程吉 孙根云 姚延娟

摘 要：GF-5卫星已经在生态环境监测、土地资源调查、荒漠化监测、水资源管理调度等领域开展了应用，但是关于城市不透水面提取还没有针对GF-5卫星的相关研究，因此研究GF-5卫星的不透水面提取对推动其在城市环境等领域的应用具有重要意义。分析GF-5卫星数据特點，以全谱段数据为基础，利用混合像元分解法研究GF-5卫星提取城市不透水面的性能，并和Landsat8 OLI数据做对比分析。试验结果表明：GF-5卫星提取的不透水面分布与Landsat 8 OLI数据的结果总体一致，由于GF-5卫星空间分辨率更高，提供的不透水面细节信息更加丰富，因此对裸土有一定的区分能力，尤其是对干燥裸土;但GF-5卫星在提取城市不透水面时容易受到阴影的干扰。总体而言，GF-5卫星在城市不透水面监测方面具有较大的应用潜力，有望在中国的城市环境监测领域发挥重要作用。

关键词：高分五号;全谱段;Landsat 8;城市不透水面

中图分类号：P237;TV211.1 文献标志码：A

doi：10.3969/j.issn.1000-1379.2020.12.035

Abstract：GF5 is an environmentobserved satellite in the significant special spacebased system of the National HighResolution Earth Observation System， which has the ability of comprehend observation and monitoring for atmosphere and land simultaneously. Thus， GF5 has been widely applied in several fields including ecological environment monitoring， land resources survey， desertification monitoring and water resources management. However， there is lacking of the research on Impervious Surface （IS） mapping based on GF5. Thus， the research of GF5 on IS mapping is of great importance for propelling the application of GF5 on fields like urban environment. In this research， the characteristics of GF5 dataset were explored. The urban IS was mapped by linear spectral unmixing method on GF5 full spectral dataset. The performance of GF5 was analyzed and compared with that of Landsat 8 OLI. The results of city impervious surface distribution which is extracted by GF5 is generally consistent with that of Landsat 8. While the result of GF5 can provide more details of the city due to the higher spatial resolution， which enhances the ability of distinguishing bare soil especially for dry soil from IS. However， due to the finer spatial resolution， shadow problems bring some influence to the IS mapping of GF5. In general， GF5 has great application potential on monitoring urban IS， which is expected to play an important role in urban planning and environmental monitoring of China.

Key words： GF5; fullspectral; Landsat 8; city impervious surface

1 引 言

不透水面是指人工建造且水体无法透过的表面，主要由各种建筑屋顶和交通设施构成，如街道、高速公路、停车场等[1]。不透水面作为城市地表覆盖的主要组成部分，随着城市的发展而急剧增加。城市不透水面的大量增加严重影响了城市地表的水热交换和大气循环等自然过程，带来了诸如城市内涝、城市热岛和非点源污染等环境问题[2-4]。准确及时地获取不透水面分布信息能够为城市规划、城市环境监测、城市生态研究等提供重要的数据支撑，是当前海绵城市、智慧城市建设的重要基础，但是目前我国仍然缺乏不透水面基础数据[5]。

早期的不透水面提取主要采用人工统计或者航空摄影测量方法。前者虽然精度较高，但费时费力，且时效性较差;后者虽然能够实现大范围观测，但成本较高。遥感技术能够高效、实时、宏观和周期性地对地表进行观测，且成本较低，在不透水面提取中得到广泛应用[6-7]。目前应用于不透水面提取的遥感卫星数据很多，其中低分辨率影像如MODIS重复周期短，观测范围大，能够实现大范围的动态观测，在不透水面提取中得到了广泛应用，发展出了一系列的不透水面提取方法[8-9]。但是MODIS的分辨率较低，无法在城市尺度得到不透水面的细节信息。随着高分辨率遥感卫星的发展，有研究者利用IKONOS、QuickBird等高分辨率卫星获取更为精细的不透水面分布信息[10-11]。但这些高分辨率影像的重访周期长且价格昂贵，很难得到大面积应用。相比之下，Landsat TM/ETM+和ASTER等中等分辨率数据符合大多数城市光谱的特征尺度，重访周期适中，且大部分能够免费获取，成为研究不透水面提取的主流[12]。

由于城市景观的高度异质性，中等分辨率遥感影像存在大量的混合像元，因此给城市不透水面提取带来一定困难。同时，中等分辨率遥感影像与大多数城市光谱的特征尺度相符，使得亚像元尺度的城市不透水面估算成为可能[13]。Ridd首次提出了植被-不透水面-土壤（V-I-S）模型[14]，將城市景观组分与光谱特征联系起来，以混合像元分解的方式提取不透水面丰度，为解决中等分辨率遥感影像混合像元问题提供了方案。此后，大量学者在该模型的基础上利用混合像元分解技术提取城市不透水面，并对城市生态环境进行分析，取得了丰富的研究成果[2，15-16]。

随着我国高分计划的实施，高质量、高分辨率的影像为不透水面研究提供了有效的数据支撑，使我国掌握了高光谱遥感信息资源的主动权，逐渐摆脱对国外遥感数据的依赖。目前已有许多研究采用高分数据进行不透水面提取研究，常用的有高分1号（GF-1）和高分二号（GF-2）卫星数据[17-19]。虽然这些研究已经取得较高精度，但GF-1和GF-2卫星影像的空间分辨率非常高，GF-1卫星数据空间分辨率能达到1 m，而GF-2卫星数据更是能达到亚米级别。高空间分辨率的卫星数据虽然能提供大量细节，但数据量庞大，难以在大范围不透水面制图中发挥作用。GF-5卫星的出现则弥补了这一缺陷，其全谱段成像仪能提供最高20 m分辨率的光学影像。同时，GF-5卫星作为国家高分辨率对地观测能力的重要标志之一，具有谱段数目多、空间分辨率高和辐射定标精度高的特点[20]。目前，GF-5卫星数据在生态环境监测、土地资源调查、荒漠化监测、水资源管理调度、农业资源调查和洪涝灾害监测领域得到了应用，但是在城市不透水面提取方面的研究还未见报道。为了推动GF-5卫星数据服务于我国的海绵城市、智慧城市建设，探讨GF-5卫星数据在不透水面提取方面的性能具有重要意义。

本文以青岛市作为研究区，讨论了采用线性混合分解模型（LSMA）从GF-5卫星数据中提取不透水面的实现过程，同时与波段设置相似的Landsat 8陆地成像仪（OLI）数据提取结果进行对比分析，最后利用空间分辨率为2 m的GF-1卫星数据对提取效果进行精度验证。

2 研究区概况与试验数据

2.1 研究区概况

青岛市位于山东半岛东南部、胶东半岛东部，东经119°30′—121°00′、北纬35°35′—37°09′之间。青岛市的不透水面具有分布广泛与种类全面的特点，能够为不透水面提取研究提供较好的样本和场景素材，从而充分检验GF-5卫星全谱段数据的不透水面提取能力。本研究选择的青岛市南区和北区部分区域，是青岛市城市化较高的区域，南区包括青岛众多著名旅游景点，存在大量植被与沙滩，使得不透水面的提取存在更多的挑战。

2.2 研究区数据集

GF-5卫星于2018年5月9日发射，是我国第一颗高光谱综合观测卫星，具有高光谱、高空间和高时间分辨率的特点，能实现对生态环境、大气环境和水环境的高精度综合监测。GF-5卫星运行于太阳同步轨道，轨道高度为705 km，其搭载的全谱段光谱成像仪（以下简称VIMI）是我国第二代从可见光到热红外光谱范围的星载多光谱成像仪，幅宽为60 km、探测谱段范围为0.45～12.5 μm，在国内同类中谱段数量最多，光谱范围最广[21]。VIMI数据包括可见多光谱、短波、中波和长波红外，其中可见多光谱和短波红外的空间分辨率为20 m，中长波红外则为40 m，具体波段参数见表1。国内外城市不透水面提取研究最常用的影像是分辨率适中、重访周期合适且容易获得的多光谱影像[13]，因此本文采用GF-5 VIMI的可见多光谱波段以及包含地表光谱信息丰富的短波红外进行城市不透水面提取。

公开资料显示，与GF-5 VIMI数据相似，可进行比较的国内外光谱成像仪主要有Landsat 7 ETM+、Landsat 8 OLI以及资源一号04星的红外相机[22]。其中Landsat 8 OLI数据波段最多，光谱范围最广，因此采用Landsat 8 OLI数据进行比较。Landsat 8 OLI数据谱段分布为0.43～2.29 μm，本研究选择的GF-5 VIMI可见多光谱和短波红外波段谱段范围为0.45～2.35 μm。试验验证则采用GF-1多光谱影像（PMS）数据。GF-1是我国高分计划发射的第一颗卫星，同时具有高空间和高时间分辨率的特点。将GF-1 8 m空间分辨率的多光谱影像与2 m空间分辨率的全色波段影像融合，得到2 m空间分辨率的多光谱融合影像。

按照“成像质量良好、少云”的原则，选取2019年4月6日获取的GF-5 VIMI数据，同时选取时间相近的2019年4月3日的Landsat 8 OLI数据作为对比影像，以及同样时间相近的2019年3月1日的GF-1 PMS 2m分辨率融合影像，用于不透水面提取结果的精度评定。

3 技术与方法

由于GF-5 VIMI和Landsat 8 OLI数据中都存在大量混合像元，因此采用线性光谱混合像元分解的方法能够取得较好的效果[23]，其分为4个步骤：①对原始图像进行辐射校正、大气校正和地理配准等预处理，并利用归一化水体指数（NDWI）计算阈值掩膜去除水体;②对预处理后图像进行最小噪声分离（MNF）变换，为后续端元选择做准备;③选择MNF变换后的合适波段，建立特征空间，构造散点图，然后根据V-I-S模型和试验区域实际情况选择端元;④采取线性混合像元分解模型进行混合像元分解，得到不透水面丰度图。本研究的技术路线见图1。

3.1 线性混合像元分解方法

混合像元分解将每一个混合像元的反射率表示为所选各类端元的反射率及其在该混合像元中所占面积的百分比函数。常用的混合像元分解模型有5种，即线性模型、光学模型、随机几何模型、概率模型和模糊模型[23]，其中线性模型因模型简单、计算效率高和理论科学等优势而得到了广泛应用和深入研究[24]。

线性混合像元分解模型将每一个混合像元的总反射率表示为各端元类别反射率和丰度的线性组合[23]，其公式为式中：δ为混合像元任一波段的反射率;k为选择的端元数目;αi为第i个端元的反射率;γi为第i个端元的丰度;σ为误差项。

根据上式，采用最小二乘法得到混合像元内各端元组分的比例，并保证每种端元组分所占比例大于0且小于1，同时所有端元组分所占比例之和等于1。

3.2 端元选择

端元是组成混合像元的多种单一光谱曲线的地表覆盖类型[25]。由线性混合像元分解模型的原理可知，端元的正确选择对最后的分解结果有很大影响。本研究采用MNF变换后的波段组合构造特征空间，并进行端元选取。

由于试验区城市化程度较高，裸土数量极少，可以忽略不计，因此本试验区选择高反射率不透水面、低反射率不透水面和植被作为端元。经对比分析发现，GF-5数据经MNF变换后由第2个波段和第4个波段构建的特征空间能够得到较好的三角形分布，3个顶点分别为高反射率端元、低反射率端元和植被端元，如图2（a）所示。对于Landsat 8 OLI数据，经观察对比发现经MNF变换后由第1个波段和第2个波段构建的特征空间最为理想，能够较好地提取端元，3个顶点分别对应高反射率端元、低反射率端元和植被，如图3（a）所示。所选端元在GF-5 VIMI和Landsat 8 OLI数据上的光谱曲线分别如图2（b）和3（b）所示。

3.3 不透水面丰度提取

依据上述3个端元进行线性光谱分解，得到低反射率端元、植被端元和高反射率端元的丰度图像，由低反射率不透水面和高反射率不透水面丰度图构建不透水面丰度公式如下[26]：

式中：Rimp，b为第b个波段的不透水面反射率;flow和Rlow，b分别为低反射率端元所占的比例和其在第b个波段上的反射率;fhigh和Rhigh，b分别为高反射率端元所占的比例和其在第b个波段上的反射率;eb为该模型的误差。

确定Rimp，b还需要同时保证flow+fhigh=1、flow>0、fhigh>0。在这些原理和条件的基础上，可以认为不透水面能由低反射率端元和高反射率端元采用完全约束的线性混合模型分解得到。

3.4 精度评定

采取分层方法进行验证。首先将试验结果的不透水面丰度值分为4层，分别为小于0.25、0.25～0.5、0.5～0.75和大于0.75。然后在每层中分别随机采样20个点，一共80个样本点，通过专家解译计算出该样本像元真实的不透水面面积，最后对GF-5 VIMI和Landsat 8 OLI数据的不透水面丰度图进行精度验证。

为定量比较模型估算值和真实值的差异，利用采样点不透水面丰度的估算值和真实值计算均方根误差RMSE和系统误差SE，进行进一步的精度评价，其计算公式分别为式中：i为第i个样本点的不透水面丰度估计值;vi为第i个样本点不透水面丰度真实值;N为选择的样本像元数目。

4 试验结果与讨论

4.1 端元的丰度计算结果

根据所选择的3种端元在GF-5 VIMI数据和Landsat 8 OLI影像上的光谱特征，通过最小二乘法计算得到约束条件下3种端元的丰度图（见图4）。从图4（a）可以看出，在GF-5 VIMI数据的低反射率端元丰度图上，丰度高值主要集中在试验区中部偏北以及北部地区，其中包括大量道路和码头，该地区主要是高密度城市居民区。丰度低值则分布在该试验区南部地区，由于该地区大部分为景区，尤其是沿海岸线一带和中山公园一带，植被众多，不透水面分布较少，与分解结果相符。在Landsat 8 OLI数据的分解结果中，如图4（b）所示，低反射率端元的丰度高值主要集中在道路部分，其次是城市中偏北、北部地区和西南地区，其丰度值较GF-5 VIMI数据的分解结果更低。

对植被端元，从图4（c）中可见，丰度高值均处于山丘地区，如信号山、小青岛和中山公园等。此外，随着青岛沿海绿地建设，沿海岸线也分布有大量绿地，这在GF-5 VIMI数据的植被丰度图中有所体现，而在Landsat 8 OLI数据的结果中却不太明显（见图4（d））。此外，季节原因导致下界面的裸土对植被的分解造成一定混淆。GF-5 VIMI數据受到干土的混淆影响较Landsat 8 OLI数据更少，对湿土的混淆影响则不如Landsat 8 OLI数据的抑制效果理想。这是由于干燥土壤在近红外波段的反射率也很高，而湿润土壤含水量相对较高，在近红外波段的反射率相对较低，因此与植被的混淆程度较低。GF-5 VIMI数据的近红外波段范围为0.76～0.86 μm，而Landsat 8 OLI数据的近红外波段范围为0.85～0.88 μm，排除了0.825 μm处水汽吸收特征，因此对湿润土壤的分辨能力比GF-5 VIMI数据要高。

对高反射率端元，从图4（e）中可见，GF-5 VIMI数据的高反射率端元丰度高值主要位于西北沿海码头，以及城市北部零星区域。码头地物分布较均匀，存在大量大型浅色集装箱，呈高反射率。城市北部则有零星建设用地，或城市内部用地变化，因此出现高反射率不透水面。而在Landsat 8 OLI数据分解结果中，高反射率高值范围比GF-5 VIMI数据的分解结果大了许多，如图4（f）所示。除了上述区域外，试验区中部和南部也有大量区域呈现高反射率丰度高值，可能是受到该区域大量红色建筑屋顶的影响。

4.2 不透水面分布提取

由3.3节所述方法，得到不透水面丰度提取结果如图5所示。由图5（a）可以看到，在GF-5 VIMI数据提取的不透水面丰度图中，不透水面高值位于试验区中部和北部，即市南景区如中山公园和信号山等以北，这些区域几乎全是高密度居民区和办公区，不透水面丰度值均大于0.75。而市南区除景点以外，存在部分老城区，楼房较矮，甚至存在多栋独立小楼，居民区密度较市北区低，因此不透水面丰度在0.50～0.75之间。市南区中也有不透水面丰度较高区域，比如火车站及其周边商业区，不透水面丰度超过0.75。而市内景点，诸如中山公园、信号山、小青岛等不透水面丰度值均小于0.50，甚至大部分小于0.25。

对比图5（b）表明，依据Landsat 8 OLI数据提取的不透水面丰度高值分布同GF-5 VIMI数据的提取结果基本一致，但其城市西南部的不透水面丰度也大于0.75。此外，在该结果中，市南老城居民区的不透水面丰度值也普遍比GF-5 VIMI数据的结果要高，而实际上市南区居民密度较低，表明Landsat 8 OLI数据结果存在一定过估计。为了更清晰地展示提取结果，本文将提取的不透水面丰度图进行彩色分级显示，并将部分细节列出，如图6所示。图6（a）～（c）的小岛周围有一圈围绕山体的不透水小路，GF-5 VIMI数据的丰度提取结果正确展现了这一结构细节，Landsat 8 OLI的结果则将中央植被估计为不透水面。图6（d）～（f）的广场有大片绿地，但受季节影响，树木不够茂盛，受到下界面裸土影响，GF-5 VIMI数据能够在一定程度上抑制干土的影响，并显示出其周围一圈常绿植被的细节，而Landsat 8 OLI数据则将大部分绿植错误识别为不透水面。但是如图6（g）～（i）所示，在中山公园山上的湿土部分，GF-5 VIMI数据对其影响的抑制作用却不如Landsat 8 OLI数据。

4.3 精度验证

根据3.4节所述的精度评定方法，首先计算样本点RMSE和SE，结果见表2。

从表2中可以看出采用GF-5 VIMI数据的总体精度比Landsat 8 OLI数据略高，但相差不大，这是由于GF-5 VIMI数据的20 m空间分辨率图像能提供更多细节。但是GF-5 VIMI数据提取结果的SE却比Landsat 8低很多，说明GF-5 VIMI数据的欠估计现象更为严重，这是因为GF-5 VIMI数据的高空间分辨率在提供更多细节的同时，也使得部分高楼阴影得以显现。不透水面分布估算精度检验结果如图7所示。

进一步对比，GF-5 VIMI数据结果的R2为0.783 9，其中误差最大的样本误差达到0.547，在80个样本中，仅有4个样本的误差大于0.3，但是绝大多数（82.5%）样本的误差分布在0～0.2的范围内。而Landsat 8 OLI结果的R2则为0.770 7，其最大误差为0.539，其中有10个样本误差超过0.3，绝大部分（78.75%）误差在0.2以下。可见GF-5 VIMI数据采用线性光谱分解的方法提取不透水面精度符合要求，且比Landsat 8 OLI数据结果略高。

5 结 论

以GF-5 VIMI数据的可见多光谱和短波近红波段作为研究对象，以青岛为试验区域采用线性混合像元分解的方法提取不透水面。同时和Landsat 8 OLI数据的试验结果进行了对比分析。试验结果表明，线性混合像元分解方法可以应用到GF-5 VIMI数据进行不透水面的提取。GF-5 VIMI数据具有较高的空间分辨率，能够得到较为细致的不透水面空间分布，在不透水面提取中具有较大的应用潜力。相关结论主要如下。

（1）GF-5 VIMI数据提供20 m空间分辨率的可见多光谱和短波近红波段，能够应用于城市不透水面提取。与Landsat 8 OLI数据的对比表明两者均可得到较为一致的城市不透水面分布，但GF-5 VIMI数据能提供更多细节，更真实地反映城市结构。这表明GF-5 VIMI数据在城市不透水面监测和城市环境管理等领域有较大潜力和应用价值。

（2）GF-5 VIMI数据能一定程度上减少不透水面和裸土的混淆，尤其是干燥裸土。但Landsat 8 OLI数据的近红波段去除了0.825 μm处的水汽影响，对湿润裸土的分辨能力更强。因此，应用GF-5 VIMI数据进行不透水面提取时，应注意试验区裸土所占比例、土壤水分、季节和试验区地理特性等。

（3）作为一个新的传感器，GF-5 VIMI在可见多光谱和短波近红波段能够提供空间分辨率为20 m的数据，从而能够提供更加细致的不透水面分布图。但是，在城市高度发展区域，高层建筑密集，在GF-5影像上存在清晰的阴影，导致其结果存在欠估计现象，从而降低其不透水面提取精度。這也说明，仅仅利用混合像元分解方法很难得到完全满意的精度。后续的研究应该引入新的方法，对阴影做相应处理，提高不透水面提取的精度。

参考文献：

[1] SLONECKER E T， JENNINGS D B， GAROFALO D. Remote Sensing of Impervious Surfaces： A Review [J]. Remote Sensing Reviews， 2001， 20（3）：227-255.

[2] ZHU C， LI J， ZHANG S， et al. Impervious Surface Extraction From Multispectral Images via Morphological Attribute Profiles Based on Spectral Analysis [J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2019， 11（12）：4775-4790.

[3] SHAHTAHMASSEBI A R， SONG J， ZHENG Q， et al. Remote Sensing of Impervious Surface Growth： a Framework for Quantifying Urban Expansion and ReDensification Mechanisms [J]. International Journal of Applied Earth Observation & Geoinformation， 2016， 46： 94-112.

[4] WENG Q. Remote Sensing of Impervious Surfaces in the Urban Areas： Requirements， Methods， and Trends [J]. Remote Sensing of Environment， 2012， 117：34-49.

[5] 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.

[6] HAAS J， BAN Y. Sentinel1A SAR and sentinel2A MSI Data Fusion for Urban Ecosystem Service Mapping [J]. Remote Sensing Applications： Society and Environment， 2017， 8： 41-53.

[7] LU D， WENG Q. Spectral Mixture Analysis of ASTER Images for Examining the Relationship Between Urban Thermal Features and Biophysical Descriptors in Indianapolis， Indiana， USA [J]. Remote Sensing of Environment， 2006， 104（2）： 157-167.

[8] YANG S， LUNETTA R S. SubPixel Mapping of Tree Canopy， Impervious Surfaces， and Cropland in the Laurentian Great Lakes Basin Using MODIS TimeSeries Data [J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing， 2011， 4（2）：336-347.

[9] DENG C， WU C. The Use of SingleDate MODIS Imagery for Estimating LargeScale Urban Impervious Surface Fraction with Spectral Mixture Analysis and Machine Learning Techniques [J]. Isprs Journal of Photogrammetry & Remote Sensing， 2013， 86（4）：100-110.

[10] LU D， WENG Q. Extraction of Urban Impervious Surfaces from an Ikonos Image [J].International Journal of Remote Sensing， 2009， 30（5-6）：1297-1311.

[11] 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.

[12] GENYUN S， XIAOLIN C， JINCHANG R， et al. Stratified Spectral Mixture Analysis of Medium Resolution Imagery for Impervious Surface Mapping [J]. International Journal of Applied Earth Observation & Geoinformation， 2017， 60： 38-48.

[13] 陈峰，邱全毅，郭青海，等.CBERS-02B多光谱数据在城市不透水面估算中的可用性研究[J].遥感学报，2011，15（3）：621-639.

[14] RIDD M K. Exploring a VIS （VegetationImpervious SurfaceSoil） Model for Urban Ecosystem Analysis Through Remote Sensing： Comparative Anatomy for Cities [J]. International Journal of Remote Sensing， 1995， 16（12）：2165-2185.

[15] WENG Q， HU X. Medium Spatial Resolution Satellite Imagery for Estimating and Mapping Urban Impervious Surfaces Using LSMA and ANN [J]. IEEE Transactions on Geoscience and Remote Sensing， 2008， 46（8）：2397-2406.

[16] 岳文澤，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.

[17] 赵艺淞，王保云，黎晓路，等.基于多分类器组合的城市不透水面提取研究[J]. 城市地理， 2017（4）：246-247.

[18] 刘波，张源，程涛，等. 基于高分二号卫星影像的城市不透水面提取[J]. 地理信息世界， 2017，24（2）：103-107.

[19] 蔡博文，王树根，王磊，等. 基于深度学习模型的城市高分辨率遥感影像不透水面提取[J].地球信息科学学报， 2019， 21（9）：1420-1429.

[20] 孙允珠，蒋光伟，李云端，等. “高分五号”卫星概况及应用前景展望[J].航天返回与遥感，2018，39（3）：1-13.

[21] 范斌，陈旭，李碧岑，等. “高分五号”卫星光学遥感载荷的技术创新[J].红外与激光工程，2017，46（1）：16-22.

[22] 赵艳华，戴立群，白绍竣，等. 全谱段光谱成像仪系统设计及实现[J].航天返回与遥感，2018，39（3）：38-50.

[23] ICHOKU C， KARNIELI A. A Review of Mixture Modeling Techniques for SubPixel Land Cover Estimation [J]. Remote Sensing Reviews， 1996， 13（3-4）：161-186.

[24] 吕长春，王忠武，钱少猛. 混合像元分解模型综述[J].遥感信息， 2003，18（3）：55-58.

[25] RASHED T， WEEKS J R， STOW D， et al. Measuring Temporal Compositions of Urban Morphology Through Spectral Mixture Analysis： Toward a Soft Approach to Change Analysis in Crowded Cities [J]. International Journal of Remote Sensing， 2005， 26（4）：699-718.

[26] WU C S， MURRAY A T. Impervious Surface Distribution by Spectral Mixture Analysis [J]. Remote Sensing of Environment， 2003， 84（4）：493-505.

【責任编辑 张 帅】