利用PlanetScope时间序列影像量化高时空不透水面随时间的变化

《Remote Sensing Applications: Society and Environment》：Quantifying High Spatiotemporal Impervious Surface Change with Time Series PlanetScope Imagery

本研究利用PlanetScope高时空分辨率影像，提出融合U-Net检测和连续变化检测的混合方法，系统量化城市不透水地表变化的时空特征，揭示扩张与更新的空间异质性及动态规律，为精细化管理提供数据支撑。

　　

王翠媛|王乐

纽约州立大学布法罗分校地理系，105 Wilkeson Quad，布法罗，NY 14261，美国

摘要

高时空分辨率下监测不透水面变化（ISC）对于理解城市扩张和更新至关重要，然而这类研究往往受到获取高分辨率影像成本高昂的限制。此外，基于遥感的ISC检测与以城市主题为导向的研究之间存在研究空白，导致缺乏将空间和时间动态与适用于城市分析的定量指标相结合的系统方法。为了解决这些挑战，我们开发了一个双组分框架。首先，我们使用低成本的CubeSat卫星（PlanetScope，3米分辨率，近乎每日更新）影像来检测ISC，然后对ISC进行空间和时间上的聚合，以识别城市变化模式。这包括开发一种混合时间序列方法，利用U-Net模型识别变化位置和类型，随后通过连续变化检测（Continuous Change Detection）对这些变化进行年代测定。接下来，我们从四个方面量化了ISC特征：分布、速度、强度和结构，分别在普查区块组内以及月度和季节性尺度上进行分析。我们使用两个研究区域来评估该框架：代表城市更新的纽约州布法罗市，以及体现城市扩张的亚利桑那州Buckeye市。我们的第一个组分在ISC位置识别方面表现出高精度（总体准确率（OA）= 0.94），在变化时间识别方面也表现良好（OA = 0.77）。第二个组分的结果突显了两个研究区域之间的差异，布法罗市的变化呈现碎片化、自发性且受季节性影响，而Buckeye市则表现出空间连贯性、大规模且持续扩张的特征。从定量上看，Buckeye市的ISC发生率大约是布法罗市的十倍，而布法罗市的ISC活动在季节上变化更大，峰值出现在春季。在两个城市中，大多数与建设相关的变化都集中在居民区。

引言

不透水面（IS），包括道路、屋顶和停车场等结构，会阻碍水分渗透，是反映城市化的关键指标（Arnold & Gibbons, 1996; Weng, 2012）。目前全球约55%的人口居住在城市地区，预计到2092年城市化将基本完成（Batty, 2022; Q. Zhang et al., 2014）。这种快速的城市化突显了监测不透水面变化（ISC）对于有效城市规划的重要性（X. Zhang et al., 2021）。ISC主要由两种典型的城市化过程驱动：扩张和更新（Dai et al., 2010）。扩张表现为沿城市边界新区块的开发，可以使用低或中等分辨率的IS数据有效监测（T. He et al., 2023; Shi et al., 2023）。相比之下，更新包括现有城市结构内的新建和拆除，需要高空间分辨率才能检测到细微变化（Kropp, 2024; N. Wang et al., 2022; Zheng et al., 2023）。这两种过程都会显著影响社区动态和居民的日常生活。因此，高时空分辨率下持续监测ISC对于区域规划者迅速有效地应对城市挑战（如洪水、城市热岛效应、噪音污染和颗粒物）至关重要（Leichtle et al., 2019; J. Zhao et al., 2024; L. Zhao et al., 2023）。

近年来，遥感影像已成为高时空分辨率ISC监测的重要工具（Shao et al., 2023; Weng, 2012）。根据空间和时间分辨率之间的权衡，ISC研究可以分为三种情况：（1）粗空间分辨率和高时间分辨率，使用MODIS（250米至1公里）、DMSP-OLS和AVHRR（≥ 1.1公里）等传感器，适用于大规模评估，但在城市细节方面有限（Z. Li et al., 2024; Ribeiro et al., 2024; Shao et al., 2023; N. Wang et al., 2022）；（2）中等空间分辨率和高时间分辨率，使用Landsat（30米）和Sentinel（10米），支持持续监测和长期趋势分析，但在城市和农村地区有时会导致估算误差（Gao et al., 2023; H. He et al., 2024; Liu et al., 2023; Wu & Pan, 2023; L. Zhang et al., 2023）；（3）高空间分辨率和低时间分辨率，来自QuickBird、IKONOS、WorldView和Gaofen-1，提供详细的ISC地图，但受成本和重访频率的限制（S. Wang et al., 2023; T. Zhang & Huang, 2018）。最近出现了一个机会，PlanetScope（3米分辨率，每日重访）提供了一个低成本的替代方案，尽管其光谱丰富度和天气鲁棒性相对于Landsat和Sentinel-1有所限制（Breunig et al., 2020; Cavanaugh et al., 2023; Frazier & Hemingway, 2021; Rafif et al., 2021），但仍能弥补这些不足。利用PlanetScope的能力进行连续ISC监测对于高时空监测任务至关重要。

虽然时间序列分析已被证明适用于使用Landsat和Sentinel-2等中等分辨率传感器捕捉ISC动态，但其直接应用于PlanetScope近乎每日更新的3米分辨率影像存在重大可行性挑战（Gómez et al., 2016; Woodcock et al., 2020; Ye et al., 2023）。传统的基于物理的方法，如LandTrendr（Kennedy et al., 2010）、Breaks For Additive Seasonal and Trend（BFAST）（Verbesselt et al., 2010）以及连续变化检测和分类（CCDC）（Zhu & Woodcock, 2014），通常是对每个单独像素的季节性和长期光谱轨迹进行建模；当新观测结果显著偏离这一预期模式时，才检测到变化。更近期的基于深度学习的时间序列模型，如循环神经网络和基于LSTM的方法（H. K. Zhang et al., 2025），可以从密集的图像序列中直接学习复杂的时间依赖性；然而，这些方法通常需要大量连续的时间标记训练数据和大量的计算资源，而这在大范围精细尺度ISC制图中很少能够获得（Fu et al., 2024, p. 202）。因此，基于物理的时间序列模型仍然是使用密集PlanetScope影像进行操作性ISC监测的最可行和最易解释的选择，尽管在高空间和时间分辨率下的计算成本仍然是一个主要挑战（Murakami & Tsutsumida, 2025）。然而，PlanetScope在高时空分辨率下生成的大量数据使得在大范围内进行连续的逐像素建模在计算上变得不可行，成为操作性监测ISC的一个主要障碍。

除了变化检测之外，将ISC观测结果转化为可操作的城市洞察需要系统地整合将物理表面变化与城市发展过程联系起来的时空指标。城市扩张研究通常使用ISC指标来描述多个空间尺度（城市、次城市、社区级别）上的增长分布、强度和结构，这些指标基于现有的中等分辨率IS数据集，如Landsat（30米）或Sentinel-2（10米）影像（例如，Global Human Settlement Layer, GAIA, NLCD）（Gong et al., 2020; Huang et al., 2021; Man et al., 2019）。常用的指标包括中心点迁移、扩张强度（IS面积的百分比增加）、边缘与填充增长，以及景观配置指数，如斑块大小、碎片化和紧凑性（Gao et al., 2023; Guo et al., 2024; Qian & Wu, 2019; Wilson et al., 2003）。在时间上，ISC数据通常按年度到十年间隔进行聚合，以识别城市增长阶段和主导的扩张策略（例如，填充、边缘扩张、跳跃式扩张），这限制了对变化速度、持续时间和短期建设动态的描述能力（Huang et al., 2021; Man et al., 2019）。

相比之下，城市更新研究越来越多地依赖于高分辨率和非常高分辨率的ISC数据，如WorldView、QuickBird、IKONOS和Gaofen，来研究城市核心区内的细粒度过程，如重新开发、拆除和土地利用替换（Kropp, 2024; N. Wang et al., 2022; Zheng et al., 2023）。这些研究通常将ISC指标与环境和社会结果（如洪水和热岛效应）联系起来，突显了IS改变的局部影响（Kang & Chen, 2024; Yang et al., 2019）。然而，以更新为重点的分析通常依赖于现有IS产品的有限时间分辨率，这限制了它们捕捉重新开发活动的时间、速度和顺序的能力（Guo et al., 2024; Yang et al., 2019）。尽管有这些进展，仍存在一个关键缺口：很少有研究提供一个集成的、高分辨率的时空框架，明确将ISC景观指标与扩张和更新背景下的可解释的城市化指标联系起来（H. He et al., 2024; Jing et al., 2021）。因此，开发一种系统方法来在高时空分辨率下量化ISC，并明确将物理变化指标与城市发展过程联系起来，对于推进ISC在城市规划和可持续性研究中的应用至关重要。

总之，我们通过开发一个双组分框架来解决这些研究空白，该框架使用时间序列PlanetScope影像来监测和量化ISC。具体来说，我们解决了两个关键问题：（1）使用高时空分辨率PlanetScope数据进行连续ISC监测的可行方法是什么？（2）我们如何量化并解释与城市扩张和更新相关的高分辨率ISC？为了解决这些问题，我们提出了：（1）一种结合3米分辨率、近乎每日更新的4波段PlanetScope影像与U-Net和CCD的混合时间序列方法；（2）一种系统化的四方面方法，用于从分布、速度、强度和结构方面量化ISC。据我们所知，这是首次将高时空分辨率时间序列ISC监测与城市发展过程的明确解释相结合的研究。研究结果旨在为城市研究和规划提供可操作的洞察，其中ISC作为城市化的关键指标。

研究区域

我们研究了两个具有不同ISC变化轨迹的研究区域：代表城市更新的纽约州布法罗市，以及体现快速郊区扩张的亚利桑那州Buckeye市（图1）。布法罗市是典型的衰退中的城市，2010年至2020年间人口仅增加了6.5%（美国人口普查局，2023年），但增长主要集中在主要是白人的西区，而黑人居住的东区则停滞不前（Taylor Jr, 2021）。这种不平衡的发展突显了高分辨率ISC的价值。

数据和方法

我们按照图2进行了实验，以回答两个研究问题。第一个问题使用混合时间序列方法在高时空分辨率下监测ISC（第3.2.1节）。首先应用from-to变化检测方法，使用U-Net获取IS的变化像素信息，包括位置和类型。然后，通过时间序列方法CCD检测变化像素的时间信息。在获得详细的像素级ISC地图后，接着解决第二个问题。

From-to变化检测：U-Net模型性能

图S2展示了由不同仪器训练的U-Net模型的训练和验证损失曲线。对于模型1（PS2），训练和验证损失在前几批数据中有所下降，并在大约6000批数据后稳定下来。提前停止训练在第59个周期，最佳检查点（最低有效损失）出现在第52个周期。对于模型2（PSB.SD和PSB.SD），训练和验证损失一直保持较高水平，直到大约15000步后稳定下来。

讨论

有效的ISC监测需要精细的空间细节和连续的时间覆盖。尽管PlanetScope提供了近乎每日更新的3米分辨率影像，但大多数ISC方法尚未充分利用这些密集的时间序列数据或将细粒度的ISC动态与城市发展过程联系起来。为了解决这一差距，我们开发了一个双组分框架：（1）一种混合时间序列方法（U-Net分类加上CCD年代测定），用于生成高时空分辨率的ISC地图；（2）一种四方面的量化方法。

结论

本研究开发了一个双组分框架，用于在3米空间分辨率和近乎每日时间分辨率下描述ISC。第一个组分是混合时间序列方法，基于U-Net的from-to检测器筛选出稳定区域并识别变化类型，随后使用密集的PlanetScope时间序列对剩余像素的变化进行年代测定。这种混合设计既降低了计算成本，又通过利用时间信息减少了双时相映射中出现的误报。

CRediT作者贡献声明

王乐：撰写——审稿与编辑、项目管理、研究调查、资金获取、数据管理、概念构思。王翠媛：资源获取、方法论设计、数据分析、数据管理、概念构思

遥感应用出版伦理声明：社会与环境

• 1)
  所有卫星数据集（PlanetScope影像、不透水面数据和人口普查数据）均来自许可或公开可用的存储库，并使用标准、透明的方法进行处理。未使用任何危险材料、程序或设备。
• 2)
  本研究准确地描述了所完成的工作；所有呈现的数据都是准确的，方法论足够详细，他人可以根据要求复制这项工作。
• 3)
  本手稿完全

利益冲突声明

? 作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。