基于Sentinel-1_SAR和Sentinel-2A光学影像的海南岛城市不透水面数据集 中华文库

基于Sentinel-1 SAR和Sentinel-2A光学影像的海南岛城市不透水面数据集
作者：朱秀林　赵相伟　杜文杰　孙中昶
2019年5月13日
本作品收录于《中国科学数据》
朱秀林, 赵相伟, 杜文杰, 孙中昶. 基于Sentinel-1 SAR和Sentinel-2A光学影像的海南岛城市不透水面数据集[J/OL]. 中国科学数据, 2019, 4(2). (2019-04-22). DOI: 10.11922/csdata.2018.0084.zh.


    摘要&关键词

    摘要：城市不透水面是城市化进度和城市化率评估的重要指标，城市不透水面面积比例也是衡量城市生态系统是否健康的重要指标之一。在全球城镇化背景下，城市不透水面提取成为研究热点。本数据集是利用多时相和升降轨 Sentinel-1 SAR和Sentinel-2A光学影像融合并采用一种不透水面快速提取方法得到的。该数据集的空间跨度为北纬18°10′–20°10′，东经108°37′–111°03′，共有2015年和2018年2期不透水面分布图。每期数据随机选择10 000个验证点，借助0.5 m高空间分辨率遥感影像对该数据集进行了精度验证，平均总体精度和总体Kappa系数分别高于90%和0.81。同时将本产品与国家基础地理信息中心2010年发布的GlobalLand 30（30 m)产品、刘小平的globe urban2015产品以及GHSL产品进行对比分析，结果表明，本产品具有更高的提取精度，并且在城市和居民点内部结构的提取上更加精细。

    关键词：城市不透水面；Sentinel-1 SAR；Sentinel-2A；Google Earth Engine

    Abstract & Keywords

    Abstract: Urban impervious surface is an important indicator of urbanization. It is also an important indicator to measure the health of urban ecosystems. In the context of global urbanization, impervious surface extraction has become a hotspot of scholarly attention. This dataset is derived from a fast large-area impervious surface extraction method based on a combined use of optical and SAR data. This dataset has a spatial coverage of 18°10′N–20°10′N, 108°37′E–111°03′E, and a time span of the year 2015. 10,000 randomly selected validation points were utilized to assess the accuracy of this dataset. The overall accuracy (OA) and Kappa coefficients were 90.71% and 0.81, respectively. Additionally, our dataset was compared with existing mainstream land cover products (i.e. GlobalLand30 (30 m), Liu’s products and GHS). Results show that our products have a higher extraction accuracy and are more refined in exhibiting internal structures of human settlements.

    Keywords: Urban impervious layer; Sentinel-1 SAR; Sentinel-2A; Google Earth Engine

    数据库（集）基本信息简介

    数据库（集）名称 基于Sentinel-1 SAR和Sentinel-2A光学影像的海南岛城市不透水面数据集
    数据作者 朱秀林，赵相伟，杜文杰，孙中昶
    数据通信作者 赵相伟（tlzxw1696@163.com）
    数据时间范围 2015年，2018年
    地理区域 北纬18°10′–20°10′，东经108°37′–111°03′
    空间分辨率 10 m
    数据量 8.71 MB（解压后26.4 MB）
    数据格式 TIFF
    数据服务系统网址 http://www.sciencedb.cn/dataSet/handle/695
    基金项目 海南省重大科技计划项目（ZDKJ2016021）
    数据库（集）组成 本数据集包括海南岛2015年和2018年2期不透水面分布图数据，所有数据存放于一个压缩文件中。压缩文件内含2个TIFF文件，分别对应2015年、2018年海南岛不透水面分布。数据集以后每3年进行更新1次。

    Dataset Profile

    Title A dataset of urban impervious surface of Hainan Island, based on Sentinel-1 SAR and Sentinel-2A optical images
    Data corresponding author Zhao Xiangwei (tlzxw1696@163.com)
    Data authors Zhu Xiulin, Zhao Xiangwei, Du Wenjie, Sun Zhongchang
    Time range 2015, 2018
    Geographical scope 18°10′N—20°10′N, 108°37′E—111°03′E
    Spatial resolution 10 m
    Data volume 8.71 MB (26.4 MB after being decompressed)
    Data format TIFF
    Data service system <http://www.sciencedb.cn/dataSet/handle/695>
    Sources of funding Major Science and Technology Program of Hainan Province (ZDKJ2016021)
    Dataset composition This dataset includes Hainan Island’s 2015–2018 Phase 2 impervious surface distribution data, all data is stored in a compressed file. The compressed file contains 2 TIFF files, which correspond to the distribution of impervious surface of Hainan Island in 2015 and 2018. And the dataset is updated once every three years.


    引 言

    城市不透水面是指阻止水渗入土壤的土地覆盖表面，主要包括道路、停车场、车道、人道、建筑物屋顶和城市地物中其他不具有渗透性的表面。随着不断地开发，城市自然景观被破坏，不透水面覆盖的土地百分比逐渐增加[1]。城市不透水面与许多环境问题，诸如水体质量、径流以及城市热岛效应都有密切关系[2][3]，所以不透水面已经成为评估城市生态环境的一个关键指标[4][5]。

    光学遥感影像在提取城市不透水面时主要依靠图像分类的方法，此种方法存在主观的单景数据分析，而且具有复杂的计算，耗费时间；中低空间分辨率的光学影像存在混合像元、异物同谱以及同物异谱的情况，对地物分类造成困扰；受云、雾天气以及水汽的影响，低纬度地区很难获取质量较好的光学影像，为城市动态遥感监测带来了很大的困难[6]，并且光学影像在提取城市不透水面中受影像获取的时相影响很大[1]。相较于光学图像，合成孔径雷达（Synthetic Aperture Radar，SAR）具有全天时、全天候、精度高、效率高等特点，SAR数据在城市遥感中具有很大的应用潜力[7][8]。目前为止，基于SAR数据和光学影像融合的大范围、高空间分辨率不透水面制图的研究很少。

    1 数据采集和处理方法

    1.1 研究区域简介

    海南岛位于中国最南端，地理位置介于东经108°37'–111°03′，北纬18°10′–20°10′之间，岛屿轮廓为椭圆形。海南岛地势中部高四周低，山地、丘陵、台地、平原构成环形层状地貌，梯级结构明显，比较大的河流大都发源于中部山区，组成辐射状水系。海南岛上地形复杂，分布着大量城镇、农村以及不同类型的地物。本数据集主要针对海南岛进行制作，研究区域Sentinel-1 SAR影像如图1所示。


    图1 研究区域影像图


    1.2 数据预处理

    哨兵1号（Sentinel-1）卫星是欧洲航天局哥白尼计划（GMES）中的地球观测卫星，本文的研究数据主要是利用哨兵1号（Sentinel-1A）获取了双极化C波段合成孔径雷达仪器的S1地距产品（Ground Range Detected）数据集。在谷歌引擎（Google Earth Engine，GEE）平台上，利用Sentinel-1工具箱对SAR影像进行处理[9]，即应用轨道文件（使用恢复的轨道）、热噪声去除、辐射定标、地形校正以及条纹处理，该数据集已经是生成定标和正射校正后的产品，且每周更新一次。

    在上升和下降轨道期间，Sentinel-1数据通过几种不同的仪器配置、分辨率、频段组合收集，并将数据转化到同质子集。在GEE中，Sentinel-1图像被处理成以分贝(dB)为单位的后向散射系数（\({\mathrm{ }\sigma }^{°}）\)。后向散射系数表示每单位地面区域目标的后向散射面积。

    辅助数据包括Sentinel-2数据，是一种宽幅、多光谱成像的高空间分辨率影像数据。Sentinel-2数据包含13个16字节光谱波段，如表1所示；同时，Sentinel-2数据还有3个QA频段，其中Q60是具有云遮罩信息的位掩模频段。在本研究中，2015年不透水面数据共用了517景SAR数据和1376景光学数据，2018年不透水面数据共用了522景SAR数据和2313景光学数据。


    表1 Sentinel-2数据光谱信息表

    波段名称 中心波长/μm 地面空间分辨率/m
    B1 0.443 60
    B2 0.490 10
    B3 0.560 10
    B4 0.665 10
    B5 0.705 20
    B6 0.740 20
    B7 0.783 20
    B8 0.842 10
    B8A 0.865 20
    B9 0.945 60
    B10 1.375 60
    B11 1.610 20
    B12 2.190 20


    1.3 数据处理原理与步骤

    本数据集是利用多时相、升降轨的SAR数据和光学影像提取得到，技术路线如图2所示。该技术方法包括2个方面内容：一是对GEE多时相升降轨SAR数据进行后向散射处理和逆运算获取原始的后向散射系数\({\mathrm{ }\sigma }^{°}\)：

    \({\mathrm{ }\sigma }^{°}={10}^{\frac{x}{10}}\) (1)

    式中x为GEE下Sentinel-1影像的初始像元值；二是基于像素，通过分析获取SAR数据的图像纹理特征，对其进行阈值分割，并利用光学影像和数字高程模型（Digital Elevation Model，DEM）数据掩模细化进行不透水面自动提取。


    图2 技术路线图


    在进行第一方面数据处理时，首先获取多时相升降轨Sentinel-1A GRD（多视处理后的地距产品）数据，经过处理得到SAR数据的后向散射系数，并对其进行均值处理，以便解决山区和城市区域阴影或叠掩对不透水面提取的影响；通过均值处理将多时相升降轨SAR影像融合为单个影像图层并获取平均后的参数文件。

    在进行第二方面数据处理时，根据平均后的SAR强度影像和相关参数获得相应的纹理特征，通过分析强度特征获得潜在的不透水面分布图；在分析SAR图像及其纹理特征的基础上，对海南岛光学指数和均值滤波后的SAR数据的后向散射系数进行直方图统计，利用“双峰法”估计最优阈值，并且通过在本地处理上的反复试验后获取最优分割阈值，利用不透水面快速提取算法，在GEE平台上得到不透水面分布数据。图3是通过分析SAR图像后向散射系数获取最优阈值的示意图。


    图3 双峰法计算出的直方图


    为减少山区阴影和叠掩对不透水面提取的影响，本数据集采用30 m空间分辨率的SRTM产品，利用坡度属性进行解决。同时，我们还会采用Sentinel-2光学影像生成的NDVI _max指数对低密度不透水面区域进行精细提取。NDVI_ max指数是对同一像元内每景影像计算得到的植被覆盖指数的最大值。海南岛植被掩模阈值选取如图4所示。


    图4 植被分离阈值选取图


    2 数据样本描述

    海南岛不透水面分布结果如图5所示。本数据集为海南岛不透水面数据，数据集影像的空间分辨率为10 m，TIFF格式，所有数据的坐标系为WGS1984。


    （a）

    （b）

    图5 2015–2018年共2期海南岛不透水面分布图（a）2015年海南岛不透水面分布图 （b）2018年海南岛不透水面分布图


    3 数据质量控制和评估

    对海南岛分类结果进行精度验证，建立混淆矩阵，根据10 000个随机选择的参考点，对分类的准确性进行定量评估，准确性计算方法为混淆矩阵中对角线元素之和与总数之比[10]。通常，Kappa系数达到0.6表示分类的质量良好。通过计算，海南岛的总体准确性高于90%，Kappa系数高于0.81，如表2和表3所示。由此表明，海南岛的提取结果良好，精度较高。


    表2 2015年海南岛不透水面分布数据精度验证结果

    透水面 不透水面 总计 UA/%
    透水面 4637 363 5000 92.47
    不透水面 566 4434 5000 88.68
    总计 5203 4797 10000
    PA/% 89.121 66 92.432 77
    总体精度OA/  % 90.71
    Kappa系数OK 0.814 2


    表3 2018年海南岛不透水面分布数据精度验证结果

    透水面 不透水面 总计 UA(%)
    透水面 4716 284 5000 94.32
    不透水面 583 4417 5000 88.34
    总计 5299 4701 10000
    PA(%) 88.99292 93.95873
    总体精度OA 91.33%
    Kappa系数OK 0.8266


    每期数据随机选取70个block区域，利用Google Earth历年影像统计每个block区域2010年、2015年和2018年的不透水面面积，分别与本数据集，GlobalLand30产品，globe urban2015产品和GHSL产品的提取结果建立线性回归方程，如图6所示。通过比较发现，本数据集的提取结果精度更高。


    （a）

    （b）

    （c）

    （d）

    （e）

    图6 不同数据与Google Earth线性回归方程图（a）2015年不透水面分布结果 ；（b）2018年不透水面分布结果；（c）GlobalLand30产品；（d）urban2015产品；（e）GHSL产品


    对分类结果细节图进行比较发现，本数据集的提取结果能够直观、清晰地展现出城市的内部结构以及建筑分布方式。与本数据集相比，GlobalLand30产品结果较为聚合，无法体现不透水面内部结构的细节；urban2015产品未能提取出低密度区域的不透水面，并且在城市周边出现矩形边界；GHSL产品对低密度不透水面区域的提取效果较差，最终提取结果出现漏估现象。如图7所示。


    （a）

    （b）

    （c）

    （d）

    （e）

    （f）

    （g）

    （h）

    （i）

    （j）

    （k）

    （l）

    （m）

    （n）

    （o）

    图7 提取结果与GlobalLand30产品、urban2015产品细节对比图（a）、（b）、（c）为Sentinel-2光学影像图；（d）、（e）、（f）为数据集结果；（g）、（h）、（i）为GlobalLand30产品结果；（j）、（k）、（l）为urban2015产品结果；（m）、（n）、（o）为GHSL产品结果


    我们对2期数据进行了对比，可以明显地看到城市不透水面范围的变化，通过对变化范围的分析，我们能够了解到城市发展的进程。以海口美兰国际机场为例，如图8所示。


    （a）

    （b）

    （c）

    （d）

    图8 海口美兰国际机场2015年和2018年结果对比图（a）2015年4月19日Google earth影像图；（b）2015年不透水面提取结果；（c）2018年10月30日Google earth影像图；（d）2018年不透水面提取结果


    4 数据价值

    本文基于GEE云计算平台，利用多时相和升降轨Sentinel-1 SAR数据和Sentinel-2A光学影像，采用不透水面快速提取方法获取了高准确性的不透水面数据集。

    城市不透水面是城市化进程的评价指标，也是监测环境变化和生态系统的必要指标。城市不透水面会影响城市水循环、水体质量、地表径流、气候等生态环境要素，对分析评价城市地区的气候、环境、水循环等具有重要意义，被广泛应用在城市综合评估过程中。不透水面数据集不仅有助于城市环境的管理，对城市的未来规划也有很大的指导作用。

    5 数据使用方法和建议

    海南岛城市不透水面数据集保存为TIFF格式，ArcGIS、ENVI、ERDAS等常用的GIS与遥感软件可支持该数据的读取和操作。

    参考文献

    1. ^ 1.0 1.1 SUN Z C, WANG C Z, GUO H D, et al. A modification of normalized difference impervious surface index (MNDISI) for automatic impervious surface area extraction[J/OL]. Remote Sensing, 2017, 9(9): 942. DOI: 10.3390/rs9090942.
    2. ↑ SUN Z C , LI X W, FU W X, et al. Long-term effects of land use/land cover change on surface runoff in urban areas of Beijing, China[J]. Journal of Applied Remote Sensing, 2013, 8(1): 1354-1365.
    3. ↑ WENG Q H. Remote sensing of impervious surfaces in the urban areas: Requirements, methods, and trends[J]. Remote Sensing of Environment, 2012, 117(2): 34-49.
    4. ↑ LI W L, WU C S, Choi W. Predicting future urban impervious surface distribution using cellular automata and regression analysis[J/OL]. Earth Science Informatics, 2018,11(1): 19-29. DOI: 10.1007/s12145-017-0312-8.
    5. ↑ FAN F L, FAN W, WENG Q H. Improving urban impervious surface mapping by linear spectral mixture analysis and using spectral indices[J/OL]. Canadian Journal of Remote Sensing, 2015, 41(6): 577-586. DOI: 10.1080/07038992.2015.1112730.
    6. ↑ 禹丝思, 孙中昶, 郭华东, 等. 海上丝绸之路超大城市空间扩展遥感监测与分析[J]. 遥感学报, 2017, 21(2): 169-181.
    7. ↑ ZHANG H S, LIN H, WANG Y P. A new scheme for urban impervious surface classification from SAR images[J/OL]. ISPRS Journal of Photogrammetry & Remote Sensing, 2018, 139: 103-118. DOI: 10.1016/j.isprsjprs.2018.03.007.
    8. ↑ LAN H N, NGHIEM S V, HENEBRY G M. Expansion of major urban areas in the US Great Plains from 2000 to 2009 using satellite scatterometer data[J/OL]. Remote Sensing of Environment, 2018, 204: 524-533. DOI: 10.1016/j.rse.2017.10.004.
    9. ↑ VECI L, PRATSIRAOLA P, SCHEIBER R, et al. The Sentinel-1 Toolbox[C]. IEEE International Geoscience & Remote Sensing Symposium DLR, 2014.
    10. ↑ CONGALTON R G. A review of assessing the accuracy of classification of remotely sensed data[J]. Remote Sensing of Environment, 1991, 37(1): 35-46.

    数据引用格式

    朱秀林, 赵相伟, 杜文杰, 孙中昶. 基于Sentinel-1 SAR和Sentinel-2A光学影像的海南岛城市不透水面数据集[DB/OL]. Science Data Bank, 2018. (2018-11-29). DOI: 10.11922/sciencedb.695.