《多源遙感影像城市不透水面提取研究（論文）》

多源遙感影像城市不透水面提取研究目錄TOC\o"1-2"\h\u272201.引言 1280632．主要內(nèi)容 2136612.1多源遙感影像融合理論 2162452.2不透水面遙感及其提取方法研究進(jìn)展 2150192.3提取方法研究進(jìn)展 310863.總結(jié) 678913.1影像中陰影的影 6118623.2非線(xiàn)性方法的深入研究 6211133.3融合數(shù)據(jù)和方法的使用 623740參考文獻(xiàn) 7摘要：隨著城市化進(jìn)程的加劇，各地城市出現(xiàn)了不同程度的城市洪港災(zāi)害，其中一個(gè)重要的原因是城市不透水面面積對(duì)降水的下滲阻隔影響。因此研究城市不透水面對(duì)評(píng)價(jià)城市生態(tài)系統(tǒng)狀況改善城市生態(tài)環(huán)境質(zhì)量具有重要意義。目前對(duì)城市不透水面的提取研究方法主要有人工解譯法，指數(shù)模型法，決策樹(shù)分類(lèi)法，面向?qū)ο蠓ǖ?。關(guān)鍵詞：城市不透水面；多源遙感影像；決策樹(shù)分類(lèi)法引言隨著人口的快速增長(zhǎng)以及科技的飛速進(jìn)步，人類(lèi)對(duì)區(qū)域土地的改造速度與需求與日俱增，城市化進(jìn)程日益加劇。城市化最直接的體現(xiàn)是城市面積擴(kuò)張，大量的人口涌入促使城市建設(shè)用地大面積增長(zhǎng)，并且由城市中心迅速向周邊區(qū)域擴(kuò)張。于此同時(shí)，城市不透水面這一城市化的特征產(chǎn)物迅速增加并在一定程度上影響著區(qū)域生態(tài)環(huán)境。近幾年，隨著異常、極端氣候現(xiàn)象的增多，尤其是短期內(nèi)區(qū)域較強(qiáng)降水現(xiàn)象，使得各地城市陸續(xù)出現(xiàn)“城中看?！爆F(xiàn)象，即城市洪港災(zāi)害。究其原因，一方面源于城市自身排水系統(tǒng)的設(shè)計(jì)合理性以及設(shè)計(jì)排水能力，另一方面則是源于人為改造地表所造成的區(qū)域地表滲透能力下降，尤其是不斷增長(zhǎng)的城市不透水面面積對(duì)降水的下滲阻隔影響。此外，快速增長(zhǎng)的城市不透水面在很大程度上加劇了城市熱島效應(yīng)，外加凝結(jié)核效應(yīng)以及城市高層建筑物阻礙效應(yīng)等影響，促使城市上空空氣對(duì)流旺盛，成為發(fā)生強(qiáng)對(duì)流天氣、造成城市地區(qū)頻繁出現(xiàn)暴雨或降水量增大等現(xiàn)象的主要影響因素之一，即增強(qiáng)了城市雨島效應(yīng)。最近一段時(shí)期內(nèi)，城市災(zāi)害影響最為嚴(yán)重的便是發(fā)生于2016年7月8日的北京“”特大自然災(zāi)害，市平均降雨量創(chuàng)年來(lái)之最，總受災(zāi)面積達(dá)平方公里?？梢哉f(shuō)是自然界為高速城市化進(jìn)程及人為肆意改造、破壞自然敲響了警鐘，同時(shí)也為未來(lái)城市發(fā)展方向帶來(lái)深刻思考。因此，研究城市不透水面對(duì)評(píng)價(jià)城市生態(tài)系統(tǒng)狀況、改善城市生態(tài)環(huán)境質(zhì)量方面等具有重要意義。2．主要內(nèi)容2.1多源遙感影像融合理論關(guān)于多源遙感影像融合的定義，目前尚未形成完整的、統(tǒng)一的理論。李軍（1999）將多源遙感影像融合定義為“多源遙感影像融合是采用一種復(fù)合模型結(jié)構(gòu)，將不同傳感器遙感影像數(shù)據(jù)源所提供的信息加以綜合，以獲得高質(zhì)量的影像信息，同時(shí)消除多傳感器信息之間的冗余和矛盾，加以互補(bǔ)，降低不確定性，減少模糊度，以增強(qiáng)影像中信息清晰度，改善解譯的精度、可靠性以及使用率，以形成對(duì)目標(biāo)相對(duì)完整的信息描述”[48]。多源遙感影像融合是富集遙感海量數(shù)據(jù)的最有價(jià)值的技術(shù)手段。它通過(guò)將同一地區(qū)不同的遙感圖像數(shù)據(jù)所包含的信息優(yōu)勢(shì)或互補(bǔ)性采用一定的算法有機(jī)地結(jié)合起來(lái)，可以最大限度地利用各種數(shù)據(jù)源，以提供更豐富更準(zhǔn)確的信息，有利于減少單一信息源對(duì)被感知對(duì)象或環(huán)境解譯中可能存在的不確定性、不完全性和誤差，不僅是一種遙感影像數(shù)據(jù)處理技術(shù)，而且是一種遙感信息綜合處理和分析技術(shù)2.2不透水面遙感及其提取方法研究進(jìn)展2.2.1不透水面概念廣義的不透水面(ImperviousSurfaceArea，ISA)是指天然或人為的，能夠隔離地表水滲透到土壤，進(jìn)而改變洪水徑流的流動(dòng)、物質(zhì)沉淀和污染剖面的任何物質(zhì)。學(xué)術(shù)研究中，不透水面一般指城市中能阻止水下滲的人工地表覆被形態(tài)，主要由建筑系統(tǒng)和交通系統(tǒng)兩部分組成，前者以建筑物屋頂、廣場(chǎng)為主，后者包括水泥地面、瀝青道路、停車(chē)場(chǎng)等[2]。在不透水面覆蓋區(qū)域，降雨很難下滲到土壤層，使得土壤含水量下降，洼地的蓄水儲(chǔ)水能力減弱，地下水循環(huán)和基流活動(dòng)減慢。降雨更多的以地表徑流的方式匯入河流和排水管網(wǎng)，導(dǎo)致地表徑流增大，加劇了暴雨來(lái)臨時(shí)洪澇災(zāi)害發(fā)生的可能。伴隨著地表徑流的增多，雨水沖刷強(qiáng)度增大，更多的泥沙、道路垃圾被沖刷進(jìn)入河流，引起河流水質(zhì)惡化，非點(diǎn)源污染進(jìn)一步擴(kuò)散到江河湖海中，造成水生生態(tài)系統(tǒng)破壞，生物多樣性減少等問(wèn)題。此外，不透水面具有較強(qiáng)的太陽(yáng)輻射吸收能力，不透水面增多會(huì)改變局地的熱量分布和水熱循環(huán)過(guò)程，影響區(qū)域氣候，造成地表升溫、城市熱島和城市雨島效應(yīng)增強(qiáng)[3]。2.3提取方法研究進(jìn)展2.3.1人工解譯法不透水面人工解譯分類(lèi)法是指采用傳統(tǒng)的監(jiān)督、非監(jiān)督分類(lèi)方法，通過(guò)對(duì)不透水面的紋理、位置、圖型、陰影等特征信息的目視解譯結(jié)果進(jìn)行改善，從而獲取所需要的信息，具有易于理解、可操作性強(qiáng)的特點(diǎn)。該方法早期被廣泛應(yīng)用于大尺度的土地利用、植被覆蓋[1]等信息的提取。姜紅梅等[2]將土地利用1km柵格信息和數(shù)字高程模型數(shù)據(jù)進(jìn)行空間配準(zhǔn)，通過(guò)目視解譯直接提取新安江模型參數(shù)的不透水面積比;王俊松等[3]將主成分和比值植被指數(shù)(RVI)進(jìn)行假彩色合成，增強(qiáng)綠地、裸地、陰影下綠地等透水信息與背景信息的反差，利用傳統(tǒng)的監(jiān)督分類(lèi)得到了高精度的綠地、裸地等城市透水地表信息。人工解譯法需要熟悉研究區(qū)典型地物的光譜特征，并結(jié)合野外調(diào)查，采樣布點(diǎn)，建立完善的解譯標(biāo)志，因此，很大程度上取決于研究者的先驗(yàn)知識(shí)，主觀(guān)性很強(qiáng)。在RS和GIS手段日益完善的今天，該方法已經(jīng)遠(yuǎn)遠(yuǎn)不能滿(mǎn)足科學(xué)研究的需求，尤其是中、低分辨率的影像存在混合像元的問(wèn)題，即使是半自動(dòng)提取加上目視解譯，也不能人工目視分辨出混合像元中不透水面信息實(shí)際所占比率。若采用監(jiān)督分類(lèi)方法，則存在自動(dòng)化程度低、人工修改量大等缺點(diǎn)，且當(dāng)建筑物、道路等地物表現(xiàn)出顯著的不規(guī)則時(shí)，不透水面的低反照率部分會(huì)與裸土容易混淆，這也給監(jiān)督分類(lèi)工作帶來(lái)難度。2.3.2指數(shù)模型法指數(shù)模型法通常是指采用原有的或者構(gòu)建新的指數(shù)，直接或者間接地與研究對(duì)象建立某種數(shù)學(xué)模型，利用計(jì)算機(jī)提取出所需信息。在對(duì)不透水面的研究中，眾多國(guó)內(nèi)外學(xué)者相繼提出多種指數(shù)模型法，Deguchi和Sugio對(duì)SPOT的HRV圖像應(yīng)用聚類(lèi)算法得到了不透水區(qū)域，但是估算結(jié)果很不理想[4]。Calson和Arthur[5]利用植被覆蓋度和不透水面之間的反比關(guān)系，將除植被以外的一切地物信息(水體已經(jīng)剔除)均看作不透水面，將土壤、沙土和陰影也誤判。另外，將純植被和裸土像元的NDVI值看作是NDVI的最大與最小值，只是理想狀態(tài)。由于混合像元的存在，純植被和裸土像元的NDVI值需要篩選像元，不能直接利用。對(duì)此，國(guó)內(nèi)學(xué)者徐涵秋[6-7]首次采用復(fù)合波段的形式創(chuàng)建了歸一化差值不透水面指數(shù)(NormalizedDifferenceImperviousSurfaceIndex，NDISI)。該指數(shù)法是通過(guò)在多光譜波段內(nèi)找出不透水面的最強(qiáng)反射熱紅外波段和最弱近紅外反射波段，利用歸一化比值運(yùn)算擴(kuò)大二者差距，有效地增強(qiáng)不透水面信息，并具有較高的提取精度使不透水面信息得到顯著增強(qiáng)。NDISI指數(shù)的構(gòu)成中有針對(duì)性地考慮了沙土和水體因素，無(wú)需預(yù)先進(jìn)行水體剔除，從而消除由于預(yù)處理工作而可能引起的誤差，且由于新指數(shù)采用的是比值算法，各波段共有的信息會(huì)在比值運(yùn)算中相互抵消，可以削弱陰影的影響。但是由于熱紅外波段的空間分辨率不高，即使通過(guò)和其他較細(xì)分辨率波段進(jìn)行的指數(shù)運(yùn)算可在一定程度上提高其分辨率，仍存在混合像元的問(wèn)題。因此，NDISI指數(shù)對(duì)于高分辨率的不透水面制圖具有一定的局限性。2.3.3決策樹(shù)分類(lèi)法(DecisionTreeClassifier)決策樹(shù)分類(lèi)法(DTC)是模擬人工分類(lèi)過(guò)程對(duì)整個(gè)數(shù)據(jù)集從上往下逐級(jí)細(xì)分的一種分類(lèi)方法。它是非參數(shù)型的，具有靈活、直觀(guān)、運(yùn)算效率高等特點(diǎn)，在分類(lèi)數(shù)目較大時(shí)，DTC法較為優(yōu)越[23]。在確定決策樹(shù)結(jié)構(gòu)時(shí)需要根據(jù)樣本類(lèi)型和研究區(qū)數(shù)據(jù)的空間分布特性，考慮如何利用判別函數(shù)處理不同類(lèi)型的數(shù)據(jù)、缺省值等因素[24]。陳爽等[25]采用決策樹(shù)結(jié)構(gòu)，首先分層分類(lèi)提取土地覆蓋信息，然后對(duì)提取的各層進(jìn)行疊加、做后續(xù)處理，由此獲得不透水層信息。周紀(jì)等人[26]在對(duì)端元選擇時(shí)，采用決策樹(shù)的方法進(jìn)行優(yōu)化。袁林山等[27]基于先驗(yàn)知識(shí)和統(tǒng)計(jì)分析構(gòu)建層次分類(lèi)決策樹(shù)，對(duì)CBERS影像研究區(qū)進(jìn)行土地信息采集提取，并將研究成果與最大似然比和支持向量機(jī)分類(lèi)方法對(duì)比，發(fā)現(xiàn)精度明顯高于后兩者。在成長(zhǎng)過(guò)程中所有訓(xùn)練數(shù)據(jù)應(yīng)被完全正確分類(lèi)，倘若訓(xùn)練“種子”數(shù)據(jù)存在誤差，將對(duì)整個(gè)研究區(qū)域分類(lèi)產(chǎn)生較大負(fù)影響，所以，DTC必須采用回歸裁剪法，以減少分類(lèi)錯(cuò)誤;而為了防止由于訓(xùn)練數(shù)據(jù)誤差而導(dǎo)致的分類(lèi)誤差，常利用另一組不同的數(shù)據(jù)對(duì)決策樹(shù)進(jìn)行裁減，刪除多余葉節(jié)點(diǎn)，優(yōu)化分類(lèi)樹(shù)結(jié)構(gòu)[23，28]。近年來(lái)，隨著GIS空間數(shù)據(jù)庫(kù)知識(shí)挖掘的發(fā)展，不僅促進(jìn)了GIS與RS的集成，而且使得長(zhǎng)期困擾專(zhuān)家系統(tǒng)知識(shí)獲取的“瓶頸”問(wèn)題得到了較好的解決[23]。其中，CART(分類(lèi)與回歸樹(shù)分析)繼承了一般決策樹(shù)具備的所有優(yōu)點(diǎn)，既可以用于分類(lèi)研究，又能進(jìn)行連續(xù)變量的預(yù)測(cè)和回歸[29]。該方法在美國(guó)地質(zhì)調(diào)查局進(jìn)行地學(xué)分析和監(jiān)測(cè)計(jì)劃中得到了廣泛推廣，李明詩(shī)等[30]嘗試用CART和See5。0軟件模塊，對(duì)楊樹(shù)資源分類(lèi)提取。馬秀梅等[31]采用基于數(shù)據(jù)挖掘技術(shù)的決策樹(shù)方法對(duì)流域不透水面進(jìn)行了信息提取。然而，決策樹(shù)是一種學(xué)習(xí)算法，在對(duì)不透水面信息進(jìn)行估算的時(shí)候，會(huì)對(duì)數(shù)據(jù)噪聲敏感，因此，對(duì)于訓(xùn)練樣區(qū)存在大量噪聲的情2.3.4面向?qū)ο蠓▊鹘y(tǒng)基于像元的遙感影像的處理方法都是基于遙感影像光譜信息極其豐富，地物間光譜差異較為明顯的基礎(chǔ)上進(jìn)行的。然而，針對(duì)只含有較少波段的高分辨率遙感影像，傳統(tǒng)方法的分類(lèi)結(jié)果，常常伴隨著“椒鹽”現(xiàn)象，且分類(lèi)精度降低，空間數(shù)據(jù)的大量冗余。為解決這一傳統(tǒng)難題，面向?qū)ο蠓诸?lèi)技術(shù)應(yīng)運(yùn)而生。該方法并不直接對(duì)影像像元分類(lèi)，而是利用影像分割手段按一定的標(biāo)準(zhǔn)將像元聚合成代表不同類(lèi)型地物的影像對(duì)象，再對(duì)其進(jìn)行分類(lèi)，利用像素的光譜信息及真實(shí)世界地物的形狀特征和鄰近關(guān)系特征，引入模糊邏輯規(guī)則對(duì)分類(lèi)進(jìn)行描述，使易混淆的地物容易提取，極大地提高影像的分類(lèi)精度[37-38]。孫志英等[39]嘗試使用面向?qū)ο蠓诸?lèi)法，對(duì)南京市不透水度信息進(jìn)行提取。Benz等[40]對(duì)多尺度面向?qū)ο驠uzzy模型算法進(jìn)行了分析評(píng)價(jià)。張峰等[41]采用基于SVM的多源遙感影像面向?qū)ο?，?duì)建筑物進(jìn)行提取，結(jié)果驗(yàn)證能夠節(jié)省訓(xùn)練和分類(lèi)時(shí)間，得到較高的提取精度。面向?qū)ο筇幚矸椒ǖ膬?yōu)點(diǎn)是它采用多分辨率對(duì)象分割方法生成圖像對(duì)象，提高了分類(lèi)信息的信噪比;且不同于純粹的光譜信息分類(lèi)，圖像對(duì)象還包含了許多可用于分類(lèi)的形狀、紋理、相互關(guān)系、上下關(guān)系等其他特征信息，可以輕松地進(jìn)行區(qū)分。正是由于分割尺度在面向?qū)ο蠓诸?lèi)法中占有很重要的地位，因此，如何根據(jù)不同地物的空間信息和背景信息，劃分最適宜的分割尺度，成為影響該方法提取結(jié)果的最直接影響因素[42]總結(jié)綜觀(guān)多年學(xué)者的研究成果，我們可以看到，利用遙感技術(shù)提取城市不透水面取得了很大的發(fā)展，在城市熱島、土地利用、水文分析和城市景觀(guān)要素等城市環(huán)境相關(guān)的研究中發(fā)揮了重要的作用。迄今，國(guó)內(nèi)外對(duì)不透水面的遙感提取方法主要有:傳統(tǒng)解譯法、指數(shù)模型法、LSMA、DTC、ANN分類(lèi)法及面向?qū)ο蠓诸?lèi)法。其中，傳統(tǒng)解譯法精度高，需要豐富的先驗(yàn)知識(shí)，但受到解譯效率的限制，LSMA、DTC、ANN和面向?qū)ο蠓诸?lèi)法等半自動(dòng)和自動(dòng)提取方法正逐漸成為研究熱點(diǎn)。由于遙感影像中不透水面信息的復(fù)雜性，理論研究與實(shí)際應(yīng)用仍存在一定差距，在影響因素分析、提取方法精度及自動(dòng)化程度等方面還有待進(jìn)一步研究。3.1影像中陰影的影去除陰影是中、高分辨率遙感影像解譯中的一大難題，陰影會(huì)導(dǎo)致陰影覆蓋區(qū)域的灰度值降低，給目標(biāo)識(shí)別工作帶來(lái)困擾。在建筑物、道路等不透水層信息提取的工作中，行道樹(shù)產(chǎn)生的陰影會(huì)直接影響解譯精度。為此，面向?qū)ο蠓诸?lèi)法中，需要逐級(jí)進(jìn)行層次網(wǎng)絡(luò)的構(gòu)建，根據(jù)不同地物的信息特征進(jìn)行尺度分割[43];LSMA法中可嘗試拓?fù)湫Ｕ?、重歸一化等方法[44-45]去除植被樹(shù)冠導(dǎo)致的陰影;也可嘗試結(jié)合使用兩種或多種方法。3.2非線(xiàn)性方法的深入研究混合像元的存在始終制約著各種提取方法的精度，LSMA方法的研究已經(jīng)在當(dāng)今城市遙感領(lǐng)域中較為成熟。同時(shí)，各種新思路和新方法都處在不斷探索中，非線(xiàn)性逐步回歸模型的實(shí)驗(yàn)也在嘗試中，由于受到了許多不確定的參數(shù)限制，該模型推廣困難。有人嘗試基于支撐向量回歸的方法進(jìn)行目標(biāo)地物的非線(xiàn)性分解[47]，通過(guò)引進(jìn)核函數(shù)逼近地物間的多次散射、陰影不均勻等原因產(chǎn)生的非線(xiàn)性效應(yīng)，實(shí)驗(yàn)效果很好。3.3融合數(shù)據(jù)和方法的使用各種方法目前都是針對(duì)特定的遙感數(shù)據(jù)，充分挖掘遙感數(shù)據(jù)和方法的優(yōu)點(diǎn)，并有效結(jié)合提高城市不透水面提取精度也是重中之重。為了提高遙感數(shù)據(jù)的利用效率，應(yīng)盡可能?chē)L試多波段、多時(shí)相、多分辨率數(shù)據(jù)以及遙感數(shù)據(jù)與非遙感數(shù)據(jù)的融合，從而更好地解決植被覆蓋信息的干擾問(wèn)題。在實(shí)際工作中，我們也不能一味地追求高精度、高質(zhì)量的數(shù)據(jù)資料，非復(fù)雜、精準(zhǔn)的方法不可。應(yīng)根據(jù)不同的工作需求選擇適宜的方法，才能更好地發(fā)揮作用。參考文獻(xiàn)[1]張宏群,安裕倫.利用多時(shí)相TM影像分析貴州惠水喀斯特地區(qū)植被的變化[J].安徽師范大學(xué)學(xué)報(bào):自然科學(xué)版,2004,27(1):109-113.[2]姜紅梅,任立泉,安如,等.基于土地利用與地表覆蓋遙感信息的洪水過(guò)程模擬[J].河海大學(xué)學(xué)報(bào):自然科學(xué)版,2004,32(2):131-135.[3]王俊松,楊逢樂(lè),賀彬,等.利用QuickBird影像提取城市不透水率的研究[J].遙感信息,2008,(3):69-73.[4]DEGUCHIC,SUGISOS.Estimationsforpercentageofimperviousareabytheuseofsatelliteremotesensingimagery[J].WaterScienceTechnology,1994,(29):135-144.[5]CALSONTN,ARTHURST.Theimpactoflanduse-landcoverchangesduetourbanizationonsurfacemicroclimateandhydrology:asatelliteperspective[J].GlobalandPlanetaryChange,2000,25(1-2):49-65.[6]徐涵秋.一種快速提取不透水面的遙感新型指數(shù)[J].武漢大學(xué)學(xué)報(bào):信息科學(xué)版,2008,33(11):150-1154.[7]徐涵秋.城市不透水面與相關(guān)城市生態(tài)要素關(guān)系的定量分析[J].生態(tài)學(xué)報(bào),2009,29(5):2456-2462.[8]SETTLEJJ,DRAKENA.Linearmixingandtheestimationofgroundcoverproportions[J].InternationalJournalofRemoteSensing,1993,14:1159-1177.[9]ROBERTSDA,GARDNERM,CHURCHR,etal.MappingchaparralintheSantaMonicamountainsusingmultipleendmemberspectralmixturemodels[J].RemoteSensingofEnvironment,1998,65:267-279.[10]PHINNS,STANFORDM,SCARTHP,etal.Monitoringthecompositionofurbanenvironmentsbasedonthevegetationimpervioussurfacesoil(VIS)modelbysubpixelanalysistechniques[J].InternationalJournalofRemoteSensing,2002,23(20):4131-4153.[11]RIDDMK.ExploringaV-I-S(vegetation-impervioussurface-soil)modelforurbanecosystemanalysisthroughremotesensing:comparativeanatomyforcities[J].InternationalJournalofRemoteSensing,1995,16(12):2165-2185.[12]JIM,JENSENJR.EffectivenessofsubpixelanalysisindetectingandquantifyingurbanimperviousnessfromLandsatThematicMapperimagery[J].GeocartoInternational,1999,14(4):31-39.[13]TREITZPM,HOWARTHPJ,GONGP.Landcoverandland-usemappingattherural-urbanfringeusingsatelliteandGIStechniques[J].PhotogrammerticEngineeringandRemoteSensing,1992,58(4):439-448.[14]WUCS,MURRAYAT.Estimatingimpervioussurfacedistributionbyspectralmixtureanalysis[J].RemoteSensingofEnvironment,2003,84(4):493-505.[15]謝苗苗,王仰麟,李貴才.基于亞像元分解的不透水表面與植被覆蓋空間分異測(cè)度———以深圳市為例[J].資源科學(xué),2009,31(2):257-264.[16]林云衫,徐涵秋,周榕.城市不透水面及其與城市熱島的關(guān)系研究[J].遙感技術(shù)與應(yīng)用,2007,22(1):14-19.[17]LUDS,WENGQH.SpectralmixtureanalysisofASTERimagesforexaminingtherelationshipbetweenurbanthermalfeaturesandbiophysicaldescriptorsinIndianapolis,Indiana,USA[J].RemoteSensingofEnvironment,2006,104(2):157-167.[18]SMALLC,LUJWT.Estimationandvicariousvalidationofurbanvegetationabundancebyspectralmixtureanalysis[J].RemoteSensingofEnvironment,2006,100(4):441-456.[19]SMALLLC.TheLandsatETM+spectralmixingspace[J].RemoteSensingofEnvironment,2004,93(1-2):1-17.[20]LUDS,WENGQH.Asub-pixelanalysisofurbanizationeffectonlandsurfacetemperatureanditsinterplaywithimpervioussurfaceandvegetationcoverageinIndianapolis,UnitedStates[J].InternationalJournalofAppliedEarthObservationandGeoinformation,2008,10(1):68-83.[21]WUCS.NormalizedspectralmixtureanalysisformonitoringurbancompositionusingETM+imagery[J].RemoteSensingofEnvironment,2004,93(4):480-492.[22]YUANF,BAUERME.ComparisonofimpervioussurfaceareaandnormalizeddifferencevegetationindexasindicatorsofsurfaceurbanheatislandeffectsinLandsatimagery[J].RemoteSensingofEnvironment,2007,106(3):375-386.[23]王圓圓,李京.遙感影像土地利用/覆蓋分類(lèi)方法研究綜述[J].遙感信息,2004,(1):53-59.[24]BRODLEYCE.Recursiveautomaticbiasselectionforclassifierconstruction[J].MachLearn,1995,20:63-94.[25]陳爽,張秀英,彭立華.基于高分辨衛(wèi)星影像的城市用地不透水率分析[J].資源科學(xué),2006,28(2):41-46.[26]周紀(jì),陳云浩,張錦水,等.北京城市不透水層覆蓋度遙感估算[J].國(guó)土資源遙感,2007,73(3):13-17.[27]袁林山,杜培軍,張華鵬,等.基于決策樹(shù)的CBERS遙感影像分類(lèi)及分析評(píng)價(jià)[J].國(guó)土資源遙感,2008,76(2):92-98.[28]李爽,丁圣彥,錢(qián)樂(lè)祥.決策樹(shù)分類(lèi)法及其在土地覆蓋分類(lèi)中的應(yīng)用[J].遙感技術(shù)與應(yīng)用,2002,17(1):6-11.[29]廖明生,江利明,林琿,等.基于CART集成學(xué)習(xí)的城市不透水層百分比遙感估算[J].武漢大學(xué)學(xué)報(bào):信息科學(xué)版,2007,32(12):1099-1106.[30]李明詩(shī),彭世揆,周林,等.基于A(yíng)STER數(shù)據(jù)的決策樹(shù)自動(dòng)構(gòu)建及分類(lèi)研究[J].國(guó)土資源遙感,2006,69(3):33-36,42.[31]馬秀梅,雷秀麗,李希峰,等.基于數(shù)據(jù)挖掘技術(shù)的流域不透水面及變化信息提取[J].測(cè)繪通報(bào),2007,(12):34-37.[32]修麗娜,劉湘南.人工神經(jīng)網(wǎng)絡(luò)遙感分類(lèi)方法研究現(xiàn)狀及發(fā)展趨勢(shì)探析[J].遙感技術(shù)與應(yīng)用,2003,18(5):339-345.[33]SANGBUML,LATHROPRG.SubpixelanalysisoflandsatETM/sup+/usingself-organizingmap(SOM)neuralnetworksforurbanlandcovercharacterization[J].IEEETransactionsonGeoscienceandRemoteSensing,2006,44(6):1642-1654.[34]陳健,倪紹祥,李云梅.基于神經(jīng)網(wǎng)絡(luò)方法的蘆葦葉面積指數(shù)遙感反演[J].國(guó)土資源遙感,2008,76(2):62-67.[35]PURL,GONGP,MICHIS