基于两种卫星传感器的不透水面提取指数比较.docxVIP

PAGE

1-

基于两种卫星传感器的不透水面提取指数比较

一、1.卫星传感器及其不透水面提取方法概述

(1)卫星遥感技术在地理信息获取和处理中发挥着至关重要的作用，尤其在城市规划和环境监测等领域有着广泛的应用。卫星传感器作为遥感技术的核心，能够从高空对地表进行观测，提供大范围、高精度的数据。目前，常用的卫星传感器包括光学传感器和雷达传感器。光学传感器如Landsat、Sentinel-2等，能够获取可见光、近红外等多光谱图像，适用于地表覆盖类型的识别；雷达传感器如Radarsat-2、TerraSAR-X等，则能穿透云层和植被，获取全天的雷达图像，特别适用于复杂地形和不透水面特征的提取。

(2)不透水面是指地表上没有植被覆盖，水无法渗透的地面，如城市建筑、道路、停车场等。不透水面的提取对于理解城市水文循环、评估城市热岛效应以及规划城市可持续发展具有重要意义。传统的地面调查方法费时费力，而基于卫星遥感的数据提取方法则能够高效、大范围地进行。不透水面提取方法主要包括监督分类、非监督分类和混合像元分解等。其中，监督分类需要人工选取训练样本，非监督分类则不需要人工干预，而混合像元分解则是通过分析不同波段间的相关性来分离混合像元。

(3)卫星传感器在提取不透水面时存在一定的局限性，如大气影响、传感器性能差异等。为了提高提取精度，研究人员提出了多种指数和算法。其中，归一化植被指数（NDVI）和归一化建筑指数（NDBI）等指数常用于光学传感器数据的不透水面提取。雷达传感器则通过后向散射系数和极化信息来识别不透水面。近年来，随着深度学习技术的发展，基于卷积神经网络（CNN）的自动提取方法也逐渐应用于不透水面的识别，显著提高了提取精度和自动化程度。然而，不同传感器和提取方法在精度、效率和适用性方面存在差异，需要根据具体研究目标和数据特点进行选择。

二、2.两种卫星传感器数据及其预处理

(1)在不透水面提取研究中，常用的两种卫星传感器数据分别为光学传感器数据，如Landsat-8的OLI影像，以及合成孔径雷达（SAR）传感器数据，如Sentinel-1的C波段影像。光学传感器数据以其多光谱特性在植被覆盖和地表分类中表现出色，而SAR数据则因其穿透性强、不受光照和天气条件限制等特点在复杂地形和不透水面提取中具有独特优势。对于光学传感器数据，预处理步骤包括大气校正、几何校正和辐射校正。大气校正旨在消除大气对遥感数据的散射和吸收影响，几何校正则确保影像的空间位置精度，辐射校正则调整影像亮度，使其更接近真实地表反射率。

(2)在预处理光学传感器数据时，首先需要利用大气校正模型如MODTRAN或FLAASH对影像进行大气校正，以恢复影像的真实辐射亮度。随后进行几何校正，这一步骤通常涉及地面控制点的采集和影像的精确定位。使用地理信息系统（GIS）软件进行几何校正，能够将影像精确对准地表，消除因卫星轨道偏差和地球曲率造成的几何误差。最后，通过辐射校正调整影像亮度，确保不同时相或不同传感器的数据可以进行比较分析。对于SAR数据，预处理包括去噪声、去干扰和图像配准。去噪声是利用滤波算法消除SAR图像中的随机噪声，去干扰则是去除因降雨、云层等因素引起的干扰，而图像配准则是将不同时间获取的SAR影像进行对齐，以便后续的分析和比较。

(3)在预处理完成后，需要对两种卫星传感器数据进行融合处理，以提高不透水面提取的精度。光学传感器数据与SAR数据的融合可以通过多种方式实现，如特征级融合、决策级融合和像素级融合。特征级融合是在特征提取后进行融合，如将NDVI和后向散射系数相结合；决策级融合是在分类后进行融合，如通过加权投票决定最终的分类结果；像素级融合则是直接对像素进行融合，如结合两个传感器数据的像素亮度信息。融合后的数据将提供更丰富的信息，有助于提高不透水面提取的准确性。此外，预处理过程中还需考虑数据的时间分辨率和空间分辨率，以适应不同的研究需求和应用场景。

三、3.不透水面提取指数的比较分析

(1)在不透水面提取指数的比较分析中，研究者常采用归一化植被指数（NDVI）和归一化建筑指数（NDBI）作为主要指标。以我国某城市为例，通过对Landsat-8光学传感器数据的处理，计算得到了不同指数的值。结果表明，NDBI在提取不透水面方面表现出更高的相关性，其值与不透水面面积的相关系数达到0.89，而NDVI的相关系数仅为0.65。这一结果表明，NDBI更能有效地识别城市不透水面。此外，通过将NDBI与其他指数如归一化差值植被指数（NDVI）和归一化合成指数（NDSI）进行对比，发现NDBI在区分不透水面和植被覆盖方面具有更好的性能。

(2)在实际应用中，利用SAR传感器数据提取不透水面时，后向散射系数（σ0）和极化分解后的特征参数如DB（双极化后向散