1.研究背景

不透水面（ISA）通常指停车场、道路、屋顶、开放空间等人工结构。ISA监测作为城市蔓延和生态质量的重要指标，不仅可以提供人类活动的信息，还可以用于生态管理，例如水质评估和雨水税收。此外，它在土地利用和覆盖变化研究中发挥着重要作用，对城市基础设施建设和可持续发展具有重要价值。因此，为了更好地理解与城市化相关的人为影响，记录准确的ISA范围和动态至关重要。

2.研究现状

一般来说，中等分辨率的陆地卫星图像仍然是大规模ISA动态监测的最合适的数据源。同时，谷歌地球引擎（GEE）平台的出现和发展，凭借其强大的云计算和数据存储能力，极大地推动了大规模ISA建图。到目前为止，已经产生了几个Landsat衍生的全球ISA数据集，包括：

**1.全球人类住区层/GHSL：**欧盟委员会联合研究中心使用符号机器学习构建从粗分辨率数据集中提取训练数据的方法；

**2.全球城市动态地图/GAUD(1985–2015)：**其中城市动态是使用来自年度标准化城市区域收敛指数 (NUACI)的时间分割提取的；

3.全球人工不透水区/GAIA(1985-2018)：使用Exclusion-Inclusion算法提取；

4.全球ISA数据集/GISA1.0(1972–2019)：其中训练样本从现有产品中提取，结果通过自适应射频分类器获得.特别是GISA1.0记录了1985年之前的全球ISA地图，因此比其他全球数据集拥有相对较长的时间跨度(1972年至2019年)。

尽管这些现有数据集在一定程度上表现出一致性，但它们表现出大量差异。例如，这些数据集在城市核心区更为一致，但在郊区或农村地区表现出相对较大的分歧。这可以归因于它们在映射方法和训练样本上的差异。

因此，本文的主要目标是通过关注这些现有全球ISA数据集之间的不一致区域，生成更准确和一致的全球ISA数据集(GISA2.0)。为此，在本研究中，提出了一种基于现有产品时空一致性的全球ISA集成分类方法。具体而言，这项研究的新颖性包括：

1.提出了一种旨在整合现有全球ISA数据集的新方法，以提高全球 ISA 映射的准确性。

2.提出了一种自动映射方法，通过从现有数据集的一致区域中提取和细化训练样本。

3.通过集成自动和手动生成的样本，提出了不同的映射策略

3.生产流程

GISA2.0的生产流程如图所示。首先从现有的年度或多时相全球数据集中提取一致性区域，并根据一致性程度将全球地表划分为网格。为每个网格生成映射结果，分类策略在一致性程度方面有所不同。最后，通过独立测试样本对GISA2.0进行评估，并与现有数据集进行比较。

4.方法步骤

1.现有数据集的整合

该研究的核心是通过关注现有数据集的不一致区域来生成一个新的全球ISA数据集(GISA2.0)，因为一致区域通常具有较高的分类确定性和准确性，但不一致区域往往表现出分类不确定性和错误。为此，根据现有的全球ISA数据集获得了不一致网格，并分别针对一致网格和不一致网格提出了两种不同的映射方法。

具体介绍如下：考虑到陆地卫星图像的条带宽度为185公里，用边长为100公里（约为条带长度的一半）的正方形网格划分了全球陆地表面。计算每个网格内的ISA密度。关注ISA密度最高的前10%的网格，将这些网格重新映射和更新。采用Jenks自然断层分类法，将选取的格网按照ISA密度进一步划分为7个等级。然后为每个网格计算现有数据集之间的一致性程度。最后根据不同标准将每个级别内的网格分为两类，即A-Grids和M-Grids：一致性值大于阈值的网格被确定为M-Grids，在现有数据集之间表现出较高的差异，因此难以分类。对于M-Grids，通过引入大量人工解释的样本来加强它们的分类。另一方面，将具有相对较大一致性的网格定义为A-Grids，自动从一致性区域中提取训练样本，以自适应地改进当前结果。（具体详见论文）

2.A-Grids的自动ISA映射

通过提取网格中标签不一致的所有像素（如图中的红色）来确定潜在的映射区域。具体而言，ISA和非ISA训练样本是在现有全球数据集中一致区域的500米缓冲区内随机选择的（图中的白环）。最后，通过GISA 1.0中采用的时空谱方法筛选出训练样本中可能的异常值。

3.M-Grid的ISA映射

将不一致像素（与A-Grids相同）和M-Grids中的非ISA区域视为映射区域（图中的蓝色）。为了增强M-Grids的映射精度，采用了自动生成和手动解释的训练样本。手动添加的样本主要位于：(1)存在ISA遗漏的区域，以及(2)现有ISA数据集之间的不一致区域，以便关注当前ISA数据集中存在的错误。

5.精度验证

1.精度验证方法

GISA2.0的精度由124190个独立于训练样本的样本进行评估。使用整群抽样来确定这些测试样本的位置，涉及207个随机选择的网格。每隔五年（即1985年、1990年、1995年、2000年、2005年、2010年、2015年和2018年）进行样本采集。

在每个阶段，随机选择用于精度评估的网格（A网格和M网格）。特别是，每个大陆上网格的选择是由其人口密度分层的。例如，2015年非洲的A型网格首先按人口密度排序，随机选择一个人口密度高于中值的网格和另一个人口密度低于中值的网格。通过这种方式，从不同的城市规模和密度中选择样本进行验证，但不仅仅是从大城市地区。随后，在每个网格内，通过参考谷歌地球和陆地卫星图像，对100个ISA和500个非ISA样本进行了视觉解释。

测试样本的空间分布和ISA测试样本（1km缓冲区）周围的ISA密度如图所示。可以看出，测试样本不仅涉及大城市的高密度ISA样本，还涉及郊区和农村地区的大量低密度样本。此外，样本之间的距离应大于1km，以保证其空间独立性。这样，就产生了124190个全球测试样本。

GISA2.0的精度通过总体精度OA、用户精度UA、制图精度PA和F1分数进行评估。F1分数表示UA和PA之间的平衡。此外，还使用了从资源3号（ZY-3）全球构建数据集中提取的11万多个测试样本来评估GISA 2.0的准确性。Liu等人（2019年）提出了一种多角度建成指数，用于从45个全球城市的2m高分辨率ZY-3数据中提取建成区。由于该数据集具有较高的整体精度和空间分辨率，因此本研究将其用作测试样本集。

如果超过80%的面积（30*30米）被确定为堆积，定义ISA测试样本，而当未发现堆积像素时，选择非ISA样本。此外，测试样本之间的距离应大于300m，以确保其空间独立性，并根据高分辨率ZY-3图像对每个样本进行目视检查。通过这种方式，获得了39477个ISA和79345个非ISA测试样本。

2.时空一致性分析

在该研究中，通过分析了现有全球ISA数据集之间的时空一致性。如图所示，现有数据集之间的一致性在1985年至2018年期间呈上升趋势。这种现象可归因于早期阶段较低的图像质量和数据可用性，并且随着Landsat-7和Landsat-8的发射，现有ISA数据集之间的一致性逐渐提高。

下图显示了M-Grids和A-Grids的全球分布，网格的颜色代表了1985年至2018年的出现频率。可以看出，不一致的地区广泛分布在世界各地，包括快速城市化地区（如亚洲）和发达地区（如北美和欧洲）。就网格类型而言，M-Grids在亚洲和非洲更为常见，如华北平原和几内亚湾，而A-Grids在北美和欧洲更为常见。M-Grids在现有数据集之间表现出很大的不一致性，应该在相关研究中予以关注。

3.GISA2.0的精度评估

精度评估如表所示。GISA2.0实现了97.89%的最高总体精度，与GISA1.0、GAIA和GAUD相比，分别增加了1.29%、5.93%和3.63%。GISA2.0的ISA F1得分为0.935，分别比GISA1.0、GAIA和GAUD高出0.041、0.214和0.124。值得注意的是，在这些全球ISA数据集中，ISA的UAs基本相似，而就ISA PA而言，GISA2.0显著优于GISA1.0、GAIA和GAUD，分别为4.58%、28.35%和17.48%。这表明GISA2.0受到ISA遗漏的影响较小。

从下图可以更仔细地查看，GISA2.0显示了与其他数据集大致相似的扩展模式。

在M-Grids中，GISA2.0的总体准确度（OA）为97.49%，最高的ISA F1分数为0.921，分别比GISA1.0、GAIA和GAUD增加了0.053、0.281和0.186。

特别是GISA2.0的OA在大多数年份都高于97.5%，其F1成绩均超过0.9。与其他数据集相比，GISA2.0的准确性更高。表明提出的方法以及生成的数据集在不一致区域（即M-Grids）中取得了令人满意的结果。这也表明，通过提高来自不一致区域的训练样本的质量和数量，可以有效地提高分类性能。

对于A-Grids，考虑到全局映射的效率，从现有数据集之间的一致区域自动收集训练样本。就测试样本而言，与其他数据集相比，GISA2.0在A网格中表现出最高且更稳定的OA，这说明了提出的A-Grids格自动映射方法的有效性。

在ZY-3测试样本的情况下，GISA2.0的OA为 90.24%，仍然优于现有数据集。此外，与GISA1.0 (0.838)、GAUD(0.809)和GAIA(0.821)相比，GISA2.0获得了最高的ISA F1分数(0.855)。

3.不同方法的精度比较。

4.GISA2.0 与(a)全球和(b)-(f)大陆尺度的现有全球数据集的比较。

5.GISA2.0与其他现有全球ISA数据集的准确性比较。

6.其他讨论

1.分别在中国北部和南部非洲的两个M-Grid中比较M-Method和A-Method作为示例，以证明提出的映射策略的效果。

2.从GISA2.0观察到的全球ISA扩张变化

7.论文及数据获取

引用格式：

Huang X,Song Y,Yang J,et al.Toward accurate mapping of 30-m time-series global impervious surface area (GISA)[J]. International Journal of Applied Earth Observation and Geoinformation,2022,109: 102787.

原文链接：

https://doi.org/10.1016/j.jag.2022.102787

访问链接：

http://irsip.whu.edu.cn/resources/dataweb_en.php

百度云链接：

链接: https://pan.baidu.com/s/1msGb9PeseGR5cs-1Ri2EMA 提取码: 6yxu

出版期刊：

International Journal of Applied EarthObservations and Geoinformation

**出版时间：**27.April.2022