EN中文

Journal of Geo-information Science >

2019 , Vol. 21 >Issue 9: 1420 - 1429

DOI: https://doi.org/10.12082/dqxxkx.2019.180679

Extraction of Urban Impervious Surface from High-Resolution Remote Sensing Imagery based on Deep Learning

  • CAI Bowen 1 ,
  • WANG Shugen 1 ,
  • WANG Lei 2 ,
  • SHAO Zhenfeng , 2, *
Expand
  • 1. School of Remote Sensing and Information Engineering,Wuhan University ,Wuhan 430079, China
  • 2. State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China
*SHAO Zhenfeng, E-mail:

Received date: 2018-12-30

  Request revised date: 2019-06-12

  Online published: 2019-09-24

Supported by

National Key R&D Program Projects(2016YFE0202300)

National Natural Science Foundation of China(61671332)

National Natural Science Foundation of China(41771452)

National Natural Science Foundation of China(41771454)

National Natural Science Foundation of China(51708426)

National Natural Science Foundation of China(41890820)

National Natural Science Foundation of China(41771454)

Hubei Natural Science Foundation Program Innovation Group Project(2018CFA007)

Copyright

Copyright reserved © 2010. Office of Journal of Geo-information Science All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.
Fold

Abstract

Impervious surface is an important indicator of urban ecological environment, which is of great significance for urbanization and environmental quality assessment. The complexity of urban land use and the diversity of impervious surface materials make it a challenge to extract impervious surface directly from high-resolution remote sensing imagery. To meet the requirement of impervious surface extraction from high-resolution remote sensing imagery at the urban scale, a model of impervious surface extraction based on deep learning was proposed in this paper. Firstly, deep convolution neural network was used to extract image features. In extracting impervious surface of complex cities, a convolution layer and a pool layer were retained. While the void convolution was introduced to increase the field of receptivity and reduce the loss of information, so that each convolution output contained a larger range of information. Secondly, a probabilistic graph learning model was constructed according to its neighborhood relationship, and high-order semantic information was introduced to optimize the features to achieve accurate extraction of impervious surfaces. This paper choosed Wuhan as the experimental area, and took GaoFen-2 satellite remote sensing imagery as the data source to implement the proposed model for the extraction of impervious surface thematic information. The automatic extraction accuracy was 89.02% in the construction area and 95.55% in the urban-rural junction. Compared with the traditional machine learning algorithms such as random forest and support vector machine, the efficiency and accuracy of the proposed deep learning method were better. Statistics and analysis of the impervious surface information of the main administrative regions in Wuhan showed that the proportion of impervious surface in the whole territory of Wuhan was 11.43%, and the proportion of impervious surface in the core main urban area was close to 70%. Additionally, the present situation and development planning characteristics of Wuhan were analyzed and discussed. The impervious surface can be used as a link between urban development level and environmental quality. The distribution of impervious surface in Wuhan development planning of various administrative districts is closely related to the sustainable development of the city. Our findings suggest that the deep learning method is effective for the extraction of impervious surfaces from high-resolution remote sensing imagery, and can provide technical support and data reference for the construction of sponge city and ecological city.

Key words： impervious surface; deep learning; high resolution remote sensing images; convolutional neural network; probabilistic graph model; Wuhan

Cite this article

CAI Bowen , WANG Shugen , WANG Lei , SHAO Zhenfeng . Extraction of Urban Impervious Surface from High-Resolution Remote Sensing Imagery based on Deep Learning[J]. Journal of Geo-information Science, 2019 , 21(9) : 1420 -1429 . DOI: 10.12082/dqxxkx.2019.180679

1 引言

不透水面被定义为具有不透水性的人工材料硬质表面,主要指屋顶、沥青或水泥道路和停车场等[1]。城市不透水面是城市的基质景观和地表覆盖的典型特征[2,3,4],其通过影响水热交换带来了热岛效应、城市内涝、地表下沉、流域水环境恶化等一系列生态环境问题[5,6]。高精度的不透水面数据通常被用于许多关于城市化的环境研究中,模拟和研究城市水文过程的水文,大气和环境模型,城市大气过程和城市气候变化,城市地表温度和城市热岛,以及社会经济研究,如城市增长度量,人口分布估计等[7]。高精度不透水面是衡量城市化水平和城市生态环境状况的重要指标,其面积大小、几何及空间分布、透水层和不透水面的比例等指标,可以用来检测城市中生态环境的变化以及人与自然的和谐状况,城市化进程及环境质量评估中具有重要的意义。
遥感影像具有面域和重复对地观测能力,近年来被广泛应用于城市不透水面的提取研究。基于MODIS等低分辨率遥感影像的不透水面提取方法常用于国家或全球范围大尺度估算与制图[8]。 邵振峰等[9]利用支持向量机分类方法基于Landsat时间序列影像对武汉市不透水面进行了遥感监测研究。高分辨率遥感影像提高了不透水面和其他土地覆盖特征的提取能力。然而,由于城市表面的复杂性和不透水表面材料的差异,直接从高分辨率遥感影像中自动提取不透水表面具有挑战性。传统通过地面调查和人工解译的方法有着较高的局部区域精度,但由于昂贵的成本而无法用于大范围估算和及时更新,方法仅适用于小范围地区。
目前,深度学习已广泛应用于遥感影像处理中。由于深度学习具有独特的自动特征学习能力和强大的非线性复杂函数表达和拟合功能,能够表达出复杂的目标函数,而且具有很好的泛化性[10]。Mohapatra等[11]利用人工神经网络用于高分辨率IKNOS影像提取康斯威星州居民区的不透水面。Zhou等[12]利用深度卷积网络算法在图像分类问题中产生良好的效果。深度学习算法有效解决了高分辨率遥感影像数据量大、信息复杂、信息提取难度高等难题,对于城市不透水面提取和变化检测、环境和水文研究具有十分重要的理论意义和实际应用价值。
因此,本文探索基于深度学习方法利用高分辨率遥感影像进行不透水面提取。武汉市是国内城市化发展最快的地区之一,也是城市内涝较为严重的地区,准确获取武汉市不透水面分布信息是极为重要的。利用武汉市高分二号遥感影像,基于深度卷积神经网络和概率图优化模型提取不透水面分布,采用统计方法分析各主要行政区不透水面占比情况,并对武汉市现状和发展规划特点进行了分析讨论。

2 基于深度学习的不透水面提取模型

2.1 卷积神经网络（CNN）

CNN具有很强的鲁棒性,适用于城市地表（如不透水面）复杂特征的学习和重建。经典卷积神经网络的基本结构由输入层、卷积层、池化层、全连接层和输出层构成。其中,卷积层旨在模拟人眼视觉的感受野对影像特征进行提取,而池化层则是对影像进行多尺度化,以降低特征维度并保证网络提取特征的平移、旋转和尺度不变性[13]。全连接层可以整合卷积层和池化层中具有类别区分性的局部信息。为了提升CNN网络性能,全连接层神经元的激活函数一般采用RELU函数。全连接层的输出值传递给输出层,可以采用softmax逻辑回归进行分类[14,15,16]。CNN的结构框架如图1所示。
图1 卷积神经网络的结构框架

Fig. 1 Structural framework of convolutional neural network

每个卷积层中每个神经元的输入连接到前一层中的局部感受野（一组连接的相邻神经元）,并且提取局部感受野的特征[17]。由于每个卷积层中的输入来自前一层的多个二维矩阵,卷积层可以与输入矩阵和可训练卷积核卷积,以便在激活函数的作用下生成多个输出特征映射,如式（1）所示。
x j n = f ∑ i ∈ M j n x i n - 1 * k ij n + b j n
式中：f是激活函数; x j n 是第n层的第j个输出特征; M j n 是与第n层的第j个输出特征映射对应的输入矩阵的索引;*是卷积运算; k ij n 是与第n层的第j个输出相对应的第i个卷积核; b j n 是第n层的第j个输出的偏置值。
池化层对卷积层中的每个特征映射进行下采样,并生成相应的下采样特征映射。池化层中的下采样过程如式（2）所示。
x j n = β j n down ( x j n - 1 ) + b j n
式中： down ( ∙ ) 是下采样函数,在每个输入图像(卷积层的输出特征图)中进行加权求和或取 n × n 大小的邻域图像块的最大值以获得点值。输入图像的长度和宽度均为原始图像的 1 n ,并且每个输出都包含乘法偏差 β 和加法偏差b。

2.2 模型构建

基于深度学习的高分遥感影像不透水面提取模型主要包括2个阶段：① 利用卷积神经网络对影像进行特征提取;② 将输入影像根据像素点邻域关系构建概率图学习模型,在深度网络提取特征的基础上,进一步引入高阶语义信息对特征进行优化,最终实现不透水面的精确提取,其流程如图2所示。
图2 面向高分遥感影像不透水面提取的深度卷积网络

Fig. 2 Deep convolution network of impervious surface extraction based on high-resolution remote sensing imagery

2.2.1 面向高分遥感影像不透水面提取的深度学习网络
利用传统卷积神经网络对图像进行卷积和池化时,降低图像分辨率的同时增大感受野,池化后图像需要上采样到原始的图像尺寸进行预测[18]。由于卷积层和池化层的堆叠,使得影像的空间分辨率降低,最终得到的是多个像素点的特征而非单个像素点的特征。因此,对于像素级的不透水面提取,经典的卷积神经网络则不再适用。面向高分遥感影像不透水面提取的深度学习网络,它只保留了一个卷积层和池化层以得到更为密集的特征图。
本文进一步引入空洞卷积以提取影像的多尺度特征,如图3所示。图3（a）为经典的3×3卷积,达到了3×3感受野;图3（b）为对应3×3的扩张率为2的空洞卷积,达到7×7的感受野;图3（c）为对应扩张率为3的空洞卷积,最终能达到15×15的感受野。传统卷积感受野随层数呈线性增长,而空洞卷积的感受野则是随层数呈平方级增长。对于复杂城市不透水面提取过程中,空洞卷积在不做池化的情况下,加大感受野的同时减少了信息损失,使每个卷积输出都包含了较大范围的信息[19]。
图3 经典卷积与空洞卷积对比示意图

Fig. 3 Contrasting illustrations of the classical convolution and dilated convolution

记I为神经网络网络输入的遥感影像,深度卷积神经网络F表示为一系列线性变换和非线性激活操作的输出结果。对于包含2L+M层的深度卷积网络F,其前L层为卷积和池化层,中间M层为空洞卷积层,而后L为反池化和反卷积层,最后得到输出特征如式（3）所示。
F ( I ) = Re lu ( unpooling ( H 2 L + M - 1 ) ⊗ W 2 L + M + b 2 L + M )
式中： ⊗ 表示反卷积操作,第l层的隐含节点如式（4）。
H 1 = pooling ( Relu ( ( H l - 1 ) * W l + b l ) ) , l = 1,2 , … , L H l = Relu ( ( H l - 1 ) ⊗ S l W l + b l ) , l = L + 1 , … , L + M H l = Relu ( unpooling ( H l - 1 ) ⊗ W l + b l ) , l = L + M + 1 … , 2 L + M - 1
式中：*为卷积运算; ⊗ S l 为 S l 步长的空洞卷积, H 0 = I 。 W l 和 b l 分别表示卷积核和偏置项, pooling ( ∙ ) 和 unpooling ( ∙ ) unpooling ( ∙ ) 分别为池化和反池化函数, Relu ( ∙ ) unpooling ( ∙ ) 为网络的非线性激活函数。
对于学习得到的特征 F ( I ) ,进一步采用softmax回归对像素点属于每一类的概率进行预测,如式（5）所示。
p ˆ i , k = soft max ( F i ( I ) ) = e W k T F i ( I ) ∑ c j ∈ C e W k T F i ( I )
式中： p ˆ i . k 表示预测得到的第 i 个像素属于类别 c k ∈ C 的概率, C = c 1 , c 2 , c 3 为类别标签集合,分别对应透水面、不透水面和水体。
2.2.2 概率图学习模型
由于softmax是面向像素的回归预测方式,因其没有考虑空间相邻像素的语义关系,这就使得预测结果受到噪声等因素的影响,造成提取结果在空间上的不连续。为了解决这个问题,本文根据邻接关系构建概率图 G ( V , E ) ,其中 v ∈ V 和 e ∈ E 分别为图 G 的顶点和边[20],每个顶点对应影像 i 上的一个像素,相邻顶点 i , j 间由边 e i , j 相连, x i 表示第 i 个像素的标签变量,如图4所示。
图4 概率图优化模型

Fig. 4 Probabilistic graph optimization model

构建相应的条件随机场模型,能量函数式（6）由数据项式（7）和光滑项式（8）构成。其中数据项对标签与预测概率 p ˆ i , j 间的距离进行约束,光滑项用于对相邻像素间标签的一致性进行惩罚。
E ( x ) = ∑ i Ψ u ( x i ) + ∑ ( i , j ) ∈ Neig h bors Ψ p ( x i , x j )
Ψ u ( x i ) = - ∑ i , j ∑ k ∈ C x i , k ln p ˆ i , k
Ψ p ( x i , x j ) = μ ( x i , x j ) ∑ m = 1 K w ( m ) k ( m ) ( f i , f j ) ︸ k ( f i , f j )
μ ( x i , x j ) = { 1 , x i = x j 0 , 其他
式中： μ ( x i , x j ) 为标签变量 x i 和 x j 的示性函数。
最后,对相邻像素间标签的不一致性进行惩罚,其中式（10）和式（11）为2种核函数,分别考虑了空间相邻像素的标签和光谱二方面的一致性。
k ( 1 ) ( f i , f j ) = exp - p i - p j 2 2 θ a 2
k ( 2 ) ( f i , f j ) = exp - p i - p j 2 2 θ β 2 - I i - I j 2 2 θ γ 2
式中： p i 和 I i 分别为第 i 个像素点的空间位置和光谱; θ α 、 θ β 和 θ γ 为可训练参数。

3 研究区概况及数据来源

3.1 实验区概况

武汉市位于113°41′E-115°05′E,29°58′N- 31°22′N。汉江平原东部,长江与汉江的交汇处。武汉市现有13个辖区,其中江岸区、江汉区、硚口区、汉阳区、武昌区、洪山区、青山区为7个中心城区,其余为新城区。截至2016年末,武汉市全境土地面积8494.41 km2,常住人口1060.77万人,地区生产总值（GDP）11 912.61亿元,比上年增长7.8%,全市城镇化率79.77%。武汉典型地物包括居民地、道路、广场、植被、农田、裸土、草地、湖泊、水库、江河流域等。近年来,武汉市的城市化现象迅速蔓延,导致城市不透水面占比持续增加。

3.2 数据源

本文选用2016年武汉市高分二号卫星遥感影像作为实验数据,高分二号卫星装载2台1 m的全色波段和4 m多光谱相机,具有亚米级空间分辨率、高定位精度和快速姿态机动能力等特点。影像预处理过程中对遥感影像进行辐射定标、大气校正,以便去除影像的干扰信息[21]。利用高分二号卫星自带的有理函数模型（Rational Polynomial Coefficient,RPC）文件以及全球分辨率为900 m的DEM数据进行正射校正。影像融合选用Nearest Neighbor Diffusion Pan Sharpening算法,相比于传统的融合方法,避免了失真现象,并且能够高保真保持光谱特征和纹理特征。同时,使用武汉市的各区矢量边界数据作为辅助数据。

4 实验结果及分析

4.1 对比实验和精度评定

为验证基于深度学习的不透水面提取算法的有效性,选取高分二号卫星遥感影像1、2作为实验对象,并与机器学习方法的随机森林和支持向量机算法进行对比。其中影像1是融合后的城市建成区影像,如图5中区域③所示,影像中包含了植被、裸土、道路、建筑物、水体等多种密集复杂地物,空间分辨率为2 m,大小为2939像元×1999像元。影像2是融合后的城乡结合部影像,如图5中区域④所示,影像中地物分布较为稀疏,空间分辨率为2 m,大小为1406像元×1539 像元。
CNN的部分参数设置如下：学习率为0.001,最大迭代周期为100,批量大小为64。实验平台为CPU Intel(R) Core(TM) i7-7700主频2.80 GHz;内存8.0 GB;操作系统为Windows 10(x64);采用Python3.5和C++11混合编程。
对于建成区,如图6中（a）、（b）、（c）所示,本文深度学习方法相比于随机森林和支持向量机方法,在地物细节上有很好的描述。对于地物密度较小的城乡结合部部分,如图6中（d）、（e）、（f）所示,本文方法对不透水面有很好的提取效果,改善了机器学习中对于细小地物的错分情况。随机森林和支持向量机方法受到噪声影响严重,存在水面和透水面错分为不透水面现象。本文提出的深度学习方法在准确提取不透水面、较好地保留不透水面结构信息的同时,还能够有效抑制影像噪声对不透水面提取结果的影响,具有很好的鲁棒性。
为了定量评价所提出的深度学习方法,由人工逐点标注为不透水面（道路、建筑物等）、透水面（裸土、植被）和水体3大类作为地面真值。利用混淆矩阵计算两块实验影像3种方法的总体精度（OA）和Kappa系数,用OA和Kappa系数定量评价不透水面提取结果,评价指标如表1所示。
表1 不同方法的精度评定参数

Tab. 1 Accuracy performances of the proposed method, and the RF and SVM methods

总体精度 Kappa系数 时间/s
BU RU BU RU BU RU
本文方法 0.8902 0.9555 0.8104 0.9167 58 33
随机森林 0.8684 0.9411 0.7761 0.8903 49 17
支持向量机 0.8734 0.9422 0.7846 0.8985 175 67

注：BU为建成区（Built Up area）、RU为城乡结合部（Rural Urban fringe zone）。

由表1可知,基于深度学习不透水面提取方法的精度更高,其中建成区的不透水面提取精度为0.8902,比随机森林方法的总体精度高2.18%;城乡结合部的不透水面提取精度为0.9555。在2幅影像的不透水面提取中,Kappa系数大于81%。通过定量评价验证了深度学习方法高分辨率遥感影像提取不透水面的精度,这是由于CNN特征有效的组合高分辨率影像的低级特征,从而获得更好的提取效果。在时间效率上,深度学习相比于支持向量机方法有近50%的提升。然而,相比于随机森林算法,深度学习方法对不透水面的提取更耗时,这是由于其涉及到CNN的深度神经网络学习。总体而言,由于支持向量机和随机森林属于浅层监督学习算法的限制,其在提取精度和自动化水平方面不如深度学习方法。

4.2 实验结果和分析

以武汉市为研究区域,基于高分二号遥感影像数据,对影像采用分幅处理,利用深度卷积网络,将分幅影像作为输入,引入全局优化和类别空间关系信息作为约束,训练深度学习模型提取不透水面,完成了武汉市不透水面信息提取,提取结果如图7所示。
图7 武汉市不透水面提取结果

Fig. 7 Extraction results of the impervious surfaces in Wuhan

通过对武汉市不透水面提取结果统计发现,武汉市全境不透水面占比为11.43%,透水面为66.95%,水域为21.62%。武汉市是城市内涝的高发地区,针对武汉市的7个主城区,包括江岸区、江汉区、硚口区、汉阳区、武昌区、青山区和洪山区,通过统计和分析发现武昌区和江汉区有着较高的不透水面占比,各主城区统计结果如表2所示。江汉区作为武汉最发达的行政区,不透水面占比为65.8%。武昌区为核心区,以高密集的商业中心和居民住宅为主,区域总用地面积198.81 km2,不透水面129.46 km2,占比超过65%,由于其较高的不透水率和高密度的不透水区域,也是城市内涝的高发地带。洪山区由于绿地和农业用地范围较广,不透水面占比仅为22.66%。黄平秋等[27]估算武汉市建设用地面积占比为12.48%,这与本文提取结果相近的。袁修柳[28]、罗志勇等[29]分别基于Landsat影像对武汉市主城区不透水面覆盖度进行提取和统计,江汉区、武昌区等核心区有将近70%的不透水面占比,这与本文结论是一致的。但是无论是整体还是局部的提取结果上,中低分辨率遥感影像对于城市不透水面提取存在高估的现象,这是由于影像分辨率的局限性导致的大量混合像元。但这不能否认中低分辨率遥感影像对于长时间序列不透水面监测的有效性,而基于高分辨率遥感影像的不透水面提取具有较好的可靠性和准确性。
表2 武汉市7个主城区不透水面提取结果

Tab. 2 Impervious extraction results of the 7 main urban areas in Wuhan (%)

城区 不透水面 透水面 水面
江汉区 65.80 32.72 1.48
武昌区 65.12 13.94 20.94
江岸区 41.66 35.70 22.65
青山区 39.15 44.58 16.27
汉阳区 34.19 45.27 20.54
洪山区 22.66 41.56 35.78
随着城市不透水面的大幅增加,改变了区域地表径流的时空模型以及区域的水文循环过程,进而改变了小流域的水量平衡状况,由于大面积不透水面的存在,城市局部气候发生改变,形成的蒸腾作用不同于自然过程,干扰了水文循环的过程,内涝愈加严重[22]。合理的不透水面增长反映了城市化水平的提高,而较高的不透水面占比也对城市水环境带来压力。科学地缓解不透水面地表对城市水环境带来的压力不仅需要规划设计等工程技术手段从源头加以控制和管理,也需要加强对不透水面的监测,提倡雨洪管理设施建设,同时保护水生生态系统的完整性和多样性,促进城市水环境的健康发展[23,24]。不透水面可以作为一个城市开发水平和环境质量的联系纽带,武汉市不透水面分布也反映了城区建设过于集中且差异较大的特点,各行政区发展规划与城市可持续发展密切相关。

5 结论与展望

5.1 结论

本文针对城市尺度的高精度不透水面提取需求,提出了基于深度学习的不透水面提取模型。利用高分二号卫星影像,构建了城市高分辨率遥感影像样本库,提取了武汉市不透水面信息,并结合各区发展规划特点和不透水面提取结果对武汉市主要城区进行下垫面分析,具体的结论如下：
（1）本研究提出了针对高分辨率遥感影像的深度学习城市不透水面提取模型,利用深度卷积神经网络对影像特征进行提取,结合条件随机场模型对特征进行优化,提高了整体提取的精度和效率。其中自动提取准确率在建成区为89.02%、在城乡结合部为95.55%。
（2）与随机森林（RF）和支持向量机（SVM）等经典方法对比,结果表明深度学习不透水面提取方法有较高的提取精度和细节准确性,建成区的总体精度相比于RF和SVM算法分别提升2.18%和1.68%,时间效率比SVM算法提高近50%。
（3）武汉市全境不透水面占比为11.43%,水体占比为21.62%。其中江汉区和武昌区两个核心主城区不透水面占比超过60%。

5.2 展望

本文基于深度学习的不透水面提取方法得到很好的实验效果,但针对于不透水提取模型和结论分析仍存在以下不足：
（1）未引入空洞卷积和概率图优化的传统神经网络模型未进行实验对比,还有待进一步讨论。
（2）本文未进一步建立不透水面特征分布与城市环境影响之间的定量关系,如何结合不透水面提取结果与城市生态环境以及城市化水平等社会经济指标之间开展综合性和交叉分析将是今后研究的重点方向。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Jr C L A, 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.

[2]
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.

[ LI D R, Luo Hui, Shao Z F . 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. ]

[3]
彭文甫, 张东辉, 何政伟 , 等. 成都市地表温度对不透水面的响应研究[J]. 遥感信息, 2010(2):98-102.

[ Peng W P, Zhang S H, He Z W , et al. Study on response of urban surface temperature to impervious surface area in the city Chengdu[J]. Remote Sensing Information, 2010(2):98-102. ]

[4]
徐涵秋 . 城市不透水面与相关城市生态要素关系的定量分析[J]. 生态学报, 2009,29(5):2456-2462.

[ XU H Q . Quantitative analysis on the relationship of urban impervious surface with other components of the urban ecosystem[J]. Acta Ecologica Sinica, 2009,29(5):2456-2462. ]

[5]
任鹏飞, 甘淑, 谢显奇 , 等. 基于ETM+遥感探测山地城市不透水面及其动态分析[J]. 水土保持通报, 2013,33(5):109-112.

[ Ren P F, Gan S, Xie X Q , et al. Dynamic analysis of mountain city impervious surface based on ETM+ fused image[J]. Bulletin of Soil and Water Conservation, 2013,33(5):109-112. ]

[6]
Weng Q . Remote sensing of impervious surfaces in the urban areas: Requirements, methods, and trends[J]. Remote Sensing of Environment, 2012,117(2):34-49.

[7]
Hong S Z, Lin H, Wang Y P . A new scheme for urban impervious surface classification from SAR images[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018(139):103-118.

[8]
匡文慧, 刘纪远, 陆灯盛 . 京津唐城市群不透水地表增长格局以及水环境效应[J]. 地理学报, 2011,66(11):1486-1496.

[ Kuang W H, Liu J Y, Lu D S . Pattern of impervious surface change and its effect on water environment in the Beijing-Tianjin-Tangshan metropolitan area[J]. Acta Geographica Sinica, 2011,66(11):1486-1496. ]

[9]
邵振峰, 潘银, 蔡燕宁 , 等. 基于Landsat年际序列影像的武汉市不透水面遥感监测[J]. 地理空间信息, 2018(1):1-5.

[ Shao Z F, Pan Y, Cai Y N , et al. Based on Landsat interannual sequence image remote sensing monitoring of impervious surface in Wuhan city[J]. Geospatial Information, 2018(1):1-5. ]

[10]
Weng Q, Hu X . Medium spatial resolution satellite imagery for estimating and mapping urban impervious surfaces using LSMA and ANN[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008,46(8):2397-2406.

[11]
Mohapatra R P, Wu C. Subpixel imperviousness estimation with ikonos imagery: An artificial neural network approach[M]. BocaRaton, FL: CRC Press, 2008.

[12]
Zhou S S, Chen Q C, Wang X L . Convolutional deep networks for visual data classification[J]. Neural Process Lett, 2013(38):17-27.

[13]
Hinton GE, Osindero S, Teh Y W . A fast learning algorithm for deep belief nets[J]. Neural Computation, 2006(18):1527-1554.

[14]
Huang F F, Yu Y, Feng T H . Automatic extraction of impervious surfaces from high resolution remote sensing images based on deep learning[J]. Journal of Visual Communication and Image Representation, 2019(58):453-461.

[15]
Duan B, HanImproved L . Improved convolutional neural networks and its application in stitching of scrapped paper[J]. Computer Engineering and Applications, 2014(50):176-181.

[16]
Lecun Y, Boser B, Denker J S , et al. Backpropagation applied to handwritten zip code recognition[J]. Neural Computation, 1989,1(4):541-551.

[17]
Gong D, Cao C . Plant leaf classification based on CNN[J]. Computer and Modernization, 2014(4):12-15.

[18]
刘建伟, 刘媛, 罗雄麟 . 深度学习研究进展[J]. 计算机应用研究, 2014,31(7):1921-1930.

[ Liu J W, Liu Y, Luo X L . Research and development on deep learning[J]. Application Research of Computers, 2014(7):1921-1930. ]

[19]
Yu F, Koltun V . Multi-Scale Context Aggregation by Dilated Convolutions[C]. ICLR 2016.

[20]
王相海, 明莹, 方玲玲 . 概率图模型及其图像与视频应用研究[J]. 中国图象图形学报, 2009,14(9):1712-1720.

DOI

[ Wang X H, Chen M Y, Fang L L . Probabilistic graphical model and its application in image and video information processing[J]. Journal of Image and Graphics, 2009,14(9):1712-1720. ]

[21]
刘波, 张源, 程涛 , 等. 基于高分二号卫星影像的城市不透水面提取[J]. 地理信息世界, 2017,24(2):103-107.

[ Liu B, Zhang Y, Cheng T , et al. Urban impervious surface extraction based on the GF-2 satellite imagery[J]. Geomatics World, 2017,24(2):103-107. ]

[22]
Song M M, Du J K, Zheng W L , et al. Quantifying the spatial-temporal changes of impervious surface landscape pattern from 1988 to 2015 in Qinhuai river basin[J]. Journal of Geo-Information Science, 2017,19(2):238-247.

[23]
陈斌, 王宏志, 徐新良 , 等. 武汉市主城区用地结构遥感监测及动态变化[J]. 地球信息科学学报, 2019,21(2):293-303.

[ Chen B, Wang Z H, Xu X L , et al. Remote sensing monitoring and dynamic change of urban land cover structure of main urban region in Wuhan[J]. Journal of Geo-information Science, 2019,21(2):293-303. ]

[24]
姜芊孜, 王志芳, 李明翰 . 不透水地表对城市水环境的负面影响及缓解措施[J]. 城市问题, 2014(11):50-55.

[ Jiang Q Z, Wang Z F , et al. The negative impact of pervious surface on aquatic environment of city and mitigation measures[J]. Urban Problems, 2014(11):50-55. ]

[25]
董欣, 杜鹏飞, 李志一 , 等. SWMM模型在城市不透水区地表径流模拟中的参数识别与验证[J]. 环境科学, 2008,29(6):1495-1501.

[ Dong Xin, Du P F, Li Z Y . Parameter identification and validation of SWMM in simulation of impervious urban land surface runoff[J]. Environmental Science, 2008,29(6):1495-1501. ]

[26]
班玉龙, 孔繁花, 尹海伟 , 等. 土地利用格局对SWMM模型汇流模式选择及相应产流特征的影响[J]. 生态学报, 2016,36(14):4317-4326.

[ Ban Y L, Kong F H, Yin H W . Impacts of land use patterns on the overland flow routing options and simulation outputs of stormwater management models[J]. Acta Ecologica Sinica, 2016,36(14):4317-4326. ]

[27]
Huang Q, Huang J, Yang X , et al. Quantifying the seasonal contribution of coupling urban land use types on urban heat island using land contribution index: A case study in Wuhan, China[J]. Sustainable Cities and Society, 2019(44):666-675.

[28]
袁修柳, 杨昆, 王保云 . 武汉市2015年不透水面的提取及其空间自相关分析[J]. 湖北农业科学, 2017,56(9):1642-1647.

[ Yuan X L, Yang K, Wang B Y . Extraction of impervious surfaces and their spatial autocorrelation analysis of Wuhan city in 2015[J]. Hubei Agricultural Sciences, 2017,56(9):1642-1647. ]

[29]
罗智勇, 王明珠, 陈婉佳 . 城市不透水面信息提取及水环境效应分析——以武汉市江南三区为例[J]. 信阳师范学院学报(自然科学版), 2016(1):148-151.

[ Luo Z Y, Wang M Z, Chen W J . Urban impervious surface extraction and its effect on water environment: A case study in three districts of Wuhan city[J]. Journal of Xinyang normal university (natural science edition), 2016(1):148-151. ]

Options
Outlines

/

〈 〉