基于遥感数据的城市不透水面信息提取研究

基于遥感数据的城市不透水面信息提取研究内容摘要：

7］将不透水面定义为“任何阻挡水分流入土壤的物质”，不仅包括人工建筑物，还包括自然产生的物质（如坚硬的裸露基岩）。 目前，大部分研究者都将道路、停车场及建筑物等研究对象作为城市不透水面。 研究方法 人工解译法 人工解译方法是利用人的主观想法对研究区的地物进行目视判读，通过自己的先验知识来判读和分析地物的大小、形状、纹理、色调、阴影等信息。 从而获得不透水面的信息 [8]。 尽管该方法可操作性强，实验原理简单，但是解译工作需要耗费大量的人力物力，同时受个人主观性的影响较大，还要于野外调查相结合，工作量大，所以应用范围十分有限 [9]。 线性光谱混合分析法（ LSMA） 线性光谱混合模型 ( linear spectral mixture analysis， LSMA)[10]是指像元在某波段的反射率是由构成像元基本组分的反射率以其所占像元面积比例为权重系数的线性组合。 Murray[11]研究发现同一城市的同一地物的光谱之间存在很大的差异 ,并在此基础上提出了改进后的的归一化混合像元线性分解模型。 该模型算法简单、计算方便，在不透水面的研究中得到广泛应用。 指数模型法 指数模型法是指采用特定的指数，直接或者间接地与研究对象建立起一种数学函数模型，利用计算机程序运行出所需的信息 [12]。 在对不透水面的研究中，也有许多学者相继采用多种指数模型法。 查勇等利用 NDBI（归一化建 筑指数）提取了城镇建设用地信息，进而获得了不透水面的信息。 决策树分类法（ Decision Tree Classifier） 决策树分类法是图像分类方法之一，它是由一系列二叉树连接而成，它是一种典型的多级分类器，用于将图像中的像元归属到相应的类别中去，每个决策树池州学院本科论文（设计） 4 用一个设定好的关系式将图像中的像元分成两类，新生成的类又可以根据另外的关系式继续向下分类。 一直分类下去，直到停止。 面向对象法 面向对象方法 ( object based image analysis， OBIA)[13]就是以像元对象为单位，利用影像的光谱信息及现实情况下的地物的形状和相邻关系，采用模糊逻辑对影像进行分类描述，使容易混淆的地物区分开来并且提取出来，进而更精确的获得不透水面的信息。 这种方法避免了基于像元的高分辨率遥感图像信息提取时所产生的“椒盐”现象。 李彩丽 [13]等使用南京 IKONOS 影像，采用面向对象的方法，剔除了遮盖再不透水面上的植被和解决了基本的阴影归类问题，提高了提取不透水面信息的精度。 人工神经网络分类法 （ Artificial Neural Network） 人工神经 网络 ( artificial neural work， ANN)模型是模拟人脑神经元处理因变量与自变量之间复杂关系的计算机信息处理方法，由大量的节点（激励函数）大脑中称作神经元，与连接节点的加权值（权重）相当于人工神经网络的记忆。 只需要少量的训练样本。 就可以试验地物的分类。 目前，多种类型的人工神经网络模型已应用于土地利用和不透水面的提取，其中应用最广泛的是多层感知神经网络 ( multi － layerperceptron neural work， MLP)模型和自组织神经网络 ( self － anizing map neural work， SOM)模型。 研究内容 本文以 Landsat8 数据个波段为数据，利用 ENVI 软件作为平台，在数据预处理的基础上，以两种方法为研究方法，基 于植被覆盖度提取不透水面 和线性光谱混合分析法提取城市不透水面，论文章节的具体安排如下： 第一章 ：绪论。 主要阐述不透水面的研究背景与意义，以及国类外研究现状，还有研究的一些方法理论。 第二章 ：数据的预处理。 Landsat8 数据的分辨率为 30 米，数据要经过投影转换、辐射校正、几何校正等相关的预处理。 第三章 ：基于植被覆盖度提取 不透水面。 第四章 ：线性光谱混合分解法提取不透水面。 第五章 ：结论与展望。 分析总结，发现存在问题，并对未来进行展望。 研究方法与技术路线 第二章 研究区遥感数据的预处理 Landsat8 数据简介 2020 年 2 月 11 号， Landsat8 卫星成功发射， Landsat8 携带着 OLI（陆地成像仪）、 TIRS（热红外传感器），相对以前，有两个新增的波段：蓝色波段（ band1） ,主要用于海岸观测，短波红外波段（ band9）可用于云检测。 下面是 Landsat8 各池州学院本科论文（设计） 5 波段相关属性信息。 波段序号 波段名称 波段 (um) 空间分辨率(m) OLI Band1 Coastal 30 Band2 Blue 30 Band3 Green 30 Band4 Red 30 Band5 NIR 30 Band6 SWIR1 30 Band7 SWIR2 30 Band8 Pan 15 Band9 Cirrus IRS Band10 TIRS1 100 Band11 TIRS2 100 图一： Landsat8各波段信息 遥感数据预处理 投影转化 常见的地图坐标系有两种，即地理坐标系和投影坐标系。 地理坐标系是以经纬度来表现的，它由地球椭球体及大地基准面两个重要参数构成。 由于地球表面的不规则性，我们无法用数学公式进行表达，所以我们假想一个大小、形状与地球想似的椭球体来代替地球表面，这样就方便了测量与制图。 大地基准面是用一个规则的曲面代替地球本身的 不规则球面，我国有两个大地基准面即北京 54 坐标系、西安 80 坐标系。 投影坐标系是指按照一定的数学法则，将地球上地物投影到平面上的一种手段，常见的有高斯 克吕格投影、墨卡托投影等。 本文所给数据中已经对数据进行了投影转换。 如下图基本信息： 池州学院本科论文（设计） 6 图二：数据基本信息 几何校正 遥感成像的时候，由于遥感平台位置和运动状态变化的影响（飞行器的姿态、高度、速度），地形起伏、地球表面曲率、地球自转，以及地球表面曲率的影响， 造成图像元在几何位置上发生变化产生诸如像元大小与地面大小对应不准确，像元相对于地面目标 的置发生挤压、扭曲、拉伸和偏移等，对这些情况影响进行校正就是几何校正。 一般来说，地面站提供给用户的都是经过几何粗校正的遥感卫星产品。 如果想进一步开展遥感应用研究，还必须对遥感影像做进一步的几何精校正处理。 辐射校正 进入传感器的辐射强度反应在图像上的就是亮度值（灰度值）。 辐射强度越大。 亮度值（灰度值）越大。 目标的光谱反射率与所得到的测量值之间的差值称为辐射误差。 消除辐射误差的影响称为辐射校正。 生成标准文件 原始数据 Landsat8 是按照波段顺序存储的，在进行试验是我们应该生成标准文件。 第三章 基于植 被覆盖度提取不透水面 基于植被覆盖度提取不透水面原理 基于植被覆盖度提取不透水面是利用植被覆盖度和不透水面之间的反比关系，将除植被以外的一切地表信息（水体除外）都归属于不透水面。 将土壤、沙土和阴影的影响忽略不计。 实验流程 水体掩膜 池州学院本科论文（设计） 7 在研究区内存在多种地表类型，包括反射率较低的水体，它的存在对不透水面的提取有影响，故在研究之前必须剔除水体。 采用改进后的归一化水体指数（ MNDWI） 计算公式，在 Landsat8 中： Green、 SWIR1 分别对应第三波段和第六波段： MNDWI=(GreenSWIR1)/(Green+SWIR1) 利用 ENVI 的波段运算工具得实验结果为： 图三：水体指数图 其中蓝色部分为水体，淡蓝色表示透水性较好的地物，黄色表示不透水面，颜色越深的地方不透水性越强。 不透水面提取 众多学者研究发现，在城市研究区内，不透水面与植被覆盖度 ,呈现很强的负相关性。 由此。