一種提取不透水面的可見光波段遙感指數(shù)

楊 栩，朱大明，楊潤書，付志濤，謝文斌

·農(nóng)業(yè)信息與電氣技術·

一種提取不透水面的可見光波段遙感指數(shù)

楊 栩1，朱大明1※，楊潤書2，付志濤1，謝文斌1

（1. 昆明理工大學國土資源工程學院，昆明 650093；2. 云南省地礦測繪院，昆明 650217）

為了從高分辨率無人機影像中獲取準確的城市不透水面信息，在可見光波段范圍內(nèi)建立綠-藍光譜特征空間，綜合土壤線及不透水面線，構造了能夠?qū)⑼寥馈⒅脖幌裨c不透水面像元有效分離的綠-藍不透水面指數(shù)。以廣州市局部地區(qū)的GF-2號影像為驗證數(shù)據(jù)對比及分析垂直不透水層指數(shù)、比值居民地指數(shù)以及綠-藍不透水面指數(shù)的提取結果，以驗證綠-藍不透水面指數(shù)的可行性與提取精度。同時，將眉山市洪雅縣部分地區(qū)的無人機正射影像作為試驗數(shù)據(jù)進行不透水面提取。結果表明，在3個不透水面提取指數(shù)的橫向?qū)Ρ戎?，綠-藍不透水面指數(shù)和垂直不透水層指數(shù)的提取結果總體精度相同，驗證了綠-藍不透水面指數(shù)的有效性。在對無人機正射影像的不透水面提取中，得益于無人機低空攝影技術能夠獲取地形特征的特點，解決了建筑物屋頂因植被覆蓋導致的錯分問題，提取結果總體精度達到了96.95%，Kappa系數(shù)為0.936 1。試驗證明了綠-藍不透水面指數(shù)能夠代替歸一化差值不透水面指數(shù)、垂直不透水層指數(shù)、比值居民地指數(shù)等，應用于無人機遙感影像的不透水面信息提取中。

遙感；光譜分析；無人機；可見光波段；土壤線；不透水面提取

0 引 言

不透水面是阻止水體滲入土壤的地物表面，在城市中，屬于不透水面的地物主要包括屋頂、停車場、道路以及其他不具有滲透性的表面[1]。不透水面的研究主要應用于熱島效應、污水排放和城鎮(zhèn)化程度評估等方面，是評價城市環(huán)境與城市擴張方面的一項重要指標[2]。同時，近幾年大力發(fā)展的海綿城市及生態(tài)城市的建設也需要以不透水面為基礎。

在不透水面信息的提取中，中低分辨率遙感影像數(shù)據(jù)通常被用于大范圍區(qū)域的不透水面提取，而高分辨率遙感數(shù)據(jù)則常被用于小范圍的城市不透水面提取。提取方法包括面向?qū)ο筇崛》ā⒒谙袼氐奶崛》椒?、多源?shù)據(jù)融合提取法和指數(shù)提取法[3-6]。前三者均需要構建分類器或大量人工參與，指數(shù)提取法作為一種簡單、高效的方法被廣泛應用。指數(shù)提取法是依據(jù)不透水面的光譜響應特征，提出具有較高分離度的特征指數(shù)以區(qū)分不透水面與其他地物[7]。

不透水面指數(shù)的構造方法大多是通過波段組合增強不透水面與其他地表覆蓋類型的差異來實現(xiàn)的。例如，Liu等[8]提出了一種改進歸一化不透水面指數(shù)（Modified Normalized Difference Impervious Surface Index, MNDISI），并利用該指數(shù)對美國洛杉磯市區(qū)的不透水面進行估計。Zha等[9]提出了歸一化差值建筑物指數(shù)（Normalized Derived Building Index, NDBI）用以城市不透水面的提取, 之后有研究指出該指數(shù)不易區(qū)分裸土與不透水面，致使二者錯分，降低了提取精度。徐涵秋[10]以近紅外、中紅外、熱紅外3個波段以及可見光中的任何1個波段，構造了歸一化差值不透水面指數(shù)（Normalized Difference Impervious Surface Index, NDISI），并用它分別提取了廈門市和福州市的不透水面，總體精度達90.83%和90.70%。Deng和Wu[11]提出了生物物理組成指數(shù)（Biophysical Composition Index, BCI），以此獲取不透水面的分布情況。田玉剛等[12]利用近紅外波段和藍光波段建立光譜特征空間，并結合土壤線提出了垂直不透水層指數(shù)（Perpendicular Impervious Index, PII），以Landsat8 影像為數(shù)據(jù)源提取了武漢市與北京市的不透水面信息，總體精度高于96%。類似的不透水面指數(shù)還有基于指數(shù)的建筑指數(shù)（Index-based Built-up Index, IBI）[13]、比值居民地指數(shù)（Ratio Resident-area Index, RRI）[14]和建筑面積提取指數(shù)（Built-up Area Extraction Method, BAEM）[15]等。

綜上可見，此類不透水面指數(shù)多是基于多光譜衛(wèi)星遙感影像而提出的，構造不透水面指數(shù)的過程仍然停留在以近紅外或中紅外波段構成的特征空間中，對于可見光波段范圍內(nèi)，還沒有一個有效的不透水面指數(shù)被提出。而對于無人機（Unmanned Aerial Vehicle, UAV）遙感和可見光遙感大力發(fā)展的今天，亟待提出一個可見光波段范圍內(nèi)的不透水面指數(shù)，以彌補不透水面提取在此方面的空白。針對該問題，本研究以可見光波段中的藍波段與綠波段構建光譜特征空間，提出了綠-藍不透水面指數(shù)（Green-Blue Impervious Surface Index, GBISI），并通過與PII和RRI指數(shù)的不透水面提取結果對比，驗證GBISI指數(shù)在不透水面提取中的有效性。

1 研究區(qū)與數(shù)據(jù)源

本研究中，將研究區(qū)細分為驗證區(qū)和試驗區(qū)。選用了廣州市局部地區(qū)的GF-2號經(jīng)過輻射定標和大氣校正[16]后的原始影像及真彩色正射影像（圖1a）作為驗證區(qū)（22°59′16″N，113°18′19″E），以驗證GBISI指數(shù)的提取精度，影像拍攝時間為2015年01月23日。同時，選用了眉山市洪雅縣西北部地區(qū)的大疆御2 Pro無人機獲取的紅綠藍（Red-Green-Blue, RGB）正射影像（圖1b）作為試驗區(qū)（29°55′18″N，103°21′50″E），以分析GBISI指數(shù)在可見光遙感和無人機遙感當中實用性，影像拍攝于2019年9月20日。

注：驗證區(qū)影像僅用作驗證綠-藍不透水面指數(shù)（GBISI）是否能達到其他不透水面指數(shù)的提取精度，試驗區(qū)影像用作GBISI對無人機（UAV）影像的不透水面提取試驗。

2 綠-藍不透水面指數(shù)（GBISI）構造方法

2.1 不同不透水面指數(shù)的分析

目前，常用的不透水面指數(shù)有NDBI、NDISI、BCI、PII和RRI等。然而，不同指數(shù)對不透水面的識別能力也有差別，劉暢等[17]對各不透水面指數(shù)進行了不透水面提取試驗，研究結果表明，PII指數(shù)和RRI指數(shù)對不透水面提取的精度較高。

通過對RRI指數(shù)和PII指數(shù)的研究發(fā)現(xiàn)，在波段選擇上，2個指數(shù)的波段選擇相同，均用到了藍光波段和近紅外波段，在此波段下，很大程度的消除了裸地和不透水面光譜相似所帶來的影響。雖然2個指數(shù)的波段選擇都相同，但二者的波段組合方式卻不同，在指數(shù)構造形式上，RRI指數(shù)采用的是波段權重相同的比值組合形式，而PII指數(shù)則采用的是線性組合形式。PII指數(shù)利用近紅外波段和藍光波段建立光譜特征空間，在此光譜特征空間下結合土壤線和不透水面線以線性形式構造了垂直不透水面指數(shù)，使得該指數(shù)能夠自適應調(diào)整藍光波段系數(shù)、近紅外波段系數(shù)和常數(shù)，這也是PII指數(shù)對不透水面提取精度更高的原因。

然而，對于無人機RGB影像，由于缺少近紅外波段，目前已有的不透水面指數(shù)都無法在此影像中對不透水面進行提取。為了在可見光波段范圍內(nèi)構造不透水面指數(shù)，需要對影像中可構成的光譜特征空間進行分析。

2.2 影像光譜特征空間優(yōu)選

城市不透水面大多為道路、停車場、人行道、屋頂?shù)?，若以顏色和亮度信息對不透水面進行歸類可分為亮色不透水面（如涂了防水層的屋頂）、暗色不透水面（如公路）和藍色不透水面（如廠房屋頂）[12]。透水面則分為水體、植被和土壤，指數(shù)提取不透水面的方法通常需要在預處理中將水體剔除[18]，因此，此處暫不討論水體。為了分析透水面和不透水面在光譜特征上的差別, 對驗證區(qū)影像內(nèi)的3類不透水面地物和2類透水面地物進行采樣，圖2為驗證區(qū)內(nèi)各典型地物在紅、綠、藍3個波段上的光譜均值所構成的光譜響應曲線。

圖2 驗證區(qū)典型地物光譜曲線

由圖2所示，藍色不透水面和暗色不透水面的藍綠波段連線具有遞減的趨勢，同時，植被和土壤的藍綠波段連線具有遞增的趨勢，因此，若以藍波段和綠波段構成特征空間，可以增大不透水面與透水面的差距。為了進一步驗證提出的假設，分別以Green-Blue、Red-Blue、Green-Red 3種光譜特征空間繪制5種地物的散點圖（圖3）。

圖3b中植被像元與暗色不透水面像元相交錯，難以區(qū)分。圖3c中植被像元與土壤像元分別位于不透水面像元的兩側，部分植被像元與藍色不透水面像元混合，若以此光譜特征空間構造指數(shù)易影響提取精度。而圖3a中植被像元與土壤像元聚成了一類，3種不透水面像元聚成了另一類，因此，在Green-Blue光譜特征空間下，透水面與不透水面像元之間的差距較明顯，易于區(qū)分二者。

圖3 不同光譜特征空間下地物散點分布圖

2.3 綠—藍不透水面指數(shù)的構造

由圖3a所示，可在透水面地物和不透水面地物之間構造1條直線（圖4）。構造線將5種地物分成了2類，直線上方為植被和土壤，直線下方為3種不透水面。

圖4 構造線兩側樣本劃分

設構造線方程為=+，則Green-Blue光譜特征空間中任意像元的位置到構造線的距離如式（1）所示：

式中為光譜特征空間中任意像元的位置到構造線的距離；為構造線的斜率；為構造線的截距。

當0時，表示Green-Blue特征空間中的點位于構造線上；<0表示Green-Blue特征空間中的點在構造線的左側，即，透水面像元；>0表示Green-Blue特征空間中的點在構造線的右側，即，不透水面像元（圖5）。

因此，本研究基于Green-Blue光譜特征空間，以任意像元在此光譜特征空間中的位置到構造線的距離構造綠—藍不透水面指數(shù)GBISI，其形式如式（2）所示：

式中為構造線的斜率；為構造線的截距；blue為藍光波段像元值；green為綠光波段像元值。

注：表示光譜特征空間中任意像元的位置到構造線的距離。

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

圖5 樣本點到參照線的距離示意圖

Fig.5 Distance of sample point to the reference line

2.4 綠-藍不透水面指數(shù)（GBISI）參數(shù)計算

Green-Blue特征空間中，植被像元基本都分布在土壤像元左側，亮色不透水面像元與暗色不透水面像元的分布有著相同的趨勢，而藍色不透水面像元均分布于亮色和暗色不透水面像元右側。因此，僅留下土壤像元和亮色、暗色不透水面像元，將土壤像元在特征空間中的分布點通過最小二乘法擬合構成土壤線[19-20]，亮色和暗色不透水面像元擬合構成不透水面線（圖6）。

土壤像元和亮色、暗色不透水面像元經(jīng)過最小二乘法擬合出2條斜率不同的直線，以2條直線所構成夾角的角平分線作為構造線。假設土壤線方程為y=ax+b，不透水面線方程為y=ax+b，構造線方程為=+，D和D分別為特征空間中一點到土壤線和不透水面線的距離（圖7）。

圖6 Green-Blue空間下的土壤線與不透水面線

注：Ds為構造線上任意一點到土壤線的距離；Di為構造線上任意一點到不透水面線的距離。

由于構造線為角平分線，可知D=D，如式（3）所示：

式中a為土壤線的斜率；b為土壤線的截距。

轉化成斜截式如式（4）所示：

因此，構造線方程的系數(shù)如式（5）和式（6）所示：

式中為構造線的斜率；為構造線的截距；a為不透水面線的斜率；b為不透水面線的截距。

將和代入式（2）即可得到GBISI。

3 結果與討論

3.1 驗證區(qū)提取結果與分析

GBISI指數(shù)計算的關鍵在于1、2和這3個系數(shù)的獲取，而其基礎是土壤線和亮色、暗色不透水面線的建立。因此，首先在驗證區(qū)的正射影像上選擇等數(shù)量的純裸土像元、亮色不透水面像元和暗色不透水面像元，在綠光波段與藍光波段構成的光譜特征空間中分別繪制散點圖，并進行最小二乘擬合[21]，得到土壤線與不透水面線，分別為：

土壤線方程如式（7）所示：

不透水面線方程如式（8）所示：

驗證區(qū)內(nèi)構造的GBISI指數(shù)為式（9）所示：

為驗證基于可見光波段特征空間提出的GBISI指數(shù)與基于近紅外波段特征空間提出的不透水面指數(shù)的提取精度差異，本研究以PII、RRI和GBISI 這3個指數(shù)對驗證區(qū)影像進行不透水面信息提取。圖8為參考提取結果以及3個指數(shù)對不透水面提取的結果。其中，樣本的實際類別通過對分辨率為0.8 m的高分影像目視解譯進行確定。

注：白色為不透水面，黑色為透水面。下同。

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

圖8 不同指數(shù)的不透水面提取結果

Fig.8 Impervious surface extraction results with different indexes

同時，在影像中隨機生成400個點建立誤差矩陣，以獲取不透水面的提取精度。表1為基于GBISI、PII和RRI 3個指數(shù)提取的混淆矩陣及精度評定。

驗證區(qū)中屬于不透水面地物的主要包括居民建筑、工廠、瀝青路面、水泥路面，透水面地物為土壤和植被。由圖8所示，3種不透水面提取指數(shù)均能較準確的分離透水面和不透水面，由表1可知，3個指數(shù)在驗證區(qū)內(nèi)的不透水面提取總體精度均達到94%以上，其中，GBISI指數(shù)的提取結果與PII指數(shù)的提取結果總體精度相同。在與參考結果的對比中發(fā)現(xiàn)，3個指數(shù)提取的不透水面結果存在不同程度的噪聲，造成該現(xiàn)象原因主要有2點：1）部分落在草地上的樹的陰影被錯分為不透水面；2）城市建筑物中，光譜特征與土壤類似的房頂易被錯分為透水面。

表1 不同指數(shù)的不透水面提取精度評價

為了進一步展示不透水面指數(shù)在不同地物覆蓋區(qū)域的提取效果，在驗證區(qū)內(nèi)選取了3塊代表性較強的地區(qū)進行細節(jié)展示（圖9）。樣區(qū)1為大范圍植被覆蓋地區(qū)，樣區(qū)2為亮色和藍色不透水面主要覆蓋地區(qū)，樣區(qū)3為全類別覆蓋地區(qū)。

圖9 不透水面指數(shù)在局部區(qū)域的提取結果

圖9樣區(qū)1的樹叢當中存在1棟建筑物所占像元數(shù)較少，并且與樹林混雜，3個指數(shù)都能夠?qū)⑵涮崛?，但樹的背陰面部分也都錯分為了不透水面。從樣區(qū)2可知3個指數(shù)都能將道路中央的行道樹有效提取，對于樣區(qū)東側農(nóng)田邊的水泥路面，僅GBISI指數(shù)能夠?qū)⑵溆行崛。ㄈ鐖D9c樣區(qū)2）。圖9d和圖9e的樣區(qū)3提取結果中噪聲點范圍較大，并且一些含水量較高、亮度較低的裸土地被錯分為不透水面。綜合對比下，基于可見光波段特征空間構造的GBISI指數(shù)對不透水面的提取精度與基于近紅外波段特征空間提出的不透水面指數(shù)提取精度相當，達到了生產(chǎn)需要。

3.2 試驗區(qū)提取結果與分析

由于無人機可以拍攝大量高重疊度的低空影像，通過運動恢復結構（Structure From Motion, SFM）和多視圖聚簇/基于面片模型（Clustering Views Multi-view Stereo/Patch-based Multi-view Stereo, CMVS/PMVS）的密集匹配算法對試驗區(qū)低空影像進行密集匹配可得到影像匹配點云，在點云基礎上能進一步得到數(shù)字表面模型（Digital Surface Model, DSM）和數(shù)字高程模型（Digital Elevation Model, DEM），對DSM與DEM作差，即可獲得歸一化數(shù)字表面模型（Normalized Digital Surface Model, nDSM）。通過設置波段閾值，結合DEM、nDSM以及色調(diào)-飽和度-亮度（Hue-Saturation-Intensity, HSI）等特征將水體剔除后，即可利用GBISI對試驗區(qū)進行不透水面信息提取。

經(jīng)過采樣擬合后得到的試驗區(qū)土壤線方程如式（10）所示：

不透水面線方程如式（11）所示：

因此，試驗區(qū)內(nèi)構造的GBISI指數(shù)如式（12）所示：

以GBISI指數(shù)對試驗區(qū)進行不透水面提取的結果展示（圖10）。其中，圖10a為試驗區(qū)不透水面提取結果，紅框部分為細節(jié)展示區(qū)（圖10b和圖10c）。

在試驗區(qū)內(nèi)隨機選擇了110個對象（334 052像元）進行精度評定（表2）。

表2 基于GBISI的試驗區(qū)不透水面提取精度評價

注：UA表示用戶精度，%；PA表示生產(chǎn)者精度，%。

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

試驗區(qū)中，無人機正射影像的提取結果總體精度達到了96.95%，Kappa系數(shù)達到了0.936 1。其中，不透水面提取的用戶精度為96.40%，透水面提取的用戶精度為97.82%。比起指數(shù)驗證區(qū)的GF-2號正射影像提取結果，GBISI指數(shù)在試驗區(qū)的提取精度更高，其原因是試驗區(qū)內(nèi)部分建筑物屋頂種有植物（圖10b），僅通過光譜特征很難將建筑物屋頂上的植被剔除，此時需要利用地形特征nDSM。試驗區(qū)內(nèi)大部分建筑的屋頂高程值大于樹木頂端的高程值，通過對植被的nDSM值進行限制即可將屋頂?shù)闹脖粍澐譃椴煌杆?，提高了不透水面提取的精度，這是衛(wèi)星遙感影像提取方法無法做到的。

3.3 討 論

根據(jù)指數(shù)驗證區(qū)和試驗區(qū)的提取結果進行綜合分析可知，GBISI指數(shù)的構造過程需要獲取影像中的純凈裸土像元和不透水面像元，因此裸土像元和不透水面像元獲取的準確程度決定了GBISI指數(shù)對不透水面提取的精度。相較GF-2號影像而言，無人機遙感影像有著更高的分辨率，從無人機拍攝的分辨率為0.03 m的正射影像中能夠獲取到更準確的土壤像元和不透水面像元，因此，構造的GBISI指數(shù)準確性也更高。

對于可見光波段范圍內(nèi)，幾乎沒有一個有效的不透水面指數(shù)被提出。已有的不透水面指數(shù)，如NDBI、NDISI、MNDISI、IBI、BCI、BAEM、PII和RRI等，均包含除可見光波段（R、G、B）以外的其他波段。在無人機RGB影像中對不透水面信息提取時，這類指數(shù)并無意義。田玉剛等[12]對NDBI、BCI、PII和RRI 4個指數(shù)進行不透水面提取分析后指出，PII指數(shù)的提取效果最好。劉暢等[17]對8種不透水面指數(shù)進行分析，也得到了同樣的結論，結果顯示，PII指數(shù)的不透水面提取精度最高，其次是RRI和BCI指數(shù)，NDISI、NDBI和IBI等指數(shù)的提取精度較低。而本研究結果顯示，GBISI指數(shù)的提取精度基本與PII和RRI指數(shù)相當，因此，GBISI指數(shù)能夠作為一個新型的可見光波段遙感指數(shù)應用在無人機遙感技術中。

4 結 論

本研究針對高分辨率可見光遙感中，不透水面提取指數(shù)的空白?；谒{光波段和綠光波段構成的光譜特征空間，提出了綠-藍不透水面指數(shù)（Green-Blue Impervious Surface Index, GBISI）。以GF-2號衛(wèi)星影像作為驗證數(shù)據(jù)，將利用GBISI、垂直不透水層指數(shù)（Perpendicular Impervious Index, PII）和比值居民地指數(shù)（Ratio Resident-area Index, RRI）指數(shù)提取的不透水面結果進行對比，并通過GBISI對無人機獲取的紅綠藍（Red-Green-Blue, RGB）正射影像進行不透水面提取試驗及分析，得到了以下結論：

1）以藍光波段和綠光波段為特征空間構造的GBISI指數(shù)在同一區(qū)域中，與基于藍光波段和近紅外波段構造的PII和RRI指數(shù)對不透水面提取的精度基本相同。

2）GBISI指數(shù)適用性較強，能夠在缺少近紅外、中紅外、熱紅外等波段的影像（如無人機RGB影像）中代替PII、RRI、生物物理組成指數(shù)（Biophysical Composition Index, BCI）等指數(shù)，作為一種提取不透水面的可見光波段遙感指數(shù)被應用。

3）GBISI作為一個可用于無人機遙感的可見光波段不透水面提取指數(shù)，不僅能夠有效區(qū)分土壤與不透水面，同時，利用無人機遙感易獲取地形特征的特點解決了建筑屋頂因植被覆蓋而錯分的問題，提高了不透水面提取的精度。

對于衛(wèi)星影像，已有的不透水面指數(shù)已經(jīng)可以獲得很好的提取效果，本研究提出的GBISI指數(shù)更多應用于無人機遙感領域，基于無人機所獲取的超高分辨率的影像提取不透水面將成為重要應用之一。然而，本研究中，還存在些許不足。首先，由于試驗期間沒有獲取到同一地區(qū)的GF-2號影像和無人機RGB影像數(shù)據(jù)，無法比較GBISI指數(shù)對同一地區(qū)不同傳感器影像提取結果。在接下來的研究中還需搜集同一地區(qū)不同傳感器的影像數(shù)據(jù)，進一步試驗，使得不同指數(shù)對不透水面的提取結果對比更為直觀。其次，下一步研究中，還將會重點考慮不同閾值下各類型不透水面地物的精細提取，實現(xiàn)不透水面信息的精細制圖，極大程度地發(fā)揮無人機低空遙感技術在不透水面信息提取中的優(yōu)勢。

[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] 張新，程熙，李萬慶，等. 流域非點源污染景觀源匯格局遙感解析[J]. 農(nóng)業(yè)工程學報，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] 汪小欽，王苗苗，王紹強，等. 基于可見光波段無人機遙感的植被信息提取[J]. 農(nóng)業(yè)工程學報，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，羅暉，邵振峰. 遙感技術在不透水層提取中的應用與展望[J]. 武漢大學學報：信息科學版，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. 一種快速提取不透水面的新型遙感指數(shù)[J]. 武漢大學學報：信息科學版，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] 田玉剛，徐韻，楊曉楠. 一種提取城市多種不透水層的垂直不透水層指數(shù)[J]. 測繪學報，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] 吳宏安，蔣建軍，張海龍，等. 比值居民地指數(shù)在城鎮(zhèn)信息提取中的應用[J]. 南京師大學報：自然科學版，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] 劉暢，楊康，程亮，等. Landsat8不透水面遙感信息提取方法對比[J]. 國土資源遙感，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，趙越，等. 基于二維光譜特征空間的土壤線自動提取算法[J]. 農(nóng)業(yè)工程學報，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

楊栩，朱大明，楊潤書，等. 一種提取不透水面的可見光波段遙感指數(shù)[J]. 農(nóng)業(yè)工程學報，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

國家自然科學基金（41961053）

楊栩，主要從事遙感影像信息提取、無人機傾斜攝影測量等方向研究。Email：jkllvbnm950707@163.com

朱大明，博士，副教授，主要從事3S集成、土地規(guī)劃等方向研究。Email：634617255@qq.com

10.11975/j.issn.1002-6819.2020.08.016

TP751; P231

A

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