不透水面(Impervious Surface)作为城市区域的重要特征,已成为城市化的最直观指标,同时也与城市生态环境密切相关。城市的快速发展,使得不透水面面积加速扩张,对区域生态环境造成了重要影响,同时也制约了区域的可持续发展。遥感技术因其低成本、大范围、高时空分辨率等优点,已成为不透水面变化研究的重要手段。城市化进程的加快,使得不透水面信息覆盖范围广且变化快,传统人工解译和指数模型等提取方法工作量大、更新速度慢,已经远不能满足现代城市管理与决策需求。本文围绕不透水面动态变化监测与分析需求,依托长时间序列光学卫星遥感数据,以天津市为实验区,研究不透水面连续变化提取方法,并探讨其城市扩张时空分布,同时结合社会经济数据挖掘城市扩张驱动力因子,其结果对于城市利用规划(基础设施建设、城市的可持续发展)和城市环境评估等具有重要意义。本文完成的主要工作和研究成果如下:(1)运用云及云阴影检测算法和BRDF校正模型构建了连续时间序列遥感数据集。主要收集了天津市1985年至2018年期间可获取的所有云量低于80%的Landsats 4-8图像,使用RossThick-LiSparse-R BRDF模型校正数据的BRDF效应,随后应用云及云影检测算法FMask 3.3对所有Landsat数据进行云和云影检测,最终构建研究区连续时间序列遥感数据集。随后借助Google Earth高空间分辨率历史影像,采用简单随机抽样和单像元的时间序列曲线对比方法对变化检测的结果进行了定量和定性评估。结果表明,使用BRDF校正后的LTS(Landsat Time Series)可以明显改善变化检测结果,整体精度提高9.00%(84.5%VS 93.5%),并且可以减少变化像元的漏分误差(8.72%)和错分误差(10.21%)。此外,BRDF校正前后导致的变化检测结果差异,主要分布于不同的Landsat场景之间的重叠区域。(2)实现了线密度空间特征的提取及时间、光谱和空间特征的融合分类,随后通过验证实验对比了不同分类方案的效果和精度。采用了连续土地覆盖变化检测与分类(Continue Change Detection and Classification,CCDC)算法,构建时间序列模型,对研究区进行连续土地覆盖变化检测。通过使用无监督分类模型和形态学方法的组合提取出线密度空间特征。随后综合时间、光谱和空间特征,构建随机森林分类器,进行连续土地覆盖分类,最终提取出研究区不透水面和土地覆盖时间序列数据集。随后,同样借助Google Earth的高空间分辨率历史影像和目视解译后的样本数据,采用交叉验证方法重复20次训练验证实验。结果显示,与原始CCDC算法相比,结合使用BRDF校正和线密度空间特征可以提高1.49%的整体分类精度(88.91%VS 87.42%),可以达到相对最高的总体准确度和分类效果。如果仅考虑BRDF校正或线密度,则总体精度分别提高1.08%和0.48%;其中融合线密度后的分类结果,不透水面的错分误差减少了1.70%,漏分误差减少了1.49%。(3)选用最佳结果建立天津市土地覆盖和不透水面时间序列数据集,并探讨了城市扩张时空分布、同时结合社会经济数据挖掘了城市扩张驱动力因子。首先分析了研究区不透水面的时空分布变化和土地类型转化,结果表明,天津在过去的几十年中经历了快速的城市扩张,城市扩张分布和土地类型转变主要以2005年为时间节点,前后转化的主体分别为中心城区的农田和沿海地区的水体;此外,使用了加权平均中心和标准差椭圆两个指标分析天津市的城市扩张趋势。结果表明,其城市扩张整体连续向东南沿海方向移动了大约3787米,具有明显的方向性,且城市扩张的聚集程度逐渐增高;最后,结合社会经济数据,运用相关性分析挖掘了天津市城市扩张的主要驱动因子。结果显示,主要驱动因子包括经济(GDP)、人口(常住人口)和政策三大影响因素,其中经济与不透水面面积的相关系数为0.948,人口与其的相关性系数为0.974。