刘 波，张 源 ，程 涛，宋 杨

(1. 广西壮族自治区基础地理信息中心，广西 南宁 530023；2. 武汉大学 测绘遥感信息工程国家重点实验室，湖北 武汉 430072；3. 广州市城市规划勘测设计研究院，广东 广州 510060)

0 引 言

不透水面（Impervious surfaces，IS）是指水不能渗透的任何物质（LU D，2011）。在城市当中的不透水面主要由建筑物、道路、停车场等人工构建面组成。这些人工构建面与人类生产生活、交通息息相关，因此，不透水面被认为是衡量城市生态环境的重要指标之一。根据联合国最新人口报告预测，到2050年，世界上居住在城市的人口将从54%增长到66%。这也意味着不透水面在不断地快速扩张，并由此引发城市内涝、热岛效应、非点源污染、大气污染、生物多样性降低等生态、环境和气候问题。建设海绵城市，就是着力解决这些城市病等突出问题。而不透水面的提取是构建海绵城市的重要依托。

利用遥感影像提取不透水面是性价比很高的方法。同中低分辨率遥感影像相比，高分辨率具备更丰富的地物细节信息和空间几何信息（IM J，2012）。但这些细节信息同时给遥感影像分类带来了一定的挑战。主要表现在分类目标趋于多样化和影像因素更加复杂这两个方面（SHAHTAHMASSEBI，A R，2016）。因此，一般线性分类器难以解决高分辨率遥感影像中地物类型复杂多变的问题。显然针对中低分辨率的方法已经不再适用于高分辨率遥感影像的分类。国内外学者们已对不透水面提取研究做出来许多贡献。中低分辨率遥感影像中，一般认为在城市区域的不透水面是作为除植被、土壤和水体之外的地物。WU, C等基于IKONOS影像使用SMA方法评估在高分辨率遥感影像中SMA方法是否适用，统计分辨率提高后影像中产生的混合像元和类内变异增加的影响。YANG, J 和LI, P（2015） 等利用线性光谱混合分解获得植被及高低反照度不透水面等三类地物的百分比，该方法将由阴影及树冠层遮挡引起的不透水面低估问题降低了11.2%。O.Benarchid 和 N.Raissouni（2013）基于颜色特征对高分辨率影像进行均值漂移分割，利用SVM分类方法提取建筑物，在Tetuan城市区域试验得到了83.76%的准确率。Imane Sebari和 Dong-Chen He（2013）提出了采用自动提取分割对象的方法，然后结合影像对象的光谱、纹理及语义等特征建立模糊规则框架，该方法应用于加拿大舍布鲁克城市获得81%的建筑物提取准确率。上述方法均从影像特征与分类手段上对不透水面的提取进行了研究。在国内，不透水面研究主要是比较不同的方法以及针对某一特定特征（如阴影提取及移除）的分析及处理。王浩（2013）从几个尺度上总结分析了不透水面提取方法的优点与不足。由于单一特征难以区分地物类型，黄昕（2014）提出通过多种指数特征一种构建多指数层级的方法提取建成区区域。

上述方法表明在高分辨率遥感影像中，由于地物的观测尺度升高，不透水面地物会表现出更多样化的地物类别，很难用单一的光谱特征进行表达。现阶段作为一种有效的机器学习方法，支持向量机（Support Vector Machine，SVM）仍广泛应用于遥感影像的分类（李萌，2015）。本文旨在探索快速有效地利用高分辨率遥感影像提取不透水面的方法。文章基于高分二号遥感卫星影像，利用支持向量机分类方法，对比了增加HSL（HueSaturationLightness，色相饱和度亮度）色彩空间变换信息前后城市不透水面的提取精度，结果表明在加入HSL色彩空间变换信息后，不透水面的提取精度有一定提高。

1 研究区、数据及预处理

高分2号卫星突破了米级空间分辨率、能获取多光谱综合光学遥感数据。同时高分2号卫星的发射标志着我国遥感卫星进入亚米级的高分时代，其全色影像分辨率达1 m，多光谱影像分辨率达2 m。在进行基于高分辨率遥感影像的不透水面提取之前，首先对遥感影像进行辐射定标、大气校正和正射纠正，去除影像中的干扰信息。在传统的融合方法中，PANSHARP融合是最适合高分二号数据的融合方法，Gram-Schmidt Pan Sharpening方法的融合效果仅次于 PANSHARP方法（刘书含，顾行发等，2014）。本文应用PANSHARP方式融合多光谱影像与全色影像，融合后分辨率为1 m。

图1为经过预处理后的广西壮族自治区梧州市的高分二号遥感影像。作为广西壮族自治区的东大门，梧州市地处北纬22°37′-24°18′，东经110°18′-111°40′之间，是珠三角经济圈、北部湾经济圈、大西南经济圈和西江经济带交会的节点，具有重要的地理位置。梧州盛夏多见暴雨与干旱，汛期一般为每年4月到9月。每年固定内涝点多达8个，最大水深达1 m。由于不透水面增加而引起的城市内涝给城市居民带来了极大不便。因此，本文选取梧州市城区为实验区域提取不透水面，作为研究城市发展中不透水面变化与城市内涝问题的依托。

图1 研究区域Fig.1 The study areas

2 研究方法

2.1 HSL变换

HSL、HSV（HueSaturationValue，色相饱和度明度）、CYMK、RGB都是常见的颜色模型。根据不同的缩写HSL又可表示为HSI。遥感影像的成像条件，如成像角度、光线、传感器等，都存在一定的差异。但是阴影在不变颜色模型中的光谱特征却不受遥感影像成像条件的影响。一般来说，遥感影像中阴影具有色调、饱和度值较高但亮度较低的特点。裸土植被的颜色具有偏紫或偏蓝的特点（朱庆，2007）。本文将采用HSL光谱特征增强有效信息。该特征的计算公式下：

式中，R、G、B分别代表遥感影像中红、绿、蓝波段的光谱值。本文中，经过PANSHARP融合的影像变换到HSL色彩空间。饱和度和色调被用于描述色彩感知，消除光亮度的影响。将HSL分量加入原始影像中获得RGBNIR+HSL影像。

2.2 基于支持向量机模型的不透水面提取

支持向量机基于结构风险最小化准则，通过核函数将输入数据映射到高维特征空间，寻求该空间中的某一平面，使得该平面与所有输入数据的距离最大，则该平面称之为超平面或者理想平面（陈杰，2011）。图2表示当维数增加时，函数子集{S1，S2，S3…Sn}的经验风险减小，置信范围增加。最小风险上界是在某一元素上达到。

图2 支持向量机原理图Fig.2 Support vector machine schematic

因为具有完备的理论结构和坚实的数学基础，支持向量机分类方法具有较强的适应性，有效地克服了传统统计学方法中的经验风险最小化的缺点和不足。由相关研究可知，SVM应用于分类的核心基础主要是学习过程中的核方法，因此所面临的就是怎样根据实际的数据，采用适合于分类的核函数来解决遇到的困难。当前以SVM为手段的分类中，应用的都是较常用的核函数，如RBF核函数，其基本是根据经验选择，因此存在不确定性。

本文首先在影像上选择适量样本，将70%样本训练，剩余30%样本用于验证。两组实验样本个数分类为22 658、35 949个像素点。训练样本主要包含建筑物、道路、阴影、植被、裸土、水体等六类，其中将建筑物、道路合并为不透水面。将这些样本点输入高斯核函数训练出样本空间，样本空间构建过程是根据样本特征寻找使得样本间距离最大的超平面。然后直接对经过HSL色彩空间变换后的影像输入上述样本空间得到分类结果。

3 城市不透水面提取实验及分析

根据梧州市地物类型，本文将实验区域划分为5种地类：不透水面、植被、裸土、水体及阴影（殷亚秋，2015）。由于HSL变换能够有效减弱光照影响，因此本文选取两组对比实验：RGBNIR影像与RGBNIR+HSL影像分别表示加入HSL变换分量前后的影像。从图3可以看出，HSL空间上能够表现出部分水体、阴影与其他地物的区别。在影像上分别选取五类地物样本，将其中1/3用于精度评定，其余样本用于训练SVM模型进行分类。图4中的（a）、（b）分别对应加入HSL变换分量前后分类结果。第一组实验（a）结果中的不透水面有明显的过估计现象。将研究区域左下角的裸土划分为不透水面。第一组实验（b）对此问题有明显的改善，对阴影区域的提取也更加完整。表1为两组实验影像的精度评估表。从定量的评价指标也可以看出加入HSL变换信息后影像总体精度、用户精度和生产者精度提高至92.4%、94.6%和94.3%。从第二组实验区域结果（c）、（d）也可以HSL变换提高阴影与低反照度不透水面的区分效果，总体精度、用户精度和生产者精度分别为96.3%、96.6%和98.0%。表明HSL增加了新的有效信息，对分类精度的提高有帮助。

图3 实验区域（1）和（2）的HSL变换后影像Fig.3 (a) and (b) are the images after the HSL transformation of study area in Fig.1(1) and (2)

第二组实验当中，阴影表现出明显的蓝色与低反照度不透水面表现出的枚红色有明显不同。从样本分离度上看，四波段影像不透水面与各地类的样本分离度比HLS分量高。但在阴影与低反照度不透水面的HLS分量样本分离度比原影像稍高。因此，进一步基于袋外数据分类准确率的变量重要性度量，对RGBNIR、HSL分量计算单个特征的变量重要性。如图5所示，B1～B4对应原影像的BGRNIR4个波段，HSL分别对应色相饱和度亮度。可看出近红外波段对分类贡献最大、其次是蓝波段、H色相分量和红波段。重要性最低的为绿波段和L亮度波段。分析认为HLS分量对阴影与低反照度不透水面的区分有帮助。

图5 特征重要性Fig.5 Features importance

4 结束语

基于高分遥感影像的分类方法获得精准的地物信息和特征，为城市规划、农作物估产、环境监测等领域服务方面提供了新的数据支撑。同时城市不透水面的增加给城市带来了诸如内涝、热岛效应等一系列问题（甘甜，2015）。为了辅助政府部门对城市进行有效的规划管理，基于高分辨率遥感影像提取不透水面势在必行。本文基于支持向量机的方法，加入HSL变换信息，并对比了影像变换前后的分类精度，见表1。

表1 精度评估结果Tab.1 Classification accuracy evaluation results

结果表明，加入HSL变换，增加了有效信息，提高了高分二号影像对于提取不透水面的分类精度。本文实验结果为梧州市新旧城区改造和监测提供了有效的数据支撑，并可为新区海绵城市的规划提供数据支持。