面向城市面源污染监测的典型城市下垫面遥感提取技术指南(T-CSES 17—2020).pdf

ICS 13.020.40 CCS Z 10 团体标准 T/CSES 172020 面向城市面源污染监测的典型城市下垫面遥感提取技术指南 Typical urban underlying surface extraction guidelines for using remote sensing technology for urban non-point source pollution monitoring 2020-12-29 发布 2020-12-29 实施 中国环境科学学会 发 布 T/CSES 172020 I 目 次 前言.II 引言.III 1 范围.1 2 规范性引用文件.1 3 术语和定义.1 4 技术原理.3 5 提取结果验证.5 6 提取产品制作.6 7 质量控制.6 附录 A（资料性）典型城市下垫面遥感提取案例.7 T/CSES 172020 II 前 言 本文件按照GB/T 1.12020标准化工作导则 第1部分：标准化文件的结构和起草规则的规定起草。请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任。本文件由生态环境部卫星环境应用中心和南京师范大学提出。本文件由中国环境科学学会归口。本文件起草单位：生态环境部卫星环境应用中心、南京师范大学。本文件主要起草人：朱利、王雪蕾、汪闽、冯爱萍、吕恒、黄莉、徐逸、朱南华诺娃、周亚明、孟斌、杨红艳、邵圆圆。T/CSES 172020 III 引 言 为贯彻中华人民共和国环境保护法和中华人民共和国水污染防治法（2008修订），规范和指导我国面向城市面源的典型城市下垫面遥感提取工作，为城市面源污染遥感监测提供参考，制定本文件。随着城市化进程的加快和城市不透水区域的不断增加，城市的下垫面条件发生了很大的变化，致使城市面源污染逐渐成为影响城市水生态环境的重要因素之一。不同类型的下垫面在降雨径流冲刷下所引起的面源污染特征有很大差异，因此城市典型下垫面地物类型的精细提取和分类是实现城市面源污染监测的前提。常规的地面调查不能准确且全面地获取下垫面的空间分布，而遥感影像的自动分类技术具有快速、高效而不失客观的特点，在地表信息获取领域中发挥着重要作用。本文件基于高分辨率遥感影像，建立了面向城市面源污染监测的典型城市下垫面遥感提取技术流程，以期为基于高空间分辨率遥感影像的典型城市下垫面提取提供理论指导和技术支持。T/CSES 172020 1 面向城市面源污染监测的典型城市下垫面遥感提取技术指南 1 范围 本文件规定了面向城市面源污染监测的典型城市下垫面遥感分类提取的技术原理、结果验证、产品制作和质量控制。本文件适用于面向高空间分辨率遥感影像的典型城市下垫面遥感提取。2 规范性引用文件 下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适用于本文件。GB/T 149502009 摄影测量与遥感术语 GJB 27001996 卫星遥感器术语 3 术语和定义 GJB 27001996和GB/T 149502009界定的以及下列术语和定义适用于本文件。3.1 像元 pixel a.包含空间和光谱两个变量的遥感图像数据单元。其中，空间变量确定了分辨单元的视在尺寸，光谱变量确定了这个分辨单元在具体信道中的光谱响应的强度；b.数字图像中由每个数字值代表的地面面积单元。该数字值代表按要求的取样间隔对遥感探测器输出的模拟信号的取样。来源：GJB 27001996，3.1.1.8 3.2 空间分辨率 spatial resolution a.遥感系统能区分的两个邻近目标之间的最小角度间隔或线性间隔；b.微波遥感器的天线主波束宽度所覆盖的地域大小。来源：GJB 27001996，3.1.3.2 3.3 几何校正 geometric correction 为消除影像的几何畸变而进行投影变换和不同波段影像的套合等校正工作。来源：GB/T 149502009，5.190 3.4 T/CSES 172020 2 辐射度校正 radiometric correction 对遥感图像的辐射度畸变所进行的校正。来源：GJB 27001996，3.4.2.15 3.5 影像融合 image fusion 用各种手段把不同时间、不同传感器系统和不同分辨率、不同波段的众多影像进行复合变换，生成新的影像的技术。来源：GB/T 149502009，5.199 3.6 特征提取 feature extraction a）对某一模式的一组测量值进行变换，以突出该模式具有代表性特征的一种方法。b）通过影像分析和变换，以提取所需特征的方法。来源：GB/T 149502009，5.165 3.7 图像分割 image segmentation 根据需要将图像划分成有意义的若干区域或部分的图像处理技术。来源：GB/T 149502009，5.225 3.8 对象基元 object primitive 以图像分割等技术得到的图像斑块。3.9 机器学习 machine learning 研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能的多领域交叉学科。3.10 深度学习 deep learning 由多个层组成的人工神经网络，它通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。注：深度学习的概念源于人工神经网络的研究，是机器学习中一种基于对数据进行表征学习的方法。3.11 城市面源污染 urban non-point source pollution 在降水条件下，雨水和径流冲刷城市地面，使溶解的或固体污染物从非固定的地点汇入收纳水体，引起的水体污染。3.12 典型城市下垫面 typical urban underlying surface T/CSES 172020 3 城市的覆盖物，如建筑物、水泥构成物、沥青路面、少部分绿化以及江河湖泊。3.13 遥感制图 remote sensing cartography;remote sensing mapping 通过对遥感影像目视判读或利用图像处理系统对各种遥感信息进行增强与几何纠正并加以识别、分类和制图的过程。来源：GB/T 149502009，5.126 4 技术原理 4.1 提取目的 为精准识别可能造成城市面源污染的典型下垫面污染源结构和空间分布位置等重要信息，采用高分遥感影像数据识别道路、屋顶、绿地等典型城市面源污染相关的下垫面空间特征信息，为后续实现城市面源污染遥感监测评估提供信息支撑。4.2 提取原理 基于各种类型城市下垫面影像光谱、形态等特征差异，利用高分辨率影像，在地面实测光谱数据、遥感知识库等数据源支持下，利用图像分类算法与部分人工辅助，实现典型城市下垫面地物类型的精细提取和分类。4.3 提取内容 分类体系内城市各类型下垫面面积和空间分布位置。4.4 提取频次 根据实际工作需要确定提取频次。4.5 分类体系 针对城市面源污染监测的应用需求，将典型城市下垫面区分为屋顶、道路、绿地、水体、施工用地、农田、林地及温室大棚等级类别，见表 1 所示。其中道路、绿地、水体和农田划分级类别。表1 典型城市下垫面分类体系和含义 级分类 含义 级分类 含义 屋顶 住宅楼、办公楼、商场等建筑物屋顶面 道路 高速公路、国道、省道、县道等公路用地 硬化道路 由水泥、柏油等不透水材料覆盖的道路 非硬化道路 硬化道路之外的其他道路 绿地 城市有植被覆盖处 道路绿地 道路广场用地内的绿地，包括行道树绿地、交通岛绿地和停车场绿地等 其他绿地 除道路绿地外，对城市生态环境质量、居住休闲生活、城市景观和生物多样性保护有直接影响的绿地，包括风景名胜区、水源保护区、郊野公园、森林公园、湿地、城市绿化隔离带等 T/CSES 172020 4 表 1 典型城市下垫面分类体系和含义（续）级分类 含义 级分类 含义 水体 地表水水域 湖泊 由湖盆及其承纳的水体构成的地表水域 河流 由一定区域内地表水和地下水补给，经常或间歇地沿着狭长凹地流动的水流覆盖的地表水域 施工用地 工程建设类用地 农田 农业生产用地 水田 有水源保证和灌溉设施，在一般年景能正常灌溉的农田 旱地 无灌溉水源及设施，靠天然降水生长作物的农田 林地 生长乔木、灌木、竹类、果园以及沿海红树林等的林业用地 温室大棚 透光、保温或加温、用来栽培植物的设施 4.6 技术流程 4.6.1 概述 典型城市下垫面遥感提取的技术流程见图 1，主要包括高分辨率遥感数据选取、数据预处理、样本采集、特征提取、图像分类、分类后处理与结果检验，以及成果输出等技术环节。图1 面向城市面源污染监测的典型城市下垫面遥感提取技术流程 T/CSES 172020 5 4.6.2 高分辨率遥感数据选取 选取米级或优于米级分辨率的高空间分辨率卫星遥感影像数据。4.6.3 数据预处理 包括辐射度校正、几何校正、影像融合等。辐射度校正利用已建立的地物反射率与遥感图像像素之间的关系，通过遥感图像的像素值计算传感器的像素反射率；基于参考影像或空间几何信息，开展几何精校正和空间投影转换，精度控制在 1 个像元内；为充分利用数据，也可采用图像融合技术将多光谱影像与全色影像融合。通过以上数据预处理过程为后续图像处理与分析提供合格数据源。4.6.4 样本采集 训练样本在图像上通过选择感兴趣区域（Region of Interest，ROI）的方式采集，亦可通过外部数据源导入方式。采集分类所需样本，需要保证样本质量、数量，以及类别间的均衡性。4.6.5 特征提取 提取、挑选、变换、派生出待分类区域所适用的图像特征进行分类，如图像光谱、形状、纹理、空间关系等。如采用深度学习分类，可省略该步骤。4.6.6 图像分类 采用面向对象图像分类、深度学习等分类技术，实现基于高分辨率遥感影像的典型城市下垫面的自动分类和类别提取。面向对象图像分类对待分类区域的对象基元进行分类判别，获取所需城市下垫面类别。深度学习分类通过采集的训练样本构建神经网络分类模型实现图像分类。4.6.7 分类后处理 进行碎斑处理、分类结果统计、类间可分离性检验等操作。4.6.8 结果检验 把分类图与标准数据（图件或地面实测调查）进行比较，然后用正确分类的百分比来表示分类精度。4.6.9 成果输出 对分类结果形成分类成果图。根据应用需求进行遥感制图，设置投影、比例尺、地图图例等，输出专题地图。5 提取结果验证 5.1 基于全国土地调查数据验证 以全国土地调查数据作为典型城市下垫面遥感提取结果验证参考数据。5.2 基于更高分辨率卫星数据验证 利用其它更高空间分辨率的遥感数据，作为典型城市下垫面遥感提取结果检验参考数据。在参考数据中随机选取一定数量的检验点，通过检验点的类别（典型城市下垫面类型）计算提取结果的总体精度。T/CSES 172020 6 5.3 精度验证方法 典型城市下垫面提取结果可采用影像分类总体精度、目视解译和结合实地调查数据等方式进行精度验证。6 提取产品制作 提取产品以文字、专题图及统计表格等形式表示典型城市下垫面遥感提取结果。文字信息是指描述典型城市下垫面提取结果的有关信息，包括时间、范围、卫星及传感器等。典型城市下垫面专题图包括图名、图例、比例尺、指北针、行政区划以及典型城市下垫面各类型分布信息。统计表格包括典型城市下垫面各类型分布面积或占行政区划面积比例等信息。典型城市下垫面遥感提取结果专题图展示可参照附录 A。7 质量控制 7.1 卫星数据质量 选择卫星遥感影像数据时需检查影像数据有无条带，有无数据缺失现象，保证用于典型城市下垫面提取的数据质量。尽量不选取云层覆盖过多的遥感影像。参考原则是遥感图像云层覆盖不超过10%的数据为有效数据。7.2 几何校正精度 利用不同传感器所获取的遥感数据前，保证遥感影像间几何位置的配准，配准精度在1个像元内。7.3 提取结果精度 为提高典型城市下垫面提取结果的准确度，可结合实际情况修正相应的遥感提取结果。T/CSES 172020 7 A A 附 录 A（资料性）典型城市下垫面遥感提取案例 图A.1是选取的扬州某区的航空遥感影像数据，图A.2展示了该区域典型城市下垫面遥感提取成果。具体处理包括对影像进行辐射、几何校正，采集训练样本，训练深度学习分类模型，使用分类模型进行图像分类和碎斑处理，并对结果制作专题图等技术环节。图 A.1 扬州市某区域航空遥感影像 T/CSES 172020 8 图 A.2 典型城市下垫面遥感提取成果 _