遥感技术与应用, 2021, 36(6): 1339-1349 doi: 10.11873/j.issn.1004-0323.2021.6.1339

遥感应用

一种不透水面精细制图新方法及其在城市SDGs指标评估上的应用

符冰雪,1, 张继超1, 杜文杰2,3, 王鹏龙4, 孙中昶,2,3

1.辽宁工程技术大学 测绘与地理科学学院，辽宁 阜新 123000

2.中国科学院空天信息创新研究院，北京 100094

3.海南省地球观测重点实验室，海南 三亚 572029

4.中国科学院西北生态环境资源研究院，甘肃 兰州 730000

Effective and Novel Impervious Surface Fine Mapping Method and Its Application on Monitoring Urban Sustainable Development Goals

Fu Bingxue,1, Zhang Jichao1, Du Wenjie2,3, Wang Penglong4, Sun Zhongchang,2,3

1.School of Geomatics，Liaoning Technical University，Fuxin 123000，China

2.Aerospace Information Research Institute，Chinese Academy of Sciences，Beijing 100094，China

3.Laboratory Earth Observation Hainan Province，Sanya Institute of Remote Sensing，Sanya 572029，China

4.Northwest Institute of Eco-Environment and Resources，Chinese Academy of Sciences，Lanzhou 730000，China

通讯作者: 孙中昶（1983-），男，山东济宁人，副研究员,主要从事城市遥感、微波遥感研究。E⁃mail: sunzc@aircas.ac.cn

收稿日期: 2020-07-27   修回日期: 2021-09-29  

基金资助: 海南省重点研发计划项目.  ZDYF2019008
中国科学院战略性先导科技专项.  XDA19030104
国家重点研发计划项目.  2016YFA0600302-04

Received: 2020-07-27   Revised: 2021-09-29  

作者简介 About authors

符冰雪（1996-），女，辽宁沈阳人，硕士研究生,主要从事城市遥感研究E⁃mail:18342800105@163.com , E-mail：18342800105@163.com

摘要

城市不透水面是城市化程度的重要指示器，也是城市环境的重要敏感因子。联合国提出的城市可持续发展SDG11.3.1指标——城市土地使用率与人口增长率之比（LCRPGR）需要有效监测土地城镇化与人口城镇化关系。针对其监测与评估中高分辨率和高精度城市用地产品缺失，以及低纬度地区城市可持续发展研究较少的问题。基于Google Earth Engine平台，提出一种多时相升降轨SAR与光学影像等多源数据融合的不透水面提取方法，提取了2015年和2018年10 m分辨率印度不透水面。根据人口格网界定城市范围，将范围内不透水面面积与城市人口进行耦合，用于指标计算。研究结果表明：①精度验证结果显示，两期产品总体精度（OA）高于91％，Kappa系数高于0.82，R2值分别为0.85和0.86，并与其他产品细节对比，证明了方法的有效性；②印度总体不透水面面积由2015年的47 499.35 km2增加到2018年的49 944.69 km2，城市平均LCRPGR为0.76，表明其城市人口城镇化大于土地城镇化，城市可持续发展面临挑战。结合空间分析，印度城市可持续发展水平存在南北差异、东西差异以及沿海与内陆的差异。

关键词： 城镇化 ; SDG11.3.1指标 ; Google Earth Engine ; 多源数据融合 ; 不透水面

Abstract

The percent cover of impervious surfaces has been widely used as an indicator to quantify the urbanization level and urban environmental quality， and is essential to understand the interactions between human and the environment. The indicator 11.3.1 proposed by the United Nations-The ratio of land consumption rate to population growth rate （LCRPGR） requires effective monitoring of the relationship between land urbanization and population urbanization. In the light of the existing problems at present， including the lack of high-resolution and high-precision urban land products， as well as few researches on urban sustainable development in low latitude areas. Based on the Google Earth Engine platform， a method of multi-source （SAR and optical） data fusion was proposed to extract India impervious surface information with 10-m resolution in 2015 and 2018. In addition， the city scope was determined according to the population grid， and the urban impervious surface area was coupled with urban population to calculate the index. The results show that： （1） The overall accuracy of impervious surface mapping in this paper is higher than 91%， and the average Kappa coefficient is higher than 0.82， and values of R2 are 0.85 and 0.86， respectively， the overall accuracy is high. Comparised with the details of other products， the effectiveness of the method was further proved. （2） The average LCRPGR of cities is 0.76， indicating that the population growth rate of cities is higher than that of land expansion in India， and urban sustainable development faces challenges. Combined with spatial analysis， there are differences in the level of sustainable development of Indian cities from north to south， east to west， and coastal and inland.

Keywords： Urbanization ; SDG 11.3.1 indicator ; Google Earth Engine ; Multi-source data fusion ; Impervious surface area

PDF (7334KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

符冰雪, 张继超, 杜文杰, 王鹏龙, 孙中昶. 一种不透水面精细制图新方法及其在城市SDGs指标评估上的应用. 遥感技术与应用[J], 2021, 36(6): 1339-1349 doi:10.11873/j.issn.1004-0323.2021.6.1339

Fu Bingxue, Zhang Jichao, Du Wenjie, Wang Penglong, Sun Zhongchang. Effective and Novel Impervious Surface Fine Mapping Method and Its Application on Monitoring Urban Sustainable Development Goals. Remote Sensing Technology and Application[J], 2021, 36(6): 1339-1349 doi:10.11873/j.issn.1004-0323.2021.6.1339

1 引 言

城市居住着55%的世界人口，承载了80%的全球经济产出，同时城市产生了66%的能源消耗以及75%的全球碳排放［1］。按照目前的人口增长速度，到2030年，世界上60%的人口将生活在城市中，到2050年，这一比例将达到68%［2］。在全球城镇化背景下，快速且无计划的城市化对人们的生活、健康以及地方、区域和全球范围的环境可持续产生了深远的影响［3-4］。因此，更好地管理城市扩张和人口增长将是保障城市可持续的关键。

为了监测和评估城市可持续发展，2015年联合国提出的17项可持续发展目标（Sustainable Development Goals，SDGs）中，SDG11即“建设包容、安全、有抵御灾害能力和可持续的城市和人类住区”是重要的SDGs目标之一［5］。其中，SDG11.3.1指标—土地使用率与人口增长率之比（the Ratio of Land Consumption Rate to Population Growth Rate，LCRPGR）可用来量化城市用地扩张和人口增长的协调关系。但是，该指标属于二级分类，即有明确的评价方法但无数据。因此，急需获取大尺度高精度城市空间分布信息。

在城市扩展研究中，科学家们发现从遥感影像中提取的城市不透水面能够非常准确地反映城市地表信息以及城市土地利用强度［6-7］。不透水面是水不能通过它下渗到土壤中的人工地表面，包括城市中的公路、车道、人行道、停车场、建筑屋顶等［8］。实时、准确地提供不透水面信息，对于了解城市化进程、城市空间分布信息变化至关重要［9-10］。

随着高分辨率卫星遥感影像和新兴的大数据云计算平台（例如Google Earth Engine，GEE）问世［11-12］，许多基于遥感影像的区域和全球尺度城市制图产品已经发布［10，13-17］。目前，开展大区域乃至全球尺度的不透水面遥感制图大多基于中低分辨率光学影像。但由于城市地物的多样性以及城市不透水面材质的复杂性［9］，中低分辨率光学影像应用于城市信息提取中存在分辨率较低、混合像元、异物同谱、同物异谱等问题［18-19］；受云雾天气的影响，尤其在低纬度地区很难获取质量较好的光学影像，这为城市动态遥感监测带来很大困难［20-23］。另外，Liu 等［24］按照城市生态分区对比分析了不同的全球尺度城市产品，发现产品之间存在很大的差异，这些产品在非洲、干旱半干旱的中亚等区域精度较差。目前对于SDG11.3.1指标监测与评估的研究结果相对较少［25-26］，尤其在印度、非洲、中西亚等欠发达国家和地区，基本没有相应的研究结果，主要由于数据的缺失及现有的产品精度和分辨率较低。因此，开展高分辨率高精度全球城市不透水面制图在为联合国SDG城市可持续发展提供空间数据与决策支持方面具有重要意义。

单一数据源提取大尺度城市不透水面存在精度低的问题；而利用遥感技术生产大时空尺度城市用地产品亦存在数据量大、计算耗时、数据缺失且分辨率低等困难。针对上述问题，综合SAR（Synthetic Aperture Radar，SAR）后向散射强度和光学影像的光谱特征，提出多时相升降轨数据等多源遥感数据融合的不透水面提取方法；基于GEE云计算平台提取2015年和2018年两期印度不透水面数据，并将其应用于印度城市SDG11.3.1指标评估。

2 研究区与数据

2.1　研究区概况

印度位于亚洲南部，是世界上人口第二、面积第七的国家，地理位置如图1所示。它由28个邦、6个联邦及1个国家首都组成，约13.53亿人口［27］ 。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   研究区地形分布与验证区块布设图 审图号：GS（2016）1666

Fig.1   Topographic distribution of study area and layout of verification block


印度是人口仅次于我国的发展中国家，在“一带一路”倡议中国家战略地理位置非常重要。与我国一样，印度正处于城市快速发展阶段，城镇化趋势持续升高，2018年印度城镇人口占比34.03%，预计到2025年，印度城镇人口将新增2.15亿，占总人口的38%［28］。分析印度城市土地扩张与人口增长的协调关系，不仅可以了解其城镇化可持续发展状况，而且对我国新型城镇化建设以及城市可持续发展也有一定的参考意义，同时为我国推动“一带一路”倡议的实施有着重要的战略意义。

2.2　数据与预处理

实验所用数据如表1所示。其中生产2015产品调用时间范围为2015年1月1日~2016年6月30日的Sentinel-1A雷达影像1 818景及Sentinel 2A光学影像18 863景，生产2018年产品调用时间范围为2018年全年的Sentinel-1A雷达影像5 785景及Sentinel 2A光学影像94 287景。

表1   研究区域数据详细情况

Table 1  Data description used in this study

数据集空间分辨率/m时间覆盖空间覆盖数据类型
Sentinel 1A 地距产品102014年~现在全球栅格（tif）
Sentinel 2A L1C级10/202015年~现在全球栅格（tif）
基于MODIS生成的生态数据集全球矢量（shp）
SRTM302000年60°S~60°N栅格（tif）
World Pop Data1002000年~现在全球栅格（tif）
联合国发布的人口大于30万的城市全球矢量（shp）
Open Street Map（OSM）全球矢量（shp）

新窗口打开| 下载CSV


预处理包括Sentinel 2A光学影像预处理和Sentinel 1A雷达影像预处理两部分。首先对光学影像进行预处理，鉴于实验时间尺度为2015年和2018年，数据源中只有Level 1C级星上反射率（Top of Atmosphere，TOA）影像覆盖此时段，且印度位于赤道附近，大部分影像都有云层覆盖，因此须对其进行去云处理。TOA影像中含有云掩膜（QA60）波段，包括云掩膜和卷云掩膜两部分，同时该影像含有1个衡量云量得分的波段，数值越高表征该像元是云的可能性越高，对云掩膜函数和云量得分大于20的像元进行掩膜处理，然后逐像元求取每年内所有影像的中值，以达到去云目的。其次是对SAR影像进行预处理，GEE平台上已对其进行了地形纠正、噪声削弱和对数缩放处理，但同时损失了一部分原始影像的信息，因此实验对其进行乘方逆运算［29］，将dB值转为散射系数（σ°），便于散射特征的阈值选取。

3 研究方法

3.1　不透水面提取方法

实验利用多源多时相升降轨Sentinel 1/2A数据，结合其物候特征自动化精细提取印度不透水面，数据处理流程如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   数据处理流程图 审图号：GS（2016）1666

Fig.2   Flow of data processing


首先利用SAR及光学光谱指数（归一化差异植被指数（Normalized Difference Vegetation Index，NDVI）［30］、修正的归一化差异水体指数（Modified Normalized Difference Water Index，MNDWI）［31］、自动水体提取指数（Automate Water Extraction Index，AWEI）［32］以及城市阴影指数（Urban Shadow Index，USI）［33］）进行城市不透水面的提取，初步确定城市不透水面。

（1）先通过生态功能分布数据［34］将研究区土地类型划分为干旱、半干旱以及非干旱地区3种处理单元，不同的处理单元采用不同的输入特征（SAR散射系数以及多种光谱指数），以此来提取潜在的不透水面信息。其次在地形起伏较大的地区，依据地形坡度因子（slope）进行阈值分割以剔除山体，通过自适应迭代法［35-36］求取阈值Tslope，Tslope值大于10表征山体。最后剔除一些在光谱特征上容易与不透水面混分的土地类型，主要包括城市建筑物阴影、水体、自然硬质化地表面和粗糙裸土等，这里引入AWEI指数结合城市阴影指数USI，其计算公式如下：

AWEI=NIR-4×SWIR1-0.25×NIR+2.75×SWIR2
UIS=0.25×GR-0.57×NIRG-0.83×BG+1

其中：NIR为近红外波段；SWIR1为哨兵2A的短波红外1波段；SWIR2为短波红外2波段；G为绿光波段；B为蓝光波段。

然后进行多时相处理，实验分别对AWEI和USI进行逐像元求取每年内所有影像的最大值和均值，公式如下：

AWEImaxy=maxAWEIji
UISmeany=meanUISji

其中：AWEImax表示在Sentinel 2A采集时间跨度内，逐像元求取每年内所有影像AWEI的最大值；UISmean表示在Sentinel 2A采集时间跨度内，逐像元求取每年内所有影像USI的均值；y表示Sentinel 2A获取时间；i是最早的影像；j是在给定的采集时间内获得的最后一张影像。同样，根据自适应迭代法确定两者的阈值T，TAWEI为-0.4，TUIS为-0.194，在AWEImax影像中，TAWEI≥-0.4表征水体，在UISmean影像中TUIS>-0.194表征城市阴影。

（2）对升降轨Sentinel-1A GRD（多视处理后的地距产品）数据进行多时相均值处理，其目的是利用多时相升降轨数据减小山区和城市区阴影/叠掩对不透水面提取的影响；通过分析后向散射特性筛选出较强的后向散射中心，这些高亮散射体被初步认为是潜在的不透水面（HIS）。高亮度不透水面（HIS）的计算方法为公式（5）。潜在不透水面（PIS）则从公式（6）中的和计算得到。

HIS=σomean>Tmeanorσostd>Tstd
PIS=σostd>T1andσostd<T2and(HIS=1)

其中：Tmean、Tstd、T1和T2分别为对应的阈值，这里经验阈值Tstd设置为0.15，T1设置为0.03，T2通过重复实验设置为0.000 1。

（3）通过NDVI来量化植被强度，通过公式（7）计算得到NDVImax，然后约束植被参数来实现低密度不透水面区域精细提取。

NDVI=ρNIR,i-ρRed,iρNIR,i+ρRed,i

其中：ρNIR,i与ρRed,i分别表示在时间i处的近红外波段和红色波段的TOA反射率。

NDVImaxy=maxNDVIij

其中：NDVImax表示在Sentinel 2采集的时间跨度内，逐像元求取每年内所有影像NDVI的最大值；y表示S2获取时间；i是最早的影像；j是在给定采集时间内获得的最后一张影像。

然后通过MNDWI来量化干旱与半干旱地区的不透水面轮廓，在水体已被剔除的情况下，干旱、半干旱区的城市MNDWI值与周边裸土表现出很好的分离特征，通过计算公式（9）得到：

MNDWI=ρGreen,i-ρMIR,iρGreen,i+ρMIR,i

其中：ρGreen,i与ρMIR,i分别表示在时间i处绿光波段和红外波段的Sentinel 2 TOA反射率。

MNDWImeany=MNDWIijmean

其中：MNDWImean表示在Sentinel 2采集的时间跨度内，逐像元求取每年内所有影像MNDWI的平均值；y表示S2获取时间；i是最早的影像；j是在给定的采集时间内获得的最后一张影像。

其次确立SAR散射系数、NDVI以及MNDWI指数阈值的选取原则，实验收集印度城市生态功能分布数据，以经纬度5°×5°的格网作为印度不透水面提取单位，每单位按生态分布随机选取一定数量的样本，将其进行像元统计，根据“双峰法”确定特定生态类型的参考区块阈值区间。实际上，许多灰度图像的像素值并不总是具有双峰分布［37］，无法使用此方法进行分割。在这种情况下，实验采用了基于强明暗对比分析的阈值分割。为了获得阈值，实验选择了高亮度城市区域和暗水体区域。这种景观模式在SAR数据中可以产生双峰分布，有利于“双峰法”的应用。综合考量优选出对应生态区内的阈值，逐单位按阈值选取原则提取各生态层不透水面并输出结果。最后，由于SAR对沥青混凝土等材料显示出低散射特征，为了更精细地提取城市不透水面信息，沥青和机场等地物引入开放街道图（Open Street Map，OSM）数据或单独通过光学物候特征提取来进行补充。

3.2　城市范围的界定

依据SDG11.3.1指标内容，需将城市范围与城市人口建立耦合关系，但城乡边界在全球范围内定义是不同的，城市范围往往随着时间变化也存在变动，一些学者引入城市标度率（Scaling Law）来刻画城市的大小和形状［38-39］，但因数据网格尺度不同而存在偏差和不确定性。欧美依据完备的调查统计结果和清晰的界定概念，对城市范围和城市人口耦合做了大量研究［40］，实验基于上述的欧美研究体系，根据Worldpop 100 m×100 m人口格网数据以及印度对应城市行政范围，识别出城市范围。首先，选择每平方公里人口大于1 500的地区定义为城市高密度集群单元。其次，将相邻的高密度集群单元分组。最后通过多次迭代众数滤波来填补空白和平滑边界。即如果某个高密度集群单元周围有5个或5个以上的单元属于同一高密度集群，则它将被添加到此高密度集群中，重复此操作，直到不再添加单元为止［40］。印度的城市结构比较复杂，在实际操作中上述人口阈值（每平方公里人口数1 500）往往需要根据印度各邦域城市行政范围进行适当调整，实验依据城市位置坐标均匀布设参考样本，获取对应城市的经验阈值，与实际城市范围进行比对，最终确定每平方公里人口数700~1 500的阈值区间为城乡分割的判断依据，同时对照不透水面的空间分布做聚类分析，确定合理的城市范围。

3.3　LCRPGR指标计算

城镇化最显著的特征包括城市空间扩张和人口增长，即土地城镇化和人口城镇化。实验采用SDG11.3.1指标评价印度城镇化进程。依照SDG11.3.1指标的评价方法，该指标以建成区面积增长率作为城市土地使用率［41］，但建成区很难自动提取。不透水面同样可表征土地利用效率和强度，且在遥感语义上可自动快速提取［6-7］。为快速表征土地城镇化与人口城镇化关系，本研究以不透水面替代建成区计算城市土地使用率与人口增长率之间的比值：

LCRPGR=LCRPGR=LNISAt+n/ISAtLNPopt+n/Popt

其中：Popt代表城市在第t年总人口数，作为初始值；Popt+n代表城市在第t+n年总人口数，作为最终值；ISAt代表城市在第t年的不透水面面积，作为初始值，单位为km2；ISAt+n代表城市在第t+n年的不透水面面积，作为最终值，单位为km2。

根据LCRPGR的数值分布可将其划分为5个等级（默认LCR>0）：①LCRPGR<-1，人口衰退速率大于城市扩张速率；②-1<LCRPGR<0，人口衰退速率小于城市扩张速率；③0<LCRPGR<1，人口增长速率大于城市扩张速率；④1<LCRPGR<2，城市扩张速率是人口增长速率的1~2倍；⑤LCRPGR>2，城市扩张速率超过人口增长速率2倍以上［25］。

4 结果与分析

4.1　不透水面提取结果

印度不透水面空间分布如图3所示。图3（f）以二值化显示的方式映射了不透水面分布信息，实验提取结果提供了城市及农村居民点分布的准确信息，即包含了城市准确边界以及城市内部结构的语义细节，这为城市规模扩张分析和城镇化进程监测提供了条件。由该图可看出印度不透水面地表主要分布在北部平原和东西部沿海地区，主要表现为以新德里、孟买、加尔各答等为中心的城市群。中南部干旱半干旱地区的大型城市群（如海得拉巴、班加罗尔）也占据了大片的城市用地。相反，由于西部、中部以及西北部地区受地理环境等因素影响，经济发展水平相对较低，这些地区表现出大城市缺乏、居民点离散的特征。图3（a）~图3（e）显示了印度5个人口大于1 000万的城市在2015~2018年不透水面的变化，可看出本研究得到的结果能够将这些高发展水平城市近几年的扩张趋势进行量化分析。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   印度不透水面分布和城市扩张图 审图号：GS（2016）1666

Fig.3   Impervious surface distribution and urban expansion map in India


4.2　精度评估

4.2.1　精度验证

实验以随机点验证的方式对2015年和2018年两期提取结果进行了精度验证。在研究区内随机生成验证点，每期提取结果的透水面和不透水面验证点各3 000个。为保证验证结果的有效性，验证过程基于高分辨率卫星影像进行，对每个随机验证点进行目视解译并记录其状态（即是否为不透水面）。

根据随机点验证结果建立混淆矩阵，计算用户准确度（User’s Accuracy，UA）、制图准确度（Producer’s Accuracy，PA）、总体精度（Overall Accuracy，OA）以及Kappa系数，以此为标准验证结果的准确度。两期不透水面分布数据精度验证结果如表2所示。结果表明，研究区范围内，总体精度均高于91%，Kappa系数均高于0.82，提取结果精度较高。

表2   2015年和2018年印度不透水面提取精度验证结果

Table 2  Accuracy access of impervious surface area in India for 2015 and 2018

2015年提取结果验证2018年提取结果验证
不透水面透水面UA(%)不透水面透水面UA(%)
不透水面2 63836287.932 65734388.57
透水面1732 82794.231462 85495.13
PA(%)93.8588.656 00094.7989.276 000
OA(%)91.0891.85
Kappa0.820.84

新窗口打开| 下载CSV


第二种验证方式采用不透水面百分比验证，在2015年和2018年两期提取结果中分别选择600和300个300 m×300 m验证区域（如图1所示），计算该区域内的不透水面百分比，与真实值进行回归验证，并且与GAIA［10］的2015年产品、Liu等［16］的2015年产品和GHSL［14］的2014年产品进行对比验证，如图4所示。其中本研究2015年和2018年提取结果的拟合值R2分别为0.85和0.86，其他产品R2值基本在0.8以下。对比显示本研究提取结果与参考数据呈现出更好地线性相关，较其他产品精度有明显提高。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   验证区域散点图

Fig.4   Scatter plot of blocks


4.2.2　产品对比

为进一步验证本研究不透水面分布数据的精度，将本研究2018年的提取结果与FROM-GLC 2017v01［17］、GAIA（2015）［10］、GHSL（2014）［14］以及Liu等（2018）［16］的结果进行对比。印度地理环境复杂，图5中比较了6个具有不同自然背景的代表型城市。包括居住区离散且被植被遮挡的城市坎努尔和纳尔巴里、矿产资源型城市丹巴德、地形起伏较大的山谷城市斯利那加、半干旱和干旱为主的城市苏拉特加尔和杰伊萨尔梅尔。图中第1列为2018年Sentinel 2A的假彩色合成影像；第2~5列依次为本研究的提取结果以及其它城市产品，其中白色代表透水面，红色代表不透水面。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   本研究结果与其他城市产品的对比 审图号：GS（2016）1666

Fig.5   Comparing the urban land classifications obtained by our method and other products


通过对比证明了实验提取结果具有很高的精度，以及本研究提出的SAR和光学影像融合提取大尺度不透水面方法的有效性。特别地，相较其他产品，实验提出的方法对于识别低纬度地区（印度北部和西南部——如坎努尔和纳尔巴里）的居民点以及树木、篱笆等混合型人类住区有更好的语义细节。同时，在干旱半干旱地区，实验提取结果和10 m分辨率FROM-GLC产品［17］相较于其他30 m分辨率产品，对城市边界的刻画以及内部细节更具完整性，保证了该类型地区提取结果的准确性。

4.3　LCRPGR城镇化指标分析

根据实验的不透水面提取结果，印度总体不透水面面积由2015年的47 499.35 km2增加到2018年的49 944.69 km2。基于城镇范围与城市人口建立耦合关系所确定的城市范围，印度城市不透水面面积由2015年的26 812.36 km2增加到2018年的29 142.73 km2；城市人口由2015年的22 689.17万人增加到2018年的25 322.33万人；计算得出印度城市平均LCRPGR为0.76。根据上文提到的划分标准，印度城市平均LCRPGR值位于0~1之间，说明印度人口城镇化略高于土地城镇化，印度人口城镇化速度较快，但城市基础设施建设未达到人口城镇化需求，实现可持续发展仍面临挑战。

印度共35个邦（联邦），本研究只分析印度大陆33个邦（联邦）的城镇化指标，其LCRPGR数值分布如图6所示。从图中可看出尽管印度总体人口城镇化高于土地城镇化，但也存在土地城镇化高于人口城镇化的地区。值得注意的是各邦LCRPGR数值存在较大差异，特别是有12个邦的LCRPGR值小于0.5，说明这些地区人口城镇化与土地城镇化严重失衡，制约印度城市可持续发展进程的推进。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   印度邦域LCRPGR统计图

Fig.6   Results of LCRPGR for each Indian state


印度各邦城市LCRPGR数值的空间分布呈现出一定的层次性，如图7所示。各邦LCRPGR数值由北向南逐渐升高；印度东部和西部城市LCRPGR数值普遍小于1，但相较于东部城市来说，西部城市的LCRPGR数值更接近于1，其土地扩张速度与人口增长速度更为接近。城市人口增长速率远大于土地扩张速率（LCRPGR < 0.5）的邦集中分布在东北部和东部的内陆地区；相比于内陆地区，沿海地区的LCRPGR数值更接近于1，其人口城镇化与土地城镇化发展比内陆地区协调，由此可看出印度城镇化发展也存在沿海与内陆的差异。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   印度邦域LCRPGR数值空间分布

审图号：GS（2016）1666

Fig.7   The spatial distribution of LCRPGR for each Indian state


5 结 语

本研究提出SAR与光学影像等多源遥感数据融合的不透水面提取方法，基于GEE平台提取了2015年和2018年两期10 m分辨率印度不透水面分布数据。验证结果显示，两期不透水面分布数据的总体精度高于91%，Kappa系数高于0.82，R2值分别为0.85和0.86。此外，通过与现有其他不透水面产品细节比对，进一步验证本研究提出的SAR和光学影像融合提取大尺度不透水面技术方法的有效性。

根据实验提取结果，计算得出印度城市平均LCR-PGR为0.76，表明印度城市的人口增长速度高于土地扩张速度，城市可持续发展面临挑战。邦域尺度LCRPGR数值分布结合空间分析可发现，印度城镇化存在南北差异、东西差异以及沿海与内陆的差异。

实验利用城市不透水面信息代替建成区来计算土地使用率，两者在计算该指标时是否存在差别还需要进一步研究；联合国提出的SDG11.3.1指标对人口变化比较小或者人口负增长的城市计算结果存在奇异值，这会对城镇化监测与评估结果产生重要影响，未来需要修订或者引入新的指标对该指标进行扩展。实验初步分析了印度城镇化可持续发展水平，但两期数据并不能完全反映城镇化问题，后续将提取更长时间序列的不透水面分布数据，用于镇化指标监测与评估。

综上所诉，实验初步验证不透水面提取结果在联合国指标监测与评价方面的应用潜力，表明本研究提出的方法和生产的高精度高分辨率不透水面遥感数据可以为联合国可持续发展目标提供空间数据和决策支持。未来我们把该方法应用于全球高精度不透水面分布数据的生产，并将其应用到更长时间序列的全球城镇化指标监测与评估。

参考文献

Messerli P， Murniningtyas E， Eloundou-Enyegue P， et al.

Global sustainable development report 2019： the future is now-science for achieving sustainable development

［R］. New York： United Nations， Department of Economic and Social Affairs， 2019.

[本文引用: 1]

Nations United. Department of Economic and Social Affairs， division Population.

World Urbanization Prospects： The 2018 Revision

［R］. New York： United Nations， Department of Economic and Social Affairs， 2019.

[本文引用: 1]

Li Zhili， Kuang Wenhui， Zhang Shu.

Remote sensing monitoring and spatiotemporal pattern of land use/cover change in built-up area of Tianjin in the past 70 years

［J］. Remote Sensing Technology and Application， 2020， 35（3）： 527-536.

[本文引用: 1]

李智礼， 匡文慧， 张澍.

近70 a天津主城区城市土地利用/覆盖变化遥感监测与时空分析

［J］. 遥感技术与应用， 2020， 35（3）： 527-536.

[本文引用: 1]

Cheng Kai， Wang Juanle， Jaahanaa D， et al.

Urban expansion and driving force analysis of ulaanbaatar in mongolia in recent thirty years

［J］. Remote Sensing Technology and Application， 2019， 34（1）： 90-100.

[本文引用: 1]

程凯， 王卷乐， Davaadorj Jaahanaa ， 等.

近30 a来蒙古国乌兰巴托市城镇扩张及其驱动力分析

［J］. 遥感技术与应用， 2019， 34（01）： 90-100.

[本文引用: 1]

Nations United. Department of Economic and Social Affairs， Division for Sustainable Development Goals.

Transforming Our World： The 2030 Agenda for Sustainable Development

［R］. New York： United Nations，Department of Economic and Social Affairs， 2015.

[本文引用: 1]

Sun Z C， Wang C Z， Guo H D， et al.

A Modified Normalized Difference Impervious Surface Index （MNDISI） for automatic urban mapping from landsat imagery

［J］. Remote Sensing， 2017， 9（9）： 942. DOI： 10.3390/rs9090942.

[本文引用: 2]

Chen Xin， Kuang Wenhui.

Remote sensing monitoring and compari son of urban land cover changes in typical cities in China- Kazakhstan arid region based on cloud platform

［J］. Remote Sensing Technology and Application， 2020， 35（3）： 548-557.

[本文引用: 2]

陈馨， 匡文慧.

基于云平台的中哈干旱区典型城市地表覆盖变化遥感监测与比较

［J］. 遥感技术与应用， 2020， 35（3）：548-557.

[本文引用: 2]

Arnold Jr C L， Gibbons C J.

Impervious surface coverage： the emergence of a key environmental indicator

［J］. Journal of the American Planning Association，1996，62（2）：243-258. DOI： 10.1080/01944369608975688.

[本文引用: 1]

Wu M F，Zhao X W，Sun Z C， et al.

A Hierarchical multiscale super-pixel-based classification method for extracting urban impervious surface using deep residual network from worldvew-2 and LiDAR data

［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2019，12（1）：210-222. DOI：10.1109/JSTARS.2018. 2886288.

[本文引用: 2]

Gong P， Li X C， Wang J， et al.

Annual maps of Global Artificial Impervious Area （GAIA） between 1985 and 2018

［J］. Remote Sensing of Environment，2020，236：111510. DOI： 10.1016/j.rse.2019.111510.

[本文引用: 4]

Long Shuang， Guo Zhengfei， Xu Li， et al.

Spatiotemporal variations of fractional vegetation coverage in china based on Google Earth Engine

［J］. Remote Sensing Technology and Application， 2020， 35（2）： 326-334.

[本文引用: 1]

龙爽， 郭正飞， 徐粒， 等.

基于Google Earth Engine的中国植被覆盖度时空变化特征分析

［J］. 遥感技术与应用， 2020， 35（2）： 326-334.

[本文引用: 1]

Fu Tianmeng， Zhang Li， Chen Bowei， et al.

Monitoring of land cover change based on Google Earth Engine platform： a case study of Sulawesi island

［J］. Remote Sensing Technology and Application， 2021，36（1）：55-64.

[本文引用: 1]

付甜梦，张丽，陈博伟，等.

基于GEE平台的海岛地表覆盖提取及变化监测—以苏拉威西岛为例

［J］. 遥感技术与应用，2021，36（1）：55-64.

[本文引用: 1]

Xian G， Homer C.

Updating the 2001 national land cover database impervious surface products to 2006 using Landsat imagery change detection methods

［J］. Remote Sensing of Environment，2010，114（8）：1676-1686. DOI：10.1016/j.rse.2010. 02.018.

[本文引用: 1]

Pesaresi M， Ehrilch D， Florczyk A J， et al. GHS built-up grid， derived from landsat，multitemporal（1975，1990，2000，

2014）

［R］. Brussels： European Commission， Joint Research Centre， JRC Data Catalogue， 2015.

[本文引用: 2]

Esch T， Marconcini M， Felbier A， et al.

Urban footprint processor-fully automated processing Chain generating settlement masks from global data of the TanDEM-X mission

［J］. IEEE Geoscience and Remote Sensing Letters， 2013， 10（6）： 1617-1621. DOI： 10.1109/LGRS.2013.2272953.

Liu X P， Hu G H， Chen Y M， et al.

High-resolution multi-temporal mapping of global urban land using landsat images based on the Google Earth Engine Platform

［J］. Remote Sensing of Environment， 2018， 209： 227-239. DOI： 10.1016/j.rse.2018.02.055.

[本文引用: 3]

Gong P， Liu H， Zhang M N， et al.

Stable classification with limited sample： transferring a 30 m resolution sample set collected in 2015 to mapping 10 m resolution Global Land Cover in 2017

［J］. Science Bulletin，2019，64（6）：370-373. DOI： 10.1016/j.scib.2019.03.002.

[本文引用: 3]

Wang Suyun， Sun Zhongchang， Guo Huadong， et al.

Extracting builtup areas from TerraSAR-X data using object-oriented classification method

［J］. Remote Sensing Technology and Application，2017，32（4）：780-786.

[本文引用: 1]

王苏芸， 孙中昶， 郭华东， 等.

基于面向对象的东营市城乡建设用地信息提取

［J］. 遥感技术与应用，2017，32（4）：780-786.

[本文引用: 1]

Dong Chao， Zhao Gengxing.

Influence of time series data quality on land cover classification accuracy

［J］. Remote Sensing Technology and Application， 2020， 35（3）： 558-566.

[本文引用: 1]

董超， 赵庚星.

时序数据集构建质量对土地覆盖分类精度的影响研究

［J］. 遥感技术与应用，2020，35（3）：558-566.

[本文引用: 1]

Tang Tingyuan， Fu Bolin， He Suyun， et al.

Identification of typical land features in the Lijiang river basin with Fusion optics and Radar

［J］. Remote Sensing Technology and Application， 2020， 35（2）： 448-457.

[本文引用: 1]

唐廷元， 付波霖， 何素云， 等.

基于GF-1和Sentinel-1A的漓江流域典型地物信息提取

［J］. 遥感技术与应用，2020，35（2）：448-457.

[本文引用: 1]

Chen Kangming， Zhu Xudong.

Remote sensing of spatio-temporal dynamics of saltmarsh vegetation along south China coast based on Google Earth Engine

［J］. Remote Sensing Technology and Application，2021，36（4）：751-759.

陈康明， 朱旭东.

基于Google Earth Engine的南方滨海盐沼植被时空演变特征分析

［J］. 遥感技术与应用，2021，36（4）：751-759.

Chen Zihan， Wang Feng， Xu Ning， et al.

Cloud removal by fusing optical and SAR images based on improved PCNN in NSST domain

［J］. Remote Sensing Technology and Application， 2021， 36（4）： 810-819.

陈子涵， 王峰， 许宁，等.

基于改进NSST-PCNN的光学与SAR图像融合去云方法

［J］. 遥感技术与应用， 2021， 36（4）： 810-819.

Sun Z C，Yu S S，Guo H D，et al.

Assessing 40 years of spatial dynamics and patterns in megacities along the belt and road region using satellite imagery

［J］. International Journal of Digital Earth，2020，14：71-87. DOI：10.1080/17538947. 2020.1747560.

[本文引用: 1]

Liu X P， Huang Y H， Xu X C， et al.

High-spatiotemporal-resolution mapping of global urban change from 1985 to 2015

［J］. Nature Sustainability，2020，3：564-570. DOI：10.6084/m9.figshare.11513178.v1.

[本文引用: 1]

Melchiorri M， Pesaresi M， Florczyk A J， et al.

Principles and applications of the global human settlement layer as baseline for the land use efficiency indicator-SDG 11.3.1

［J］. ISPRS International Journal of Geo-Information，2019，8（2）：96. DOI： 10.3390/ijgi8020096.

[本文引用: 2]

Schiavina M， Melchiorri M， Corbane C， et al.

Multi-scale estimation of land use efficiency （SDG 11.3.1） across 25 years using global open and free data

［J］. Sustainability， 2019， 11（20）： 5674. DOI： 10.3390/su11205674.

[本文引用: 1]

Bank World.

World development indicators

［DB/OL］. https：∥databank. shihang.org/source/world-development-indicators. （2018-10-29），［2020-6-10］.

[本文引用: 1]

Kaka N， Madgavkar A.

India’s ascent： five opportunities for growth and transformation

［EB/OL］. –insights/employment-and-growth/indias-ascent-five-opportunities-for-growth-and-transformation.（2016- 8-11）， ［2020-5-15］.

URL     [本文引用: 1]

Sun Z C， Xu R， Du W J， et al.

High-resolution urban land mapping in China from sentinel 1A/2 imagery based on Google Earth Engine

［J］. Remote Sensing， 2019， 11（7）： 752. DOI： 10.3390/rs11070752.

[本文引用: 1]

Rousel J W， Haas R H， Schell J A， et al.

Monitoring vegetation systems in the great plains with ERTS

［C］∥Proceedings of the Third Earth Resources Technology Satellite—1 Symposium； NASA SP-351. 1973： 309-317.

[本文引用: 1]

Xu Hanqiu.

A study on information extraction of water body with the Modified Normalized Difference Water Index （MNDWI）

［J］. Journal of Remote Sensing.2005，9（5）：589-595.徐涵秋. 利用改进的归一化差异水体指数（MNDWI）提取水体信息的研究［J］. 遥感学报，2005，9（5）：589-595.

[本文引用: 1]

Feyisa G L， Meilby H， Fensholt R， et al.

Automated water extraction index： a new technique for surface water mapping using Landsat imagery

［J］. Remote Sensing of Environment， 2014， 140： 23-35. DOI： 10.1016/j.rse.2013.08.029.

[本文引用: 1]

Wu W， Li Q， Zhang Y， Du X， et al.

Two-Step Urban Water Index（TSUWI）： A new technique for high-resolution mapping of urban surface water

［J］. Remote Sensing，2018，10（11）：1704. DOI： 10.3390/rs10111704.

[本文引用: 1]

Olson D M， Dinerstein E， Wikramanayake E D， et al.

Terrestrial ecoregions of the world： a new map of life on earth： a new global map of terrestrial ecoregions provides an innovative tool for conserving biodiversity

［J］. BioScience，2001，51（11）： 933-938. DOI： 10.1641/0006-3568（2001）051［0933：TEOTWA］2.0.CO；2.

[本文引用: 1]

Xu Rong， Zhang Zengxiang， Zhao Chunzhe.

Different models used in extraction of lake water body based on MODIS date

［J］. Remote Sensing Information， 2015， 30（1）： 111-118.

[本文引用: 1]

徐蓉， 张增祥， 赵春哲.

湖泊水体遥感提取方法比较研究

［J］. 遥感信息， 2015， 30（1）： 111- 118.

[本文引用: 1]

Li Peilin， Liu Xiaoping， Huang Yinghuai， et al.

Mapping impervious surface dynamics of Guangzhou downtown based on Google Earth Engine

［J］. Journal of Geo-information Science， 2020， 22（3）： 638-648.

[本文引用: 1]

李培林， 刘小平， 黄应淮， 等.

基于GEE平台的广州市主城区不透水面时间序列提取

［J］. 地球信息科学学报， 2020， 22（3）： 638-648.

[本文引用: 1]

Kapur J N， Sahoo P K， Wong A K C.

A new method for gray-level picture thresholding using the entropy of the histogram

［J］. Computer Vision，Graphics， and Image Processing， 1985，29（3）：273-285. DOI：10.1016/0734-189X（85）90125-2.

[本文引用: 1]

Batty M.

The size， scale， and shape of cities

［J］. Science， 2008，319（5864）：769-771. DOI：10.1126/science.1151419.

[本文引用: 1]

Dong Lei， Wang Hao， Zhao Hongrui.

The definition of city boundary and scaling law

［J］. Acta Geographica Sinsce，2017， 72（2）： 213-223.

[本文引用: 1]

董磊， 王浩， 赵红蕊.

城市范围界定与标度律

［J］. 地理学报， 2017， 72（2）： 213-223.

[本文引用: 1]

Dijkstra L， Poelman H.

A harmonised definition of cities and rural areas： the new degree of urbanization

［R］. WP， 2014， 1： 2014.

[本文引用: 2]

United Nations Human Settlements Program.

Module 3： Land Consumption Rate

［R］. New York： United Nations，Department of Economic and Social Affairs， 2018.

[本文引用: 1]

/

〈 〉