Urbangrowth城市变化检测.

阅读文献报告汇报人：郭平2015-8-11Thefirstpaper：UrbangrowthoftheWashington,D.C.–Baltimore,MDmetropolitanregionfrom1984to2010byannual,Landsat-basedestimatesofimperviouscover从1984-2010年每年基于Landsat影像的不透水覆盖面评估，来估计从华盛顿特区-巴尔的摩城市区的城市增长Acharacteristiclandcoverandindicatorofurbanlanduseisimpervioussurfacecover,acategorygroupingallsurfacematerialsthroughwhichprecipitationdoesnotpenetrate,includingpavedroads,sidewalks,parkinglots,buildings,andotherbuiltstructures.城市土地利用的一种特征性土地覆盖和指标是不透水的表面覆盖，这种表面覆盖通过降雨渗透量来分类所有地表覆盖类型，包括铺设道路，人行道，停车场，建筑，和其他建筑结构。。城市不透水表面产生了“城市河流综合征”（沃尔什等人。，2005）城市表面也会产生“热岛效应”（Oke，2006）土地利用动态表现出时间的非线性和空间的异质性，它是由复杂的社会经济和生态环境的相互作用所引起的（兰宾等人。2003）。JensenandCowen（1999）认为要监测城市化变化，要以1–5年为时间基础。这类似于Lunetta等人的建议（2004）：每三年监测一次森林变化。不透水表面在一个空间尺度范围内，已经能通过使用各种数据源和方法来远程感知。几个全球土地覆盖数据集包括了城市类别（例如，Friedl等人，2002；汉森等，2000；拉夫兰等人，2000；力等人，2009；肖等人，2005），但这样的数据集的粗分辨率的不足以表现在城市，城镇和定居点的空间变化。利用人为构造的独特几何图案、高分辨率（B5m），这些都已用于人工数字化和图像的自动分割方法来检测防渗覆盖数据（例如，戈茨等人。，2003；托马斯等人。，2003）。马塞克等人（2000）从1973年到1996年的大跨度来在华盛顿城市区监测城市化变化，通过减去由陆地卫星多光谱扫描仪（MSS）和专题制图仪（TM）传感器所记录的NDVI图像。最近，尹等（2011）检索了四副从1979到2009年间的陆地卫星数据的时间序列，来观察在上海大都市区发展的长时间的加速度taubenböCK等人（2012）结合利用大约1975，1990，2000，2010的Landsat图像和2010年的InSAR数据来监测27大城市约10年间的城市增长。Suarez-Rubioetal.(2012)等采用光谱端元分析，决策树，分类后的形态学分析来评估华盛顿周围城市远郊的发展城市及周边郊区是地球上土地利用最快的地区。城市不透水表面影响着水文和能量平衡、以及生态系统的生物组成和功能。虽然数据集记录了在粗略时间间隔上多个时间段的城市增长，但仍然不能满足高频跨越几十年观测的需求。本文描述了一个经验的方法来检索长期记录的不透水表面覆盖的时间序列陆地卫星图像，使用快速增长的华盛特区巴尔的摩都市区作为各种变化动态性的典范。该文章利用一个实证方法从Landsat卫星影像存档中，利用1984年到2010年的影像来检索年度的、长期连续的不透水表面覆盖区域，并将其应用于华盛顿哥伦比亚特区。随着时间的推移来调整和运用一个单一回归模型，该方法依赖于一个多年度的高分辨率不透水覆盖层的训练样本，该高分辨率不透水覆盖层和年内和年际的Landsat卫星图像合成相关。研究区概况：条带号15和行编号33的一景Landsat影像数据，包含了美国东部海岸的华盛顿哥伦比亚城市区。植被以落叶林为主，土地利用主要是农业用地、许多城镇和一些都市群数据有多年的不透水表面GIS矢量数据，预测数据主要是1984到2010年的Landsat数据，除了2009年有积雪覆盖，数据不可用。2.2.1referencedata这些数据被推广到普通二进制透水/防渗方案，转化为一个相同的地理投影，栅格化到1m分辨率和在Landsat的30m分辨率卫星影像上重采样为连续图像。85%的ISC像素作为训练样本进行模型拟合，其他15%被随机采样作为验证试验样本。选择了Landsat-5(TM)多季节的影像。横轴是年份，纵轴是天数，黑框是参考数据式中下标i指的是像素的空间位置，t指的是像素在时间上的位置。ISC可以转化为不透水表面覆盖。ISC不透水覆盖表面模型图为随着时间变化，森林、高密度城市、低密度城市像素的标准化和归一化的冬季平均表面反射率值。Validation这些预测图像通过合成和归一化处理，最大限度地区分不连续的裸露农地的不透水表面，使由物候、太阳光照和大气噪声所引起的年际间变化最小。最后的数据集是一个连续的场，代表着从1984到2010年，在30米水平和年度的时间分辨率上的不透水表面覆盖。平均误差约为±6%，伴有由于冬季图像中的大建筑物的阴影所造成的异常值。该地区的不透水表面盖在27年间从881增长到1176平方公里（平均年增长约为2平方公里/年），地方各市在发展速度方面也有很大的变化。在不同的地点和时间下，包括发展的强化和扩展、以及自然地区的碎片和分离在内的模式在影像上清晰可见。在研究时间域内，既没有发现任何一个市县的不透水面减少也没有发现城市发展在减速。这些研究结果表明，在LandSat卫星存档影像的空间和时间尺度上，使用定标后的Landsat影像密集的时间栈来进行不透水覆盖率的实证检索是可能的。研究还表明，这样的长期记录可以提供新的机会来分析土地利用模式及其潜在的起因，以提高对社会经济过程和人类-环境相互作用的认识。研究结果虽然最近基于多时相的土地覆盖图的研究显示，加速率和发展方式的改变（例如，怀特赫斯特等人。，2009；尹等人。，2011）（这些模式在时间上需要至少三次观察）目前还没有长期一致的土地覆盖记录来支持更强大的推理方法。讨论：Long-termretrievalofimpervioussurfacecoverfromtheLandsatarchive对Landsat存档影像上的不透水表面覆盖长期的检索Acallforlong-term,consistentrecordsofland-coverchange需要长期的、一致的土地覆盖变化记录Thesecondpaper：Monitoringlandcoverchangeinurbanandpen-urbanareasusingdensetimestacksofLandsatsatellitedataandadataminingapproach运用Landsat卫星数据的密集时间堆栈和数据挖掘方法，监测城市和近城区的土地覆盖变化要处理的高时相和高空间变异性以及居住地内复杂的、多特征的地类，本文提出了一种新的方法，该方法利用Landsat影像密集时间堆栈中的多季节的信息，利用多日期复合变化检测技术来检测。该方法的核心前提是，城市/城区附近的土地在变化发生之前和之后有明显的时空轨迹，而时空轨迹在几个波段上产生了独特的时相特征。城市地区的制图仍然是一个复杂的挑战，然而，由于多种材料的现势组合和城市特征尺寸/形状的变化，导致像元间不同的“混合”（Small&Lu2006路）。高空间分辨率的VHR数据（1–4m）使解决这些问题有了很大的希望，而且有方法已经能使增加的城市空间细节特征化(Banetal.,2010;DelFrateetal.,2007).变化的速度非常快时，密集的存档以及这些数据实时采集也是有利；例如，在中国的城市，城市化的规模和速度必须在数年而不是几十年来监测一次（Ma，2004）。此外，研究表明，监测多个周期变化（三个或更多）的关键是通过时间和空间理解城市形态的复杂驱动力，以及预测未来土地利用变化趋势（Seto&Kaufmann,2003）。近期，利用密集、多时相数据集的应用，受益于转换后数据的最大保留性，如波段极大值极小值和平均值（Friedletal.,2010;Hansenetal.,2008）研究区位置图在成都西南城乡建设用地和耕地多光谱观测，从大约2000–2001年30m分辨率LandsatETM+数据（近红外，短波红外和红光波段设置为红绿蓝）收购：（a）冬，（b）春，（c）夏和（d）秋。供参考，同一区域使用高分辨率真彩色QuickBird图像显示在（E）方法和数据预处理收集和处理Landsat影像通过目视解译选择训练样本（稳定的和变化的区域）评估分类交叉验证应用分类结果到研究区制图处理和精度评价得出最终的土地覆盖变化图各种分类方法得出的分类精度，结果通过交叉验证评估Landsat卫星影像的每个组合和变换特征（NDVI，波段测量），分别采用最大似然分类器（最上面一排），改进的决策树（中间行），支持向量机（下面一行）。对于试验，训练样例随机分十次用于创建图像，来产生训练（80%）和试验（20%）数据集，然后十个分类结果平均的估计整体精度和分类精度各种分类器分类结果显示出最大似然分类器，改进决策树，支持向量机为三个硬分类区域的变化：在昆明附近多期城市扩张（第一行），成都外围（中间行）一个城市核心的发展，西安城市扩展到村庄（下一行）。参考数据，是谷歌地球图像（4米分辨率）和Landsat卫星数据（30米分辨率，短波红外，近红外，红绿蓝波段）。结果：在三个不同大小、不同的生态气候条件和不同发展速度或发展模式的研究领域，五个时间段内（1988––1995，19962000，20012004––2003，2006，2007–2009），用三种分类方法（最大似然法，提高了决策树，支持向量机）来测试它们在监测扩张变化上的能力。结论决策树和支持向量机的表现都优于最大似然法（90–93%，总体精度比65%），但决策树缺失数据的处理上更好。添加变换功能（例如对Landsat卫星数据堆栈的波段测量）提高了1%至4%的精度，而减少功能（设计模仿噪声或丢失的数据）的实验导致降低了的1%到9%的精度。这个方法捕捉了大于98%的村庄居民地，也证明了在监测城市核心外围的周边城市化是特别有效的。本文方法依赖于监督分类，利用从谷歌地球影像上解释来的稳定或变化地区的训练数据，和一种提供所有可用的卫星数据作为输入的“蛮力”方法，包括由于扫描行校正器（SLC）问题所引起数据差距的场景。讨论谢谢！Thanksforyourattentions！