1、第3 2卷第3期测 绘 工 程V o l.3 2N o.32 0 2 3年5月E n g i n e e r i n go fS u r v e y i n ga n dM a p p i n gM a y2 0 2 3D O I:1 0.1 9 3 4 9/j.c n k i.i s s n 1 0 0 6-7 9 4 9.2 0 2 3.0 3.0 1 0多源遥感数据支持下的城市不透水面提取 以天津市为例张 泉(天津市测绘院有限公司,天津3 0 0 3 8 1)摘 要:近年城市人工地表的快速扩张引发了一系列生态问题,准确高效地获取城市不透水面信息及空间分布将具有重大的意义。以天津市为实验区
2、,融合哨兵一号、哨兵二号及高程数据,构建多特征组合的随机森林模型,实现基于高空间分辨率影像的不透水层信息识别,并与其他方法进行比较。结果表明,利用本方法提取天津地区不透水面信息的总体分类精度达9 0.9 3%,K a p p a系数达0.8 7 7,与其他方法的对比实验也进一步证明本方法在抑制错分误差和漏分误差方面达到了较好的效果,为未来实现大范围高精度不透水面制图奠定基础,为城市发展和生态保护提供有力依据。关键词:城市不透水面提取;随机森林;多源遥感数据;特征提取中图分类号:T P 7 9 文献标识码:A 文章编号:1 0 0 6-7 9 4 9(2 0 2 3)0 3-0 0 6 9-0
3、7E x t r a c t i o no fu r b a n i m p e r v i o u s s u r f a c e s u p p o r t e db ym u l t i-s o u r c e r e m o t e s e n s i n gd a t a:ac a s e s t u d yo fT i a n j i nZ HAN GQ u a n(T i a n j i nI n s t i t u t eo fS u r v e y i n ga n dM a p p i n gC o.,L t d.,T i a n j i n3 0 0 3 8 1,C h
4、i n a)A b s t r a c t:T h er a p i de x p a n s i o no fu r b a na r t i f i c i a ls u r f a c e s i nr e c e n ty e a r sh a sc a u s e das e r i e so fe c o l o g i c a lp r o b l e m s.I tw i l lb eo fg r e a ts i g n i f i c a n c et oa c c u r a t e l ya n de f f i c i e n t l yo b t a i nu r
5、b a ni m p e r v i o u ss u r f a c ei n f o r m a t i o na n ds p a t i a ld i s t r i b u t i o n.T h i sp a p e rt a k e s T i a n j i na st h ee x p e r i m e n t a la r e a,S e n t i n e l-1,S e n t i n e l-2a n de l e v a t i o nd a t aw e r e i n t e g r a t e dt oc o n s t r u c tam u l t i-
6、p a r a m e t e rr a n d o mf o r e s tm o d e l,w h i c hr e a l i z e s t h ee x t r a c t i o no fu r b a n i m p e r v i o u ss u r f a c eb a s e do nh i g hs p a t i a l r e s o l u t i o ni m a g e s,a n dc o m p a r e sw i t ho t h e rm e t h o d s.T h er e s u l t ss h o wt h a tt h eo v e
7、r a l lc l a s s i f i c a t i o na c c u r a c yo ft h ei m p e r v i o u ss u r f a c ee x t r a c t e db yt h i sm e t h o di nT i a n j i ni su pt o9 0.9 3%,a n dt h eK a p p ac o e f f i c i e n ti su pt o0.8 7 7.T h ec o m p a r a t i v ee x p e r i m e n tw i t ho t h e rm e t h o d sa l s o
8、f u r t h e rp r o v e s t h a t t h em e t h o d i nt h i sp a p e rh a sa c h i e v e db e t t e rp e r f o r m a n c e i ns u p p r e s s i n gm i s c l a s s i f i c a t i o na n do m i s s i o ne r r o r s,w h i c hl a y s t h e f o u n d a t i o nf o r t h er e a l i z a t i o no fl a r g e-s
9、c a l ea n dh i g h-p r e c i s i o ni m p e r v i o u ss u r f a c e m a p p i n gi nt h ef u t u r e,a n dp r o v i d e sas t r o n gb a s i s f o ru r b a nd e v e l o p m e n t a n de c o l o g i c a l p r o t e c t i o n.K e yw o r d s:u r b a ni m p e r v i o u ss u r f a c ee x t r a c t i o
10、n;r a n d o m f o r e s t;m u l t i-s o u r c er e m o t es e n s i n g d a t a;f e a t u r ee x t r a c t i o n收稿日期:2 0 2 2-0 5-1 8基金项目:林草国家创新联盟2 0 2 0年度自筹研发项目(G LM(2 0 2 0)1 8号)作者简介:张 泉(1 9 9 7-),男,助理工程师.近年来城市人工地表快速扩张,城市的生态环境发生了变化,大多自然景观逐渐被水泥、沥青等取代。不透水面(i m p e r v i o u ss u r f a c e,I S)是城市化进程中
11、最显著的人工地表,现已成为影响城市生态环境的重要因素1-4,因此准确估算城市不透水面对建设生态城市、海绵城市有着重要的现实意义5-7。遥感技术具有低成本、动态、高效、宏观综合等优点,已成为城市不透水面提取和动态变化监测的主要手段之一。随着机器学习概念的兴起,更多高级算法广泛应用于图像分类领域。它们属于非参数化方法不要求数据服从正态分布,适合将其他非光谱的特征引入到图像分类模型中。同时机器学习算法在处理复杂数据源及有限样本时有明显的优势8,因此机器学习算法已广泛应用于不透水面提取领域。郜燕芳9等比较不同机器学习算法对城市不透水面提取的效果,使用多种样本分配比例,结果表明随机森林算法明显优于其他方
12、法,且随机森林模型对细节处理效果更好,更适用于复杂景观的城市不透水面提取。为进一步体现融合多源数据的优势,赵艺淞1 0等将非光谱信息融入随机森林模型中,采用一种多特征组合的方式提取深圳福田区的不透水面信息,取得更好的实验效果,总体分类精度达9 2%以上,城市景观细节轮廓清晰准确。综上,随机森林算法抗噪效果好、对异常情况敏感度低,且适合将非光谱特征融入模型,适用于城市尺度下不透水面信息获取以及大尺度长时序不透水面变化监测等研究。基于以上优势,文中选用随机森林分类模型,以天津市为实验区,融合哨兵一号、哨兵二号和高程数据,将普适性较好的多波段比值不透水面指数融入模型,同时加入其他有助于分类的遥感指数
13、及效果较好的纹理信息,共同构造出一个提取不透水面的方法流程,进而从城市尺度上高精度地提取不透水面信息,并与其他方法进行比较。1 研究区及样本1.1 研究区概况天津地处华北平原北部,海河下游,地理坐标为1 1 6 4 3 1 1 8 4 E,3 8 3 4 4 0 1 5 N。全市域以平原和洼地居多,占比约9 3%,仅有北部与燕山南侧接壤存在低山丘陵,整体海拔由北向南逐步降低。天津全市下辖1 6个区,总面积1 19 6 6.4 5k m2。文中选取2 0 2 1年5月的夏季无云影像进行实验,数据质量良好,研究区影像如图1所示。1.2 样本选取城市土地类型主要有不透水面、水体、植被及裸土,实验区样
14、本可按照此4类进行选取。基于已有2 0 2 0年G l o b e l a n d 3 0中土地利用分类数据的约束,对照地表真实影像,针对每种地物基于影像像素随机选取具有纹理代表性、光谱代表性以及形状代表性的地物样本标签,按照4:6的比例分配为训练样本和验证样本,用于模型的构建和精度评价,所选样本需满足在实验区内均匀分布且保证数量足够,全市域样本数达3 0万个。图1 天津市研究区影像注:基于国家测绘地理信息局标准地图服务网站下载的审图号为G S(2 0 1 9)3 2 6 6的标准地图制作。底图无修改。2 原理及方法2.1 随机森林模型随机森林模型是将分类回归决策树作为基底并进行改良的机器学习
15、算法1 1-1 3,其利用简单的B a g g i n g思想,每次分类都会预测并投票,将得票最多的类别输出为结果。目前随机森林算法已成为主流的遥感影像分类的算法模型,其构建过程及流程如图2所示。1)利用B o o t s t r a p算法对原始训练集有放回地随机抽取N次样本,同时用抽取的样本训练森林中的树,如此循环得到的二叉树即为有差异性且独立分布的新训练集。2)利用新训练集D n构造多棵分类回归树,假定样本总特征数为M,从中随机选取m个,进行最优特征组合形成最终的决策树。3)决策树需根据特征随机生长,最后在森林中利用未抽到的样本数据(o u t-o f-b a g,O O B)进行预测,
16、将得票最多的结果作为预测结果输出。2.2 光谱特征2.2.1 水体指数由经验可知水体指数N DW I1 4提取水体时会存在较大噪声,如城市中有较多水体信息会严重影响不透水面的提取效果。因此根据水体信息在短波红外波段范围间反射率继续下降的特点,选用改07测 绘 工 程 第3 2卷图2 随机森林算法流程示意进型的归一化差异水体指数(MN DW I)1 5作为模型中区分水体的参数,其算式为:MN DW I=(G-SW I R1)(G+SW I R1).(1)式中:G代表绿波段;SW I R1代表短波红外波段。2.2.2 不透水面指数由于不透水面信息与裸土信息的光谱特征比较相似,目前暂无较好的裸土指数可以将二者区分,因此可选用区分裸土信息较好的不透水面指数参与分类,本文使用改进的归一化差值不透水面指数(MN D I S I)作为区分不透水面与裸土的分类参数1 6。其表达式为:MN D I S I=N I R+SW I R1+SW I R2()-(B+G+R)N I R+SW I R1+SW I R2()+(B+G+R).(2)其中,N I R代表近红外波段;SW I R2同样代表短波红外波段;
