中文摘要：

城市不透水表面信息在城市化进程监测与城市生态与人文环境评价中起有着重要的作用，因而其获取技术成为了当前研究的热点。近年来，一系列的遥感信息提取技术，包括混合像元光谱分解、决策树、人工神经元网络、线性回归模型等，被广泛地应用于提取城市不透水表面信息。然而，现有的方法大多基于经验模型，缺乏对遥感成像机理的研究，因而算法的适用性与研究区域的土地覆盖状况、遥感图像特征、采样方法等因素非常相关，导致了不透水表面估算的不确定性。本项目研究通过对遥感光谱信息、空间分布信息、噪声、以及其他相关信息进行模拟来研究城市混合光谱的形成机理，并以此为基础来评价现有模型在不同情景下的有效性，开发出基于不同模拟情景下的城市不透水表面的最佳提取方法。同时，本研究项目将开发基于贝叶斯概率模型和空间自相关模型的混合像元光谱提取算法以衡量并减少由于"同物异谱"和"同谱异物"现象带来的城市不透水表面估算的不确定性。

结论摘要：

“同物异谱”和“同谱异物”的现象广泛存在于遥感图像中，并且给遥感信息提取技术带来了很大的挑战。特别地，城市不透水表面由于其材料的复杂性以及其光谱与土壤、阴影、水体的相似性使其的提取十分困难。现有的遥感信息提取技术，包括混合像元光谱分解、决策树、人工神经元网络、线性回归模型等，大多基于象元光谱本身，而没有很好的结合时间信息、空间分布信息、以及空间自相关信息等对城市不透水表面进行估算。本研究对影响城市不透水信息的遥感提取方法进行了系统的分析，开发了基于空间概率模型和时间模型的城市不透水表面的估算方法，并将研究的算法应用到黑龙江省大庆市和哈尔滨市进行城市扩展模拟和生态服务价值估算研究。主要进展与成果如下 1）本研究比较城市不透水表面的估计算法，提出各个算法的适用性。对现有的城市不透水表面的估算方法进行调研，并且应用Matlab编程语言实现了具有代表性的算法，主要算法包括限制性线性混合象元分解、非限制性混合光谱象元分解、决策树模型以及随机森林模型。在发展这几种算法的基础上，本研究将这几种算法进行了比较，并且将他们应用到了MODIS图像中。这是首次客观地将光谱分解算法和机器学习的算法进行比较。 2) 本研究将空间和情景信息加入到了遥感分类和混合像元的分解算法中，综合分析研究了当前的遥感硬分类和软分类算法，提出了将空间和情景信息加入到遥感不透水监测 的必要性；并且发展了三种将空间和情景信息加入到遥感不透水监测的算法，包括 a）图像分割和决策树，b）基于土地利用/土地覆盖的概率信息的算法，和 c）基于局域信息的多端元光谱混合算法。 3) 本研究在深入研究同物异谱现象之后，提出了时间分解算法。时间分解算法利用MODIS的多时相的NDVI数据，而非单时相的反射率数据来进行象元分解。结果证明时间分解算法可以很好地将城市不透水表面和裸露土壤分开。主要原因为时间分解算法考虑到了植被的物候信息，即大量的裸露土壤在春天、夏天、和秋天被植被覆盖，而不透水表面在一年四季都为裸露的不透水表面。 4)运用多光谱数据研究黑龙江省大庆市的不透水表面的变化以及估算其生态服务价值。运用本研究发展的算法，我们成功地提取了黑龙江省的不透水表面信息。 5)发表学术论文13篇，其中SCI 收录10篇，CSCD收录3篇，培养博士和硕士11人