img

官方微信

遥感技术与应用, 2020, 35(4): 962-974 doi: 10.11873/j.issn.1004-0323.2020.4.0962

遥感应用

基于线性光谱混合分析的乌鲁木齐不透水层提取及其时空变化分析

李荪青,1,2, 付碧宏,1

1.中国科学院遥感与数字地球研究所,北京 100094

2.中国科学院大学,北京 100049

Analyzing Temporal-spatial Change of Urumqi Impervious Surface using Linear Spectral Mixture Analysis

Li Sunqing,1,2, Fu Bihong,1

1.Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China

2.University of the Chinese Academy of Sciences, Beijing 100049, China

通讯作者: 付碧宏(1966-),男,四川邛崃人,研究员、主要从事地质遥感、环境资源遥感石粉。E⁃mail: fubh@radi.ac.cn

收稿日期: 2019-02-20   修回日期: 2020-05-03   网络出版日期: 2020-09-14

基金资助: “中国科学院西部青年学者”A类项目.  2017⁃XBQNXZ⁃A⁃009

Received: 2019-02-20   Revised: 2020-05-03   Online: 2020-09-14

作者简介 About authors

李荪青(1994-),女,江苏镇江人,硕士研究生,主要从事城市遥感研究E⁃mail:lisq@radi.ac.cn , E-mail:lisq@radi.ac.cn

摘要

利用Landsat TM、OLI多光谱卫星遥感数据,采用VIS(植被-不透水层-土壤)模型和线性光谱混合分析法对丝绸之路经济带核心区乌鲁木齐建城区及其周边进行丰度估算,并针对红色彩钢板屋顶在不透水层丰度图像上低亮度特点,进行改进处理,提高了不透水层丰度估算精度。研究结果表明:1994~2018年的24年间乌鲁木齐市不透水层呈现出显著扩展的特点,其面积从140.41 km2扩大到462.62 km2;扩展速率在1994~2005年间缓慢上升,2005年之后迅速上升;扩展强度先上升,2010~2015年达到最大,之后出现下降;同时,城市不透水层的空间扩展具有明显差异,向西和东北方向扩展最为显著。综合分析指出:乌鲁木齐城市不透水层的空间扩展受到周边山体地形和煤矿开采等因素的限制,而“乌昌一体化”政策是城市扩展的主要助力因素。

关键词: 城市不透水层 ; 改进处理 ; 彩钢板屋顶 ; 时空变化 ; 丝绸之路经济带核心区

Abstract

The method of linear spectral mixture analysis combined with V-I-S model(Vegetation-Imperious surface-Soil) is used to estimate the impervious surface abundance of Urumqi city, which is in the core area of the Silk Road Economic Belt, using Landsat OLI and TM multi-spectral data. Because the red color steel shed has low brightness on the impervious surface brightness image, an improvement was proposed, and then verify the accuracy through the interpretation of high-resolution satellite imagery. The results show that: the impervious surface area in Urumqi displayed a significant expansion from 140.41 km2 to 462.62 km2 during past 24 years (1994 to 2018). It expanded slowly during 1994 to 2005, and increased rapidly since 2005. The expansion intensity increased during 1994~2015 and decreased after 2015; and the spatial expansion of urban impervious surface is significantly different, with the largest expansion area in the west and northeast direction. The comprehensive analyses suggested that the expansion of the impervious surface of Urumqi city is limited by the surrounding mountain topography and coal mining, and the “Urumqi-Changji integration” policy is the major driving factor for urban expansion in the past 24 years.

Keywords: Urban impervious surface ; Improvement ; Color steel shed ; Temporal-spatial change ; The Silk Road Economic Belt

PDF (12899KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

李荪青, 付碧宏. 基于线性光谱混合分析的乌鲁木齐不透水层提取及其时空变化分析. 遥感技术与应用[J], 2020, 35(4): 962-974 doi:10.11873/j.issn.1004-0323.2020.4.0962

Li Sunqing, Fu Bihong. Analyzing Temporal-spatial Change of Urumqi Impervious Surface using Linear Spectral Mixture Analysis. Remote Sensing Technology and Application[J], 2020, 35(4): 962-974 doi:10.11873/j.issn.1004-0323.2020.4.0962

1 引言

乌鲁木齐作为丝绸之路经济带的重要节点城市,是新疆的政治、经济、文化、科教和交通中心,也是第二座亚欧大陆桥中国西部桥头堡和向西开放的重要门户。近二十多年来随着人口的快速增长与经济的迅速发展,尤其在“西部大开发”、 “对口支援新疆”和“一带一路”建设等国家政策影响下,其城市扩展不断加快,城市及其周边生态环境受到较大影响。

城市化是农业人口转化为非农人口、农村地域转化为城市地域、农业活动转化为非农业活动的过程[1]。城市用地扩张是城市化的一大特征。城市的扩张主要通过占用耕地、林地等成为不透水层的方式进行。近40年以来,中国不透水层迅速扩展,人均不透水层面积已超过日本等发达国家[2]。不透水层的分布估算和扩展变化监测已受到发达国家政府部门的重视[3]

不透水层 (Impervious Surface,IS) 是阻止水渗入土壤的土地覆盖表面,主要包括道路、停车场、人行道、屋顶和城市地物中其它不具有渗透性的表面[4]。不透水层不仅反映了城市化的发展,同时也会对自然环境产生影响,比如地表径流[5]、水文循环[6]、城市热岛[7]等。不透水层是监测城市生态系统及环境变化的重要指标,也是众多生态环境模型的主要输入参数[8],其对城市和区域发展规划和生态评估具有重要意义。

目前,基于中低空间分辨率遥感影像的不透水层分布提取方法主要有光谱混合分析法[9-13]、回归方法[14-16]、分类方法[17-19]和指数方法[20-22]

光谱混合分析法针对中低分辨率图像的混合像元现象,求解像元内端元的丰度(面积百分比)。Ridd[9]首次提出VIS模型,将城市看作由植被、不透水层、土壤三种端元构成。众多学者将VIS模型与光谱混合分析法结合,求解不透水层丰度(Impervious Surface Abundance, ISA)。Wu等[10]考虑不同不透水层之间反射率的差异,将不透水层分为高反射率的不透水层和低反射率的不透水层。周纪[11]等学者针对城市内部同物异谱现象,以同种地物光谱曲线形状具有相似性为出发点,提出了一种端元优化选取方法,提高了估算精度。金晶等[12]人将热红外波段加入计算,提高了估算的精度。夏俊士等[13]研究发现利用EO-1 Hyperion高光谱数据提取不透水层的精度优于Landsat TM多光谱数据。光谱混合分析法能够获得不透水层的丰度信息,但是该方法不适用于大范围、地物复杂的区域[22]。回归方法[14-16]大多使用夜灯数据,如DMSP-OLS数据,分辨率为1 km,分辨率较低。因而回归法大多用于低分辨率、大尺度的不透水层丰度计算。分类方法[17-18]需要预先选好训练区,分类结果受训练区选择的影响;或利用指数建立决策树[19],分类结果受阈值选择的影响。分类获得的大多仅为类别信息,难以获得不透水层具体的丰度信息。指数法[20-22]计算简单,将不透水层高亮显示,能迅速地与其他地物区分开。但不透水层指数不能代表真实的不透水层丰度值[24]

上述研究方法的分析表明,乌鲁木齐作为中等规模的城市,为了较为准确地获取乌鲁木齐及其周边地区不透水层丰度数据,本研究选择光谱混合分析法对不透水层丰度进行估算。并利用多时相遥感数据,对乌鲁木齐不透水层扩展信息进行提取,研究其时空变化特征。

2 研究区与遥感数据源

2.1 研究区概况

研究区乌鲁木齐地处天山中段北麓、准噶尔盆地南缘,其地理范围42°45′32″~44°08′00″N,86°37′33″~88°58′24″E之间。乌鲁木齐的城市区域沿乌鲁木齐河下游地势平缓的冲洪积平原,城市的东、西、南三面环山,总体上呈一个狭长葫芦状。

乌鲁木齐地处亚欧大陆的地理中心,在 “一带一路”沿线的城市群中,其区位优势明显。但由于其地处西北干旱区,属于绿洲城市,生态环境脆弱,其城市发展受周边地形条件、生态环境、水资源等因素的制约,城市发展遇到了瓶颈。

2.2 数据获取与预处理

研究采用中分辨率的Landsat TM和OLI数据提取城市不透水层丰度信息。不同季节对提取不透水层的精度有影响,夏季获取的影像更适合不透水层的提取,而其他季节提取的精度相对较低[25]。从USGS官网(https://earthexplorer.usgs.gov/)下载了1994、2000、2005、2010、2015和2018年乌鲁木齐市6~9月云量小于5%的、数据质量较好的影像。乌鲁木齐市覆盖影像条带号为142-143(行),29-30(列),完全覆盖共需4景影像(表1)。由于乌鲁木齐市范围很大,而城市建设用地范围较小,仅将城市建设区及其周边区域作为研究区(图1)。gg对研究区的Landsat遥感影像进行辐射定标、大气校正,将遥感器所得的测量值转换为反射率值。由于研究区在影像边缘,一景影像不能完全覆盖,所以需要对影像进行镶嵌。

表1   研究所选取影像的信息

Table 1  Information of the selected image

传感器影像时间行号列号
Landsat5 TM1994/08/2414329,30
Landsat5 TM2000/09/2514329,30
Landsat5 TM2005/09/0714329,30
Landsat5 TM2010/08/2014329,30
Landsat8 OLI2015/09/0314329
Landsat8 OLI2018/08/2614329

新窗口打开| 下载CSV


图1

图1   2015年Landsat OLI数据研究区概况

Fig.1   Overview of research area of 2015 Landsat OLI data


辅助数据包括新疆省的行政区划矢量数据、DEM数据。

3 实验方法

3.1 线性光谱混合分析原理

中低分辨率的遥感影像中的一个像元往往包含了多种地物,即存在混合像元的现象[26]。光谱混合分析是假设在遥感影像中的每一个像素都是由几种地物根据不同比例混合而成的。通过提取每种地物的纯净光谱,即端元光谱,利用已有的像元光谱,计算出每一种地物的丰度分布。对于城市内部具体的地物类型,Ridd[9]首次提出VIS(Vegetation-Impervious surface-Soil, 植被-不透水层-土壤)分布模型,将城市看作由不透水层、植被、土壤三种基础地物构成。Wu等[10]提出了改进的VIS模型,将不透水层细分为高反射率不透水层(玻璃、水泥地、屋顶)和低反射率不透水层(沥青路面、阴影、瓦片)。

光谱混合分析模型有线性和非线性模型两类,非线性光谱混合模型形式复杂,且参量难以精确获得,甚至无法获得,所以线性光谱混合模型应用更广泛[12]。在线性模型中,地物的丰度分布用地物面积所占比例表示,混合光谱等于端元光谱与端元面积比例的线性组合[10]

y=i=1mαiρi+ϵi
i=1mαi=1

其中:y表示混合像元的观测光谱向量;m为端元总数,端元分别为高反射率的不透水层、低反射率的不透水层、植被和土壤;ρi 为第i个端元的光谱向量;αi为端元i在单个像元中该端元的面积比例;εi为残差。式(2)为约束条件。

不透水层丰度ISA可以用以下关系式进行估算:

αimp=αhigh+αlow

其中:αhighαlow分别表示高和低反射率的不透水层端元的丰度值。

3.2 技术路线

在进行混合像元分解之前,预先利用改进的归一化水体指数(Modified Normalized Difference Water Index, MNDWI)[27]对水体进行掩膜处理,减少了城市地物类型,避免水体对混合像元分解的影响。技术路线图如图2所示。

图2

图2   技术路线图

Fig.2   Technical roadmap


步骤(1):利用MNF进行数据降维。MNF(Minimum Noise Fraction, MNF)是由Green等[28]提出的一种特征提取和去除噪声的有效方法,由于波段数较多,有些波段质量不佳,利用MNF变换可以将信噪比最大的数据集中在前几个主成分,不仅减少了数据量,也降低波段间的相关性。以研究区2010年TM影像为例,进行MNF变换,其分解得到的6个分量如图3所示。前三个MNF分量可以看到较为明显的纹理特征,从第四个MNF分量开始,纹理信息越发模糊,第六个MNF分量可以看到大量噪点。

图3

图3   Landsat TM数据经MNF变换后的图像

Fig.3   MNF component images extracted from Landsat TM data


步骤(2):像元纯度计算提取纯净像元。像元纯度指数(Pixel Purity Index, PPI)用于评价高/多光谱遥感中像元的纯度。选取MNF变换后的前4个波段进行PPI计算,计算得到的PPI值越高,代表该像元为纯像元的概率越大。在ENVI的n-维可视化工具中,选取高纯度的像元,并对应到原始影像上进行判断,最终确定高反射率不透水层、低反射率不透水层、植被、土壤四类端元的光谱曲线,存入波谱库。

步骤(3):利用波谱库文件进行端元丰度解算。将波谱库数据带入线性分解的模型中,加上丰度值和为1的约束条件进行线性求解。

以2015年OLI影像为例,图4表示4个端元的丰度图像,即对应端元在混合像元中所占的面积比例。图像越亮,代表丰度(面积比例)越大,而图像越暗,代表丰度(面积比例)越小。从图4中可以看出,土壤高亮区主要分布在建成区北边的耕地、东南部的山体;植被主要集中在北边的耕地,部分分散在建成区内部以及东南部的山体;高反射率不透水层在建城区的亮度值略高出周围,高亮区域分布零散;低反射率不透水层的高值区域在建城区;整体与实际情况相符合。

图4

图4   Landsat OLI数据经线性光谱分解后的4种端元丰度图像

Fig.4   Abundance (Fraction) image of four endmember based on linear spectral decomposition


3.3 改进处理

从2010年起,影像上出现许多红色彩钢板屋顶建筑,如图5图6(a)所示。红色彩钢板光谱屋顶的光谱曲线更类似土壤,所以在解算时,其像元在高、低反射率不透水层的丰度值都很低,而土壤端元的丰度值很高,估算精度低(图4图7(a))。

图5

图5   红色彩钢板屋顶的现场场景和高分图像特征

Fig.5   Image of red color steel shed building


图6

图6   LandsatOLI数据的红色彩钢板屋顶提取结果

Fig.6   Red color steel shed extraction results


图7

图7   Landsat OLI数据提取的不透水层丰度图

Fig.7   Partial abundance image of impervious surface


这些红色彩钢板屋顶难以用高、低反射率不透水层进行线性表示,在利用VIS模型对红色彩钢板屋顶不透水层丰度信息提取时,出现了错误估算的情况。因此,为了准确地提取这类不透水层丰度信息,对输入端元进行了改进处理,将不透水层进一步细分为高反射的不透水层、低反射率的不透水层、红色彩钢板屋顶,即式(2)中m值5,将红色彩钢板屋顶的纯像元光谱向量作为端元输入模型进行求解。

从整个城市的影像来说,红色彩钢板屋顶作为一种端元,不具有概括性,会对其他像素的端元丰度值求解造成影响,所以仅仅在红色彩钢板屋顶分布的区域进行改进处理。

利用红色彩钢板屋顶在图像上显示为红色的特点,可以用红、绿、蓝三个波段进行提取。以Landsat OLI数据为例,Band Math的表达式为:

b4 ge b2 AND b4 gt b3 

其中,b2、b3、b4分别代表Landsat OLI的第2、3、4波段,分别对应于蓝、绿、红波段,表明目标像元红波段的反射率大于绿波段,也大于蓝波段。提取结果如图6(b)所示,结果显示绝大部分红色彩钢板都能被提取。为了避免红色彩钢板屋顶对周边像元光谱向量的影响,通过3×3的滤波窗口进行膨胀,最终提取结果如图6(c)所示。原始估算结果如图7(a),而在提取出的区域进行改进处理后,端元相加得到的不透水层丰度如图7(b)。从图中可以看出,通过改进处理获得了包含红色彩钢板屋顶的像元不透水层丰度信息。

通过改进处理得到最终结果如图9所示,从图中可以看出,在高、低反射率不透水层丰度图(图4(c)和(d))中,乌鲁木齐西部和东北部显示为黑色斑块的红色彩钢板屋顶显示为高亮。利用高分遥感图像对不透水层丰度值进行解译和验证(图9)。

图8

图8   2015年乌鲁木齐不透水层丰度图

Fig.8   Abundance(Fraction) image of impervious surface


图9

图9   高分影像验证结果

Fig.9   Validation results using high resolution image


3.4 不透水层的时空变化特征分析

城市用地扩张在时间尺度上可以用扩展强度指数(Urban Expansion Intensity Index,UEII)和扩展速率指数(Urban Expansion Rate Index,UERI)来表征[29]。城市用地大部分为不透水层、少部分为植被和土壤,研究不透水层在时间尺度的扩张变化,可以将这两个指数的表达式改为不透水层的扩展强度指数(Imperious Surface Expansion Intensity Index, ISEII)和不透水层扩展速率指数(Imperious Surface Expansion Rate Index, ISERI)。

不透水层的扩展强度指数ISEII,用于表征不透水层的单位时间的扩展强度[29]

ISEII=ISb-ISaISa*Tb-Ta×100%

不透水层扩展速率指数ISERI,用于表征不透水层的扩展快慢[27]

ISERI=ISb-ISaTb-Ta 

式(7)和(8)中,ISaISb分别代表两个前后不同时期的不透水层的面积,TaTb分别代表前后两个不同研究时相。

不透水层在空间尺度上的扩展通过计算不透水层在不同方位、不同年份的面积之差(即扩展面积),以雷达图的形式展现出不透水层的扩展方位特征。

4 研究结果与分析

4.1 实验结果及精度结果

在乌鲁木齐建城区,利用VIS模型结合线性光谱混合分析法,并对红色彩钢板屋顶区域进行改进处理,获得了乌鲁木齐建城区2015年的不透水层丰度信息(图8)。

为了验证实验结果,利用地图下载器下载了Bing Map高分数据,其空间分辨率为0.43 m,通过修改投影和配准,将其和原始Landsat数据置于统一的地理坐标系统。为了减少图像配准的误差,以Landsat OLI数据3×3的区域作为一个样本单元,对应于地面30 m×30 m×9的面积,在Landsat OLI数据内随机选择了38个样本区域,其中5个样本区含有红色彩钢板屋顶,与同时期的高分影像进行对比(图9)。利用高分影像目视解译获得丰度信息的真值,再利用ArcMap窗口均值工具获取模型解算的不透水层丰度估值,最后将两者进行分析验证。

通过绘出样本点不透水层丰度估值和真值的散点图(图10),计算均方根误差RMSE和相关系数R,定量评价不透水层丰度的估算精度。利用线性回归模型获得样本不透水层丰度估值和真值的关系式为:

αreal=1.101αOLI-0.038

其中:αreal为样本不透水层丰度的真值,αOLI为Landsat OLI影像的混合像元模型估值, R2为0.872,均方根误差RMSE为0.10。

图10

图10   乌鲁木齐2015年Landsat OLI数据不透水层丰度估值与真值的关系

Fig.10   Linear regression between reference and estimated value


在5个含有红色彩钢板屋顶的样本区,原始求解的不透水层丰度值为0.02~0.10,平均偏差达0.65。而改进处理后,计算的不透水层丰度值平均偏差降低为0.11。

上述研究结果表明,提取不透水层丰度时,若某些特殊类型不透水层丰度估算存在较大误差,可以通过改进处理有效地提高不透水层的估算精度。

4.2 不透水层的时空变化特征与驱动因素

通过不透水层丰度数据的阈值分割,利用多时相Landsat数据获取乌鲁木齐不同时期城市不透水层空间分布特征(图11)。乌鲁木齐东部分布一些含煤地层,其反射光谱曲线与低反射率不透水层的光谱曲线接近,可利用人工目视解译掩膜剔除。

图11

图11   不同年份阈值分割获得的不透水层空间分布

Fig.11   Spatial distribution of impervious surfaces in different year


表2   乌鲁木齐不同时期不透水层面积及扩展情况

Table 2  The area and expansion of Impervious surface different period in Urumqi

年份199420002005201020152018
不透水层面积(km2)140.41168.60197.06265.19376.04462.62
扩展面积(km2)——28.1928.4668.12110.8686.58
扩展强度(%)3.353.386.918.367.67
扩展速率(km2*a-1)4.705.6913.6222.1728.86

新窗口打开| 下载CSV


表3   乌鲁木齐市不同时期不透水层扩展方位面积

Table3  Impervious surface expansion bearing areas of Urumqi in different periods

年份扩展面积/km2
东北东南西南西西北
1994~20000.3910.662.366.432.251.870.451.79
2000~20053.190.190.410.603.154.2914.806.81
2005~20102.8015.871.651.310.541.2513.834.09
2010~201520.4226.081.718.7010.6022.2328.4620.71
2015~201811.277.701.743.480.997.3114.7112.59

新窗口打开| 下载CSV


从最终的提取结果可以看出,光谱混合分析法得到的不透水层丰度估值通过阈值分割能较为有效地获得不透水层的空间分布,且能够避免指数法中裸土和不透水层难以区分的现象(图12)。

图12

图12   局部不透水层提取效果图

Fig.12   Partial impervious surface extraction effect diagram


4.2.1 不透水层的时间变化特征

在1994、2000、2005、2010、2015和2018年,乌鲁木齐的不透水层面积分别是140.41、168.60、197.06、265.19、376.04和462.62 km2,面积不断增加,2018年不透水层面积是1994年的3.3倍。其扩展强度先上升后下降,1994~2000年和2000~2005年这两个时间段,扩展强度相对持平,分别为3.35%和3.38%,2010~2015年的扩展强度最大,达到年平均增长8.36%,而到2015年之后,扩展强度缓慢下降至7.67%。从1994年到2018年,不透水层的扩展速率整体呈现上升的趋势。1994~2005年扩展速率上升较慢,2005年之后扩展速率快速上升,2015~2018年的年平均扩展速率达到最大,为28.86 km2*a-1图13)。

图13

图13   乌鲁木齐不同时期不透水层面积及扩展情况

Fig.13   The area and expansion of impervious surface in different periods in Urumqi


4.2.2 不透水层的空间变化特征

利用扩展方位特征,可以对不透水层在不同空间方位上的扩展进行描述。通过计算不透水层在不同方位、不同年份的面积之差(即扩展面积),分析不透水层在不同时间段的扩展方位特征,并以雷达图(图14)的形式直观地展现出来。

图14

图14   1994-2018乌鲁木齐市不透水层扩展方位变化图

Fig.14   Spatial expansion orientation of impervious surface in Urumqi during 1994 to 2018


分析结果表明,乌鲁木齐市不透水层在不同方向的扩展差异较大。在1994~2018年的24 a间,乌鲁木齐市在东、东南、南方向扩展较小,分别扩展了7.88、20.53和17.53 km2。其中向东扩展最小,很有可能受其东部煤矿开采的影响,而乌鲁木齐建城区东南侧由地貌陡峻的基岩山体构成(图15图16(a)),海拔高且土壤植被相对较少,不能作为城市建设用地。故城市不透水层较少往东、东南、南方向扩展。

图15

图15   Landsat OLI建城区东南侧基岩山体图像

Fig.15   Rocky mountain in the southeast of urban from Landsat OLI image


图16

图16   实地考察

Fig.16   Field research


乌鲁木齐建城区的北部和西北部为耕地;东北部为黄土土丘(图16(b));西方向大部分为黄土和基岩;这些地区海拔相对较低,有利于不透水层往这些方向扩展。1994~2000年不透水层主要往东北方向扩展,扩展面积为10.66 km2;2000~2005年主要向西以及西北方向扩展,扩展面积分别为14.80和6.81 km2;2005~2010年主要往西和东北方向扩展,分别扩展了13.83和15.87 km2;2010~2015年之间,不透水层往北、东北、西南、西、西北方向均有较大的扩展,向西扩展的面积最大,为28.46 km2。2015~2018年主要向西、西北、北方向扩展,向西扩展的面积最大,为14.71km2

总体来看,在1994~2018年的24 a间,乌鲁木齐不透水层主要是往西和东北方向扩展,尤其是2005年之后,不透水层往西和东北方向分别扩展了42.29和41.95 km2,扩展面积最大。这很大程度上与2004年新疆提出的“乌昌一体化”政策有关。根据政策要求,加快昌吉州昌吉市和乌鲁木齐市头屯河区的融合,共同建设“昌河新区”,使米东区和“昌河新区”成为乌鲁木齐城市发展的两个副中心,加快乌昌地区新型工业化进程。而“昌河新区”和米东区正好位于乌鲁木齐的西和东北方向。这两个地区已经入驻了大量工矿企业,前面提及的红色彩钢板屋顶(图5)主要分布于此。城市不透水层面积在上述地区的不断扩展,表明2005年之后 “乌昌一体化”政策在加快推进和落实。

5 讨 论

5.1 城市不透水层丰度计算

彩钢板因其质量轻、保温、抗震等优势,近年来广泛应用于公共厂房、仓库、办公楼等,逐渐成为城市不透水层中的典型地物,主要有蓝色、红色、白色三种颜色,尤其在我国西北的乌鲁木齐、兰州等城市较为广泛使用,其空间分布与城市发展和结构密切相关。

不同颜色彩钢板屋顶的反射光谱曲线差异主要位于可见光波段,而在近红外和中外波段波动趋势基本相同。在可见光波段,红色彩钢板屋顶在红波段反射率值最高,蓝色彩钢板屋顶反射率峰值位于蓝波段,白色彩钢板屋顶整体反射率都较高[30]

乌鲁木齐市以红色和蓝色两种彩钢板屋顶为主,在不透水层丰度计算时,蓝色彩钢屋顶丰度估值偏高,而红色彩钢板由于光谱曲线整体近似土壤(图17),在丰度值计算时出现较大误差。

图17

图17   端元波谱曲线

Fig.17   Spectral curve of endmember


城市不透水层丰度数据是许多城市生态模型的输入参数,它对碳密度[31]、CO2浓度[32]、地下水循环[6]、城市热岛[7,33]等的估算和模拟研究均有一定的影响。因此,不透水层丰度的计算精度直接关系到上述研究结果的精度。对于乌鲁木齐、兰州这样彩钢屋顶分布较广的城市,红色彩钢屋顶不透水层丰度信息的提取显得尤为重要。

本研究中提出的改进处理方案,单独求解出像元内的红色彩钢板屋顶不透水层丰度,显著提高了不透水层丰度计算的精度。此外,本研究提出的改进处理不仅适用于红色彩钢屋顶不透水层信息提取,从线性代数的角度来说,如果城市内部存在难以用高、低反射率表示的特殊类型不透水层,都可以将其纯像元加入模型来求解。只要地物的光谱向量与其他地物的光谱向量不平行,且端元数小于波段数-1,即可保证方程奇异有解,即可获得特殊类型不透水层丰度估值。

5.2 乌鲁木齐城市发展带来的挑战

本研究的结果表明乌鲁木齐城市不透水层在不断地扩展,且在不同方向上的扩展具有显著差异。一些研究城市形态的学者发现,乌鲁木齐城市表现出分维大、紧凑度低的特点[34],这样的城市形态不利于城市各部分之间的交通联系,增加了人们对汽车的依赖,导致城市交通拥堵;同时也不利于基础公共设施的共享[35]

随着乌鲁木齐城市不透水层的不断扩展,在米东区和“昌河新区”入驻了大量的工厂,其中不少是钢铁和石油化工企业。工业发展带动了经济的增长,也带来了大量废气排放,空气污染严重。乌鲁木齐干旱少雨、三面环山,阻碍了大气污染物的扩散与沉降。同时,在这在工业区附近,分布不少学校、居民住宅区,整个城市功能分区不明显,不利于污染的集中治理。

因此,乌鲁木齐如何科学合理地扩展,合理规划道路交通网络都是亟待解决的问题。由于乌鲁木齐是以煤炭消费为主的老工业城市,能源与经济产业结构比较单一,应当注重经济发展质量,优化产业结构,加大利用清洁能源的力度,改善城市环境。同时,乌鲁木齐作为中亚重要的进出口贸易集散地、东西方文化的交流中心,可以加大发展第三产业,促进乌鲁木齐的绿色可持续发展。

6 结 论

本研究基于多时相Landsat卫星遥感数据,利用VIS模型光谱混合分析法,并进行局地的改进处理,对乌鲁木齐建城区及周边区域进行不透水层丰度估算,并对估值进行验证分析。探讨乌鲁木齐市不透水层的空间分布特征与扩展过程。研究所取得的认识与结论如下:

(1)通过改进处理,将不透水层细分为高反射率的不透水层、低反射率的不透水层、特殊类型不透水层,将彩钢板屋顶等特殊类型地物的纯像元光谱加入模型求解,可以有效提高其不透水层丰度的计算精度。

(2)1994~2018年的24 a期间,乌鲁木齐城市不透水层面积不断增加,扩展速度呈快速上升趋势;扩展强度先上升后降低;不透水层在空间尺度上的扩展具有明显的差异性,由于受地形地貌等自然条件的限制,其向东、东南、南方向的扩展较小,而由于“乌昌一体化”政策的落地实施,不透水层向西和东北方向扩展较大。

参考文献

Zhao Rong, Wang Enyong, Zhang Xiaolin, et al. Human Geography[M]. Beijing: High Educaton Press, 2006.

[本文引用: 1]

赵荣,王恩涌,张小林,.人文地理学(第二版)[M]. 北京:高等教育出版社,2006.

[本文引用: 1]

Gong P, Li X C, Wei Z.

40-Year(1978–2017) Human Settlement Changes in China Reflected by Impervious Surfaces from Satellite Remote Sensing

[J].Science Bulletin,2019,64(11):756-763.

[本文引用: 1]

Xian G, Homer C.

Updating the 2001 National Land Cover Database Impervious Surface Products to 2006 Using Landsat Imagery Change Detection Methods

[J]. Remote Sensing of Environment,2010,114(8):1676-1686.

[本文引用: 1]

Jr Arnold C L, Gibbons C J.

Impervious Surface Coverage: The Emergence of a Key Environmental Indicator

[J]. Journal of the American Planning Association, 1996,62(2):243-258.

[本文引用: 1]

Weng Q H.

Remote Sensing of Impervious Surfaces in the Urban Areas: Requirements, Methods, and Trends

[J]. Remote Sensing of Environment,2012, 117(2):34-49.

[本文引用: 1]

Jacobson C R.

Identification and Quantification of the Hydrological Impacts of Imperviousness in Urban Catchments: A Review

[J]. Journal of Environmental Management,2011,92(6): 1438-1448.

[本文引用: 2]

Yuan F, Bauer, Marvin E.

Comparison of impervious surface area and normalized difference vegetation index as indicators of surface urban heat island effects in Landsat imagery

[J]. Remote Sensing of Environment, 2007,106(3):375-386.

[本文引用: 2]

Stankowski S J.

Population density as an indirect indicator or urban and suburban land-surface modifications

[J]. U.S. Geological Survey Professional Paper 800-B. Washington, DC: U.S. Geological Survey. 1972: 219-224.

[本文引用: 1]

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.

[本文引用: 3]

Wu C S, Murray A T.

Estimating Impervious Surface Distribution by Spectral Mixture Analysis

[J]. Remote Sensing of Environment,2003, 84(4):493-505.

[本文引用: 3]

Zhou Ji, Chen Yunhao, Zhang Jinshui.

An Analysis of the City Temperature Abnormal Area based on TM Data

[J]. Remote Sensing for Land & Resources, 2007,19(3):13-17+27.

[本文引用: 1]

周纪,陈云浩,张锦水.

北京城市不透水层覆盖度遥感估算

[J]. 国土资源遥感, 2007,19(3):13-17+27.

[本文引用: 1]

Jin Jing, Wang Bin, Zhang Liming.

Estimating Urban Impervious Surface Distribution by Linear Spectral Mixture Analysis

[J]. Journal of Fudan University (Natural Science).2010, 49(2):197-208+273-274.

金晶,王斌,张立明

基于线性光谱混合分析的城市不透水层分布估算

[J]. 复旦学报(自然科学版),2010,49(2):197-208+273-274.

[本文引用: 2]

Xia Junshi, Du Peijun, Pang Yunfeng, et al.

Urban Impervious Surface Area Extraction and Analysis based on Hyperspectral Remote Sensing Image

[J]. Journal of China University of Mining & Technology,2011, 40(04):660-666.

[本文引用: 2]

夏俊士,杜培军,逄云峰,.

基于高光谱数据的城市不透水层提取与分析

[J]. 中国矿业大学学报,2011,40(04):660-666.

[本文引用: 2]

Esch T, Himmler V, Schorcht G, et al.

Large-area Assessment of Impervious Surface based on Integrated Analysis of Single-date Landsat-7 Images and Feospatial Vector Data

[J]. Remote Sensing of Environment, 2009, 113(8):1678-1690.

[本文引用: 2]

Lu D S, Tian H Q, Zhou G M, et al.

Regional Mapping of Human Settlements in Southeastern China with Multisensor Remotely Sensed Data

[J]. Remote Sensing of Environment,2008, 112(9):3668-3679.

Xian G, Crane M.

Assessments of Urban Growth in the Tampa Bay Watershed Using Remote Sensing Data

[J]. Remote Sensing of Environment,2005, 97(2):203-215.

[本文引用: 2]

Zhang Y Z, Zhang H S, Lin H.

Improving the Impervious Surface Estimation with Combined Use of Optical and SAR Remote Sensing Images

[J]. Remote Sensing of Environment, 2014,141(2):155-167.

[本文引用: 2]

Yu Sisi, Sun Zhong Chang, Guo Huadong, et al. 2017.

Monitoring and Analyzing the Spatial Dynamics and Patterns of Megacities Along the Maritime Silk Road

[J]. Journal of Remote Sensing, 2017,21(2):169-181.

[本文引用: 1]

禹丝思, 孙中昶, 郭华东, .

海上丝绸之路超大城市空间扩展遥感监测与分析

[J]. 遥感学报, 2017,21(2):169-181.

[本文引用: 1]

Yan Ruliu, Yang Shuwen, Zhang Shan, et al.

An New Extraction Method of Impervious Surface based on Landsat-8

[J]. Remote Sensing Information. 2019,34(4):128-132.

闫如柳

,杨树文,张珊,.

一种Landsat-8影像提取不透水面的新方法

[J].遥感信息,2019,34(4):128-132.

[本文引用: 2]

Zha Yong, Ni ShaoXiang, Yang Shan.

An Effective Approach to Automatically Extract Urban Land-use from TM Imagery

[J]. Journal of Remote Sensing, 2003,7(1):37-40+82.

[本文引用: 2]

查勇,倪绍祥,杨山.

一种利用TM图像自动提取城镇用地信息的有效方法

[J]. 遥感学报, 2003,7(1):37-40+82.

[本文引用: 2]

Xu Hanqiu.

A New Remote Sensing Index for Fastly Extracting Impervious Surface Information

[J]. Geomatics and Information Science of Wuhan University,2008,33(11):1150-1153.

徐涵秋.

一种快速提取不透水面的新型遥感指数

[J]. 武汉大学学报·信息科学版, 2008,33(11):1150-1153.

Deng C B, Wu C S.

BCI: A Biophysical Composition Index for Remote Sensing of Urban Environments

[J]. Remote Sensing of Environment,2012,127(5):247-259.

[本文引用: 3]

Lu D S, Li G Y, Kuang W H, et al.

Methods to Extract Impervious Surface Areas from Satellite Images

[J]. International Journal of Digital Earth, 2014,7(2):93-112.

Li Deren, Luo Hui, Shao Zhenfeng.

Review of Impervious Surface Mapping Using Remote Sensing Technology and Its Application

[J]. Geomatics and Information Science of Wuhan University, 2016,41(5):569-577+703.

[本文引用: 1]

李德仁,罗晖,邵振峰.

遥感技术在不透水层提取中的应用与展望

[J]. 武汉大学学报(信息科学版),2016,41(5):569-577+703.

[本文引用: 1]

Wu C S, Yuan F.

Seasonal Sensitivity Analysis of Impervious Surface Estimation with Satellite Imagery

[J].Photogrammetric Engineering & Remote Sensing, 2007, 73(12):1393-1401.

[本文引用: 1]

Flanagan M, Civco D L. Subpixel Impervious Surface Mapping.

The ASPRS Annual Convention

[C]∥ St. Louis, Missouri, USA,2001.

[本文引用: 1]

Xu Hanqiu.

A Study on Information Extraction of Water Body with the Modified Normalized Difference Water Index (MNDWI)

[J]. Journal of Remote Sensing, 2005,9(5): 589-595.

[本文引用: 2]

徐涵秋.

利用改进的归一化差异水体指数(MNDWI) 提取水体信息的研究

[J]. 遥感学报, 2005,9(5): 589-595.

[本文引用: 2]

Green A, Berman M, Switzer P, Craig M D.

A Transformation for Ordering Multispectral Data in Terms of Image Quality with Implications for Noise Removal

[J]. IEEE Transactions on Geoscience & Remote Sensing, 1988,26(1):65-74.

[本文引用: 1]

Wang Weiwu, Jin Jianwei,Xiao Zuopeng, et al

. Urban Expansion and Its Driving Forces based on Remote Sensed Data and GIS: A Case Study of Hangzhou Dity from 1991 to 2008

[J]. Geographical Research,2009, 28(3):685-695.

[本文引用: 2]

王伟武, 金建伟, 肖作鹏,.

近18年来杭州城市用地扩展特征及其驱动机制

[J]. 地理研究, 2009,28(3):685-695.

[本文引用: 2]

Liang Renfeng.

Spectral Characteristic and Impact Factor Analysis of the Color Steel Material

[D]. Changchun: Northeast Normal University,2012.

[本文引用: 1]

梁壬凤.

彩钢材料的光谱特性及影响因子分析

[D]. 长春东北师范大学,2012.

[本文引用: 1]

Godwin C, Chen G, Singh K K.

The Impact of Urban Residential Development Patterns on Forest Carbon Density: An Integration of LiDAR, Aerial Photography and Field Mensuration

[J]. Landscape and Urban Planning, 2015,136: 97-109.

[本文引用: 1]

Pan Chen, Zhu Xiyang Y, Jia Wenxiao, et al.

Near Surface CO2 Concentration and Its Quantitative Relationship with Character of Underlying Surface in Shanghai City, China

[J]. Journal of Applied Ecology, 2015,26(7):2123-2130[潘晨,朱希扬,贾文晓,.上海市近地面CO_2

浓度及其与下垫面特征的定量关系

[J].应用生态学报, 2015,26(7):2123-2130).

[本文引用: 1]

Pan Jinghu, Liu Chunyu, Li Xiaoxue.

Spatial Research on Urban Heat Island and Underlying Surface Using Spectral Mixture Analysis

[J]. Remote Sensing Technology And Application. 2009,24(4):462-468.

潘竟虎,刘春雨,李晓雪

.

基于混合光谱分解的兰州城市热岛与下垫面空间关系分析

[J].遥感技术与应用,2009,24(4):462-468.

[本文引用: 1]

Liu Yaxuan, Zhang Xiaolei, Lei Jun, et al.

Urban Expansion and Morphological Changes of Oasis Cities in Xinjiang

[J]. Journal of Soil and Water Conservation, 2009,23(6): 252-256.

[本文引用: 1]

刘雅轩,张小雷,,朱磊,.

新疆绿洲城市扩展与空间形态变化分析

[J].水土保持学报,2009,23(6):252-256.

[本文引用: 1]

Gert D R.

Environmental Conflicts in Compact Cities: Complexity,Decision-making,and Policy Approaches

[J].Environment and Planning B:Planning and Design,2000,27(2):151-162.

[本文引用: 1]

/