论文部分内容阅读
城市不透水层分布是表征人类活动强度和生态环境变化的重要指标,对城市可持续发展管理策略的制定具有基础性数据支撑作用。遥感因其数据容易获取、可连续监测、分辨率较高、覆盖范围广等特点,因此被广泛用于城市不透水层的提取。本研究基于2013年8月11日和2018年6月6日获取得到的两期Landsat 8遥感影像,对南京市城市不透水层进行专题制图。基于像元纯度指数(Pixel Purity Index,PPI)和考虑空间、光谱协同的空间像元纯度指数(Spatial Pixel Purity Index,SPPI)分别提取植被、裸土、高反照度不透水层及低反照度不透水层四种类型端元,随后利用线性混合光谱模型(Linear Mixed Spectral Model,LMM)、双线性混合光谱模型(Bilinear Mixed Spectral Model,BMM)BP神经网络(BP Neural Network,BPNN)和支持向量机(Support Vector Machine,SVM)算法四种算法对南京城市不透水层分别进行提取。借助Google Earth高空间分辨率的遥感影像目视解译结果,对随机生成的50个90×90m的样本窗口内的不透水层数据进行验证。此外,对Landsat 8 TIRS热红外传感器遥感影像采用热辐射方程法反演南京市地表温度,并结合气象局统计的逐小时气温数据进行线性回归,结果表明:(1)利用全色波段像元亮度空间异质性辅助提取端元的方法,将全色波段的空间信息与多光谱波段的光谱信息相结合,能够有效利用两类数据的特点,提高了端元提取精度并降低了计算量。(2)线性混合光谱模型、双线性混合光谱模型以及BP神经网络、支持向量机四类算法均能有效提取城市不透水层。在2018年Landsat遥感影像上,利用基于SPPI的支持向量机方法反演出的城市不透水层精度最高,为91.39%,基于SPPI的BP神经网络提取得到的城市不透水层精度次之,为90.45%,利用PPI计算得到的线性光谱混合模型精度最低,为80.62%。同时,利用SPPI提取端元后进行城市不透水层提取的方式均高于基于PPI提取端元的结果。此外,无论在哪一种端元提取方式中,支持向量机的算法提取的城市不透水层精度最高,BP神经网络次于SVM,双线性光谱混合模型提取精度第三,线性光谱混合模型低于另外三种方法。随后,利用基于SPPI的支持向量机方法对2013年及2018年Landsat 8两期遥感数据进行南京市城市不透水层覆盖度制图,对比发现:在2013年到2018年间,南京市城市不透水层覆盖度有所增加。全南京市整体的城市不透水层覆盖度从2013年的28.03%提升到了2018年的29.40%。同时,南京各区的城市不透水层覆盖在这五年内均有所增加,其中溧水区的城市不透水层覆盖度增加幅度最高,为2.62%。浦口区的城市不透水层覆盖度增加百分比排名第二,为2.25%。而南京市主城区的鼓楼区、玄武区、秦淮区的城市不透水层覆盖度增加值则均低于1%。(3)基于2013年及2018年两期Landsat 8 TIRS遥感影像,采用热辐射方程法对南京市地表温度进行反演,将反演得到的地表温度结果与气象数据网获取的逐小时气温数据进行线性回归后,决定系数分别为0.8594、0.8297。(4)基于2013年及2018年两期遥感数据,对提取得到的南京城市不透水层覆盖度与反演得到的南京市地表温度结果进行相关性分析,两者的相关系数R分别为0.7090、0.7268,需要采取增加城市植被、改变城市下垫面等措施缓解城市热岛效应。