EN中文

Journal of Geo-information Science >

2019 , Vol. 21 >Issue 10: 1608 - 1618

DOI: https://doi.org/10.12082/dqxxkx.2019.190102

Accuracy Comparison between Landsat/OLI and Nighttime Light Data in Extracting Urban Impervious Surface

  • FENG Shanshan ,
  • FAN Fenglei , *
Expand
  • School of Geography, South China Normal University, Guangzhou 510631, China
*FAN Fenglei, E-mail:

Received date: 2019-03-06

  Request revised date: 2019-05-15

  Online published: 2019-10-29

Supported by

National Natural Science Foundation of China(41201432)

Copyright

Copyright reserved © 2019
Fold

Abstract

Impervious surface is considered as a major indicator of the degree of urbanization and also an important indicator of environmental quality. Currently, impervious surface extraction is usually based on remote sensing data, including different resolution remote sensing data sources. In extracting high-precision impervious surface, there would be great differences in extraction accuracy caused by different spatial scales. Therefore, it is necessary to explore impervious surface extraction characteristics with different remote sensing data sources. This paper used Landsat/OLI spectral data and VIIRS/DNB nighttime data to extract impervious surface and compare their extraction accuracy difference. The primary objective of this study was to determine the optimal data sources for estimating Impervious Surface Percentage (ISP) for regions with different density of impervious surface distribution. Firstly, Linear Spectral Mixture Analysis (LSMA) was used to extract impervious surface with Landsat/OLI data, and Large-scale Impervious Surface Index (LISI) was used to estimate ISP with VIIRS/DNB data. Then, accuracy of the impervious surface extraction results from these two data sources was assessed respectively, based on the Root Mean Square Error (RMSE), Systematic Error (SE), and coefficient of determination (R 2). The accuracy results showed that the overall ISP accuracy based on the Landsat/OLI data was slightly better than that based on the VIIRS/DNB data, with the overall RMSE being 0.18 and 0.21, SE 0.12 and 0.13, and R 2 0.76 and 0.67, respectively. The accuracy assessments from different density results of impervious surface indicated that the extraction capabilities of Landsat/OLI data and VIIRS/DNB data were greatly different for regions with different density of impervious surface distribution. In the region of low-density impervious surface distribution, the extraction accuracy of impervious surface results based on VIIRS/DNB data was better than based on Landsat/OLI data, because the impervious surface information can be effectively distinguished based on light brightness of VIIRS/DNB data. The impervious surface extraction results from Landsat/OLI data had better accuracy in the areas of medium and high-density impervious surface distribution, because the spatial details of high-density urban impervious surface can be extracted more effectively by the spectral differences of Landsat/OLI data. In future studies, more research is needed to explore the impervious surface extraction characteristics with remote sensing data at different spatial scales and to determine the optimal data sources for effectively and accurately estimating impervious surface.

Key words： urban impervious surface; Landsat/OLI data; VIIRS/DNB nighttime light data; accuracy comparison; linear spectral mixture analysis (LSMA); large-scale impervious surface index (LISI)

Cite this article

FENG Shanshan , FAN Fenglei . Accuracy Comparison between Landsat/OLI and Nighttime Light Data in Extracting Urban Impervious Surface[J]. Journal of Geo-information Science, 2019 , 21(10) : 1608 -1618 . DOI: 10.12082/dqxxkx.2019.190102

1 引言

城市是人类文明发展的重要产物,城市化是20世纪以来最显著的人类活动现象。城市化一方面表现为农村人口向城市人口的转变,另一方面表现为大量的自然地表转变成人造城市景观。随着城市进程的发展,人类活动深刻改变着地球表面景观,其中最显著的是城市地域范围的扩张,即大量不透水面的增加。不透水面指一种能阻止水下渗到土壤的人工地表产物,在城市中表现为公路、停车场、广场、机场和建筑屋顶等人工建筑物区域[1]。
城市不透水面的增加带来植被、土壤和水体等自然景观的减少,从而导致一系列生态环境问题,如城市内涝灾害频发[2,3]、水质量下降[4,5]和城市热岛效应增强[6,7,8]等。不透水面作为人类活动改造地表的产物,它不仅反映城市化的程度,也是表征城市环境的重要因子[9]。因此,及时准确地掌握不透水面分布信息,对城市建设规划与生态保护都具有重要意义[10]。
随着遥感技术的快速发展,遥感数据以其大范围、高效率和多尺度的优势而被越来越多的学者用于城市不透水面研究[10]。中等分辨率遥感数据因其易获取性被广泛用于不透水面提取,其中最常用的是Landsat系列卫星数据。多种不透水面提取方法被相继提出,主要包括光谱混合分析法（Spectral Mixture Analysis, SMA）[11,12,13]、指数法[14,15,16]、决策树模 型[17,18,19,20]、回归模型[21,22]、分类器法[23,24,25]和面向对象法[26-27] 6类。中等分辨率影像在提取不透水面这一复杂组分的过程中常含有混合像元,通过SMA方法可以分解每个像元中各类地物所占的比例,可以有效提高不透水面的提取精度,因此SMA方法被广泛用于获取中等分辨率影像的不透水面信息[28,29,30,31]。
夜间灯光数据可以反映城市夜间灯光、火光和车流等发出光亮的范围,并使之区别于黑暗的非城市区域的植被沙土信息,成为监测人类活动变化的良好数据源,也是常用于大范围提取城市不透水面的中低分辨率卫星数据源。夜间灯光数据具有覆盖范围广阔、重返周期短的优点;但由于夜间灯光数据本身分辨率较低,因此难以单独用于不透水面提取,常结合MODIS NDVI数据产生新的融合变量来获取不透水面信息,如人居环境指数（Human Settlements Environment Index, HEI）[32]、植被校正归一化城市指数（Vegetation Adjust Normalized Urban Index, VANUI）[33]和大尺度不透水面指数（Large-scale Impervious Surface Index, LISI）[34]等。夜间灯光数据可以快速、大尺度监测城市变化,是获取城市不透水面的有效数据源。
Landsat和夜间灯光数据都是目前提取不透水面常用的遥感数据源,分别代表了中、低分辨遥感数据获取不透水面的特征。不同的遥感数据提取不透水面的能力不同,分辨率更高的数据并不一定能带来更高的提取精度,在不同研究区域的差异更加明显[35]。本文基于Landsat/OLI光谱数据与VIIRS/DNB夜间灯光数据分别提取城市不透水面信息,对比2种尺度的数据在不同研究范围获取不透水面的特征和精度差异。这一研究将更好地为不同发展程度的城市获取不透水面寻求最佳尺度的数据源,提高不透水面提取的效率和精度。

2 研究区概况与数据来源

2.1 研究区概况

本文的研究范围涵盖珠江三角洲的9个城市（广州、深圳、珠海、东莞、佛山、中山、惠州、肇庆、江门）和香港、澳门2个特别行政区（图1）。研究区域面积约4.32万km2,具有漫长的海岸线,地理位置十分优越。香港和澳门特别行政区是国际化大都市,城市化水平较高。珠江三角洲是我国经济发展的重要引擎,拥有“广佛肇”、“深莞惠”、“珠中江”三大经济圈。自改革开放以来,研究区域城市快速发展,城市化水平不断提高。
图1 研究区划图

Fig. 1 Study area and its administrative divisions

2.2 数据来源

本文采用的数据主要包括：Landsat/OLI光谱数据、VIIRS/DNB夜间灯光数据和MODIS NDVI数据。
（1）Landsat/OLI多光谱影像空间分辨率为30 m,由于研究范围广,本文一共选取了6景Landsat影像覆盖全区域;影像成像时间主要是2016年,云量少,影像质量良好;所有Landsat图像均进行了辐射定标、大气校正和拼接裁剪等预处理。
（2）VIIRS/DNB夜间灯光数据对夜晚灯光、火光和车流发出的光亮有较强的监测能力,其空间分辨率为463 m,数据每月更新一景。由于研究区的夜间灯光数值在2016年变化较小,本文选取了2016年1月、7月和12月的数据取均值代表研究区域全年夜间灯光均值。
（3）MODIS NDVI数据用于对VIIRS/DNB数据进行处理,通过产生的融合变量获取研究区不透水面信息;MODIS NDVI数据是中等分辨率成像光谱仪（MODIS）的陆地合成数据产品,故本文采用了250 m归一化植被指数（NDVI）16 d合成数据。
所有Landsat/OLI数据均获取于美国国家地质调查局官网（http://glovis.usgs.gov）;VIIRS/DNB数据获取于美国国家环境信息中心（https://www.ngdc.noaa.gov）;MODIS NDVI数据产品获取于地理空间数据云（http://www.gscloud.cn）。研究数据详细信息见表1。
表1 研究数据信息

Tab. 1 Information of the used imagery

数据类型 条带号/行编号 获取时间
Landsat/OLI 121/044
121/045
122/044
122/045
123/044
123/045		 2016-12-16
2016-09-27
2015-10-18
2016-02-07
2016-03-01
2016-11-28
VIIRS/DNB
(Monthly)		 75N/060E
75N/060E
75N/060E		 2016-01
2016-07
2016-12
MODIS NDVI
(MYD13Q1)		 v06/h28
v06/h28
v06/h28		 2016-02-10
2016-07-19
2016-12-26

3 研究方法

本文利用Landsat/OLI和VIIRS/DNB数据分别采用线性光谱混合分析法（Linear Spectral Mixture Analysis, LSMA）和大尺度不透水面指数法（Large-scale Impervious Surface Index, LISI）提取不透水面。2种方法提取不透水面的流程如下：
（1） LSMA方法提取不透水面：首先对Landsat数据进行辐射校正、无缝拼接、水体掩膜等预处理;接着对影像进行最小分量变换（Minimum Noise Fraction,MNF）,选取MNF变换的前3个分量计算像元纯净指数（Pixel Purity Index,PPI）,并在整个研究范围内选取代表端元,计算各类端元的平均光谱;最后利用LSMA方法计算每个像元中各端元所占的比例,进而得出不透水面比例（Impervious Surface Percent, ISP）。
（2） LISI指数法提取不透水面：首先对3个时相的VIIRS/DNB数据计算平均值DNBmean,并对DNBmean进行归一化处理得到DNBnor;对3个时相的MODIS NDVI数据计算平均值NDVImean,并对NDVImean结果进行重采样,分辨率与VIIRS/DNB数据进行匹配（463 m）;结合NDVImean产生估算指数LISI;对照Landsat数据选取样本点建立不透水面估算回归模型,通过LISI计算不透水面比例。
基于2种数据提取不透水面的结果,对比两者获取不透水面信息的特征,并从不透水面总体精度、不同密度精度对比2种数据源提取不透水面的差异,为不同密度的不透水面分布区域提取寻求最佳数据源。本文的研究技术路线如图2所示。
图2 研究技术流程

Fig. 2 Flowchart of research

3.1 线性光谱混合分析

线性光谱混合分析（LSMA）将像元的光谱特征看作是像元内各个纯净端元光谱特征的简单线性组合,即像元在某一波段的反射率是各组分占像元面积为权重的线性组合。通过建立线性光谱混合模型,从影像中提取各个端元的光谱特征来计算回归系数,从而提取混合像元的光谱组分,最后得出各端元在该混合像元中的比例。
计算公式如下：
R b = ∑ i = 1 N f i R i , b + e b
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,式（1）还必须满足2个限制条件： ∑ i = 1 N f i = 1 ,且 f i = 0 。
由于水体与部分低反照率不透水面的光谱特征十分相似,因此在采用线性光谱混合分析方法获取不透水面之前,需要先水体信息进行掩膜。本文采用改进的归一化水体指数（Modified Normalized Difference Water Index, MNDWI）[36]。
MNDWI = Green - MI R 1 Green + MI R 1
式中： Green 和 MI R 1 分别代表绿光波段和短波红外波段的像元亮度值。
根据Ridd的V-I-S模型[37],城市被认为是由植被、不透水面、土壤3种组分构成的地表。依据Wu和Murray[11]的四端元模型（高反照率、低反照率、植被、土壤）来获取不透水面信息,本文将高反照率、低反照率地物直接相加得到不透水面结果,此方法被证实能高效、准确获取不透水面信息[11]。

3.2 大尺度不透水面指数

VIIRS/DNB数据的数值量化级别较高,但大多数集中在0~65。首先,将数值大于65的重新赋值为65,数值小于0的重新赋值为0;然后为了与参考数据具有相同的动态范围,再进行归一化处理。
归一化计算公式如下：
DN B nor = DN B mean - DN B min DN B max - DN B min
式中： DN B nor 是归一化后的VIIRS/DNB数据,其取值范围介于0和1之间; DN B mean 是3个时相VIIRS/DNB数据的平均值; DN B max 和 DN B min 分别是VIIRS/DNB数值的最大值（65）和最小值（0）。
Guo等[34]提出大尺度不透水面指数（LISI）,该指数基于VIIRS/DNB、MODIS NDVI数据产生,能有效突出城市空间细节,可用于大尺度提取城市不透水面信息。LISI的计算公式如下：
LISI = ( 1 - NDV I mean ) × DN B nor
式中： NDV I mean 是3个时相MODIS NDVI数据的平均值,其值也是介于0和1之间。MODIS NDVI与不透水面呈负相关, 1 - NDV I mean 使其与不透水面呈正相关, DN B nor 则起平滑作用。
然后,用Landsat/OLI影像与LISI结果建立回归模型。本文在研究范围内11个城市随机选取100个验证样本,共1100个,并得到每个样本对应的LISI数据值。以Landsat/OLI影像为参考,在ArcGIS中对样本范围内的不透水面范围进行矢量化,得到每个验证样本范围内的不透水面真实比例。最后,基于线性回归模型得到VIIRS/DNB数据的不透水面估算模型,获得研究范围的不透水面分布结果。

3.3 精度验证

本文提取不透水面是亚像元结果,计算的是每个像元中不透水面所占的比例。精度验证分别采用决定系数（R2）、均方根误差（Root Mean Square Error, RMSE）、系统误差（Systematic Error, SE）。
R2用来度量2个变量的回归拟合效果,计算公式如下：
R 2 = 1 - ∑ i = 1 N ( X i - X ˆ i ) 2 ∑ i = 1 N ( X i - X ̅ i ) 2
式中： X ˆ i 是不透水面估算值; X i 是不透水面实测真实值; X ̅ i 是不透水面所有真实值的均值;N是样本数量;R2介于0和1之间,R2值越接近1,表示2个变量回归拟合效果越好,即不透水面估算结果越好。
RMSE用来估测所有样本整体估算误差,计算公式如下：
RMSE = ∑ i = 1 N ( X ˆ i - X i ) 2 N
SE用来评价系统误差的影响（如高估、低估）,其计算公式如下：
SE = ∑ i = 1 N ( X ˆ i - X i ) N
RMSE和SE的数值越小,表示不透水面估算误差越小。其中, SE >0表示不透水面值被高估, SE <0表示不透水面值被低估。

4 不透水面提取结果分析

4.1 基于VIIRS/DNB数据不透水面结果

根据3.2节,利用VIIRS/DNB数据计算LISI结果如图3所示,进而获得LISI结果与不透水面实测值的关系模型（图4）。LISI结果与不透水面实测值呈正相关关系,2个变量决定系数R2=0.62;不透水面估算模型（ISP=1.2565×LISI+0.0037）也通过了p<0.001的显著性检验,说明LISI与ISP存在显著的线性关系。结合LISI结果与不透水面估算模型,得到基于VIIRS/DNB数据的不透水面分布结果（图5（a））。
图3 基于VIIRS/DNB数据的LISI计算结果

Fig. 3 LISI Result based on VIIRS/DNB data

图4 LISI结果与对应不透水面实测值之间的关系

Fig. 4 Relationship between LISI and real impervious surface measurements

图5 基于VIIRS/DNB和Landsat/OLI数据的不透水面分布结果

Fig. 5 Results of impervious surface extraction based on VIIRS/DNB data and Landsat/OLI data

4.2 基于Landsat/OLI数据不透水面结果

Landsat/OLI数据提取不透水面,本文基于LSMA方法得到研究区城市不透水面结果。为了与VIIRS/DNB数据的结果进行对比分析,将Landsat/OLI数据获取的不透水面结果进行重采样,分辨率与VIIRS/DNB数据进行匹配（463 m）,重采样后的Landsat/OLI数据不透水面分布结果如图5（b）所示。

5 不透水面精度分析

VIIRS/DNB与Landsat/OLI数据获取的不透水面结果在空间分布上存在差别,二者提取不透水面的精度也存在差异。本文通过对照Google Earth的高清影像,与VIIRS/DNB、Landsat/OLI数据获取的不透水面信息进行精度验证,分别对比二者提取不透水面总体的精度、不同密度的精度、典型区域的精度。

5.1 总体精度对比

基于VIIRS/DNB与Landsat/OLI数据获取的不透水面结果,在研究范围内一共选取了1200个随机检验样本,对照Google Earth的高清影像并在ArcGIS中对每个样本范围内的不透水面进行矢量化,得到每个的不透水面真实比例,分别与2种数据提取的不透水面结果进行对比。
VIIRS/DNB与Landsat/OLI数据不透水面的总体精度对比结果如图6、表2所示。整体上,2种数据提取不透水面都具有较高的精度,是大尺度获取不透水面信息的良好数据源;Landsat/OLI数据提取城市不透水面的精度总体上高于VIIRS/DNB数据（R2值高、RMSE和SE值低）;二者的SE > 0,说明2种数据提取不透水面的结果整体上都存在高估。
图6 不透水面估算值与对应实测值之间的关系

Fig. 6 Relationship between real and estimated impervious surface results

表2 VIIRS/DNB与Landsat/OLI数据不透水面的整体精度对比

Tab. 2 Comparison of overall extraction accuracy by using VIIRS/DNB versus Landsat/OLI data

数据 R2 RMSE SE
VIIRS/DNB 0.67 0.21 0.13
Landsat/OLI 0.77 0.18 0.12

5.2 不同密度下精度对比

为了对比VIIRS/DNB与Landsat/OLI数据提取不同密度不透水面的精度,本文基于不透水面比例将研究区的不透水面结果分为5类：0≤ ISP <0.2（低密度）、0.2≤ ISP <0.4（中低密度）、0.4≤ ISP <0.6（中密度）、0.6≤ ISP <0.8（中高密度）、0.8≤ ISP ≤1（高密度）。从图7中2种数据获取的不透水面密度分布结果来看,在高密度不透水面分布上,2种数据提取的结果在空间分布上趋于一致,都形成了香港、澳门、广州-佛山、东莞-深圳、中山-珠海等高密度不透水面聚集区。VIIRS/DNB数据提取的结果在广州北部、惠州东部、江门西部、肇庆北部等区域均为低密度不透水面,而Landsat/OLI数据在这些区域的ISP明显高于VIIRS/DNB。
图7 基于VIIRS/DNB和Landsat/OLI数据的不透水面密度分布

Fig. 7 Distribution of impervious surface density based on VIIRS/DNB data and Landsat/OLI data

本文对上述5种不透水面密度范围的区域分别都随机选取200个随机验证样本,共1000个;分别计算2种数据在5类密度范围的提取精度。从表3的RMSE结果可看出,在0≤ISP<0.2中,VIIRS/DNB提取不透水面的精度高于Landsat/OLI;而在其余4类密度范围中,Landsat/OLI提取不透水面的精度均高于VIIRS/DNB。这说明,VIIRS/DNB数据更适合用于提取低密度不透水面,而Landsat/OLI数据则更适合用于提取中、高密度不透水面。
表3 VIIRS/DNB与Landsat/OLI数据在不同密度不透水面的精度对比

Tab. 3 Comparison of extraction accuracy by using VIIRS/DNB verus Landsat/OLI data in areas of different densities of impervious surface

密度范围 RMSE SE
VIIRS/
DNB		 Landsat/
OLI		 VIIRS/
DNB		 Landsat/
OLI
0≤ ISP <0.2 0.16 0.20 -0.09 0.16
0.2≤ ISP <0.4 0.26 0.21 0.15 0.16
0.4≤ ISP <0.6 0.29 0.23 0.16 0.15
0.6≤ ISP <0.8 0.24 0.18 0.14 0.13
0.8≤ ISP ≤1 0.21 0.10 0.13 -0.02
从SE的结果来看,VIIRS/DNB数据提取不透水面在0≤ISP<0.2中存在低估现象,在其余密度范围的不透水面结果均为高估;而Landsat/OLI数据在0.8≤ISP≤1中存在低估,在其余密度范围皆为高估。这主要是由于VIIRS/DNB数据分辨率较低,在结合MODIS NDVI提取不透水面的过程中会忽略低密度不透水面区域中的某些不透水面范围,造成低估;而在高密度不透水面区域中,由于VIIRS/DNB数据本身的数值向外溢出,而造成不透水面高估。Landsat/OLI数据在利用LSMA方法提取不透水面的过程中,必须使每个像元的端元比例都介于0和1之间,所以会造成在高密度不透水面范围造成低估,而在低不透水面密度范围存在高估的现象。

5.3 典型区域精度对比

为了进一步分析VIIRS/DNB与Landsat/OLI数据在不同城市区域提取不透水面的特征和精度差异,本文根据不透水面的密度分布,在研究区范围内选取了高、中、低密度不透水面分布的6个典型区域（图8）,并在每个区域选取了100个随机验证样本,对比这2种数据在6个典型区域提取不透水面的精度差异（表4）。
图8 典型区域不透水面分布

注：第1列是6个区域的Google Earth高清影像;第2、3列分别是基于VIIRS/DNB、Landsat/OLI数据在6个区域的不透水面提取结果。

Fig. 8 Impervious surface distribution in typical regions

表4 VIIRS/DNB与Landsat/OLI数据在不同区域不透水面的精度对比

Tab. 4 Comparison of extraction accuracy by using VIIRS/DNB versus Landsat/OLI data in typical areas

典型
区域		 RMSE SE
VIIRS/
DNB		 Landsat/
OLI		 VIIRS/
DNB		 Landsat/
OLI
广州市区 0.28 0.13 0.14 -0.05
深圳西部 0.24 0.13 0.14 -0.08
肇庆市区 0.22 0.20 0.10 0.11
广州北部 0.09 0.21 0.01 0.15
惠州东部 0.13 0.25 -0.04 0.18
江门西部 0.08 0.29 0.03 0.23
对于广州市区高密度不透水面分布区,Landsat/OLI数据提取不透水面精度远高于VIIRS/DNB,能更好突出城市不透水面的空间分布细节;而VIIRS/DNB数据在提取不透水面中则产生严重的高估,主要是由于在高密度不透水面区域,VIIRS/DNB数据本身的数值向外溢出,难以将水体、植被从不透水面中区分出来,造成不透水面高估。从深圳西部、肇庆市区这2个中等密度不透水面分布区域的不透水面提取结果来看,Landsat/OLI数据的提取精度略高于VIIRS/DNB数据,能有效提取不透水面信息;VIIRS/DNB数据在提取不透水面过程中,结合MODIS NDVI数据能较好区分城市建筑与植被信息,却难以识别城市周边的水体范围,与不透水面融为一体,从而降低了提取精度。而在广州北部、惠州东部、江门西部这3个低密度不透水面区域,VIIRS/DNB数据提取不透水面的精度明显优于Landsat/OLI数据;而Landsat/OLI数据的提取结果均存在高估,这主要由于在低密度不透水面分布区域,土壤与植被阴影混入了不透水面信息中,造成不透水面提取结果高估。
VIIRS/DNB数据和Landsat/OLI种数据的特征不同,VIIRS/DNB数据是基于夜晚灯光亮度监测城市范围,亮度值越大城市发展程度越好,代表不透水面比例越高;Landsat/OLI提取不透水面是基于地表类型的光谱信息,以不透水面区别于其他地表类型（植被、土壤、水体）的独特光谱特征来提取不透水面信息。基于2种数据获取不透水面,所得的结果不同,对应的精度也不同,但2种数据都是提取城市不透水面的有效数据源,特别是对于大尺度不透水面信息提取。通过对VIIRS/DNB、Landsat/OLI 2种数据提取不透水面的精度分析发现：VIIRS/DNB数据更适合用于提取低密度不透水面区域,通过灯光亮度差异能有效监测不透水面分布范围;Landsat/OLI数据则更适合用于提取中等、高密度不透水面区域,通过光谱差异能更有效体现城市不透水面空间分布细节。

6 结论与讨论

本文分别利用Landsat/OLI光谱数据与VIIRS/DNB夜间灯光数据提取珠江三角洲9市和香港、澳门2个特别行政区的不透水面信息,对比2种数据获取不透水面结果的特征,并进行精度差异分析。主要结论如下：
（1）VIIRS/DNB和Landsat/OLI数据获取的不透水面结果在研究区域上整体趋势一致,但在空间分布上存在差异;Landsat/OLI数据提取不透水面的精度总体上略高于VIIRS/DNB数据：VIIRS/DNB数据获取不透水面的总体精度是R2=0.67、RMSE=0.21,Landsat/OLI数据的总体提取精度是R2=0.76,RMSE=0.18。二者都是提取城市不透水面的有效数据源。
（2）VIIRS/DNB、Landsat/OLI数据对于不同密度不透水面分布区域的提取能力不同,基于研究区域的不透水面提取精度差异分析发现：VIIRS/DNB数据更适合用于提取低密度不透水面分布区域,如广州北部、惠州东部、江门西部等低密度不透水面分布区域;VIIRS/DNB能通过灯光亮度差异能有效监测不透水面分布范围。Landsat/OLI数据则更适合用于提取高密度和中高密度不透水面分布区域,如广州市区高密度不透水面聚集区;Landsat/OLI能通过光谱差异能更有效表现出城市不透水面空间细节。
VIIRS/DNB、Landsat/OLI数据分别代表中低、中等空间分辨遥感数据,分别对应着不同尺度遥感数据提取城市不透水面的特征。因此,分析不同尺度遥感数据提取城市不透水面的特征,为不同密度不透水面分布区域提取寻找最佳数据源,是提高遥感数据获取不透水面的效率和精度的有效方法。在未来可以继续分析低、中、高、超高空间分辨率遥感数据提取不透水面的特征,研究不同遥感数据尺度下获取不透水面的精度提升问题。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Arnold Jr 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.

[2]
Weng Q H . Modeling urban growth effect on surface runoff with the integration of remote sensing and GIS[J]. Environmental Management, 2001,28(6):737-748.

[3]
Brun S E, Band L E . Simulating runoff behavior in an urbanizing watershed[J]. Computers Environment & Urban Systems, 2000,24(1):5-22.

[4]
Brabec E, Schulte S, Richards P L . Impervious surfaces and water quality: A review of current literature and its implications for watershed planning[J]. Journal of Planning Literature, 2002,16(4):499-514.

[5]
Alberti M, Booth D, Hill K , et al. The impact of urban patterns on aquatic ecosystems: An empirical analysis in Puget lowland sub-basins[J]. Landscape & Urban Planning, 2007,80(4):345-361.

[6]
Yuan F, Bauer M 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.

[7]
徐涵秋 . 基于城市地表参数变化的城市热岛效应分析[J]. 生态学报, 2011,31(14):3890-3901.

[ Xu H Q . Analysis on urban heat island effect based on the dynamics of urban surface biophysical descriptors[J]. Acta Ecologica Sinica, 2011,31(14):3890-3901. ]

[8]
樊智宇, 詹庆明, 刘慧民 , 等. 武汉市夏季城市热岛与不透水面增温强度时空分布[J]. 地球信息科学学报, 2019,21(2):226-235.

[ Fan Z Y, Zhan Q M, Liu H M , et al. Spatial-temporal distribution of urban heat island and the heating effect of impervious surface in summer in Wuhan[J]. Journal of Geo-information Science, 2019,21(2):226-235. ]

[9]
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.

[10]
徐涵秋, 王美雅 . 地表不透水面信息遥感的主要方法分析[J]. 遥感学报, 2016,20(5):1270-1289.

[ Xu H Q, Wang M Y . Remote sensing-based retrieval of ground impervious surface[J]. Journal of Remote Sensing, 2016,20(5):1270-1289. ]

[11]
Wu C S, Murray A T . Estimating impervious surface distribution by spectral mixture analysis[J]. Remote Sensing of Environment, 2003,84(4):493-505.

[12]
Wu C S . Normalized spectral mixture analysis for monitoring urban composition using ETM+ imagery[J]. Remote Sensing of Environment, 2004,93(4):480-492.

[13]
岳文泽, 吴次芳 . 基于混合光谱分解的城市不透水面分布估算[J]. 遥感学报, 2007,11(6):914-922.

DOI

[ Yue W Z, Wu C F . Urban impervious surface distribution estimation by spectral mixture analysis[J]. Journal of Remote Sensing, 2007,11(6):914-922. ]

[14]
Xu H Q . A new index for delineating build-up land features in satellite imagery[J]. International Journal of Remote Sensing, 2008,29(14):4269-4276.

[15]
Liu C, Shao Z F, Chen M , et al. MNDISI: A multi-source composition index for impervious surface area estimation at the individual city scale[J]. Remote Sensing Letters, 2013,4(8):803-812.

[16]
Sun G Y, Chen X L, Jia X P , et al. Combinational build-up index (CBI) for effective impervious surface mapping in urban areas[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016,9(5):2081-2092.

[17]
Yang L M, Huang C Q, Homer C G , et al. An approach for mapping large-area impervious surfaces: Synergistic use of Landsat-7 ETM+ and high spatial resolution imagery[J]. Canadian journal of remote sensing, 2003,29(2):230-240.

[18]
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.

[19]
Xian G, Crane M, Mcmahon C . Qua.pngying multi-temporal urban development characteristics in Las Vegas from Landsat and ASTER Data[J]. Photogrammetric Engineering & Remote Sensing, 2008,74(4):473-481.

[20]
向超, 朱翔, 胡德勇 , 等. 近20年京津唐地区不透水面变化的遥感监测[J]. 地球信息科学学报, 2018,20(5):684-693.

[ Xiang C, Zhu X, Hu D Y , et al. Monitoring the impervious surface with multi-resource remote sensing images in Beijing-Tianjin-Tangshan urban agglomeration in the past two decades[J]. Journal of Geo-information Science, 2018,20(5):684-693. ]

[21]
Carlson T N, Arthur S T . The impact of land use-land cover changes due to urbanization on surface microclimate and hydrology: A satellite perspective[J]. Global & Planetary Change, 2000,25(1):49-65.

[22]
Bauer M E, Loffelholz B C, Wilson B. Estimating and mapping impervious surface area by regression analysis of Landsat imagery[M]. Boca Raton: CRC Press, 2007: 31-48.

[23]
Jennings D B, Jarnagin S T, Ebert D W . A modeling approach for estimating watershed impervious surface area from National Land Cover Data 92[J]. Photogrammetric Engineering & Remote Sensing, 2004,70(11):1295-1307.

[24]
Sun Z C, Guo H D, Li X W , et al. Estimating urban impervious surfaces from Landsat-5 TM imagery using multilayer perceptron neural network and support vector machine[J]. Journal of Applied Remote Sensing, 2011,5(1):053501.

[25]
程熙, 沈占锋, 骆剑承 , 等. “全域一局部”不透水面信息遥感分步提取模型[J]. 遥感学报, 2013,17(5):1191-1205.

DOI

[ Cheng X, Shen Z F, Luo J C , et al. A “global-local” impervious surface area extraction model using multispectral remote sensing images[J]. Journal of Remote Sensing, 2013,17(5):1191-1205. ]

[26]
Zhou Y, Wang Y Q . Extraction of impervious surface areas from high spatial resolution imagery by multiple Agent segmentation and classification[J]. Photogrammetric Engineering & Remote Sensing, 2008,74(7):857-868.

[27]
Sebari I, He D C . Automatic fuzzy object-based analysis of VHSR images for urban objects extraction[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2013,79(5):171-184.

[28]
Phinn S, Stanford M, Scarth P , et al. Monitoring the composition of urban environments based on the vegetation-impervious surface-soil (VIS) model by subpixel analysis techniques[J]. International Journal of Remote Sensing, 2002,23(20):4131-4153.

[29]
Lu D S, Weng Q H . Spectral mixture analysis of the urban landscape in Indianapolis city with Landsat ETM+ Imagery[J]. Photogrammetric Engineering & Remote Sensing, 2004,70(9):1053-1062.

[30]
Weng Q H, Hu X F . Medium spatial resolution satellite imagery for estimating and mapping urban impervious surfaces using LSMA and ANN[J]. IEEE Transactions on Geoscience & Remote Sensing, 2008,46(8):2397-2406.

[31]
Fan F L, Fan W, Weng Q H . Improving urban impervious surface mapping by linear spectral mixture analysis and using spectral indices[J]. Canadian Journal of Remote Sensing, 2015,41(6):577-586.

[32]
Lu D S, Tian H Q, Zhou G M , et al. Regional mapping of human settlements in southeastern China with multisensorremotely sensed data[J]. Remote Sensing of Environment, 2008,112(9):3668-3679.

[33]
Ma Q, He C Y, Wu J G , et al. Qua.pngying spatiotemporal patterns of urban impervious surfaces in China: An improved assessment using nighttime light data[J]. Landscape & Urban Planning, 2014,130(1):36-49.

[34]
Guo W, Lu D S, Wu Y L , et al. Mapping impervious surface distribution with integration of SNNP VIIRS-DNB and MODIS NDVI data[J]. Remote Sensing, 2015,7(9):12459-12477.

[35]
Li W F, Ouyang Z Y, Zhou W Q , et al. Effects of spatial resolution of remotely sensed data on estimating urban impervious surfaces[J]. Journal of Environmental Sciences, 2011,23(8):1375-1383.

[36]
Xu H Q . Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery[J]. International Journal of Remote Sensing, 2006,27(14):3025-3033.

[37]
Ridd M K . Exploring a V-I-S (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.

Options
Outlines

/

〈 〉