杨 栩，朱大明，杨润书，付志涛，谢文斌

·农业信息与电气技术·

一种提取不透水面的可见光波段遥感指数

杨 栩1，朱大明1※，杨润书2，付志涛1，谢文斌1

（1. 昆明理工大学国土资源工程学院，昆明 650093；2. 云南省地矿测绘院，昆明 650217）

为了从高分辨率无人机影像中获取准确的城市不透水面信息，在可见光波段范围内建立绿-蓝光谱特征空间，综合土壤线及不透水面线，构造了能够将土壤、植被像元与不透水面像元有效分离的绿-蓝不透水面指数。以广州市局部地区的GF-2号影像为验证数据对比及分析垂直不透水层指数、比值居民地指数以及绿-蓝不透水面指数的提取结果，以验证绿-蓝不透水面指数的可行性与提取精度。同时，将眉山市洪雅县部分地区的无人机正射影像作为试验数据进行不透水面提取。结果表明，在3个不透水面提取指数的横向对比中，绿-蓝不透水面指数和垂直不透水层指数的提取结果总体精度相同，验证了绿-蓝不透水面指数的有效性。在对无人机正射影像的不透水面提取中，得益于无人机低空摄影技术能够获取地形特征的特点，解决了建筑物屋顶因植被覆盖导致的错分问题，提取结果总体精度达到了96.95%，Kappa系数为0.936 1。试验证明了绿-蓝不透水面指数能够代替归一化差值不透水面指数、垂直不透水层指数、比值居民地指数等，应用于无人机遥感影像的不透水面信息提取中。

遥感；光谱分析；无人机；可见光波段；土壤线；不透水面提取

0 引 言

不透水面是阻止水体渗入土壤的地物表面，在城市中，属于不透水面的地物主要包括屋顶、停车场、道路以及其他不具有渗透性的表面[1]。不透水面的研究主要应用于热岛效应、污水排放和城镇化程度评估等方面，是评价城市环境与城市扩张方面的一项重要指标[2]。同时，近几年大力发展的海绵城市及生态城市的建设也需要以不透水面为基础。

在不透水面信息的提取中，中低分辨率遥感影像数据通常被用于大范围区域的不透水面提取，而高分辨率遥感数据则常被用于小范围的城市不透水面提取。提取方法包括面向对象提取法、基于像素的提取方法、多源数据融合提取法和指数提取法[3-6]。前三者均需要构建分类器或大量人工参与，指数提取法作为一种简单、高效的方法被广泛应用。指数提取法是依据不透水面的光谱响应特征，提出具有较高分离度的特征指数以区分不透水面与其他地物[7]。

不透水面指数的构造方法大多是通过波段组合增强不透水面与其他地表覆盖类型的差异来实现的。例如，Liu等[8]提出了一种改进归一化不透水面指数（Modified Normalized Difference Impervious Surface Index, MNDISI），并利用该指数对美国洛杉矶市区的不透水面进行估计。Zha等[9]提出了归一化差值建筑物指数（Normalized Derived Building Index, NDBI）用以城市不透水面的提取, 之后有研究指出该指数不易区分裸土与不透水面，致使二者错分，降低了提取精度。徐涵秋[10]以近红外、中红外、热红外3个波段以及可见光中的任何1个波段，构造了归一化差值不透水面指数（Normalized Difference Impervious Surface Index, NDISI），并用它分别提取了厦门市和福州市的不透水面，总体精度达90.83%和90.70%。Deng和Wu[11]提出了生物物理组成指数（Biophysical Composition Index, BCI），以此获取不透水面的分布情况。田玉刚等[12]利用近红外波段和蓝光波段建立光谱特征空间，并结合土壤线提出了垂直不透水层指数（Perpendicular Impervious Index, PII），以Landsat8 影像为数据源提取了武汉市与北京市的不透水面信息，总体精度高于96%。类似的不透水面指数还有基于指数的建筑指数（Index-based Built-up Index, IBI）[13]、比值居民地指数（Ratio Resident-area Index, RRI）[14]和建筑面积提取指数（Built-up Area Extraction Method, BAEM）[15]等。

综上可见，此类不透水面指数多是基于多光谱卫星遥感影像而提出的，构造不透水面指数的过程仍然停留在以近红外或中红外波段构成的特征空间中，对于可见光波段范围内，还没有一个有效的不透水面指数被提出。而对于无人机（Unmanned Aerial Vehicle, UAV）遥感和可见光遥感大力发展的今天，亟待提出一个可见光波段范围内的不透水面指数，以弥补不透水面提取在此方面的空白。针对该问题，本研究以可见光波段中的蓝波段与绿波段构建光谱特征空间，提出了绿-蓝不透水面指数（Green-Blue Impervious Surface Index, GBISI），并通过与PII和RRI指数的不透水面提取结果对比，验证GBISI指数在不透水面提取中的有效性。

1 研究区与数据源

本研究中，将研究区细分为验证区和试验区。选用了广州市局部地区的GF-2号经过辐射定标和大气校正[16]后的原始影像及真彩色正射影像（图1a）作为验证区（22°59′16″N，113°18′19″E），以验证GBISI指数的提取精度，影像拍摄时间为2015年01月23日。同时，选用了眉山市洪雅县西北部地区的大疆御2 Pro无人机获取的红绿蓝（Red-Green-Blue, RGB）正射影像（图1b）作为试验区（29°55′18″N，103°21′50″E），以分析GBISI指数在可见光遥感和无人机遥感当中实用性，影像拍摄于2019年9月20日。

注：验证区影像仅用作验证绿-蓝不透水面指数（GBISI）是否能达到其他不透水面指数的提取精度，试验区影像用作GBISI对无人机（UAV）影像的不透水面提取试验。

2 绿-蓝不透水面指数（GBISI）构造方法

2.1 不同不透水面指数的分析

目前，常用的不透水面指数有NDBI、NDISI、BCI、PII和RRI等。然而，不同指数对不透水面的识别能力也有差别，刘畅等[17]对各不透水面指数进行了不透水面提取试验，研究结果表明，PII指数和RRI指数对不透水面提取的精度较高。

通过对RRI指数和PII指数的研究发现，在波段选择上，2个指数的波段选择相同，均用到了蓝光波段和近红外波段，在此波段下，很大程度的消除了裸地和不透水面光谱相似所带来的影响。虽然2个指数的波段选择都相同，但二者的波段组合方式却不同，在指数构造形式上，RRI指数采用的是波段权重相同的比值组合形式，而PII指数则采用的是线性组合形式。PII指数利用近红外波段和蓝光波段建立光谱特征空间，在此光谱特征空间下结合土壤线和不透水面线以线性形式构造了垂直不透水面指数，使得该指数能够自适应调整蓝光波段系数、近红外波段系数和常数，这也是PII指数对不透水面提取精度更高的原因。

然而，对于无人机RGB影像，由于缺少近红外波段，目前已有的不透水面指数都无法在此影像中对不透水面进行提取。为了在可见光波段范围内构造不透水面指数，需要对影像中可构成的光谱特征空间进行分析。

2.2 影像光谱特征空间优选

城市不透水面大多为道路、停车场、人行道、屋顶等，若以颜色和亮度信息对不透水面进行归类可分为亮色不透水面（如涂了防水层的屋顶）、暗色不透水面（如公路）和蓝色不透水面（如厂房屋顶）[12]。透水面则分为水体、植被和土壤，指数提取不透水面的方法通常需要在预处理中将水体剔除[18]，因此，此处暂不讨论水体。为了分析透水面和不透水面在光谱特征上的差别, 对验证区影像内的3类不透水面地物和2类透水面地物进行采样，图2为验证区内各典型地物在红、绿、蓝3个波段上的光谱均值所构成的光谱响应曲线。

图2 验证区典型地物光谱曲线

由图2所示，蓝色不透水面和暗色不透水面的蓝绿波段连线具有递减的趋势，同时，植被和土壤的蓝绿波段连线具有递增的趋势，因此，若以蓝波段和绿波段构成特征空间，可以增大不透水面与透水面的差距。为了进一步验证提出的假设，分别以Green-Blue、Red-Blue、Green-Red 3种光谱特征空间绘制5种地物的散点图（图3）。

图3b中植被像元与暗色不透水面像元相交错，难以区分。图3c中植被像元与土壤像元分别位于不透水面像元的两侧，部分植被像元与蓝色不透水面像元混合，若以此光谱特征空间构造指数易影响提取精度。而图3a中植被像元与土壤像元聚成了一类，3种不透水面像元聚成了另一类，因此，在Green-Blue光谱特征空间下，透水面与不透水面像元之间的差距较明显，易于区分二者。

图3 不同光谱特征空间下地物散点分布图

2.3 绿—蓝不透水面指数的构造

由图3a所示，可在透水面地物和不透水面地物之间构造1条直线（图4）。构造线将5种地物分成了2类，直线上方为植被和土壤，直线下方为3种不透水面。

图4 构造线两侧样本划分

设构造线方程为=+，则Green-Blue光谱特征空间中任意像元的位置到构造线的距离如式（1）所示：

式中为光谱特征空间中任意像元的位置到构造线的距离；为构造线的斜率；为构造线的截距。

当0时，表示Green-Blue特征空间中的点位于构造线上；<0表示Green-Blue特征空间中的点在构造线的左侧，即，透水面像元；>0表示Green-Blue特征空间中的点在构造线的右侧，即，不透水面像元（图5）。

因此，本研究基于Green-Blue光谱特征空间，以任意像元在此光谱特征空间中的位置到构造线的距离构造绿—蓝不透水面指数GBISI，其形式如式（2）所示：

式中为构造线的斜率；为构造线的截距；blue为蓝光波段像元值；green为绿光波段像元值。

注：表示光谱特征空间中任意像元的位置到构造线的距离。

Note:is the distance from the position of any pixel to the construction line in the spectral feature space.

图5 样本点到参照线的距离示意图

Fig.5 Distance of sample point to the reference line

2.4 绿-蓝不透水面指数（GBISI）参数计算

Green-Blue特征空间中，植被像元基本都分布在土壤像元左侧，亮色不透水面像元与暗色不透水面像元的分布有着相同的趋势，而蓝色不透水面像元均分布于亮色和暗色不透水面像元右侧。因此，仅留下土壤像元和亮色、暗色不透水面像元，将土壤像元在特征空间中的分布点通过最小二乘法拟合构成土壤线[19-20]，亮色和暗色不透水面像元拟合构成不透水面线（图6）。

土壤像元和亮色、暗色不透水面像元经过最小二乘法拟合出2条斜率不同的直线，以2条直线所构成夹角的角平分线作为构造线。假设土壤线方程为y=ax+b，不透水面线方程为y=ax+b，构造线方程为=+，D和D分别为特征空间中一点到土壤线和不透水面线的距离（图7）。

图6 Green-Blue空间下的土壤线与不透水面线

注：Ds为构造线上任意一点到土壤线的距离；Di为构造线上任意一点到不透水面线的距离。

由于构造线为角平分线，可知D=D，如式（3）所示：

式中a为土壤线的斜率；b为土壤线的截距。

转化成斜截式如式（4）所示：

因此，构造线方程的系数如式（5）和式（6）所示：

式中为构造线的斜率；为构造线的截距；a为不透水面线的斜率；b为不透水面线的截距。

将和代入式（2）即可得到GBISI。

3 结果与讨论

3.1 验证区提取结果与分析

GBISI指数计算的关键在于1、2和这3个系数的获取，而其基础是土壤线和亮色、暗色不透水面线的建立。因此，首先在验证区的正射影像上选择等数量的纯裸土像元、亮色不透水面像元和暗色不透水面像元，在绿光波段与蓝光波段构成的光谱特征空间中分别绘制散点图，并进行最小二乘拟合[21]，得到土壤线与不透水面线，分别为：

土壤线方程如式（7）所示：

不透水面线方程如式（8）所示：

验证区内构造的GBISI指数为式（9）所示：

为验证基于可见光波段特征空间提出的GBISI指数与基于近红外波段特征空间提出的不透水面指数的提取精度差异，本研究以PII、RRI和GBISI 这3个指数对验证区影像进行不透水面信息提取。图8为参考提取结果以及3个指数对不透水面提取的结果。其中，样本的实际类别通过对分辨率为0.8 m的高分影像目视解译进行确定。

注：白色为不透水面，黑色为透水面。下同。

Note: The white area is impervious surface, the black area is pervious surface. The same below.

图8 不同指数的不透水面提取结果

Fig.8 Impervious surface extraction results with different indexes

同时，在影像中随机生成400个点建立误差矩阵，以获取不透水面的提取精度。表1为基于GBISI、PII和RRI 3个指数提取的混淆矩阵及精度评定。

验证区中属于不透水面地物的主要包括居民建筑、工厂、沥青路面、水泥路面，透水面地物为土壤和植被。由图8所示，3种不透水面提取指数均能较准确的分离透水面和不透水面，由表1可知，3个指数在验证区内的不透水面提取总体精度均达到94%以上，其中，GBISI指数的提取结果与PII指数的提取结果总体精度相同。在与参考结果的对比中发现，3个指数提取的不透水面结果存在不同程度的噪声，造成该现象原因主要有2点：1）部分落在草地上的树的阴影被错分为不透水面；2）城市建筑物中，光谱特征与土壤类似的房顶易被错分为透水面。

表1 不同指数的不透水面提取精度评价

为了进一步展示不透水面指数在不同地物覆盖区域的提取效果，在验证区内选取了3块代表性较强的地区进行细节展示（图9）。样区1为大范围植被覆盖地区，样区2为亮色和蓝色不透水面主要覆盖地区，样区3为全类别覆盖地区。

图9 不透水面指数在局部区域的提取结果

图9样区1的树丛当中存在1栋建筑物所占像元数较少，并且与树林混杂，3个指数都能够将其提取，但树的背阴面部分也都错分为了不透水面。从样区2可知3个指数都能将道路中央的行道树有效提取，对于样区东侧农田边的水泥路面，仅GBISI指数能够将其有效提取（如图9c样区2）。图9d和图9e的样区3提取结果中噪声点范围较大，并且一些含水量较高、亮度较低的裸土地被错分为不透水面。综合对比下，基于可见光波段特征空间构造的GBISI指数对不透水面的提取精度与基于近红外波段特征空间提出的不透水面指数提取精度相当，达到了生产需要。

3.2 试验区提取结果与分析

由于无人机可以拍摄大量高重叠度的低空影像，通过运动恢复结构（Structure From Motion, SFM）和多视图聚簇/基于面片模型（Clustering Views Multi-view Stereo/Patch-based Multi-view Stereo, CMVS/PMVS）的密集匹配算法对试验区低空影像进行密集匹配可得到影像匹配点云，在点云基础上能进一步得到数字表面模型（Digital Surface Model, DSM）和数字高程模型（Digital Elevation Model, DEM），对DSM与DEM作差，即可获得归一化数字表面模型（Normalized Digital Surface Model, nDSM）。通过设置波段阈值，结合DEM、nDSM以及色调-饱和度-亮度（Hue-Saturation-Intensity, HSI）等特征将水体剔除后，即可利用GBISI对试验区进行不透水面信息提取。

经过采样拟合后得到的试验区土壤线方程如式（10）所示：

不透水面线方程如式（11）所示：

因此，试验区内构造的GBISI指数如式（12）所示：

以GBISI指数对试验区进行不透水面提取的结果展示（图10）。其中，图10a为试验区不透水面提取结果，红框部分为细节展示区（图10b和图10c）。

在试验区内随机选择了110个对象（334 052像元）进行精度评定（表2）。

表2 基于GBISI的试验区不透水面提取精度评价

注：UA表示用户精度，%；PA表示生产者精度，%。

Note: UA is the user’s accuracy, %; PA is the producer’s accuracy, %.

试验区中，无人机正射影像的提取结果总体精度达到了96.95%，Kappa系数达到了0.936 1。其中，不透水面提取的用户精度为96.40%，透水面提取的用户精度为97.82%。比起指数验证区的GF-2号正射影像提取结果，GBISI指数在试验区的提取精度更高，其原因是试验区内部分建筑物屋顶种有植物（图10b），仅通过光谱特征很难将建筑物屋顶上的植被剔除，此时需要利用地形特征nDSM。试验区内大部分建筑的屋顶高程值大于树木顶端的高程值，通过对植被的nDSM值进行限制即可将屋顶的植被划分为不透水面，提高了不透水面提取的精度，这是卫星遥感影像提取方法无法做到的。

3.3 讨 论

根据指数验证区和试验区的提取结果进行综合分析可知，GBISI指数的构造过程需要获取影像中的纯净裸土像元和不透水面像元，因此裸土像元和不透水面像元获取的准确程度决定了GBISI指数对不透水面提取的精度。相较GF-2号影像而言，无人机遥感影像有着更高的分辨率，从无人机拍摄的分辨率为0.03 m的正射影像中能够获取到更准确的土壤像元和不透水面像元，因此，构造的GBISI指数准确性也更高。

对于可见光波段范围内，几乎没有一个有效的不透水面指数被提出。已有的不透水面指数，如NDBI、NDISI、MNDISI、IBI、BCI、BAEM、PII和RRI等，均包含除可见光波段（R、G、B）以外的其他波段。在无人机RGB影像中对不透水面信息提取时，这类指数并无意义。田玉刚等[12]对NDBI、BCI、PII和RRI 4个指数进行不透水面提取分析后指出，PII指数的提取效果最好。刘畅等[17]对8种不透水面指数进行分析，也得到了同样的结论，结果显示，PII指数的不透水面提取精度最高，其次是RRI和BCI指数，NDISI、NDBI和IBI等指数的提取精度较低。而本研究结果显示，GBISI指数的提取精度基本与PII和RRI指数相当，因此，GBISI指数能够作为一个新型的可见光波段遥感指数应用在无人机遥感技术中。

4 结 论

本研究针对高分辨率可见光遥感中，不透水面提取指数的空白。基于蓝光波段和绿光波段构成的光谱特征空间，提出了绿-蓝不透水面指数（Green-Blue Impervious Surface Index, GBISI）。以GF-2号卫星影像作为验证数据，将利用GBISI、垂直不透水层指数（Perpendicular Impervious Index, PII）和比值居民地指数（Ratio Resident-area Index, RRI）指数提取的不透水面结果进行对比，并通过GBISI对无人机获取的红绿蓝（Red-Green-Blue, RGB）正射影像进行不透水面提取试验及分析，得到了以下结论：

1）以蓝光波段和绿光波段为特征空间构造的GBISI指数在同一区域中，与基于蓝光波段和近红外波段构造的PII和RRI指数对不透水面提取的精度基本相同。

2）GBISI指数适用性较强，能够在缺少近红外、中红外、热红外等波段的影像（如无人机RGB影像）中代替PII、RRI、生物物理组成指数（Biophysical Composition Index, BCI）等指数，作为一种提取不透水面的可见光波段遥感指数被应用。

3）GBISI作为一个可用于无人机遥感的可见光波段不透水面提取指数，不仅能够有效区分土壤与不透水面，同时，利用无人机遥感易获取地形特征的特点解决了建筑屋顶因植被覆盖而错分的问题，提高了不透水面提取的精度。

对于卫星影像，已有的不透水面指数已经可以获得很好的提取效果，本研究提出的GBISI指数更多应用于无人机遥感领域，基于无人机所获取的超高分辨率的影像提取不透水面将成为重要应用之一。然而，本研究中，还存在些许不足。首先，由于试验期间没有获取到同一地区的GF-2号影像和无人机RGB影像数据，无法比较GBISI指数对同一地区不同传感器影像提取结果。在接下来的研究中还需搜集同一地区不同传感器的影像数据，进一步试验，使得不同指数对不透水面的提取结果对比更为直观。其次，下一步研究中，还将会重点考虑不同阈值下各类型不透水面地物的精细提取，实现不透水面信息的精细制图，极大程度地发挥无人机低空遥感技术在不透水面信息提取中的优势。

[1] Arnold L C, James G C. The emergence of a key environmental indicator[J]. Journal of the American Planning Association, 1996, 62(2): 243-258.

[2] 张新，程熙，李万庆，等. 流域非点源污染景观源汇格局遥感解析[J]. 农业工程学报，2014，30(2)：191-197.

Zhang Xin, Cheng Xi, Li Wanqing, et al. Remote sensing parsing on non-point pollution landscape source and assembly pattern in river basin[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(2): 191-197. (in Chinese with English abstract)

[3] Zhou Yuyu, Wang Yiqing. 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.

[4] Deng Chengbin, Wu Changshan. Examining the impacts of urban biophysical compositions on surface urban heat island: A spectral unmixing and thermal mixing approach[J]. Remote Sensing of Environment, 2013, 131(15): 262-274.

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

[6] 汪小钦，王苗苗，王绍强，等. 基于可见光波段无人机遥感的植被信息提取[J]. 农业工程学报，2015，31(5)：152-159.

Wang Xiaoqin, Wang Miaomiao, Wang Shaoqiang, et al. Extraction of vegetation information from visible unmanned aerial vehicle images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 152-159. (in Chinese with English abstract)

[7] 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 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. (in Chinese with English abstract)

[8] Liu Chong, Shao Zhenfeng, Chen Min, et al. MNDISI: A multisource composition index for impervious surface area estimation at the individual city scale[J]. Remote Sensing Letters, 2013, 4(8): 803-812.

[9] Zha Yong, Gao Jingqing, Ni Shaoxiang. Use of normalized difference built-up index in automatically mapping urban areas from TM imagery[J]. International Journal of Remote Sensing, 2003, 24(3): 583-594.

[10] 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.

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. (in Chinese with English abstract)

[11] Deng Chengbin, Wu Changshan. BCI: A biophysical composition index for remote sensing of urban environments[J]. Remote Sensing of Environment, 2012, 127(12): 247-259

[12] 田玉刚，徐韵，杨晓楠. 一种提取城市多种不透水层的垂直不透水层指数[J]. 测绘学报，2017，46(4)：468-477.

Tian Yugang, Xu Yun, Yang Xiaonan. Perpendicular impervious index for remote sensing of multiple impervious surface extraction in cities[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(4): 468-477. (in Chinese with English abstract)

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

[14] 吴宏安，蒋建军，张海龙，等. 比值居民地指数在城镇信息提取中的应用[J]. 南京师大学报：自然科学版，2006，29(3)：118-121.

Wu Hongan, Jiang Jianjun, Zhang Hailong, et al. Application of ratio resident-area index to retrieve urban residential areas based on Landsat TM data[J]. Journal of Nanjing Normal University: Natural Science, 2006, 29(3): 118-121. (in Chinese with English abstract)

[15] Bhatti S S, Tripathi N K. Built-up area extraction using Landsat8 OLI imagery[J]. GIScience & Remote Sensing, 2014, 51(4): 445-467.

[16] Felde G W, Anderson G P, Cooley T W, et al. Analysis of Hyperion data with the FLAASH atmospheric correction algorithm[C]//Proceedings of 2003 IEEE International Geoscience and Remote Sensing Symposium. Toulouse, France: IEEE, 2003: 90-92.

[17] 刘畅，杨康，程亮，等. Landsat8不透水面遥感信息提取方法对比[J]. 国土资源遥感，2019，31(3)：148-156.

Liu Chang, Yang Kang, Cheng Liang, et al. Comparison of Landsat8 impervious surface extraction methods[J]. Remote Sensing for Land & Resources, 2019, 31(3): 148-156. (in Chinese with English abstract)

[18] Dare P M. Shadow analysis in high-resolution satellite imagery of urban areas[J]. Photogrammetric Engineering & Remote Sensing, 2005, 71(2):169-178.

[19] 秦其明，游林，赵越，等. 基于二维光谱特征空间的土壤线自动提取算法[J]. 农业工程学报，2012，28(3)：167-171.

Qin Qiming, You Lin, Zhao Yue, et al. Soil line automatic identification algorithm based on two-dimensional feature space [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(3): 167-171. (in Chinese with English abstract)

[20] Baret F, Jacquemoud S, Hanocq J F. About the soil line concept in remote sensing[J]. Advances in Space Research, 1993, 13(5): 281-284.

[21] Fox G A, Sabbagh G J, Searcy S W, et al. An automated soil line identification routine for remotely sensed images[J]. Soil Science Society of America Journal, 2004, 68(4): 1326-1331.

A visible-band remote sensing index for extracting impervious surfaces

Yang Xu1, Zhu Daming1※, Yang Runshu2, Fu Zhitao1, Xie Wenbin1

(1.,,650093,;2.,650217,)

Unmanned Aerial Vehicle (UAV) remote sensing can obtain high-resolution images at low cost and high efficiency. However, there is rare research on the use of UAV remote sensing images to extract information from impervious surfaces. The difficulty of the research lies in that for the high-resolution UAV red-green-blue images, there is currently not an exclusive impervious surface index that can be applied to the extraction of impervious surface information. To address this problem, this study established the green-blue spectral feature space in the blue and green bands of the visible-bands. Under this spectral feature space, the green-blue impervious surface index was proposed to effectively separate soil-vegetation pixels and impervious surface pixels. The process of constructing the index was as follows. Firstly, the feature points were divided into impervious surface points and pervious surface points in the green-blue spectral feature space. Secondly, the least-squares fitting was conducted on the impervious surface points and the previous surface points. Then, the impervious surface line and the soil line were obtained, and a reference line was constructed between the two straight lines. Finally, the distance from the feature point to the reference line was used as the expression of the index. To verify the accuracy of the difference between the green-blue impervious surface index and other impervious surface indexes applied to satellite remote sensing images, comparison and analysis were performed on the extraction of the impervious surface by perpendicular impervious index, ratio resident-area index and green-blue impervious surface index. At the same time, the experiment was conducted using the UAV orthophoto image data of Hongya county in Meishan city to extract the impervious surface. The analysis was conducted to investigate the effect of the green-blue impervious surface index on the extraction of the impervious surface information in the UAV remote sensing image. The experimental results showed that: 1) The green-blue impervious surface index constructed the blue and green bands as the feature space had the same accuracy as the perpendicular impervious index and ratio resident-area index based on the blue and near-infrared bands in terms of the impervious surface extraction, and the overall accuracy reached over 94%. 2) The green-blue impervious surface index showed strong applicability and replaced the indexes like perpendicular impervious index, ratio resident-area index and biophysical composition index in the images lacking near-infrared, mid-infrared, and thermal-infrared bands. The green-blue impervious surface index was used as a remote sensing index to extract visible-bands on the impervious surfaces. 3) As a visible light wave impervious surface extraction index used in UAV remote sensing, the green-blue impervious surface index could not only effectively distinguish between soil and impervious surfaces, but also utilized the characteristics of easy-to-obtain terrain features by UAV remote sensing. For the problem of misclassification, the overall accuracy of the extraction results by the green-blue impervious surface index reached 96.95%, and the Kappa coefficient was 0.936 1. The green-blue impervious surface index constructed based on the green-blue spectral feature space effectively separated soil pixels and extracted high-precision urban impervious surfaces from UAV remote sensing images. For satellite imagery, the existing impervious surface index had a good performance in extracting the surfaces, while the proposed green-blue impervious surface index was more suitable for UAV remote sensing. At present, extracting urban impervious surfaces from UAV remote sensing images has gradually become an important application.

remote sensing; spectrum analysis; unmanned aerial vehicle; visible-bands; soil line; impervious surface extraction

杨栩，朱大明，杨润书，等. 一种提取不透水面的可见光波段遥感指数[J]. 农业工程学报，2020，36(8)：127-134.doi：10.11975/j.issn.1002-6819.2020.08.016 http://www.tcsae.org

Yang Xu, Zhu Daming, Yang Runshu, et al. A visible-band remote sensing index for extracting impervious surfaces[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(8): 127-134. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.08.016 http://www.tcsae.org

2020-01-02

2020-03-13

国家自然科学基金（41961053）

杨栩，主要从事遥感影像信息提取、无人机倾斜摄影测量等方向研究。Email：jkllvbnm950707@163.com

朱大明，博士，副教授，主要从事3S集成、土地规划等方向研究。Email：634617255@qq.com

10.11975/j.issn.1002-6819.2020.08.016

TP751; P231

A

1002-6819(2020)-08-0127-08