一种基于Landsat时间序列影像的不透水面监测方法和装置

摘要

本发明公开了一种基于Landsat时间序列影像的不透水面监测方法和装置。所述方法，包括步骤1针对配准后的Landsat时间序列影像，建立时间序列LST、时间序列BCI和时间序列NDVI；步骤2插补各时间序列中的缺失数据，消除各时间序列的噪声和年际异常变化点，得到光滑的时间序列；步骤3从光滑的时间序列中分别选择代表不透水面的稳定时间序列作为类标签时间序列样本，度量非类标签时间序列样本与类标签时间序列样本的相似性距离，分别得到各时间序列对应的相似性距离图；步骤4采用C4.5算法对不同时间间隔的相似性距离图进行分类，利用不透水面时空分布特性监测其时空变化规律。本发明提高了不透水面的监测精度。

说明书

技术领域

本发明涉及遥感影像处理技术及信息提取方法技术领域，更具体 地说，涉及一种基于Landsat时间序列影像的不透水面监测方法和装 置，本发明可适用于城市土地规划、城市环境分析等城市遥感技术应 用领域。

背景技术

不透水面是城市化进程和环境生态系统的重要评价指标，不透水 面变化是引起生物地球化学循环、城市气候、景观动态、城市热岛效 应等变化的主要因素，是城市化进程发展方式和强度的最直接体现。 不透水面监测方法对城市规划和环境管理具有极强的指导作用。因此， 不透水面监测研究已经成为当前城市土地覆盖变化检测研究的热点 问题以及城市热岛效应监测研究的核心问题。

目前多时相影像的不透水面监测方法可分为基于像素、基于亚像 元、面向对象方法三类。基于像素的方法包括：不透水面指数、像素 层的分类方法、阈值技术、多源影像融合等，该类方法受限于混合像 元问题，由于同物异谱、同谱异物现象易导致“椒盐”效应。基于亚像 元的方法包括：光谱混合分析、回归分析、机器学习算法、模糊集合 理论等，该类方法虽然能有效监测不透水面的丰度信息，但是存在不 确定性，不适用于高分辨率影像。而面向对象方法亦面临着分割尺度 的选择问题。

已有多时相影像的不透水面监测方法往往需要基于单幅影像提 取不透水面，再比较各时相的不透水面空间特征从而监测不透水面的 动态变化规律。该类不透水面监测方法多从不透水面的光谱特征及空 间几何特征角度定义不透水面与透水面的差异性，较少利用时间维度 探索不透水面的时空变化规律，根据不透水面的时空特征监测不透水 面变化。因此基于时间序列影像的不透水面监测理论基础研究仍显薄 弱。

发明内容

本发明要解决的技术问题在于，提出一种可行的基于Landsat时 间序列影像的不透水面监测方法和装置，本发明能够挖掘不透水面的 时空特征，基于时空相似性距离提高不透水面的监测精度。

本发明解决其技术问题所采用的技术方案是：

一种基于Landsat时间序列影像的不透水面监测方法，包括以下 步骤：

步骤1：针对配准后的Landsat时间序列影像，建立时间序列LST (LandSurfaceTemperature，地表温度)、时间序列BCI(Biophysical CompositionIndex，生物物理成分指数)和时间序列NDVI(Normalized DifferenceVegetationIndex，归一化植被指数)；

步骤2：插补时间序列LST、时间序列BCI和时间序列NDVI中 的缺失数据，消除各时间序列的噪声和年际异常变化点，得到光滑的 时间序列LST、时间序列BCI和时间序列NDVI；

步骤3：从步骤2所得的光滑时间序列LST、时间序列BCI和时 间序列NDVI中分别选择代表不透水面的稳定时间序列作为类标签 时间序列样本，度量非类标签时间序列样本与类标签时间序列样本的 相似性距离，分别得到时间序列LST、时间序列BCI和时间序列NDVI 对应的相似性距离图；

步骤4：采用C4.5算法对不同时间间隔的相似性距离图进行决 策树分类，利用不透水面的时空分布特性，监测不透水面时空变化规 律。

作为优选，所述步骤1，具体包括以下步骤：

步骤1.1：针对每幅Landsat影像的热红外波段，利用辐射传输 方程，计算该幅Landsat影像的LST影像，得到Landsat时间序列影 像的时间序列LST；

步骤1.2：针对每幅Landsat影像的所有波段，进行缨帽变换， 计算该幅Landsat影像的BCI影像，得到Landsat时间序列影像的时 间序列BCI；

步骤1.3：针对每幅Landsat影像的近红外波段和可见光红色波 段，计算该幅Landsat影像的NDVI影像，得到Landsat时间序列影 像的时间序列NDVI。

作为优选，所述步骤2，具体包括以下步骤：

步骤2.1：利用三次样条插值函数估计时间序列LST、时间序列 BCI和时间序列NDVI的缺失数据值；

步骤2.2：利用Fourier拟合，消除步骤2.1所得时间序列LST、 时间序列BCI和时间序列NDVI的异常点和噪声，得到光滑的时间 序列LST、时间序列BCI和时间序列NDVI。

作为优选，所述步骤3，具体包括以下步骤：

步骤3.1：利用时间序列分解加法模型，分别提取步骤2所得的 光滑时间序列LST、时间序列BCI和时间序列NDVI的长期趋势分 量、季节分量和不规则分量，根据各时间序列的分量特征选择稳定的 时间序列LST、时间序列BCI和时间序列NDVI，并从中选择代表不 透水面的时间序列像元作为类标签样本像元，该像元的时间序列LST、 时间序列BCI和时间序列NDVI为类标签时间序列样本，剩余所有 时间序列像元作为非类标签样本像元，该类像元的时间序列LST、时 间序列BCI和时间序列NDVI为非类标签时间序列样本；

步骤3.2：利用等权重的欧式距离和马氏距离分别度量时间序列 LST、时间序列BCI和时间序列NDVI中非类标签时间序列样本与类 标签时间序列样本的相似性距离，得到时间序列LST、时间序列BCI 和时间序列NDVI分别对应的相似性距离图。

作为优选，所述步骤4，具体为：

合成步骤3所得的时间序列LST、时间序列BCI和时间序列 NDVI分别对应的相似性距离图为多波段影像，利用C4.5决策树算 法对该多波段影像进行分类。

一种基于Landsat时间序列影像的不透水面监测装置，包括：

时间序列建立单元，用于针对配准后的Landsat时间序列影像， 建立时间序列LST、时间序列BCI和时间序列NDVI；

时间序列优化单元，用于插补时间序列LST、时间序列BCI和 时间序列NDVI中的缺失数据，消除各时间序列的噪声和年际异常变 化点，得到光滑的时间序列LST、时间序列BCI和时间序列NDVI；

相似性距离计算单元，用于从时间序列优化单元所得的光滑时间 序列LST、时间序列BCI和时间序列NDVI中分别选择代表不透水 面的稳定时间序列作为类标签时间序列样本，度量非类标签时间序列 样本与类标签时间序列样本的相似性距离，分别得到时间序列LST、 时间序列BCI和时间序列NDVI对应的相似性距离图；

决策树分类单元，用于采用C4.5算法对不同时间间隔的相似性 距离图进行决策树分类，利用不透水面的时空分布特性，监测不透水 面时空变化规律。

作为优选，所述时间序列建立单元，具体用于针对每幅Landsat 影像的热红外波段，利用辐射传输方程，计算该幅Landsat影像的LST 影像，得到Landsat时间序列影像的时间序列LST；针对每幅Landsat 影像的所有波段，进行缨帽变换，计算该幅Landsat影像的BCI影像， 得到Landsat时间序列影像的时间序列BCI；针对每幅Landsat影像 的近红外波段和可见光红色波段，计算该幅Landsat影像的NDVI影 像，得到Landsat时间序列影像的时间序列NDVI。

作为优选，所述时间序列优化单元，具体用于利用三次样条插值 函数估计时间序列LST、时间序列BCI和时间序列NDVI的缺失数 据值；利用Fourier拟合，消除时间序列LST、时间序列BCI和时间 序列NDVI的异常点和噪声，得到光滑的时间序列LST、时间序列 BCI和时间序列NDVI。

作为优选，所述相似性距离计算单元，具体用于利用时间序列分 解加法模型，分别提取时间序列优化单元所得的光滑时间序列LST、 时间序列BCI和时间序列NDVI的长期趋势分量、季节分量和不规 则分量，根据各时间序列的分量特征选择稳定的时间序列LST、时间 序列BCI和时间序列NDVI，并从中选择代表不透水面的时间序列像 元作为类标签样本像元，该像元的时间序列LST、时间序列BCI和 时间序列NDVI为类标签时间序列样本，剩余所有时间序列像元作为 非类标签样本像元，该类像元的时间序列LST、时间序列BCI和时 间序列NDVI为非类标签时间序列样本；利用等权重的欧式距离和马 氏距离分别度量时间序列LST、时间序列BCI和时间序列NDVI的 非类标签时间序列样本与类标签时间序列样本的相似性距离，得到时 间序列LST、时间序列BCI和时间序列NDVI分别对应的相似性距 离图。

作为优选，所述决策树分类单元，具体用于合成相似性距离计算 单元所得的时间序列LST、时间序列BCI和时间序列NDVI分别对 应的相似性距离图为多波段影像，利用C4.5决策树算法对该多波段 影像进行分类。

有益效果：

本发明的一种基于Landsat时间序列影像的不透水面监测方法， 与现有不透水面监测方法相比，具有如下特点：挖掘不透水面在时间 序列LST、时间序列BCI和时间序列NDVI的时空变化规律，利用 时间序列的相似性距离定义不透水面和透水面的时空差异性，根据决 策树对相似性距离图分类，实现不透水面动态变化信息的快速和准确 提取。本发明由于采用不透水面的时空特征定义不透水面与透水面的 时空差异性，避免了单幅影像估算不透水面依据光谱特征或空间特征 提取不透水面所面临的同物异谱、异物同谱、分割尺度设定等问题， 该监测方法保证了不透水面动态变化信息的时空一致性。

附图说明

图1：为本发明具体实施例提供的一种基于Landsat时间序列影 像的不透水面监测方法的流程图。

图2：为本发明地表温度LST反演流程图。

图3：为本发明具体实施例提供的一种基于Landsat时间序列影 像的不透水面监测装置的结构示意图。

名词解释：

LSTLandSurfaceTemperature地表温度；

BCIBiophysicalCompositionIndex生物物理成分指数；

NDVINormalizedDifferenceVegetationIndex归一化植被指数。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合 附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描 述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例1：

请见图1，图1是本发明具体实施例提供的一种基于Landsat时 间序列影像的不透水面监测方法的流程图，本发明的方法包括以下步 骤：

步骤1：针对配准后的Landsat时间序列影像，建立时间序列LST (LandSurfaceTemperature，地表温度)、时间序列BCI(Biophysical CompositionIndex，生物物理成分指数)和时间序列NDVI(Normalized DifferenceVegetationIndex，归一化植被指数)，该步骤包括以下子步 骤：

步骤1.1：针对每幅Landsat影像的热红外波段，利用辐射传输 方程，计算该幅Landsat影像的LST影像，请见图2，得到Landsat 时间序列影像的时间序列LST；

首先利用定标系数将每幅Landsat影像的热红外波段DN值转化 为相应的热辐射强度值：

L_λ＝gain×DN+bias(1)

L_λ为热辐射强度值，gain和bias分别表示增益系数和偏移系数。

计算热红外波段的辐射亮度如下：

B_T＝[L_λ-L↑-τ(1-ε)L↓]/(τε)(2)

其中，ε为地表比辐射率，T为地表真实温度，B_T为普朗克定律 推导的黑体在T的热辐射亮度，L↑为大气向上辐射亮度，L↓为大气 向下辐射亮度，τ为大气在热红外波段的透过率。而大气参数L↑、L↓和 τ可以由AtmosphericCorrectionParameterCalculator计算得到 (http://atmcorr.gsfc.nasa.gov/)。地表比辐射率ε由可见光和近红外波 段光谱信息估算：

$\{\begin{array}{c}{ϵ}_{surface}=0.9625+0.0614F_V-0.0461F_V^2\\ {ϵ}_{building}=0.9589+0.086-0.0671F_V^2\\ {ϵ}_{water}=0.995\end{array}---\left(3\right)$

其中，F_V为植被覆盖度，由NDVI推导得到：

F_V＝(NDVI-NDVI_S)/(NDVI_V-NDVI_S)(4)

取NDVI_V＝0.70，NDVI_S＝0.00。当像元NDVI大于0.70时，F_V取 值为1；当像元NDVI小于0时，F_V取值为0。

根据普朗克公式的反函数可以得到地表真实温度：

T＝K₂/ln(K₁/B_T+1)(5)

对于Landsat时间序列影像，不同传感器影像对应的K₁和K₂的值 见表1：

表1不同Landsat传感器的校准常数

由Landsat时间序列影像的热红外波段得到时间序列LST，获得 每一像元的时间序列LST特征P_LST＝{LST_t1,LST_t2,…,LST_tn}，其中 {t1,t2,…,tn}为时间序列。

步骤1.2：针对每幅Landsat影像的所有波段，进行缨帽变换， 计算该幅Landsat影像的BCI影像，得到Landsat时间序列影像的时 间序列BCI；

根据不同波段的缨帽变换系数对每幅Landsat影像进行缨帽变换 (TC，TasseledCapTransformation)得到亮度(TC1)、绿度(TC2) 和湿度(TC3)的图层。每个TC成分归一化到[0,1]，BCI影像由归 一化TC成分计算得到：

$BCI=\frac{(TC1+TC3)/2-TC2}{(TC1+TC3)/2+TC2}---\left(6\right)$

由Landsat时间序列影像的所有波段得到时间序列BCI，获得每 一像元的时间序列BCI特征P_BCI＝{BCI_t1,BCI_t2,…,BCI_tn}，其中 {t1,t2,…,tn}为时间序列。

步骤1.3：针对每幅Landsat影像的近红外波段和可见光红色波 段，计算该幅Landsat影像的NDVI影像，得到Landsat时间序列影 像的时间序列NDVI；

NDVI计算公式如下：

$NDVI=\frac{NIR-VIS}{NIR+VIS}---\left(7\right)$

其中，NIR为近红外波段亮度值，VIS为可见光红色波段亮度值。 由Landsat时间序列影像的近红外波段和可见光红色波段得到时间序 列NDVI，获得每一像元的时间序列NDVI特征 P_NDVI＝{NDVI_t1,NDVI_t2,…,NDVI_tn}，其中{t1,t2,…,tn}为时间序列。

步骤2：插补时间序列LST、时间序列BCI和时间序列NDVI中 的缺失数据，消除各时间序列的噪声和年际异常变化点，得到光滑的 时间序列LST、时间序列BCI和时间序列NDVI，该步骤包括以下子 步骤：

步骤2.1：对云雪、云阴影覆盖区域造成的缺失数据，利用三次 样条插值函数估计时间序列LST、时间序列BCI和时间序列NDVI 的缺失值，得到完整的时间序列数据；

步骤2.2：利用Fourier拟合，消除步骤2.1所得时间序列LST、 时间序列BCI和时间序列NDVI的异常点和噪声，得到光滑的时间 序列LST、时间序列BCI和时间序列NDVI；假设时间序列Index， Index＝{LST,BCI,NDVI}，某像元点在时间t上取值为Index_t，拟合 后曲线中该像元取值为Index_t′，如果有Index_t′-Index_t>δ，δ为阈 值，则定义该点为噪声点，并被拟合后的新值取代，从而产生新的时 间序列Index数据。

步骤3：从步骤2所得的光滑时间序列LST、时间序列BCI和时 间序列NDVI中分别选择代表不透水面的稳定时间序列作为类标签 时间序列样本，度量非类标签时间序列样本与类标签时间序列样本的 相似性距离，分别得到时间序列LST、时间序列BCI和时间序列NDVI 对应的相似性距离图，该步骤包括以下子步骤；

步骤3.1：利用时间序列分解加法模型，分别提取步骤2所得的 光滑时间序列LST、时间序列BCI和时间序列NDVI的长期趋势分 量T_Index、季节分量S_Index和不规则分量I_Index， Index＝{LST,BCI,NDVI}，根据各时间序列的分量特征选择稳定的 时间序列LST、时间序列BCI和时间序列NDVI，并从中选择代表不 透水面的时间序列像元作为类标签样本像元，该像元的时间序列LST、 时间序列BCI和时间序列NDVI为类标签时间序列样本，剩余所有 时间序列像元作为非类标签样本像元，该类像元的时间序列LST、时 间序列BCI和时间序列NDVI为非类标签时间序列样本；

利用移动平均法求出时间序列Index的趋势循环分量TC_Index，通 过TC_Index对时间t进行回归，得到线性拟合值即求出长期趋 势T_Index：

和为线性拟合系数，为误差。

利用趋势循环分量TC_Index计算季节不规则分量SI_Index：

${\mathrm{SI}}_{Index}=\frac{Y_{Index}}{T_{Index}}---\left(9\right)$

Y_Index为时间序列Index的序列值，用同一季节的SI_Index分量全部 值的平均数作为季节分量因子S_Index，则不规则分量I_Index为：

$I_{Index}=\frac{{\mathrm{SI}}_{Index}}{S_{Index}}---\left(10\right)$

通过T_Index、S_Index和I_Index因子，选择无季节变动的长期趋势近 似常量的时间序列作为稳定时间序列，从具有稳定时间序列的像元中 选择代表不透水面的时间序列像元作为类标签样本像元，该像元的时 间序列为类标签时间序列样本，剩余所有时间序列像元作为非类标签 样本像元，该类像元的时间序列LST、时间序列BCI和时间序列NDVI 为非类标签时间序列样本；

步骤3.2：利用等权重的欧式距离和马氏距离分别度量时间序列 LST、时间序列BCI和时间序列NDVI中非类标签时间序列样本与类 标签时间序列样本的相似性距离，得到时间序列LST、时间序列BCI 和时间序列NDVI分别对应的相似性距离图；

在各时间序列Index，Index＝{LST,BCI,NDVI}中，非类标签样 本的时间序列P_i与类标签样本的时间序列P_j的距离D_ij，可由欧式距离 和马氏距离协同计算得到：

$D_{ij}^{Index}=\frac{1}{2}({\left({\Sigma }_{t=1}^n{\left|P_{it}-P_{jt}\right|}^2\right)}^{\frac{1}{2}}+{\left({\left(P_{it}-P_{jt}\right)}^T{\Sigma }^{-1}\left(P_{it}-P_{jt}\right)\right)}^{\frac{1}{2}})---\left(11\right)$

其中，P_it和P_jt分别为像元P_i和P_j在时间t刻的相应指数值Index_t， n为时间序列长度，∑为时间序列Index的协方差矩阵。在各相似性距 离图中，类标签样本值标记为1，非类标签样本值由归一化D_ij值确定， D_ij∈[-1,1]。

步骤4：采用C4.5算法对不同时间间隔的相似性距离图进行决 策树分类，利用不透水面的时空分布特性，监测不透水面时空变化规 律。

在步骤4中，合成步骤3所得的时间序列LST、时间序列BCI 和时间序列NDVI分别对应的相似性距离图为多波段影像，利用C4.5 决策树算法对该多波段影像进行分类，计算类标签样本各波段的信息 增益率，选择信息增益率最大的距离属性作为当前决策树的根；将与 该属性值相同的样本作为同一子集，若每一子集中，既包括正例又包 括反例，则递归调用该算法，否则表明该子集为叶节点。

综上所述，本发明的基于Landsat时间序列影像的不透水面监测 方法，利用Landsat时间序列影像提取不透水面的时空特征，根据时 间序列的相似性距离定义不透水面和透水面的时空差异性，提高了不 透水面和透水面的类间异质性，保证了不透水面动态变化信息的时空 一致性，能有效地避免利用光谱特征或空间特征提取不透水面变化信 息面临的同物异谱和异物同谱现象，从而实现不透水面动态变化信息 的快速和准确提取。

实施例2：

实施例2为装置实施例，本发明所述的装置实施例2与方法实施 例1属于统一技术构思，在装置实施例2中未详尽描述的内容，请参 见方法实施例1。

图3：为本发明具体实施例提供的一种基于Landsat时间序列影 像的不透水面监测装置的结构示意图。如图3所示，本发明所述的一 种基于Landsat时间序列影像的不透水面监测装置，包括：

时间序列建立单元，用于针对配准后的Landsat时间序列影像， 建立时间序列LST、时间序列BCI和时间序列NDVI；

在本方案中，所述时间序列建立单元，具体用于针对每幅Landsat 影像的热红外波段，利用辐射传输方程，计算该幅Landsat影像的LST 影像，请见图2，得到Landsat时间序列影像的时间序列LST；

首先利用定标系数将每幅Landsat影像的热红外波段DN值转化 为相应的热辐射强度值：

L_λ＝gain×DN+bias(21)

L_λ为热辐射强度值，gain和bias分别表示增益系数和偏移系数。

计算热红外波段的辐射亮度如下：

B_T＝[L_λ-L↑-τ(1-ε)L↓]/(τε)(22)

其中，ε为地表比辐射率，T为地表真实温度，B_T为普朗克定律 推导的黑体在T的热辐射亮度，L↑为大气向上辐射亮度，L↓为大气 向下辐射亮度，τ为大气在热红外波段的透过率。而大气参数L↑、L↓和 τ可以由AtmosphericCorrectionParameterCalculator计算得到 (http://atmcorr.gsfc.nasa.gov/)。地表比辐射率ε由可见光和近红外波 段光谱信息估算：

$\{\begin{array}{c}{ϵ}_{surface}=0.9625+0.0614F_V-0.0461F_V^2\\ {ϵ}_{building}=0.9589+0.086-0.0671F_V^2\\ {ϵ}_{water}=0.995\end{array}---\left(23\right)$

其中，F_V为植被覆盖度，由NDVI推导得到：

F_V＝(NDVI-NDVI_S)/(NDVI_V-NDVI_S)(24)

取NDVI_V＝0.70，NDVI_S＝0.00。当像元NDVI大于0.70时，F_V取 值为1；当像元NDVI小于0时，F_V取值为0。

根据普朗克公式的反函数可以得到地表真实温度：

T＝K₂/ln(K₁/B_T+1)(25)

对于Landsat时间序列影像，不同传感器影像对应的K₁和K₂的值 见表2：

表2不同Landsat传感器的校准常数

由Landsat时间序列影像的热红外波段得到时间序列LST，获得 每一像元的时间序列LST特征P_LST＝{LST_t1,LST_t2,…,LST_tn}，其中 {t1,t2,…,tn}为时间序列。

针对每幅Landsat影像的所有波段，进行缨帽变换，计算该幅 Landsat影像的BCI影像，得到Landsat时间序列影像的时间序列BCI；

根据不同波段的缨帽变换系数对每幅Landsat影像进行缨帽变换 (TC，TasseledCapTransformation)得到亮度(TC1)、绿度(TC2) 和湿度(TC3)的图层。每个TC成分归一化到[0,1]，BCI影像由归 一化TC成分计算得到：

$BCI=\frac{(TC1+TC3)/2-TC2}{(TC1+TC3)/2+TC2}---\left(26\right)$

由Landsat时间序列影像的所有波段得到时间序列BCI，获得每 一像元的时间序列BCI特征P_BCI＝{BCI_t1,BCI_t2,…,BCI_tn}，其中 {t1,t2,…,tn}为时间序列。

针对每幅Landsat影像的近红外波段和可见光红色波段，计算该 幅Landsat影像的NDVI影像，得到Landsat时间序列影像的时间序 列NDVI。

NDVI计算公式如下：

$NDVI=\frac{NIR-VIS}{NIR+VIS}---\left(27\right)$

其中，NIR为近红外波段亮度值，VIS为可见光红色波段亮度值。 由Landsat时间序列影像的近红外波段和可见光红色波段得到时间序 列NDVI，获得每一像元的时间序列NDVI特征 P_NDVI＝{NDVI_t1,NDVI_t2,…,NDVI_tn}，其中{t1,t2,…,tn}为时间序列。

时间序列优化单元，用于插补时间序列LST、时间序列BCI和 时间序列NDVI中的缺失数据，消除各时间序列的噪声和年际异常变 化点，得到光滑的时间序列LST、时间序列BCI和时间序列NDVI；

在本方案中，所述时间序列优化单元，具体用于对云雪、云阴影 覆盖区域造成的缺失数据，利用三次样条插值函数估计时间序列LST、 时间序列BCI和时间序列NDVI的缺失数据值，得到完整的时间序 列数据；

利用Fourier拟合，消除时间序列LST、时间序列BCI和时间序 列NDVI的异常点和噪声，得到光滑的时间序列LST、时间序列BCI 和时间序列NDVI。假设时间序列Index，Index＝{LST,BCI,NDVI}， 某像元点在时间t上取值为Index_t，拟合后曲线中该像元取值为 Index_t′，如果有Index_t′-Index_t>δ，δ为阈值，则定义该点为噪声 点，并被拟合后的新值取代，从而产生新的时间序列Index数据。

相似性距离计算单元，用于从时间序列优化单元所得的光滑时间 序列LST、时间序列BCI和时间序列NDVI中分别选择代表不透水 面的稳定时间序列作为类标签时间序列样本，度量非类标签时间序列 样本与类标签时间序列样本的相似性距离，分别得到时间序列LST、 时间序列BCI和时间序列NDVI对应的相似性距离图；

在本方案中，所述相似性距离计算单元，具体用于利用时间序列 分解加法模型，分别提取时间序列优化单元所得的光滑时间序列LST、 时间序列BCI和时间序列NDVI的长期趋势分量T_Index、季节分量 S_Index和不规则分量I_Index，Index＝{LST,BCI,NDVI}，根据各时间序 列的分量特征选择稳定的时间序列LST、时间序列BCI和时间序列 NDVI，并从中选择代表不透水面的时间序列像元作为类标签样本像 元，该像元的时间序列LST、时间序列BCI和时间序列NDVI为类 标签时间序列样本，剩余所有时间序列像元作为非类标签样本像元， 该类像元的时间序列LST、时间序列BCI和时间序列NDVI为非类 标签时间序列样本；

具体为：利用移动平均法求出时间序列Index的趋势循环分量 TC_Index，通过TC_Index对时间t进行回归，得到线性拟合值即 求出长期趋势T_Index：

和为线性拟合系数，为误差。

利用趋势循环分量TC_Index计算季节不规则分量SI_Index：

${\mathrm{SI}}_{Index}=\frac{Y_{Index}}{T_{Index}}---\left(29\right)$

Y_Index为时间序列Index的序列值，用同一季节的SI_Index分量全部 值的平均数作为季节分量因子S_Index，则不规则分量I_Index为：

$I_{Index}=\frac{{\mathrm{SI}}_{Index}}{S_{Index}}---\left(30\right)$

通过T_Index、S_Index和I_Index因子，选择无季节变动的长期趋势近 似常量的时间序列作为稳定时间序列，从具有稳定时间序列的像元中 选择代表不透水面的时间序列像元作为类标签样本像元，该像元的时 间序列为类标签时间序列样本，剩余所有时间序列像元作为非类标签 样本像元，该类像元的时间序列LST、时间序列BCI和时间序列NDVI 为非类标签时间序列样本；

利用等权重的欧式距离和马氏距离分别度量时间序列LST、时间 序列BCI和时间序列NDVI的非类标签时间序列样本与类标签时间 序列样本的相似性距离，得到时间序列LST、时间序列BCI和时间 序列NDVI分别对应的相似性距离图。

在各时间序列Index，Index＝{LST,BCI,NDVI}中，非类标签样 本的时间序列P_i与类标签样本的时间序列P_j的距离D_ij，可由欧式距离 和马氏距离协同计算得到：

$D_{ij}^{Index}=\frac{1}{2}({\left({\Sigma }_{t=1}^n{\left|P_{it}-P_{jt}\right|}^2\right)}^{\frac{1}{2}}+{\left({\left(P_{it}-P_{jt}\right)}^T{\Sigma }^{-1}\left(P_{it}-P_{jt}\right)\right)}^{\frac{1}{2}})---\left(31\right)$

其中，P_it和P_jt分别为像元P_i和P_j在时间t刻的相应指数值Index_t， n为时间序列长度，∑为时间序列Index的协方差矩阵。在各相似性距 离图中，类标签样本值标记为1，非类标签样本值由归一化D_ij值确定， D_ij∈[-1,1]。

决策树分类单元，用于采用C4.5算法对不同时间间隔的相似性 距离图进行决策树分类，利用不透水面的时空分布特性，监测不透水 面时空变化规律。

在本方案中，所述决策树分类单元，具体用于合成相似性距离计 算单元所得的时间序列LST、时间序列BCI和时间序列NDVI分别 对应的相似性距离图为多波段影像，利用C4.5决策树算法对该多波 段影像进行分类，计算类标签样本各波段的信息增益率，选择信息增 益率最大的距离属性作为当前决策树的根；将与该属性值相同的样本 作为同一子集，若每一子集中，既包括正例又包括反例，则递归调用 该算法，否则表明该子集为叶节点。

综上所述，本发明的基于Landsat时间序列影像的不透水面监测 装置，利用Landsat时间序列影像提取不透水面的时空特征，根据时 间序列的相似性距离定义不透水面和透水面的时空差异性，提高了不 透水面和透水面的类间异质性，保证了不透水面动态变化信息的时空 一致性，能有效地避免利用光谱特征或空间特征提取不透水面变化信 息面临的同物异谱和异物同谱现象，从而实现不透水面动态变化信息 的快速和准确提取。

以上内容是结合最佳实施方案对本发明所做的进一步详细说明， 不能认定本发明的具体实施只限于这些说明。本领域的技术人员应该 理解，在不脱离由所附权利要求书限定的情况下，可以在细节上进行 各种修改，都应当视为属于本发明的保护范围。