CN109490209A - 一种基于城市不透水面和dem的城市地表径流检测方法 - Google Patents

Abstract

在利用遥感信息模拟地表径流过程中，利用传统的线性光谱分解LSMA提取不透水面、植被、土壤的误差会增大，进而影响模拟地表径流的精度。本发明针对上述问题，公开了一种基于生物物理成分BCI指数的线性光谱分解与方法提取不透水面、植被和土壤盖度，再利Soil Conservation Service Curve Number Method模型模拟地表径流的方法。该方法包括如下步骤：步骤1)基于传统线性光谱分解LSMA方法提取城市不透水面、植被和土壤盖度，计算BCI指数，修正结果。步骤2)将不透水面、植被和土壤盖度以及DEM数据作为SCS‑CN模型的输入，从而得到模拟地表径流。步骤3)计算不透水面景观格局指数，分析得到不透水面景观格局指数与模拟地表径流存在相关性，进而可以通过不透水面对地表径流进行检测预测。

Description

一种基于城市不透水面和DEM的城市地表径流检测方法

技术领域

本发明设计了一种基于城市不透水面和DEM的城市地表径流检测方法，能较好地模拟城市地表径流,实现对城市地表径流监测和预测，为“海绵城市”规划提供很好的输入和支撑。

背景技术

近年来，随着城市化进程加快，土地利用类型发生变化，不透水面大量增加，从而加大了城市区域暴雨内涝发生的风险(Brabec,2002)。为解决水资源短缺、洪涝灾害等问题，我国提出了“海绵城市”理论，其核心在于使雨水更容易下渗，从而削减降雨径流量(俞孔坚，2015)。而不透水面的扩张会给降水径流带来怎样影响，是建设“海绵城市”、进行城市规划、环境保护亟待解决的现实问题。

城市不透水面扩张对于区域地表径流的影响已经引起了国内外很多学者的广泛关注。Long等(Long,2015)发现流域内不透水面积和空间结构发展到中等尺度时，下垫面属性与降雨空间分布的协同效应归因于下垫面对降雨的响应；Kauffman(2009)研究了美国Delaware地区的19个小流域的基流与不透水面的关系，得出不透水面的增加会降低基流量的结论；Kim(2011)认为年总径流量在406-509mm的范围内，总径流量与不透水面空间分布存在高度相关性，而且高密集格局的不透水面覆盖对径流产生了显而易见的影响。李彩丽(2010)通过分析秦淮河流域1986-2006年不透水面变化引起的水文效应发现，大约在2003年开始由于不透水面的增加导致秦淮河流域的径流深增加了25.97％；邵崴等(2012)以福州城区内的2个相邻的流域为研究区，研究城区的现状并模拟其未来发展过程中的不透水率与降雨径流的关系，结果显示在不同的降雨量情景下，径流系数与不透水率都呈现出正相关的线性关系，决定系数达到0.9以上。

本发明采用的SCS-CN模型是世界上比较重要的水文经验模型之一。美国水土保持局(Soil Conservation Service，SCS)通过分析大量的降雨和径流实测数据建立起该经验模型，该模型有两大特点：(1)充分考虑了不同下垫面的特点，既间接地考虑了人类活动对径流的影响，又可以将遥感信息作为模型的输入。(2)可以应用在无资料区域。SCS-CN该模型的核心工作是估计CN(Curve Number)值，传统的CN值估计方法相对比较繁杂，因此Fan等(2013)创造性地提出了一种基于不透水面改进的CN值计算方法，该方法基于Ridd(1995)提出的表征城市生物物理组成的V-I-S(Vegetation-Impervious Surface-Soil)模型，将不透水面盖度、土壤盖度和植被盖度以及初始的CN值进行面积比例加权平均得到合成的CN值。然而，由于人为因素和不透水面易与沙土石信息混淆，加之部分人为因素等问题，导致利用线性光谱混合分解方法(LSMA)提取不透水面、土壤和植被的误差将会增大。

针对上述问题，本发明提出将线性光谱分解(LSMA)与BCI指数相结合的方法，提高了解混结果的精度。并结合Fan等(2013)提出的改进SCS-CN模型对城市的地表径流进行模拟，分析地表径流问题与景观格局变迁之间的相关关系，有助于深入分析不透水面格局对径流量的影响机制，为优化城市不透水面格局、控制城市地表径流量，建设“海绵城市”提供科学依据。

发明内容

本发明提出将线性光谱分解和BCI指数相结合提取不透水面、植被和土壤盖度，进而结合dem数据模拟城市地表径流的方法，并计算不透水面景观格局指数分析不透水面空间格局与地表径流的关系，可以准确地对城市地表径流进行检测。

本发明的目的通过一下技术步骤实现：

步骤1)基于传统线性光谱分解方法，提取城市低反照度地物、高反照度地区、植被和土壤盖度。然后计算Chengbin Deng提出的区分城市地物的生物物理成分指数BCI(Biophysical Composition Index)，利用阈值法将低反照度地物盖度再分成不透水面、植被和土壤，分别与高反照度地物、植被和土壤盖度相加，得到修正后的不透水面、植被和土壤盖度。

步骤2)将上述计算得到的不透水面、植被和土壤盖度和DEM数据作为SCS-CN模型输入，得到模拟地表径流值。

步骤3)计算不透水面景观格局指数，并对指数与地表径流值进行相关分析。

进一步，所述步骤1)的具体方法为：

a)对遥感影像进行预处理工作：一是辐射定标；二是对水体进行掩膜；b)选择城市低反照度、高反照度、植被和土壤的样本，进行线性光谱分解，对线性光谱分解得到的文件进行处理，从中提取出低反照度、高反照度、植被和土壤盖度。c)根据Chengbin Deng提出的算法计算BCI指数，利用阈值法将低反照地物再分成不透水面、植被和土壤；再与高反照度地物、植被和土壤相加，得到修正后的不透水面、植被和土壤盖度。d)计算均方根误差，并再同时相Google Earth高分影像上随机选150个150m*150m分布均匀的样本区进行精度验证。

该方法结合BCI指数，对于BCI指数，不透水面与其正相关且灰度值大于0，植被与其它土地覆盖灰度值小于0，与植被覆丰度负相关，而土壤的灰度值接近0，这样可以将三种组分区分开。BCI指数与NDVI指数相比的优势在于：BCI与不透水面的相关性更强，且BCI与植被丰度的相关性及NDVI与植被丰度的相关性相当。相较于NDBI建筑物指数，BCI指数可以更好区分土壤与低反照率不透水面。

进一步，所述步骤2)的具体方法为：

a)对不透水面盖度、植被盖度和土壤盖度分类:不透水面分为：80％～100％，50％～79％，20％～49％，0～195；植被分为：75％～100％,50％～75％,0～50％；土壤按照土壤水文性质分类：A厚层砂、厚层黄土、团粒化粉砂土，B薄层黄土、沙壤土，C粘壤土、薄层砂壤土、有机质含量低土壤、粘质含量，D吸水后显著膨胀的土壤、塑性黏土、某些盐渍土；b)按照公式将不透水面、植被和土壤的CN值与盖度相乘再相加，得到合成的CN值；具体计算公式如下：

CN_c＝CN_s×f_s+CN_v×f_v+CN_i×f_i

c)利用dem数据对CN值进行修正，然后利用公式将CN值作为输入计算地表径流量；d)利用内涝点数据对模拟地表径流值进行验证。

该方法利用不透水面、植被、土壤盖度和dem数据计算地表径流量，充分考虑了不同下垫面的径流系数不同，得到的地表径流更为合理。

进一步，所述步骤3)的具体方法为：

a)选择合适的景观格局指数，利用Fragstas软件计算不透水面景观格局指数，再计算城市地表径流均值。b)选取不同年份的数据重复a)得到9组数据，在SPSS中进行相关分析。

附图说明

图1为不透水面盖度图(A)、植被盖度图(B)和土壤盖度图(C)；

图2为城市地表径流与内涝点分布图；

图3为径流量与可见斑块所占比例PLAND关系(A)，与破碎度关系(B)，与最大斑块指数关系(C)

具体实施方式

下面结合附图对本发明“一种基于城市不透水面和DEM的城市地表径流检测方法”作进一步阐述说明。

本发明所涉及的“线性光谱分解与BCI指数结合方法”是提取城市不透水面、植被和土壤盖度的重要技术创新。其中，基于线性光谱分解与BCI指数结合提取的不透水面、植被和土壤盖度，为地表径流计算提供准确的输入。

(一)基于线性光谱分解和BCI指数结合的不透水面、植被和土壤信息提取

在进行传统线性光谱分解前对遥感影像进行预处理工作：一是辐射定标；二是水体掩膜；在计算BCI指数前先进行缨帽变换(TC变化)。根据Chengbin Deng提出的算法计算BCI指数，具体计算公式如下：

式中H为高反射率即归一化TC1分量；L为低反射率即归一化TC3分量；V为植被即归一化TC2分量。三个因子的计算公式如下：

其中TCi(i＝1,2,3)是前三个TC分量；TCimin和TCimax分别是第i个TC分量的最小值和最大值。

然后利用阈值法将低反照盖度分为不透水面、植被和土壤，最终确定阈值为>0.6不透水面,0-0.6为土壤，小于0为植被，再分别与高反照度、植被和土壤盖度相加，得到修正后的不透水面、植被和土壤盖度(图1)。

(二)利用SCS-CN模型计算地表径流值

将土壤按土壤水文性质分类，参见下表：

将不透水面按盖度分类，参见下表：

将植被按盖度分类，参见下表：

分别分类后得到不透水面、植被和土壤的各自的初始CN值，再计算合成的CN值。具体计算公式如下：

CN_c＝CN_s×f_s+CN_v×f_v+CN_i×f_i

由于SCS-CN模型的参数设定是根据美国的缓坡地形(坡度为5％左右)的降雨产流资料，对于杭州CN值的确定需要根据杭州地形的坡度8.68％进行修正，运用Huang坡度修正公式：

得到修正后的CN值之后计算土壤潜在最大滞留量S，具体计算公式如下：

得到土壤潜在最大滞留量S之后计算地表径流量，具体计算公式如下：

添加城市典型内涝点作为验证，得到城市地表径流值与内涝点分布图(图2)。

(三)不透水面景观格局与地表径流值相关分析

选择斑块所占景观比例(PLAND)、斑块密度(PD)、最大斑块指数(LPI)、斑块结合指数(COHESION)、香农多样性指数(SHDI)、香农均匀度指数(SHEI)、斑块聚集度(AI)等景观格局指数，选择同一城市9个不同时相影像分别计算相应的景观格局指数和地表径流平均值，得到9组数据在SPSS中做相关分析。最终得到可见斑块所占比例PLAND与径流量大致呈线性函数关系图3(A)，回归方程式为Q＝0.922PLAND+180.182；破碎度与径流量大致呈二次函数关系图3(B)，回归方程式为Q＝-27.351DIVISION²-77.397DIVISION+297.155；最大斑块指数与径流量大致呈线性关系图3(C)，回归方程式为Q＝0.702LPI+188.027图。

Claims (4)

1.一种基于城市不透水面和DEM的城市地表径流检测方法，该方法包括如下步骤：

步骤1)基于传统线性光谱分解方法，提取城市低反照度地物、高反照度地区、植被和土壤盖度。然后计算Chengbin Deng提出的区分城市地物的生物物理成分指数BCI(Biophysical Composition Index)，利用阈值法将低反照度地物盖度再分成不透水面、植被和土壤，分别与高反照度地物、植被和土壤盖度相加，得到修正后的不透水面、植被和土壤盖度。

步骤2)将上述计算得到的不透水面、植被和土壤盖度和DEM数据作为SCS-CN模型输入，得到模拟地表径流值。

步骤3)计算不透水面景观格局指数，并对指数与地表径流值进行相关分析。

2.如权利要求书1所述的方法，其特征在于，所述步骤1)的具体方法为：

a)对遥感影像进行预处理工作：一是辐射定标；二是对水体进行掩膜；b)选择城市低反照度、高反照度、植被和土壤的样本，进行线性光谱分解，对线性光谱分解得到的文件进行处理，从中提取出低反照度、高反照度、植被和土壤盖度。c)根据Chengbin Deng提出的算法计算BCI指数，利用阈值法将低反照地物再分成不透水面、植被和土壤；再与高反照度地物、植被和土壤相加，得到修正后的不透水面、植被和土壤盖度。d)计算均方根误差，并再同时相Google Earth高分影像上随机选150个150m*150m分布均匀的样本区进行精度验证。

该方法结合BCI指数，对于BCI指数，不透水面与其正相关且灰度值大于0，植被与其它土地覆盖灰度值小于0，与植被覆丰度负相关，而土壤的灰度值接近0，这样可以将三种组分区分开。BCI指数与NDVI指数相比的优势在于：BCI与不透水面的相关性更强，且BCI与植被丰度的相关性及NDVI与植被丰度的相关性相当。相较于NDBI建筑物指数，BCI指数可以更好区分土壤与低反照率不透水面。

3.如权利要求书1所述的方法，其特征在于，所述步骤2)利用步骤1所得结果进行城市地表径流模拟，具体方法为：

a)对不透水面盖度、植被盖度和土壤盖度分类:不透水面分为：80％～100％，50％～79％，20％～49％，0～195；植被分为：75％～100％,50％～75％,0～50％；土壤按照土壤水文性质分类：A厚层砂、厚层黄土、团粒化粉砂土，B薄层黄土、沙壤土，C粘壤土、薄层砂壤土、有机质含量低土壤、粘质含量，D吸水后显著膨胀的土壤、塑性黏土、某些盐渍土；b)按照公式将不透水面、植被和土壤的CN值与盖度相乘再相加，得到合成的CN值；具体计算公式如下：

CN_c＝CN_s×f_s+CN_v×f_v+CN_i×f_i

c)利用dem数据对CN值进行修正，然后利用公式将CN值作为输入计算地表径流量；d)利用内涝点数据对模拟地表径流值进行验证。

该方法利用不透水面、植被、土壤盖度和dem数据计算地表径流量，充分考虑了不同下垫面的径流系数不同，得到的地表径流更为合理。

4.如权利要求书1所述的方法，其特征在于，所述步骤3)具体方法为：

a)选择合适的景观格局指数，利用Fragstas软件计算不透水面景观格局指数，再计算城市地表径流均值。b)选取不同年份的数据重复a)得到9组数据，在SPSS中进行相关分析。