0 引言

城市化体现了人类活动对自然环境的改造，其对地表覆盖的影响集中表现为大量不透水面的增加。城市化对生态环境的影响亦多来自不透水面对生态环境的影响。研究表明，不透水面的面积大小和分布是城市化对环境造成影响的重要因子，可为城市管理和环境监测的决策提供有效支持[1-5]。然而，城市不透水面的准确估计仍是一项具有挑战性的课题，传统的实地工程测量和航空摄影测量不适用于大范围不透水面的估算和更新。卫星遥感影像已成为大范围估算城市不透水面的主要方法，但国内外研究表明，不透水面种类多样，卫星遥感成像过程复杂，利用遥感技术精确提取不透水面信息至今仍具有挑战。不同方法随着区域特征、气候特征、水文特征等的变化都有很大的不稳定性。目前，利用遥感技术监测大范围城市不透水面主要包括混合光谱分析、回归树分析、人工神经网络、支持向量机等方法。总体上，这些方法可分为三大类：

(1)基于亚像元分解的方法。这类方法的理论基础是Ridd提出的描述城市生态系统的V-I-S(Vegetation-Impervious Surface-Soil)模型[6]，认为除去城市中的水体，城市由植被、不透水面和土壤3种基本元素构成。因此，在遥感图像中，每个像素的光谱都可以认为是这3类基本元素共同作用的结果，而不透水面的提取则是从每个像素的光谱信息中分解出不透水面分量的过程。在此基础上，Wu等提出一种基于光谱混合分解(SMA)的方法，该方法为线性模型，其将每个像素分解为4个分量：植被、土壤、低反射分量和高反射分量，而不透水面则是低反射分量和高反射分量的线性组合[7]。其后，Wu发现同一地物类型在不同地方的光谱也有变化，这不利于光谱混合分解，于是提出了光谱归一化混合分解模型(NSMA)，使同一类地物的光谱归一化后趋于一致，从而提高了不透水面的提取精度[8]。Weng等在确定基本组成元素之后，分别应用线性光谱混合(LSMA)模型和人工神经网络(ANN)模型进行光谱混合分解，最后进行不透水面提取和结果比较，其研究表明，多层ANN提取不透水面的精度总体上比LSMA提取的精度高1%～2%[9]。支持向量机(SVM)也被证明可有效提取不透水面百分比信息[10,11]。此外，通过其他光谱混合分解提高光学遥感数据不透水面提取精度也得到了进一步的发展[12-15]。在国内，也开展了一系列应用光谱混合分解提取城市不透水面的相关研究。廖明生等应用分类回归树(CART)算法进行城市不透水面提取和变化检测[16]；张路等利用4种光学遥感影像对深圳市不透水面的提取进行研究[17]；曹丽琴等将Fuzzy ARTMAP算法应用在不透水面提取中[18]；李波等将热红外遥感与光谱分解技术结合用于估算不透水表面[19]；程熙等提出了一种全域—局部的不透水面提取模型[20]。

2) Wλ=1，WMAC=0.2，wp=0，以1∶6阶模态频率和1∶6阶振型相关系数为目标(图7-图9)。

探索是有益的，同样也是需要付出的。家道家政从清洁服务领域进入母婴护理领域，最需要的是专业人才、技术与管理。家政服务从业人员具有流动性大，范围分布广的特点。每年，既有德阳本地人员到北上广等大城市从业，也有从大城市回来就业的本地人员。虽然本地有很多家政服务人员，但是很多人的专业技术急需提升，而大城市的人才回流，正好弥补了专业人才不足的困局。在这样的背景下，家道家政在推出母婴服务的第一时间，成立了家道家政职业培训学校，聘请医院的妇产科及儿科医生、护士长和经验丰富且语言表达能力强的资深月嫂作为专业的师资，探索出家道母婴职业技能培训之路。

(2)基于逐像元的分类方法。这类方法认为一个像素只有属于不透水面或非不透水面两种情况。随着空间分辨率的增加，图像中纯净像元的数目也大大增加，因而可以认为一个像素属于透水或不透水面[21-23]。Hu等采用面向对象分类方法对高空间分辨率遥感图像进行不透水面提取[21]。然而，尽管空间分辨率的增加提高了纯净像元的数目，但混合像元仍大量存在于不同地物之间的边界上[24]。此外，采用合成孔径雷达(SAR)数据提取不透水面[25]，以及采用光学和SAR融合提取不透水面的技术[26-28]，也采用逐像元的分类策略。

运用SPSS软件分析变量间的相关系数矩阵内部结构，将变量进行重新组合，利用数学工具将众多的原变量组成少数的独立的新变量。EFA主要步骤见图1。

然而，从所用数据看，已有不透水面提取研究仍然以光学遥感数据为主，部分研究使用了SAR数据、统计数据和激光雷达数据。大量研究表明[25,34-38]，SAR遥感应用于亚热带城市不透水面提取具有独特的优势：1)SAR遥感具有穿透云层、全天候工作的优点，在多云多雨区遥感监测中具有独特的优势；2)由于微波后向散射对地表水分敏感，会对不透水面的提取提供重要依据；3)可区分大量降水形成的可变源区域(VSA)与暗不透水面形成的光谱混淆。但Jiang等的研究表明，单纯采用SAR遥感数据提取不透水面，其结果不如仅采用光学遥感数据的结果[39,40]。SAR遥感数据能够在一定程度上补充光学遥感数据，近年来，将不同类型的SAR数据与光学数据融合，可提高城市不透水面的提取精度[22,27,28,41,42]。此外，也尝试将不同层次的融合算法用于光学和SAR技术融合，结果表明，像素级、特征级和决策级的融合层次，均可在一定程度上提高不透水面的提取精度[26,43]。然而，如何扬长避短，将不同极化方式、不同波段的SAR数据与光学数据融合，从而最大限度地提高不透水面提取精度，仍需要深入研究。本文旨在分析不同SAR卫星数据在特征级上与光学数据融合后提取不透水面的效果，从而为进一步利用不同极化、不同波段的SAR数据提取不透水面研究提供依据。

1 研究区和数据

对SAR遥感数据后向散射系数的分析，一是基于像素特征的分析方法，二是先应用纹理分割方法对双极化SAR图像进行分割，然后对每一种纹理进行分析。已有研究表明，基于纹理特征的分析方法更适合于SAR图像后向散射系数分析[48-50]。目前，用于SAR图像的纹理分析方法主要包括：基于直方图的统计量、基于GLCM各种纹理统计量、分形维数、马尔科夫随机场模型、半方差函数和小波变换等[37,47]。根据前期对单极化SAR数据的分析结果，本研究采用基于GLCM的纹理统计量进行SAR数据后向散射系数分析[28]。

利用村庄附近自然出漏的山泉水，进行小范围的开挖，开挖以不破坏泉水的自然出流为前提，开挖深度一般较浅，并砌筑集水前池，集水前池多采用浆砌石或混凝土结构，容积依泉水出水量而定，集水前池对泉水进行汇聚，可弥补泉水出水量的不足，同时提升自流引水时水头压力或者为提水泵站储蓄充足的可利用水量。

(3)基于不透水面指数的方法。不透水面指数可用来表征某像元属于不透水面的倾向性，可快速且自动地从遥感数据中提取不透水面信息，是不透水面提取的一个重要发展方向。徐涵秋首先提出了归一化差值不透水面指数(NDISI)，并应用于城市不透水面自动提取[29,30]。随后，Deng等根据城市区域环境，在缨帽变换的基础上，提出了生物物理组成指数(BCI)[12]；Sun等从增强热红外数据的角度，基于组合城市指数(CBI)和归一化植被指数(NDVI)，提出了一种综合的分层不透水面指数(MNDISI)[31]。针对大面积的不透水面提取，Liu等提出了基于归一化水体指数(NDWI)和增强植被指数(EVI)的归一化城市区域复合指数(NUACI)[32]；Guo等提出了基于夜光数据和地表植被数据(Proba-V)的改进型不透水面指数(MISI)[33]。

研究区受亚热带湿润气候影响，属于多云多雨地区，全年大部分时间受云层影响严重[44,45]，单独采用光学遥感进行不透水面提取极具挑战，因而需要采用不受云覆盖影响的SAR遥感对城市不透水面进行连续监测。本研究采用的卫星数据包括同一时期的SAR数据和光学遥感数据：1)光学遥感数据采用SPOT-5数据，4个波段，其空间分辨率为10 m；2)C波段的ENVISAT ASAR数据，IM模式，VV极化方式，空间分辨率约为12.5 m；3)L波段的ALOS PALSAR数据，PALSAR的Fine模式，极化方式为HH/HV，空间分辨率约为16 m；4)TerraSAR-X数据，StripMap模式，VV极化方式，空间分辨率约为3 m。数据的预处理主要包括几何校正、辐射校正、噪声滤波以及光学与SAR数据的图像配准。所有的SAR数据都采用数字高程模型(DEM)进行地理编码，并与光学影像的坐标系保持一致，即WGS 1984坐标系和UTM 50N投影。对SAR遥感数据的预处理还采用Enhanced Lee滤波器进行滤波，以降低相干斑噪声对后续分析的影响。在数据预处理阶段，关键是光学和SAR数据的配准，本研究针对传统方法中控制点选取的限制，采用一种由人工选择控制点的半自动化配准方法，配准的均方根误差(RMSE)控制在10 m以内(即光学数据SPOT-5影像的一个像素以内)。

2 方法

2.1 特征提取

本研究采用基于混淆矩阵的分类精度评估方法[52]。首先，利用Google Earth中同一时期的高分辨率卫星影像和香港政府提供的2008年11月的高分辨率(0.5 m*0.5 m)航空影像DOP5000进行光学图像的目视解译，分别获取训练样本和验证样本，对于高分辨率影像中难以通过目视解译识别的类别，分别在2013年、2016年和2017年进行了野外调查，用以辅助高分辨率影像的解译；然后，根据采集的样本点计算分类结果的混淆矩阵，从而计算不透水面提取的总体精度(OA)、Kappa系数、用户精度(User′s Accuracy)和制图精度(Producer′s Accuracy)。

香港岛位于香港南部(图1)，与九龙半岛隔维多利亚港相望，行政上包括中西区、湾仔区、东区和南区，有约127万人，占香港总人口的17.97%，是香港最繁荣的区域。香港岛大部分以山地为主，城市化集中在环岛的海岸带区域。鉴于香港岛独特的经济地位和地理位置，本研究以香港岛为研究区进行不透水面提取和分析。

2.2 融合与分类

为更好地理解和分析不同城市土地覆盖类型之间的混淆分类情况，从而分析其中的原因，本文先对土地覆盖分类的结果和精度进行分析。图2(彩图见封2)展示了采用光学和不同SAR数据进行融合的分类结果。可见，香港岛的不透水面以暗不透水面为主，主要分布于北部一带，由西向东分布于西环、中环、湾仔、铜锣湾和柴湾等商业中心；在西南部香港仔和南部的赤柱也有部分不透水面分布。植被所占比例最大(约70%)，分布在香港岛和大部分的离岛。裸土的分布较为广泛和分散，东北部鰂鱼涌和西湾区属于正在开发的区域，有较多的裸土分布；岛上植被分布的地方也有裸土分布，主要位于山顶或山腰间(如山体滑坡后出现的裸土)；海岸带沿岸也有大量裸土分布，主要是海边的沙滩。水体则主要是山上零星分布的水塘。从图2可知，不同数据组合的分类结果并没有大范围的明显差异，其中裸土和暗不透水面的分布在不同分类结果中有部分不同。例如，东北部柴湾在SPOT-5和ENVISAT ASAR的融合分类结果中(图2b)，存在较多的裸土，而其他分类结果则是零散分布，并与暗不透水面混合存在。

2.3 精度评估

本文采用特征级融合策略对两种数据源进行融合，以提取不透水面[43]。在对光学遥感和双极化SAR遥感数据进行融合之前，需分别对两种数据进行特征提取，并分析不同特征在不透水面提取过程中的作用。根据Zhang等的研究[22,28,46]，光学遥感数据的特征提取可采用光谱特征和空间特征分析方法，光谱特征包括植被指数和水体指数，而空间特征则主要采用纹理特征。本研究采用灰度共生矩阵(GLCM)提取各种纹理统计量以描述纹理特征[47]。

3 结果与讨论

3.1 城市土地覆盖分类

SAR与光学遥感数据特征级融合的主要过程为：提取光学遥感数据和SAR遥感数据的光谱特征、纹理特征和后向散射特征，分析不同特征在不透水面提取中的作用(积极作用、消极作用、互补作用以及作用的大小等)，再通过分类算法进行融合。机器学习技术已成为一种重要的多源遥感融合技术[51]，其数据处理过程按照学习机制的不同，可分为非监督、半监督或监督学习。在本研究中，采用SVM分类器对地物进行分类，以对光学和SAR特征进行融合；其工作原理主要是通过对光学和SAR数据及其特征的分析学习，计算出使得分类间隔最大的超平面，而决定这些超平面的特征向量称为支持向量。因此，光学和SAR数据的信息共同决定了最终的超平面分类器。本文将香港岛城市土地覆盖分为5类：暗不透水面(DIS)、亮不透水面(BIS)、裸土(SOI)、植被(VEG)和水体(WAT)[28]。其中，DIS主要是较旧的水泥和沥青材料的屋顶、路面和停车场；BIS主要是较新的水泥屋顶或路面、金属屋顶以及采用冷色调的屋面；SOI主要包括城市施工地、公园或山上裸露的土地、海边的沙滩等；VEG包括城市绿化带、公园和山上的植被；WAT(湖泊、香港岛周围的海水)则直接通过掩膜处理，不包括在本研究区内。城市不透水面的提取流程主要分为上述土地覆盖的分类和不透水面与其他类型的合并，其中DIS和BIS合并为不透水面，SOI、VEG和WAT合并为非不透水面。

3.2 精度评估与分析

为更好地分析以上的分类结果，对图2的分类精度进行评估。此外，为方便比较，同时采用原始的光学和SAR数据进行土地覆盖分类，从而评估光学和SAR数据的纹理特征(GLCM特征)对分类精度的贡献。因此，一共有8组数据进行比较，包括原始数据融合和特征融合两个类别，每个类别分别有4组：光学SPOT-5、SPOT-5和ENVISAT ASAR、SPOT-5和ALOS PALSAR、SPOT-5和TerraSAR-X(TSX)。图3显示了这8组数据分类结果的总体精度(OA)和Kappa系数，可以看出：1)纹理特征对于分类精度有显著提升，从90%左右提高到97%左右；2)SAR数据提供的互补信息可以普遍提高分类精度，这在引入ENVISAT ASAR、ALOS PALSAR和TerraSAR-X数据的结果(包括引入和未引入纹理特征)中得到证实；3)ALOS PALSAR数据对结果的改善更加有效，这可能得益于ALOS PALSAR具有双极化数据(HH和HV)。同时，图3也说明，在使用光学和SAR融合进行城市土地覆盖分类时，SAR数据的空间分辨率并非越高越好，空间分辨率的提高可能使阴影和叠掩问题更加明显。同时，本文用于SAR数据地理编码的DEM数据空间分辨率仅为30 m，如果采用更高分辨率的DEM数据，融合分类的效果可能会更好。

为进一步分析增加纹理特征前后，SAR数据的贡献对于每一类土地覆盖类型的影响，采用制图精度和用户精度对8组分类结果进行比较分析(图4)。由图4可知：1)增加纹理特征后，BIS、SOI和VEG制图精度的提高较为显著，DIS和SOI的用户精度提高较大。2)无论是否增加纹理特征，ENVISAT ASAR和ALOS PALSAR对分类精度的提高都高于TerraSAR-X的提高。但这一优势在增加纹理特征后有所减弱，如DIS和WAT两类的分类，在增加纹理特征后，不同SAR数据之间的差异变得很小。3)增加纹理特征后，ENVISAR ASAR的分类精度略高于ALOS PALSAR。采用ASAR融合结果对裸土的识别出现少量的过分类，如图2b中显示的东北部柴湾地区的分类结果。

3.3 香港岛不透水面提取

通过分析不同SAR数据对香港岛土地覆盖分类精度的贡献，最终确定具有双极化的ALOS PALSAR对城市土地覆盖分类精度的提升作用最强。因此，选择针对SPOT-5和ALOS PALSAR融合的分类结果，将亮不透水面和暗不透水面合并为不透水面，将裸土、植被和水体合并为非不透水面，从而得到香港岛城市不透水面的分布(图5)。可以看出，香港城市不透水面主要分布在北部沿海、西南部一带直至香港仔以及南部的赤柱。不透水面总面积约为香港岛面积的22%，非不透水面中植被面积约占70%，表明香港岛的城市化率并不高，植被覆盖度较高，这与香港政府的土地规划政策有关。

“56岁”的美加净和“59岁”的大白兔奶糖跨界合作，前一段时间在网上的讨论度是盛况空前。两者推出联名款——美加净牌大白兔奶糖味润唇膏，完美保留大白兔奶糖的经典味道。9月20号十点整在天猫旗舰店限量销售920套，不到半秒被抢空。据悉，这款润唇膏10月正式推出，“双十一”之前面市。

4 结论

本文对利用遥感技术提取城市不透水面的已有研究进行了综述，提出通过融合光学和SAR遥感数据提高不透水面提取精度的方法，并以香港岛为实验区，选择了3种不同波段、不同空间分辨率和不同极化方式的SAR数据，分别与SPOT-5光学数据在特征级层上进行融合以提取城市不透水面。实验结果表明，融合光学和SAR数据可以提高城市不透水面的提取精度，特别是对解决暗不透水面和裸土的混淆问题效果明显。研究发现，使用双极化SAR比单极化SAR数据具有更高的分类精度；然而，数据空间分辨率的优势并没有得到体现，这可能与DEM的分辨率有关，需进一步进行实验分析。

参考文献：

[1] ARNOLD J R 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.

[2] HURD J D,CIVCO D L.Temporal characterization of impervious surfaces for the State of Connecticut[A].ASPRS Annual Conference Proceedings[C].2004.

[3] LU D S,WENG Q H,LI G Y.Residential population estimation using a remote sensing derived impervious surface approach[J].International Journal of Remote Sensing,2006,27(16):3553-3570.

[4] KUANG W H.Evaluating impervious surface growth and its impacts on water environment in Beijing-Tianjin-Tangshan Metropolitan Area[J].Journal of Geographical Sciences,2012,22(3):535-547.

[5] LIU Z H,WANG Y L,LI Z G,et al.Impervious surface impact on water quality in the process of rapid urbanization in Shenzhen,China[J].Environmental Earth Sciences,2013,68(8):2365-2373.

[6] RIDD M K.Exploring a V-I-S (vegetation-impervious surface-soil) model for urban ecosystem analysis through remote-sensing-comparative anatomy for cities[J].International Journal of Remote Sensing,1995,16(12):2165-2185.

[7] WU C S,MURRAY A T.Estimating impervious surface distribution by spectral mixture analysis[J].Remote Sensing of Environment,2003,84(4):493-505.

[8] WU C S.Normalized spectral mixture analysis for monitoring urban composition using ETM plus imagery[J].Remote Sensing of Environment,2004,93(4):480-492.

[9] WENG Q H,HU X F.Medium spatial resolution satellite imagery for estimating and mapping urban impervious surfaces using LSMA and ANN[J].IEEE Transactions on Geoscience and Remote Sensing,2008,46(8):2397-2406.

[10] SUN Z C,GUO H D,LI X W,et al.Estimating urban impervious surfaces from Landsat-5 TM imagery using multilayer perceptron neural network and support vector machine[J].Journal of Applied Remote Sensing,2011,5(053501):1-17.

[11] 刘莹,孟庆岩,王永吉,等.基于特征优选与支持向量机的不透水面覆盖度估算方法[J].地理与地理信息科学,2018,34(1):24-31.

[12] DENG C B,WU C S.BCI:A biophysical composition index for remote sensing of urban environments[J].Remote Sensing of Environment,2012,127:247-259.

[13] FAN F L,DENG Y B,ZHU Y Q.Extracting impervious surface area and discussing urban expansion of Guangzhou (1990-2003) based on V-I-S model by using linear spectral mixture analysis method[J].Journal of Food Agriculture & Environment,2013,11(2):925-929.

[14] DENG C B,WU C S.Examining the impacts of urban biophysical compositions on surface urban heat island:A spectral unmixing and thermal mixing approach[J].Remote Sensing of Environment,2013,131:262-274.

[15] LI W L,WU C S.Phenology-based temporal mixture analysis for estimating large-scale impervious surface distributions[J].International Journal of Remote Sensing,2014,35(2):779-795.

[16] 廖明生,江利明,林珲,等.基于 CART 集成学习的城市不透水层百分比遥感估算[J].武汉大学学报(信息科学版),2007,32(12):1099-1102.

[17] 张路,高志宏,廖明生,等.利用多源遥感数据进行城市不透水面覆盖度估算[J].武汉大学学报(信息科学版),2010,35(10):1212-1216.

[18] 曹丽琴,李平湘,张良培,等.Fuzzy ARTMAP 算法在城市不透水面估算中的应用研究[J].武汉大学学报(信息科学版),2012,37(10):1236-1239.

[19] 李波,黄敬峰,吴次芳.基于热红外遥感数据和光谱混合分解模型的城市不透水面估算[J].自然资源学报,2012,27(9):1590-1600.

[20] 程熙,沈占锋,骆剑承,等.“全域一局部” 不透水面信息遥感分步提取模型[J].遥感学报,2013,17(5):1191-1205.

[21] HU X F,WENG Q H.Estimating impervious surfaces from medium spatial resolution imagery:A comparison between fuzzy classification and LSMA[J].International Journal of Remote Sensing,2011,32(20):5645-5663.

[22] ZHANG H S,ZHANG Y Z,LIN H.A comparison study of impervious surfaces estimation using optical and SAR remote sensing images[J].International Journal of Applied Earth Observation and Geoinformation,2012,18:148-156.

[23] 刘冉,李文楷,刘小平,等.基于PUL算法及高分辨率WorldView影像的城市不透水面提取[J].地理与地理信息科学,2018,34(1):40-46.

[24] WU C S.Quantifying high-resolution impervious surfaces using spectral mixture analysis[J].International Journal of Remote Sensing,2009,30(11):2915-2932.

[25] ZHANG H S,LIN H,WANG Y P.A new scheme for urban impervious surface classification from SAR images[J].ISPRS Journal of Photogrammetry and Remote Sensing,2018,139:103-118.

[26] ZHANG H S,LI J,WANG T,et al.A manifold learning approach to urban land cover classification with optical and radar data[J].Landscape and Urban Planning,2018,172:11-24.

[27] ZHANG H S,LIN H,LI Y,et al.Mapping urban impervious surface with dual-polarimetric SAR data:An improved method[J].Landscape and Urban Planning,2016,151:55-63.

[28] ZHANG Y Z,ZHANG H S,LIN H.Improving the impervious surface estimation with combined use of optical and SAR remote sensing images[J].Remote Sensing of Environment,2014,141:155-167.

[29] 徐涵秋.一种快速提取不透水面的新型遥感指数[J].武汉大学学报(信息科学版),2008,33(11):1150-1153.

[30] XU H Q.Analysis of Impervious surface and its impact on urban heat environment using the normalized difference impervious surface index(NDISI)[J].Photogrammetric Engineering and Remote Sensing,2010,76(5):557-565.

[31] 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):18.

[32] LIU X P,HU G H,AI B,et al.A normalized urban areas composite index(NUACI) based on combination of DMSP-OLS and MODIS for mapping impervious surface area[J].Remote Sensing,2015,7(12):17168-17189.

[33] GUO W,LI G,NI W,et al.Exploring improvement of impervious surface estimation at national scale through integration of nighttime light and Proba-V data[J].GIScience & Remote Sensing,2018.1-19.

[34] SUKAWATTANAVIJIT C,CHEN J,ZHANG H S.GA-SVM algorithm for improving land-cover classification using SAR and optical remote sensing data[J].IEEE Geoscience and Remote Sensing Letters,2017,14(3):284-288.

[35] ZHANG H S,ZHANG Y Z,LIN H.Urban land cover mapping using random forest combined with optical and SAR data[A].2012 IEEE International Geoscience and Remote Sensing Symposium (IGARSS)[C].2012.6809-6812.

[36] CALABRESI G.The use of ERS data for flood monitoring:An overall assessment[A].Second ERS Application Workshop[C].1996.237-241.

[37] DEKKER R J.Texture analysis and classification of ERS SAR images for map updating of urban areas in the Netherlands[J].IEEE Transactions on Geoscience and Remote Sensing,2003,41(9):1950-1958.

[38] HENDERSON F M,XIA Z G.SAR applications in human settlement detection,population estimation and urban land use pattern analysis:A status report[J].IEEE Transactions on Geoscience and Remote Sensing,1997,35(1):79-85.

[39] JIANG L M,LIAO M S,LIN H,et al.Synergistic use of optical and InSAR data for urban impervious surface mapping:A case study in Hong Kong[J].International Journal of Remote Sensing,2009,30(11):2781-2796.

[40] 江利明,廖明生,林珲,等.利用雷达干涉数据进行城市不透水层百分比估算[J].遥感学报,2008,12(1):176-185.

[41] FUJITA M,MIHO Y.Analysis of a microwave backscattering mechanism from a small urban area imaged with SIR-C[J].IEEE Geoscience and Remote Sensing Letters,2006,3(1):10-14.

[42] ZHANG H S,LIN H,ZHANG Y Z,et al.Remote Sensing of Impervious Surfaces in Tropical and Subtropical Areas[M].Florida:CRC Press,2015.131-147.

[43] ZHANG H S,XU R.Exploring the optimal integration levels between SAR and optical data for better urban land cover mapping in the Pearl River Delta[J].International Journal of Applied Earth Observation and Geoinformation,2018,64:87-95.

[44] WU C S,YUAN F.Seasonal sensitivity analysis of impervious surface estimation with satellite imagery[J].Photogrammetric Engineering and Remote Sensing,2007,73(12):1393-1401.

[45] FAN F L,WANG Y P,WANG Z S.Temporal and spatial change detecting (1998-2003) and predicting of land use and land cover in core corridor of Pearl River Delta (China) by using TM and ETM+ images[J].Environmental Monitoring and Assessment,2008,137(1-3):127-147.

[46] ZHANG H S,LIN H,LI Y,et al.Feature extraction for high-resolution imagery based on human visual perception[J].International Journal of Remote Sensing,2013,34(4):1146-1163.

[47] HARALICK R M,SHANMUGAM K,DINSTEIN I H.Textural features for image classification[J].IEEE Transactions on Systems,Man and Cybernetics,1973,SMC-3(6):610-621.

[48] PELLIZZERI T M,OLIVER C J,LOMBARDO P,et al.Improved classification of SAR images by segmentation and fusion with optical images[J].Radar,2002(490):158-161.

[49] LOMBARDO P,SCIOTTI M,PELLIZZERI T M,et al.Optimum model-based segmentation techniques for multifrequency polarimetric SAR images of urban areas[J].IEEE Transactions on Geoscience and Remote Sensing,2003,41(9):1959-1975.

[50] STASOLLA M,GAMBA P.Spatial indexes for the extraction of formal and informal human settlements from high-resolution SAR images[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2008,1(2):98-106.

[51] SCHMITT M,ZHU X X.Data fusion and remote sensing:An ever-growing relationship[J].IEEE Geoscience and Remote Sensing Magazine,2016,4(4):6-23.

[52] JENSEN J R.Introductory Digital Image Processing:A Remote Sensing Perspective (Second Edition)[M].London:Pearson Education Ltd.,1996.247-250.