-derived surfaces. Canadian Journal of Remote Sensing, 32 (2): 162–172. DOI: 10.5589/m06-015.

Cao L Q, Li P X, Zhang L P, Xu X.2012.Estimating impervious surfaces using the Fuzzy ARTMAP. Geomatics and Information Science of Wuhan University, 37 (10): 1236–1239. ( 曹丽琴, 李平湘, 张良培, 许雄. 2012. Fuzzy ARTMAP算法在城市不透水面估算中的应用研究. 武汉大学学报(信息科学版), 37 (10): 1236–1239. )

Carlson T N, Arthur S T.2000.The impact of land use-land cover changes due to urbanization on surface microclimate and hydrology:a satellite perspective. Global and Planetary Change, 25 (1/2): 49–65. DOI: 10.1016/S0921-8181(00)00021-7.

Carlson T N, Ripley D A.1997.On the relation between NDVI, fractional vegetation cover, and leaf area index. Remote sensing of Environment, 62 (3): 241–252. DOI: 10.1016/S0034-4257(97)00104-1.

Chen S, Zhang X Y, Peng L H.2006.Impervious surface coverage in urban land use based on high resolution satellite images. Resources Science, 28 (2): 41–46. DOI: 10.3321/j.issn:1007-7588.2006.02.007. ( 陈爽, 张秀英, 彭立华. 2006. 基于高分辨卫星影像的城市用地不透水率分析. 资源科学, 28 (2): 41–46. DOI: 10.3321/j.issn:1007-7588.2006.02.007. )

Chen X, Shen Z F, Luo J C, Zhou Y N, Zhang X.2013.A "global-local" impervious surface area extraction model using multispectral remote sensing images. Journal of Remote Sensing, 17 (5): 1191–1205. DOI: 10.11834/jrs.20132251. ( 程熙, 沈占锋, 骆剑承, 周亚男, 张新. 2013. "全域-局部"不透水面信息遥感分步提取模型. 遥感学报, 17 (5): 1191–1205. DOI: 10.11834/jrs.20132251. )

Deng C B, Wu C S.2012.BCI:a biophysical composition index for remote sensing of urban environments. Remote Sensing of Environment, 127 : 247–259. DOI: 10.1016/j.rse.2012.09.009.

Durbha S S, King R L, Younan N H.2007.Support vector machines regression for retrieval of leaf area index from multiangle imaging spectroradiometer. Remote Sensing of Environment, 107 (1/2): 348–361. DOI: 10.1016/j.rse.2006.09.031.

Esch T, Himmler V, Schorcht G, Thiel M, Wehrmann T, Bachofer F, Conrad C, Schmidt M, Dech S.2009.Large-area assessment of impervious surface based on integrated analysis of single-date Landsat-7 images and geospatial vector data. Remote Sensing of Environment, 113 (8): 1678–1690. DOI: 10.1016/j.rse.2009.03.012.

Fan F L, Deng Y B.2014.Enhancing endmember selection in multiple endmember spectral mixture analysis (MESMA) for urban impervious surface area mapping using spectral angle and spectral distance parameters. International Journal of Applied Earth Observation and Geoinformation, 33 : 290–301. DOI: 10.1016/j.jag.2014.06.011.

Foody G M, Mathur A.2004.A relative evaluation of multiclass image classification by support vector machines. IEEE Transactions on Geoscience and Remote Sensing, 42 (6): 1335–1343. DOI: 10.1109/TGRS.2004.827257.

Gluch R, Quattrochi A D, Luvall J C.2006.A multi-scale approach to urban thermal analysis. Remote Sensing of Environment, 104 (2): 123–132. DOI: 10.1016/j.rse.2006.01.025.

Gong P, Wang J, Yu L, Zhao Y C, Zhao Y Y, Liang L, Niu Z G, Huang X M, Fu H H, Liu S, Li C C, Li X Y, Fu W, Liu C X, Xu X, Wang X Y, Cheng Q, Hu L Y, Yao W B, Zhang H, Zhu P, Zhao Z Y, Zhang H Y, Zheng Y M, Ji L Y, Zhang Y W, Chen H, Yan A, Guo G H, Yu L, Wang L, Liu X J, Shi T T, Zhu M H, Chen Y L, Yang G W, Tang P, Xu B, Giri C, Clinton N, Zhu Z L, Chen J, Chen J.2013.Finer resolution observation and monitoring of global land cover:first mapping results with Landsat TM and ETM+data. International Journal of Remote Sensing, 34 (7): 2607–2654. DOI: 10.1080/01431161.2012.748992.

Heremans S, Van Orshoven J.2015.Machine learning methods for sub-pixel land-cover classification in the spatially heterogeneous region of Flanders (Belgium):a multi-criteria comparison. International Journal of Remote Sensing, 36 (11): 2934–2962. DOI: 10.1080/01431161.2015.1054047.

Hu X F, Weng Q H.2009.Estimating impervious surfaces from medium spatial resolution imagery using the self-organizing map and multi-layer perceptron neural networks. Remote Sensing of Environment, 113 (10): 2089–2102. DOI: 10.1016/j.rse.2009.05.014.

Hu X F, Weng Q H.2011.Impervious surface area extraction from IKONOS imagery using an object-based fuzzy method. Geocarto International, 26 (1): 3–20. DOI: 10.1080/10106049.2010.535616.

Jennings D B, Jarnagin S T, Ebert D W.2004.A modeling approach for estimating watershed impervious surface area from National Land Cover Data 92. Photogrammetric Engineering and Remote Sensing, 70 (11): 1295–1307. DOI: 10.14358/PERS.70.11.1295.

Jensen J R. Introductory Digital Image Processing:A Remote Sensing Perspective. 2015 .

Ji C Y.2000.Land-use classification of remotely sensed data using Kohonen self-organizing feature map neural networks. Photogrammetric Engineering and Remote Sensing, 66 (12): 1451–1460.

Jia K, Li Q Z, Tian Y C, Wu B F.2011.A review of classification methods of remote sensing imagery. Spectroscopy and Spectral Analysis, 31 (10): 2618–2623. DOI: 10.3964/j.issn.1000-0593(2011)10-2618-06. ( 贾坤, 李强子, 田亦陈, 吴炳方. 2011. 遥感影像分类方法研究进展. 光谱学与光谱分析, 31 (10): 2618–2623. DOI: 10.3964/j.issn.1000-0593(2011)10-2618-06. )

Jin M L, Dickinson R E, Zhang D.2005.The footprint of urban areas on global climate as characterized by MODIS. Journal of Climate, 18 (10): 1551–1565. DOI: 10.1175/JCLI3334.1.

Leinenkugel P, Esch T, Kuenzer C.2011.Settlement detection and impervious surface estimation in the Mekong Delta using optical and SAR remote sensing data. Remote Sensing of Environment, 115 (12): 3007–3019. DOI: 10.1016/j.rse.2011.06.004.

Li D R, Luo H, Shao Z F.2016.Review of impervious surface mapping using remote sensing technology and its application. Geomatics and Information Science of Wuhan University, 41 (5): 569–577. DOI: 10.13203/j.whugis20160038. ( 李德仁, 罗晖, 邵振峰. 2016. 遥感技术在不透水层提取中的应用与展望. 武汉大学学报(信息科学版), 41 (5): 569–577. DOI: 10.13203/j.whugis20160038. )

Li J J, Wang X R, Wang X J, Ma W C, Zhang H.2009.Remote sensing evaluation of urban heat island and its spatial pattern of the Shanghai metropolitan area, China. Ecological Complexity, 6 (4): 413–420. DOI: 10.1016/j.ecocom.2009.02.002.

Liao M S, Jiang L M, Lin H, Yang L M.2007.Estimating urban impervious surface percent using boosting as a refinement of CART Analysis. Geomatics and Information Science of Wuhan University, 32 (12): 1099–1102. DOI: 10.3969/j.issn.1671-8860.2007.12.003. ( 廖明生, 江利明, 林珲, 杨立民. 2007. 基于CART集成学习的城市不透水层百分比遥感估算. 武汉大学学报(信息科学版, 32 (12): 1099–1102. DOI: 10.3969/j.issn.1671-8860.2007.12.003. )

Lin W, Yang Z Y, Jiang J L, Xu J G.2015.Urban land extraction based on tm imagery:a case study of Changting, Fujian Province. Remote Sensing Information, 30 (2): 120–125. DOI: 10.3969/j.issn.1000-3177.2015.02.022. ( 林蔚, 杨仲元, 蒋金亮, 徐建刚. 2015. 县域城镇用地信息提取研究——以福建省长汀县为例. 遥感信息, 30 (2): 120–125. DOI: 10.3969/j.issn.1000-3177.2015.02.022. )

Lin Y S, Xu H Q, Zhou R.2007.A study on urban impervious surface area and its relation with urban heat island:Quanzhou City, China. Remote Sensing Technology and Application, 22 (1): 14–19. DOI: 10.3969/j.issn.1004-0323.2007.01.003. ( 林云杉, 徐涵秋, 周榕. 2007. 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. 遥感技术与应用, 22 (1): 14–19. DOI: 10.3969/j.issn.1004-0323.2007.01.003. )

Liu C, Shao Z F, Chen M, Luo H.2013.MNDISI:a multi-source composition index for impervious surface area estimation at the individual city scale. Remote Sensing Letters, 4 (8): 803–812. DOI: 10.1080/2150704X.2013.798710.

Lu D S, Hetrick S, Moran E.2011a.Impervious surface mapping with Quickbird imagery. International Journal of Remote Sensing, 32 (9): 2519–2533. DOI: 10.1080/01431161003698393.

Lu D S, Li G Y, Kuang W H, Moran E.2014.Methods to extract impervious surface areas from satellite images. International Journal of Digital Earth, 7 (2): 93–112. DOI: 10.1080/17538947.2013.866173.

Lu D S, Moran E, Hetrick S.2011b.Detection of impervious surface change with multitemporal Landsat images in an urban-rural frontier. ISPRS Journal of Photogrammetry and Remote Sensing, 66 (3): 298–306. DOI: 10.1016/j.isprsjprs.2010.10.010.

Ma X M, Lei X L, Li X F, Zhang B H.2007.Extracting valley impervious surfaces and it's change information based on the technology of data mining. Bulletin of Surveying and Mapping (12): 34–37. DOI: 10.3969/j.issn.0494-0911.2007.12.010. ( 马雪梅, 雷秀丽, 李希峰, 张保华. 2007. 基于数据挖掘技术的流域不透水面及变化信息提取. 测绘通报 (12): 34–37. DOI: 10.3969/j.issn.0494-0911.2007.12.010. )

Ma Y, Kuang Y Q, Huang N S.2010.Coupling urbanization analyses for studying urban thermal environment and its interplay with biophysical parameters based on TM/ETM+imagery. International Journal of Applied Earth Observation and Geoinformation, 12 (2): 110–118. DOI: 10.1016/j.jag.2009.12.002.

Madhavan B B, Kubo S, Kurisaki N, Sivakumar V L N.2001.Appraising the anatomy and spatial growth of the Bangkok Metropolitan area using a vegetation-impervious-soil model through remote sensing. International Journal of Remote Sensing, 22 (5): 789–806. DOI: 10.1080/01431160051060200.

Meng F, Shan B Y, Liu M.2014.Remote-sensing evaluation of the relationship between urban heat islands and urban biophysical descriptors in Ji'nan, China. Journal of Applied Remote Sensing, 8 (1): 083693 DOI: 10.1117/1.JRS.8.083693.

Okujeni A, van der Linden S, Hostert P.2015.Extending the vegetation-impervious-soil model using simulated EnMAP data and machine learning. Remote Sensing of Environment, 158 : 69–80. DOI: 10.1016/j.rse.2014.11.009.

Pal M, Mather P M.2003.An assessment of the effectiveness of decision tree methods for land cover classification. Remote Sensing of Environment, 86 (4): 554–565. DOI: 10.1016/S0034-4257(03)00132-9.

Paola J D, Schowengerdt R A.1995.A review and analysis of backpropagation neural networks for classification of remotely-sensed multi-spectral imagery. International Journal of Remote Sensing, 16 (16): 3033–3058. DOI: 10.1080/01431169508954607.

Parent J R, Volin J C, Civco D L.2015.A fully-automated approach to land cover mapping with airborne LiDAR and high resolution multispectral imagery in a forested suburban landscape. ISPRS Journal of Photogrammetry and Remote Sensing, 104 : 18–29. DOI: 10.1016/j.isprsjprs.2015.02.012.

Plunk D E Jr, Morgan K, Newland L.1990.Mapping impervious cover using Landsat TM data. Journal of Soil and Water Conservation, 45 (5): 589–591.

Powell R L, Roberts D A, Dennison P E, Hess L L.2007.Sub-pixel mapping of urban land cover using multiple endmember spectral mixture analysis:Manaus, Brazil. Remote Sensing of Environment, 106 (2): 253–267. DOI: 10.1016/j.rse.2006.09.005.

Pu R L, Gong P, Michishita R, Sasagawa T.2008.Spectral mixture analysis for mapping abundance of urban surface components from the Terra/ASTER data. Remote Sensing of Environment, 112 (3): 939–954. DOI: 10.1016/j.rse.2007.07.005.

Rashed T, Weeks J R, Roberts D, Rogan J, Powell R.2003.Measuring the physical composition of urban morphology using multiple endmember spectral mixture models. Photogrammetric Engineering and Remote Sensing, 69 (9): 1011–1020. DOI: 10.14358/PERS.69.9.1011.

Ridd M K.1995.Exploring a V-I-S (vegetation-impervious surface-soil) model for urban ecosystem analysis through remote sensing:comparative anatomy for cities. International Journal of Remote Sensing, 16 (12): 2165–2185. DOI: 10.1080/01431169508954549.

Roberts D A, Gardner M, Church R, Ustin S, Scheer G, Green R O.1998.Mapping chaparral in the Santa Monica Mountains using multiple endmember spectral mixture models. Remote Sensing of Environment, 65 (3): 267–279. DOI: 10.1016/S0034-4257(98)00037-6.

Schueler T R.1994.The Importance of Imperviousness. Watershed Protection Techniques, 1 : 100–111.

Sebari I, He D C.2013.Automatic fuzzy object-based analysis of VHSR images for urban objects extraction. ISPRS Journal of Photogrammetry and Remote Sensing, 79 : 171–184. DOI: 10.1016/j.isprsjprs.2013.02.006.

Shao Y, Li G L, Guenther E, Campbell J B.2015.Evaluation of topographic correction on subpixel impervious cover mapping with CBERS-2B data. IEEE Geoscience and Remote Sensing Letters, 12 (8): 1675–1679. DOI: 10.1109/LGRS.2015.2419135.

Singh K K, Vogler J B, Shoemaker D A, Meentemeyer R K.2012.LiDAR-Landsat data fusion for large-area assessment of urban land cover:balancing spatial resolution, data volume and mapping accuracy. ISPRS Journal of Photogrammetry and Remote Sensing, 74 : 110–121. DOI: 10.1016/j.isprsjprs.2012.09.009.

Sun G Y, Chen X L, Jia X P, Yao Y J, Wang Z J.2016.Combinational Build-Up Index (CBI) for effective impervious surface mapping in urban areas. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9 (5): 2081–2092. DOI: 10.1109/JSTARS.2015.2478914.

Sun Z C, Guo H D, Li X W, Lu L L, Du X P.2011.Estimating urban impervious surfaces from Landsat-5 TM imagery using multilayer perceptron neural network and support vector machine. Journal of Applied Remote Sensing, 5 (1): 053501 DOI: 10.1117/1.3539767.

Sun Z Y, Zhao Y F, Chen J, Li G L, Tan M Z.2007.Application of object-oriented classification in extraction of impervious degree of urban surface. Scientia Geographica Sinica, 27 (6): 837–842. DOI: 10.3969/j.issn.1000-0690.2007.06.018. ( 孙志英, 赵彦锋, 陈杰, 李桂林, 檀满枝. 2007. 面向对象分类在城市地表不可透水度提取中的应用. 地理科学, 27 (6): 837–842. DOI: 10.3969/j.issn.1000-0690.2007.06.018. )

Tan K, Du P J.2008.Hyperspectral remote sensing image classification based on support vector machine. Journal of Infrared and Millimeter Waves, 27 (2): 123–128. DOI: 10.3321/j.issn:1001-9014.2008.02.010. ( 谭琨, 杜培军. 2008. 基于支持向量机的高光谱遥感图像分类. 红外与毫米波学报, 27 (2): 123–128. DOI: 10.3321/j.issn:1001-9014.2008.02.010. )

Tang F, Xu H Q.2014.Comparison of performances in retrieving impervious surface between Hyperspectral (Hyperion) and multispectral (TM/ETM+) images. Spectroscopy and Spectral Analysis, 34 (4): 1075–1080. DOI: 10.3964/j.issn.1000-0593(2014)04-1075-06. ( 唐菲, 徐涵秋. 2014. 高光谱与多光谱遥感影像反演地表不透水面的对比——以Hyperion和TM/ETM+为例. 光谱学与光谱分析, 34 (4): 1075–1080. DOI: 10.3964/j.issn.1000-0593(2014)04-1075-06. )

Tiwari P S, Pande H, Pandey A K.2009.Automatic urban road extraction using airborne laser scanning/altimetry and high resolution satellite data. Journal of the Indian Society of Remote Sensing, 37 (2): 223–231. DOI: 10.1007/s12524-009-0023-9.

Tullis J A, Jensen J R, Raber G T, Filippi A M.2010.Spatial scale management experiments using optical aerial imagery and LIDAR data synergy. GIScience and Remote Sensing, 47 (3): 338–359. DOI: 10.2747/1548-1603.47.3.338.

Van de Voorde T, De Roeck T, Canters F.2009.A comparison of two spectral mixture modelling approaches for impervious surface mapping in urban areas. International Journal of Remote Sensing, 30 (18): 4785–4806. DOI: 10.1080/01431160802665918.

Wang Z Q, Gang C C, Li X L, Chen Y Z, Li J L.2015.Application of a normalized difference impervious index (NDⅡ) to extract urban impervious surface features based on Landsat TM images. International Journal of Remote Sensing, 36 (4): 1055–1069. DOI: 10.1080/01431161.2015.1007250.

Weng Q H.2012.Remote sensing of impervious surfaces in the urban areas:requirements, methods, and trends. Remote Sensing of Environment, 117 : 34–49. DOI: 10.1016/j.rse.2011.02.030.

Weng Q H, Hu X F.2008.Medium spatial resolution satellite imagery for estimating and mapping urban impervious surfaces using LSMA and ANN. IEEE Transactions on Geoscience and Remote Sensing, 46 (8): 2397–2406. DOI: 10.1109/TGRS.2008.917601.

Wentz E A, Anderson S, Fragkias M, Netzband M, Mesev V, Myint S W, Quattrochi D, Rahman A, Seto K C.2014.Supporting global environmental change research:a review of trends and knowledge gaps in urban remote sensing. Remote Sensing, 6 (5): 3879–3905. DOI: 10.3390/rs6053879.

Wu C S, Murray A T.2003.Estimating impervious surface distribution by spectral mixture analysis. Remote Sensing of Environment, 84 (4): 493–505. DOI: 10.1016/S0034-4257(02)00136-0.

Wu C G, Lin Y Y, Wang Y W, Gong Y X, Cui H L, Xia L L.2015.Seasonal variations of urban land surface thermal environment and its relationship to land surface characteristics. Journal of Harbin Institute of Technology, 47 (4): 26–30. DOI: 10.11918/j.issn.0367-6234.2015.04.005. ( 吴昌广, 林姚宇, 王耀武, 龚咏喜, 崔红蕾, 夏丽丽. 2015. 城市地表热环境季节变化及与下垫面特征关系. 哈尔滨工业大学学报, 47 (4): 26–30. DOI: 10.11918/j.issn.0367-6234.2015.04.005. )

Wu C S.2004.Normalized spectral mixture analysis for monitoring urban composition using ETM+imagery. Remote Sensing of Environment, 93 (4): 480–492. DOI: 10.1016/j.rse.2004.08.003.

Xian G, Crane M.2005.Assessments of urban growth in the Tampa Bay watershed using remote sensing data. Remote Sensing of Environment, 97 (2): 203–215. DOI: 10.1016/j.rse.2005.04.017.

Xian G, Crane M, McMahon C.2008.Quantifying multi-temporal urban development characteristics in Las Vegas from Landsat and ASTER data. Photogrammetric Engineering and Remote Sensing, 74 (4): 473–481. DOI: 10.14358/PERS.74.4.473.

Xiao R B, Ouyang Z Y, Zheng H, Li W F, Schienke E W, Wang X K.2007.Spatial pattern of impervious surfaces and their impacts on land surface temperature in Beijing, China. Journal of Environmental Sciences, 19 (2): 250–256. DOI: 10.1016/S1001-0742(07)60041-2.

Xu H.2008.A new index for delineating built-up land features in satellite imagery. International Journal of Remote Sensing, 29 (14): 4269–4276. DOI: 10.1080/01431160802039957.

Xu H Q.2006.Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International Journal of Remote Sensing, 27 (14): 3025–3033. DOI: 10.1080/01431160600589179.

Xu H Q.2008.A new remote sensing index for fastly extracting impervious surface information. Geomatics and Information Science of Wuhan University, 33 (11): 1150–1153. DOI: 10.13203/j.whugis2008.11.024. ( 徐涵秋. 2008. 一种快速提取不透水面的新型遥感指数. 武汉大学学报(信息科学版), 33 (11): 1150–1153. DOI: 10.13203/j.whugis2008.11.024. )

Xu H Q.2009.Quantitative Analysis on the relationship of urban impervious surface with other components of the urban ecosystem. Acta Ecologica Sinica, 29 (5): 2456–2462. DOI: 10.3321/j.issn:1000-0933.2009.05.032. ( 徐涵秋. 2009. 城市不透水面与相关城市生态要素关系的定量分析. 生态学报, 29 (5): 2456–2462. DOI: 10.3321/j.issn:1000-0933.2009.05.032. )

Xu H Q.2010.Analysis of impervious surface and its impact on urban heat environment using the normalized difference impervious surface index (NDISI). Photogrammetric Engineering and Remote Sensing, 76 (5): 557–565. DOI: 10.14358/PERS.76.5.557.

Xu H Q.2013.Rule-based impervious surface mapping using high spatial resolution imagery. International Journal of Remote Sensing, 34 (1): 27–44. DOI: 10.1080/01431161.2012.703343.

Xu H Q, Tang F.2013.Analysis of new characteristics of the first Landsat 8 image and their eco-environmental significance. Acta Ecologica Sinica, 33 (11): 3249–3257. DOI: 10.5846/stxb201305030912. ( 徐涵秋, 唐菲. 2013. 新一代Landsat系列卫星:Landsat8遥感影像新增特征及其生态环境意义. 生态学报, 33 (11): 3249–3257. DOI: 10.5846/stxb201305030912. )

Yang G J, Pu R L, Zhao C J, Huang W J, Wang J H.2011.Estimation of subpixel land surface temperature using an endmember index based technique:a case examination on ASTER and MODIS temperature products over a heterogeneous area. Remote Sensing of Environment, 115 (5): 1202–1219. DOI: 10.1016/j.rse.2011.01.004.

Yang L M, Huang C Q, Homer G, Wylie B K, Coan M J.2003.An approach for mapping large-area impervious surfaces:synergistic use of Landsat-7 ETM+and high spatial resolution imagery. Canadian Journal of Remote Sensing, 29 (2): 230–240. DOI: 10.5589/m02-098.

Yuan F and Bauer M E.2006.Mapping impervious surface area using high resolution imagery:a comparison of object-based and per pixel classification//American Society for Photogrammetry and Remote Sensing 2006 Annual Conference.Reno, Nevada:[s.l.]

Yue W Z, Xu J H, Wu J W, Xu L H.2006.Remote sensing of spatial patterns of urban renewal using linear spectral mixture analysis:a case of central urban area of Shanghai (1997-2000). Chinese Science Bulletin, 51 (8): 977–986. DOI: 10.1007/s11434-006-0977-8.

Zhai K, Wu X Q, Qin Y W, Yu L, Du P P.2015.Extraction and spatial analysis of impervious surfaces in the Bohai Bay region based on OLI imagery. Resources Science, 37 (10): 1920–1928. ( 翟珂, 吴晓青, 秦元伟, 于璐, 杜培培. 2015. 基于OLI影像的环渤海湾不透水面提取及空间格局分析. 资源科学, 37 (10): 1920–1928. )

Zhang Q L, Li B, Thau D, Moore R.2015.Building a better urban picture:combining day and night remote sensing imagery. Remote Sensing, 7 (9): 11887–11913. DOI: 10.3390/rs70911887.

Zhang X P, Pan D L, Chen J Y, Zhan Y Z, Mao Z H.2013.Using long time series of Landsat data to monitor impervious surface dynamics:a case study in the Zhoushan Islands. Journal of Applied Remote Sensing, 7 (1): 073515 DOI: 10.1117/1.JRS.7.073515.

Zhou C L, Xu H Q.2007.A spectral mixture analysis and mapping of impervious surfaces in built-up land of Fuzhou City. Journal of Image and Graphics, 12 (5): 875–881. DOI: 10.11834/jig.20070518. ( 周存林, 徐涵秋. 2007. 福州城区不透水面的光谱混合分析与识别制图. 中国图象图形学报, 12 (5): 875–881. DOI: 10.11834/jig.20070518. )

Zhou J, Chen Y H, Zhang J S, Li J.2007.Urban impervious surface abundance estimation in Beijing based on remote sensing. Remote Sensing for Land and Resources (3): 13–17, 27. DOI: 10.6046/gtzyyg.2007.03.03. ( 周纪, 陈云浩, 张锦水, 李京. 2007. 北京城市不透水层覆盖度遥感估算. 国土资源遥感 (3): 13–17, 27. DOI: 10.6046/gtzyyg.2007.03.03. )

Zhou W, Troy A.2008.An object-oriented approach for analysing and characterizing urban landscape at the parcel level. International Journal of Remote Sensing, 29 (11): 3119–3135. DOI: 10.1080/01431160701469065.

Zhu G B, Blumberg D G.2002.Classification using ASTER data and SVM algorithms:the case study of Beer Sheva, Israel. Remote sensing of Environment, 80 (2): 233–240. DOI: 10.1016/S0034-4257(01)00305-4.