昆明市呈貢區(qū)不透水面時空變化及驅動力分析

李益敏， 楊舒婷， 吳博聞， 梁雨西， 孟月玥

(1.云南大學地球科學學院，昆明 650500； 2.云南省高校國產(chǎn)高分衛(wèi)星遙感地質工程研究中心,昆明 650500; 3.中國自然資源航空物探遙感中心，100083)

0 引言

不透水面是指由各種不透水建筑材料所覆蓋的表面，如由瓦片、瀝青、水泥混凝土等材料構成的屋頂、道路和廣場，是衡量城市化的重要指標之一[1]。不透水面是衡量城市化水平和城市生態(tài)環(huán)境狀況的重要指標，其面積大小、空間分布特征、透水層和不透水面的比例等指標，可以用來檢測城市中生態(tài)環(huán)境的變化以及人與自然的和諧狀況，在城市化進程及環(huán)境質量評估中具有重要的意義[2]。國家政策、經(jīng)濟發(fā)展、人口增加、地形因素影響著城市發(fā)展，進而影響不透水面的變化[3-4]。

遙感技術的發(fā)展為高效準確地掌握不透水面的時空分布及動態(tài)變化特征提供了技術支撐[5]。不透水面提取方法主要有機器學習法[2]、指數(shù)法[6-10]、光譜混合分析法[9-11]和分類回歸樹法[12-13]等，其中，應用最多的方法是光譜混合分析法和指數(shù)法。

光譜混合分析法適用于中低空間分辨率遙感影像中的不透水面提取，在區(qū)域尺度下，光譜混合分析方法在一定程度上解決了中低空間分辨率影像的混合像元問題，選擇合適的端元對混合像元分解的精度有著重要的影響[14]。趙怡等[15]結合Sentinel-2A與Landsat8影像，利用干旱優(yōu)化指數(shù)與干旱裸土指數(shù)進一步對光譜混合分析法的結果進一步優(yōu)化，提高不透水面提取精度； 楊玉婷等[16]利用隨機森林方法反演實現(xiàn)了對杭州市1997—2017年不透水面的提取。

指數(shù)法原理簡單易懂，找到各類地物反射率最強和最弱的反射波段，利用數(shù)學模型進行歸一化比值運算來提取不透水面。徐涵秋[17]和穆亞超等[18]分別利用各自提出的指數(shù)實現(xiàn)了對相應目標區(qū)域的不透水面提取。

利用不透水面信息的提取，可以實現(xiàn)對城市形態(tài)發(fā)展的分析，張曉萍等[19]利用不透水面指數(shù)(impervious surfaces, IS) 指數(shù)提取舟山市不透水面后分析了時間序列的變化。

當前利用各種信息提取不透水面的方法較多，提取方法的精度隨各地區(qū)土地覆被、氣候、城市形態(tài)而發(fā)生波動。擇優(yōu)選取高精度的不透水面提取方法具有一定學術價值和應用價值。

呈貢區(qū)是當前昆明市發(fā)展政策扶持的熱點區(qū)域，其不透水面變化較為明顯。本文運用修改型土壤調節(jié)植被指數(shù)(modified soil adjusted vegetation index,MSAVI)和歸一化差值不透水面指數(shù)(normalized difference impervious surface index,NDISI)2種指數(shù)對呈貢區(qū)2007—2019年不透水面進行提取，并對比2種指數(shù)，擇優(yōu)選取合適的指數(shù)對其提取結果進行分析，以研究呈貢區(qū)不透水面時空動態(tài)變化的驅動力。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

呈貢區(qū)隸屬云南省昆明市，面積為461 km2，轄10個街道辦事處，西臨滇池，東部是山地(圖1)。呈貢區(qū)屬低緯度高原季風氣候，全年溫差小，呈貢斗南花卉市場是亞洲第一、世界第二的鮮花貿易區(qū)，被譽為“花卉市場的風向標”。2011年呈貢新區(qū)成立、昆明市政府從主城區(qū)搬遷至呈貢新區(qū)，云南大學等高校新校區(qū)也搬遷至呈貢新區(qū)大學城； 2015年昆明市地鐵開通，連接呈貢新區(qū)和昆明主城區(qū)； 2016年底，昆明高鐵開通，呈貢新區(qū)高鐵南站開通，為呈貢區(qū)發(fā)展帶來新的契機。呈貢新區(qū)成為 “一帶一路”戰(zhàn)略規(guī)劃中輻射東南亞的重要基礎設施及云南“八出省、四出境”的重要樞紐中心。

1.2 數(shù)據(jù)源及預處理

本文所選時間考慮呈貢區(qū)發(fā)展的重要時間節(jié)點，2011年呈貢新區(qū)成立、市政府和大學城搬遷，2015年開通地鐵，因此以4 a間隔選取呈貢區(qū)2007年、2011年、2015年、2019年4個年度云量小于1.25%、成像質量較好的Landsat衛(wèi)星數(shù)據(jù)進行動態(tài)變化分析。

其中，2007年和2011年為Landsat5衛(wèi)星TM影像，2015年和2019年為Landsat8衛(wèi)星OLI遙感影像，空間分辨率為30 m，重訪周期16 d，均來自美國地質調查局(https: // earthexplorer. usgs.gov/)，遙感數(shù)據(jù)采用WGS 84坐標系和UTM投影系統(tǒng)。GDP統(tǒng)計數(shù)據(jù)均來源于昆明市人民政府網(wǎng)站、呈貢區(qū)人民政府網(wǎng)站。

對影像進行輻射定標和大氣校正等預處理操作，以消除由大氣散射等引起的輻射誤差,將影像DN值轉化為輻射亮度值,再轉化為地表反射率,以消除大氣散射、吸收和反射造成的誤差。

本文采用指數(shù)法中的NDISI和MSAVI[20]進行地表不透水面提取，為避免植被和水體對不透水面的影響，在提取不透水面前，先用歸一化植被指數(shù)NDVI和歸一化水體指數(shù)NDWI掩模植被和水體，公式分別為：

，

(1)

，

(2)

式中Green，Red，NIR分別為綠光波段、紅光波段、近紅外波段的反射率。

NDISI是徐涵秋于2008年提出的一種快速提取不透水面指數(shù)，將地物分為水體、土壤、建筑物、植被4大類，利用綠光波段、近紅外波段、熱紅外波段、中紅外第1波段強化不透水面地物信息，抑制透水面地物信息，進而提取不透水面，公式為：

(3)

，

(4)

式中：MNDWI為改進的歸一化水體指數(shù)；TIR和MIR分別代表Landsat影像的熱紅外波段和中紅外第1波段的反射率。

閆如柳等[21]通過NDWI，NDVI和MSAVI完成水體﹑植被及土壤掩模﹐將3種信息疊加； 再運用MNF變換將原始影像信息集中至前3個波段； 最后,將掩模文件與MNF變換后影像合成,選取閾值提取不透水面信息。本文參考該方法提取不透水面，將地物分為建筑物、水體、植被、土壤4類，重點在透水面(水體、植被、土壤)的提取，利用MSAVI進行土壤掩模，反操作提取不透水面，公式為：

。

(5)

2 呈貢區(qū)不透水面時空動態(tài)變化

2.1 基于遙感技術的不透水面2種指數(shù)提取方法對比

水體光譜特征與低反照度不透水面相似，在近紅外和中紅外波段具有低反射率和強吸收率，需要采用NDWI掩模水體，排除水體對提取不透水面的干擾。植物葉片在近紅外波段有較強的反射率，NDVI用于加強紅光與近紅外差值，是描述植被狀況、掩模植被的植被指數(shù)。

NDISI和MSAVI這2種方法都是目前不透水面提取常用的指數(shù)(表1)，2種指數(shù)方法將地物分為水體、土壤、建筑物、植被4大類，利用各類地物對不同波段的反射、吸收差異提取不透水面； 區(qū)別在于NDISI指數(shù)是從剔除水體和植被的影像中正向直接提取不透水面，而MSAVI指數(shù)是反向提取，從剔除水體和植被的影像中再提取土壤，剩余影像為不透水面。

2.2 2種方法提取結果及精度驗證

2種指數(shù)法都是將地物分為水體、植被、土壤和不透水面4類，由于水體和植被對提取不透水面影響較大，提取之前，均使用NDWI和NDVI剔除水體和植被，且閾值相同，所以2種方法最終提取不透水面面積的影響因素來自土壤和不透水面，2種方法的提取結果分別如圖2所示。

(a) 2007年NDISI(b) 2011年NDISI(c) 2015年NDISI(d) 2019年NDISI

(e) 2007年MSAVI(f) 2011年MSAVI(g) 2015年MSAVI(h) 2019年MSAVI

為了驗證不透水面提取精度，利用ArcGIS軟件隨機生成260個樣本點，與同時期Google Earth高清影像對比進行不透水面提取精度驗證，同時在2019年Google Earth高清影像上選取100個點，到呈貢區(qū)進行實地驗證，驗證結果如表2。2種方法提取精度有所差異，NDISI指數(shù)的平均Kappa系數(shù)為0.81，MSAVI為0.75，結果較為可靠。NDISI指數(shù)的260個樣本點驗證平均精度為87.01%，高于MSAVI指數(shù)的驗證平均精度81.78%，通過影像對比、實地驗證2種驗證結果顯示，NDISI指數(shù)提取的不透水面結果更為精確。

表2 各年份不透水面面積占比及精度驗證

總體上，MSAVI方法提取的不透水面面積均大于NDISI方法，2007—2019年，2種指數(shù)法提取結果越來越接近。圖3中(a)—(c)分別為2007年局部原始影像、NDISI和MSAVI提取土壤結果，白色部分為不透水面； (d)—(f)分別為2011年局部原始影像、NDISI和MSAVI提取結果，提取效果表明NDISI指數(shù)對于土壤的識別準確率大于MSAVI指數(shù)，MSAVI指數(shù)容易將土壤識別為不透水面，越接近2007年，呈貢區(qū)土壤等透水面面積越多，故MSAVI提取結果不透水面面積偏大。

(a) 2009年原始影像(b) 2009年NDISI提取效果(c) 2009年MSAVI提取效果

白色大棚屬于透水面還是不透水面學界尚未統(tǒng)一，本文參考國務院第一次全國地理國情普查中的相關內容，將白色大棚確定為不透水面。圖4分別為2007年、2011年、2015年、2019年同一位置影像和白色大棚提取結果，可以發(fā)現(xiàn)越接近2007年，影像中白色大棚顏色與建筑物差別越大，越容易被識別成透水面。白色大棚不能完全被正確識別，會影響不透水面提取精度，是指數(shù)法的局限，未來研究中將優(yōu)化創(chuàng)新方法有效提取白色大棚。

(a) 2007年原始影像(b) 2011年原始影像(c) 2015年原始影像(d) 2019年原始影像

(e) 2007年NDISI提取效果(f) 2011年NDISI提取效果(g) 2015年NDISI提取效果(h) 2019年NDISI提取效果

2.3 不透水面時空動態(tài)變化特征及分析

2.3.1 不透水面時空變化特征及驅動因素分析

呈貢區(qū)不透水面圍繞西部滇池發(fā)展(圖5)。呈貢區(qū)不透水面快速增加對城市內澇和滇池污染防治造成很大壓力。交通環(huán)境也是驅動呈貢城市發(fā)展的一個重要因素，呈貢區(qū)圍繞地鐵經(jīng)過路線、站點發(fā)展，高鐵附近發(fā)展快速； 呈貢區(qū)東面為山地，地形地貌特征不適合城市發(fā)展，不透水面擴張較為緩慢。

圖5 2007—2019年不透水面時空變化

2007—2019年，呈貢區(qū)不透水面面積增長較快，國家政策、城市發(fā)展規(guī)劃、區(qū)域位置、交通環(huán)境和地形地貌是影響城市化進程的主要驅動因素。昆明市2003年提出“一湖四片”，即圍繞滇池，建設昆明北片(主城區(qū))、東片(呈貢新區(qū))、西片(?？?和南片(晉寧)，到2016年的“南延北拓”，昆明的城市發(fā)展一直圍繞著滇池發(fā)展。2007—2019年，作為東片的呈貢新區(qū)得到快速發(fā)展，不透水面面積占比從10.00%增至35.67%(表2)。其中，2007—2011年，不透水面占比從10.00%增至15.76%，驅動因素為昆明東片規(guī)劃發(fā)展以及2011年呈貢新區(qū)成立，昆明市政府、高校從昆明主城區(qū)不斷搬遷至呈貢新區(qū)，不透水面快速增加，原不透水面區(qū)域建筑用地密度亦逐漸增大； 2011—2015年不透水面增長最快，占比從15.76%增至31.87%，增長1倍，主要驅動因素是昆明市政府、高校已從昆明主城區(qū)搬遷至呈貢區(qū)，建筑用地增加，以及昆明地鐵站、高鐵站建設開通，呈貢區(qū)內交通條件大幅提升，吸引地產(chǎn)開發(fā)商投資； 2015—2019年，呈貢區(qū)不透水面占比從31.87%增至35.67%，建筑用地面積擴張速度明顯變緩。

經(jīng)濟發(fā)展會影響城鎮(zhèn)建設速度，是影響城市化進程的驅動因素。呈貢區(qū)2007—2019年不透水面面積變化與GDP增長情況如圖6所示，不透水面面積占呈貢區(qū)總面積的比例由2007年的10%增加到35.67%，面積增長了2.19倍，GDP由46.39億元增加到476.79億元，GDP增長了10.34倍，呈貢區(qū)不透水面面積增長與GDP增長具有較強的正相關性。

圖6 呈貢區(qū)2007—2019年GDP增長與不透水面面積變化

2.3.2 基于行政單元的時空變化特征及驅動因素分析

以街道為單位分析呈貢區(qū)10個鄉(xiāng)鎮(zhèn)級行政單元的時空變化特征，結果表明，西部的街道發(fā)展較快，東部的街道發(fā)展緩慢。平均坡度大的街道發(fā)展相對緩慢(表3和圖7)。從表3可以看出，不透水面擴張受地形因素影響，由呈貢區(qū)北部的洛羊街道向呈貢區(qū)中部烏龍、龍城、雨花、大漁、洛龍街道擴張，平均坡度較高的馬金鋪、吳家營、七甸街道擴張較慢。雨花、洛龍、斗南、烏龍4個街道不透水面增加幅度較大，不透水面增加超過47%，尤其是雨花街道，不透水面增加最快，達到62.57%，城市化顯著。大漁、洛羊、龍城3個街道不透水面面積增加幅度在40%～47%之間； 馬金鋪、吳家營、七甸3個街道是呈貢區(qū)的山地分布區(qū)，因不適宜大規(guī)模開展城市建設，不透水面增長相對較慢，不透水面增長率均低于40%，尤其是七甸街道，坡度大，不適宜開展城市建設，不透水面增長相對較慢。呈貢區(qū)平均坡度與不透水面增長率相關性為0.71，由于斗南街道大部分區(qū)域為滇池水面，剔除斗南街道后的相關性可達到0.8。

表3 2007—2019年不透水面面積增長變化

圖7 2007—2019年各街道不透水面增長速率

3 結論及展望

本文以城市化發(fā)展迅速的昆明市呈貢區(qū)為研究對象，對研究區(qū)不透水面進行提取和分析，對比研究歸一化差值不透水面指數(shù)NDISI和調整型土壤調節(jié)植被指數(shù)MSAVI提取地表不透水面精度，研究結果表明，NDISI方法提取不透水面平均提取精度為87.01%，平均Kappa系數(shù)為0.81，優(yōu)于MSAVI方法，平均精度為81.78%，平均Kappa系數(shù)為0.75，NDISI方法提取結果較為理想。這是因為MSAVI提取過程中采用多個閾值，會造成誤差累積，降低提取精度，同時部分低反射率建筑物也會在該方法中被識別為透水面，這些都會導致MSAVI和NDISI對呈貢區(qū)域不透水面的提取精度造成差異。

受自然環(huán)境、政策、經(jīng)濟發(fā)展等因素的影響，呈貢區(qū)發(fā)展速度驚人，不透水面占比從2007年的10.00%增長至2019年的35.67%，城市化進程迅速，擴張速度位于云南省前列。尤其是作為文教中心的雨花街道，不透水面增長速度最快，2019年，不透水面占比達62.57%。呈貢區(qū)不透水面快速增加對城市內澇和滇池污染防治帶來一定壓力，城市化發(fā)展需要平衡城市發(fā)展與生態(tài)建設之間的關系。

呈貢區(qū)遙感影像中建筑物與其他透水面地物區(qū)別較大，因此本文提取城市不透水面采取的2種指數(shù)方法提取效果較好，精度都在80%以上。白色大棚識別精度不高，白色大棚雖然定義為不透水面，但是其具有類似于透水面的反射特征，因此如何提高白色大棚的提取精度將是下一步研究的重點。