通过遥感评估城市环境中不透水地表的变化外文翻译资料

 2022-08-15 15:27:16

英语原文共 15 页，剩余内容已隐藏，支付完成后下载完整资料

通过遥感评估城市环境中不透水地表的变化

摘要: 人口的快速增长和城市建筑面积的扩大已导致自然景观转变为不可渗透的表面。基于遥感的不透水表面积（ISA）的评估已成为评估城市水资源枯竭的重要指标，并在土地利用变化及其对城市水文学的潜在影响之间建立了联系。在目前的工作中，对印度国家首都地区（NCR）增长最快的城市之一的新奥克拉工业发展管理局（NOIDA）城市进行了基于遥感的不透水表面（ISA）。通过应用线性光谱混合分析（LSMA）技术监测不透水表面的生长速度，使用多时相LANDSAT热数据计算了2001、2007和2014年NOIDA的不透水表面面积（ISA）。

通过分析多时相卫星图像观察到的结果表明，该城市ISA的增长出现了极端的时空变化。2001年观察到的ISA为28平方公里；在2007年，它的面积增加了48平方公里，到2014年增加了132。通过使用卫星数据可以观察到这项工作的结果，这对于水资源管理，ISA计划水文学的影响的规划和预测非常重要。

关键字：城镇化不可渗透表面积（ISA），LANDSAT，国家首都地区。

介绍：人口的增长及其向城市地区的迁移是发展中国家的主要环境问题，到2050年，预计全球约70％的人口将生活在城市地区。

尽管由于环境问题突出，但城市化进程不能停止。另一方面，城市化的计划和不科学增长的影响却不能忽视，因为它对城市环境和自然资源造成了严重影响。数字卫星数据，空间信息和计算机辅助制图技术的使用已成为现代地球和环境监测的关键因素。这不仅将收集数据，而且更重要的是，还将做出以不同的规模和时间跨度为用户社区的政府决策和环境管理，编制索引并通过操作将其转化为可处理的信息。

在过去的二十年中，世界人口急剧增加，出现了新的特大城市，现有的城市也变得越来越人口稠密。新的特大城市和城市人口的快速增长使城市更容易受到环境和经济转型的影响，尤其是城市和郊区温度。在转变为不可渗透的表面的过程中，生态环境，水资源的增加，以及对自然土地利用受到影响最严重。

城市化直接影响城市的水文循环以及城市水文系统中的生化和物理变化，因此对本地和区域环境造成了广泛的环境挑战。城市不透水地表的上升趋势，地表径流率高和当地气候是城市流域水文变化的主要因素。

不可渗透的表面积增加是城市化的结果，这对水文循环产生了重大影响，城市的水文地质学导致径流增加和补给量减少。

市区的不透水表面主要是人造的城市公用设施结构，例如道路，人行道，停车场，车道，住宅区和铺好的市场，因为它们覆盖有不可渗透的材料，例如沥青，混凝土，砖块，屋顶，甚至是土壤压实并表现为不透水的表面。不透水表面的发展被认为是环境变化的指标，并且是水文循环模拟的重要输入参数。众所周知的事实是，由于透水面变为不透水面，从而减少了自然补给现象，城市化可能对城市水文学产生重大影响。研究表明，城市土地利用的变化和不透水面积的增加对城市的水文设施和水资源产生了非常不利的影响，如减少地下水的补给量和基流量，地表径流，雨水问题，城市洪水，城市发展、城市热岛（UHI）与生态环境问题。

最近，研究人员报告了大量研究，通过应用数字图像分析技术来识别和监测城市不透水表面的变化。他们使用了多时相LANDSAT TM / ETM光谱分解法提取和评估不透水表面积的图像，得出的结论是，多时相卫星图像是一个非常有用的数据库，可用于不透水表面积的估计和城市地区的水资源管理。

基于卫星的技术已经显示出其在绘制城市区域图和生成空间数据库以进行未来城市规划和增长评估方面的潜力。遥感技术提供了空间上一致的数据集，这些数据集覆盖了具有高时空分辨率的大面积区域，并提供了用于城市变化分析的一致的历史时间序列数据。城市化与环境变化之间存在正相关关系，例如不透水面和城市热岛（UHI）的增加以及地下水的枯竭。

城市流域不透水表面积的增加趋势是土地利用变化的重要环境和社会经济指标。城市及其周边地区的增长速度非常快，是影响城市生态系统水文和地球化学循环的城市不透水地表的主要增长来源。同时，全球已进行了大量研究，以利用多时相卫星数据估算和监测ISA的变化。

最近，Rai和Saha（2015）和Kikon等人（2016）使用遥感和实地数据研究了城市化和其他人为压力对国家首都区自然资源和环境的影响，他们得出结论，意料之外的短期增长对自然资源和国家首都区的环境（NCR）产生了非常严重的负面影响。

本工作的主要目的是通过使用多时相卫星图像及其对城市水文和水资源的可能影响进行分析，评估城市化和将自然土地覆盖物转化为城市建成区的影响。

城市地理设置

新俄克拉荷州工业发展局（NOIDA）是印度首都国家首都地区（NCR）的重要工业机构之一。NOIDA市属于北方邦的Gautam Budh Nagar区。本研究的研究范围包括约203平方千米的总地理区域，介于经度77180 E至77300 E和纬度28240 N至28370 N之间。它的西部和西南部与亚穆纳河接壤，北部和西北部与德里市接壤，东北部与德里和加兹阿巴德市接壤，东北部，兴登河则与东北，东部和东南部接壤。诺伊达一年中的大部分时间都是高温潮湿的气候。夏季，即三月至六月，天气仍然很热，温度范围从最高48摄氏度到最低28摄氏度。季风季节在6月中旬至9月中旬盛行，平均降雨量为93.2厘米（36.7英寸）。），但有时经常下大雨会导致洪水，并且在冬季高峰时温度约为4摄氏度。792 mm为平均年降雨量。

城市通常具有平坦的地形，从东北到西南的坡度逐渐在0.2到0.1之间变化。东北Karthala Hanaper村附近的最高海拔最高为204 m，而西南部Geri Village附近的最低海拔最高海拔为195 m。NOIDA位于相对于其周边地区的最低点，该地区的总体水位低于亚穆纳河的高洪水位。NOIDA于1976年4月17日正式成立。该城市是根据北方邦工业区发展法案创建的。它是整个NCR中人均收入最高的地区，并且人口密度很高，每平方公里约2463人。住宅用地的实际开发量超过了2011年的预期。过去十年中人口的高增长率反映了这一情况。NOIDA几乎占该国国内生产总值（NDP）的4.8％，这主要是因为该国靠近德里，该国是经济活动的主要枢纽之一。该带的人均收入是最高的国家之一，比该国的平均水平高出近22％。所有这些使NOIDA的发展无所适从，并给诸如水资源之类的自然资源造成压力。

NOIDA市位于印度中部两个重要河流系统Yamuna和Hindon的汇合区；两条河流都是该地区水资源的生命线，构成了印度恒河平原潜在的含水层系统之一。

数据集

要估算ISA，需要使用LANDSAT-5，LANDSAT7 ETM的三幅图像，分别使用了2001年10月25日，2007年1月26日和2014年9月9日获得的NOIDA的LANDSAT-8（Path / Row / 146/40）。数据采集​​具有清晰的大气条件，并且图像是通过USGS地球资源观测系统数据中心获得的。将图像进一步重新投影到北半球的通用UTM投影区43。lANDSAT图像经过辐射校正。但是，为了计算辐射值已进行了校正。辐射图像用于提取末端成员，例如土壤，高反照率，低反照率和植被分数。高反照率和低反照率之间的差异给出了从市区反射的辐射。表1显示了本工作中使用的数据的详细信息。

方法

市区是一个由异质材料组成的复杂生态系统，在这些材料中仍然存在一些概括性成分。

RIdd将城市生态系统分为三个部分：不透水的地表材料，绿色植被和裸露的土壤，而忽略水面。异质材料包括混凝土，沥青，金属，塑料，土壤覆盖物，建筑物，公路和道路。

其中一些材料形成了与图像不同的各种特征，而其他一些例如树木和单个建筑物以及其他城市特征则由于传感器的空间分辨率差而无法识别。这导致像素值混合的问题，其中一个像素包含多个土地使用类别而不是一个土地使用类别。这种混合的土地利用问题给遥感中的传统分类器提出了巨大挑战，这些传统分类器无法处理复杂的城市景观。为了准确检查不透水表面的变化，应用了V-I-S模型。V-I-S模型将图像陆地区域中的每个像素感知为三种类型的土地覆盖物的混合物：植被（V），不透水表面（I）和土壤（S）。为了推断城市中不透水表面的总面积，必须首先得出每个像素中不透水表面的比例，并应用线性光谱混合分析。

本文采用ENVI图像处理软件对卫星图像进行数字图像处理，以评估NOIDA市2001、2007和2014年的不透水表面积（ISA）。流程图显示了所应用的卫星图像处理方法和重要产品的生成方法的详细信息。

NDWI的创建和水掩膜

从过去的研究和重要研究工作的回顾来看，有理由认为，由于水很难与低反照率的最终成员分开，因此MNF转换更好地为水域创建遮罩或从LANDSAT TM图像中减去水域。可能会影响最终成员的分解结果。

归一化差异水指数（NDWI）是卫星衍生的近红外（NIR）和短波红外通道的指数，它是植被液态水的良好指标，对大气的敏感性较低。（从NWDI观察到的结果用于遮盖水域，方法包括三个步骤来计算NDWI，确定阈值水平，然后遮盖所有图像的水域）。

从LANDSAT热波段估算反射率

根据Markham和Barker提出的方法，将图像转换为归一化的大气反射率度量。

最终成员选择

根据Wu（2004）所建议，将LANDSAT频谱带进行归一化，然后使用最小噪声分数（MNF）变换将其变换为正交子集。MNF变换用于确定图像数据的固有维数，以隔离和均衡数据中的噪声，并减少其他计算要求的噪声。变换产生了六个最终特征值和相干特征图的图，并且发现大多数空间相关值以MNF分量的低阶表示。下一步是根据可用的光谱库和纯像素索引（PPI）方法来识别区域的潜在末端成员，以识别末端成员的光谱特征。

通过在N-d可视化仪中绘制低阶MNF分量的纯像素子集来选择LSMA的末端成员，这是一种交互式工具，用于定位，识别和聚类数据集中的最极端光谱响应。

一旦被识别为绿色植被，低反照率，高反照率和土壤末端成员，像素就有望应用于线性光谱分解算法，该算法适用于低阶本征图像的逆MNF变换。倒置了四个端构件模型以使用约束选项将端构件分数转换为强制输出和为1。将末端成员图像放在Wu和Murray（2003）给出的公式中，估计不透水的表面积，并使用鱼网网格确定不透水的表面的准确性。

光谱混合分析（SMA）用于确定像素内不可渗透的表面积，并用于将混合光谱建模为“纯”土地覆盖类型的光谱组合，称为最终成员。使用最小噪声分数（MNF）变换将LANDSAT反射数据转换为正交子集，MNF确定固有维数，并通过对噪声和标准原理分量进行加白来分离数据中的噪声。

通过在N维可视化器中绘制低阶MNF分量的纯像素子集来选择LSMA的末端成员，以收集数据集中的极端光谱像素和变换反射率的分布。用于四组分混合模型的3D数据特征空间和所有LANDSAT图像的最终端光谱都非常相似；一旦被识别为植被，水或低反照率和高反照率表面，则使用低阶特征值图像的逆MNF变换将端成员导出到线性光谱分解算法。

在MNF转换中，通过使用相干部分将噪声与数据分离，从而改善了频谱处理输出。先前的研究表明，使用MNF变换可以提高馏分图像的质量。

线性光谱混合分析

线性光谱混合模型已广泛用于城市混合像素分析。通常，在城市地区，单个像素具有多种土地使用方式。在线性光谱模型中，假设一个像素的光谱特征是使用权重因子与其比例进行线性组合，并且它们会生成一组表示每个分量的丰度图。于从混合像素签名中提取频谱签名的完全约束LSMA方法需要两个要求：（1）和对一约束和（2）非负约束。线性光谱混合分析（LSMA）物理上是基于图像处理方法的，该方法假定传感器测量的光谱是像素内所有成分的光谱的线性组合。线性光谱混合模型使用2到6个ETM 末端成员来描述图像每个像素中的表面成分。图片，并且每个端部成员代表一个纯土地覆盖类型。

末端成员的选择必须遵循以下条件：（1）末端成员必须彼此独立；（2）末端成员的数量应小于或等于所用光谱带的数量；以及（3）选定的光谱带不应高度相关。图像末端成员是最合适的，因为它们易于获得并且能够表示以相同比例的图像数据测量的光谱。图像末端成员是从图像特征空间的极端派生而来的，并且假设它们代表图像中最纯的像素。

防渗表面积（ISA）估算

通过求解完全受约束的四个末端成员线性混合模型（例如高反照率，低反照率，植被和土壤覆盖率）来计算末端成员分数。

植被比例图包括种植面积，公园，高尔夫球场和农田。土壤分数图像包含裸露的土壤区域。

准确性评估

准确性评估是至关重要的一步，主要用于分类的数字卫星数据，以根据区域和现场调查的实际土地使用情况检查分类的准确性。线性混合模型用于计算图像中端部成员的丰度和RMS误差，从而显示每个像素的误差分布。表2中显示了运行LSMA模型的所有三年图像的RMS误差。图像的平均RMS误差分别为0.0033、0.0013和0.0034，这表明一些总体上令人满意的结果，因为误差为小于0.015。RMS误差图像表明，该模型非常精确地表示了住宅，植被，土壤和水体，而在高反照率区域（如正在建设的区域和河岸附近的沙土覆盖）很少的情况下，该性能不是很好。与高分辨率的Google图像相比，这些图像已被划分为鱼网网格，用于验证植被，土壤和不渗透区域等区域。通过该区域的总体规划检查不透水表面的面积，并通过GPS接收器进行野外勘测

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[414432]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章