不透水面被定义为水不能透过的人工制造的地表面。它们主要是基于满足人类活动和居住而建设的相关的交通基础设施与建筑。不透水面是定量评价城市发展、城市生态学以及城市环境等前沿领域研究的重要要素,广泛地应用于城市土地利用分类、居住人口的评估、城市土地利用规划以及城市环境评估,特别是水环境面源污染以及径流影响方面。但是大尺度的不透水面作为区域和全球城市化问题的重要驱动因子,在区域和全球大尺度范围内进行制图仍然是一项挑战。低分辨率遥感数据可以快速、大范围的获取地面数据,是大尺度不透水面制图的有效手段。其数据源主要有MODIS (1000m,500m)、AVHRR、DMSP-OLS、VIIRS-DNB等。但是低分辨率的遥感影像如MODIS, AVHRR等存在的混合像元问题,仍旧是制约大尺度快速精确制图的主要因素。主要研究区域集中于城市的灯光数据如DMSP-OLS,VIIRS-DNB则具有很好的大尺度不透水面精确制图潜力,但是灯光数据本身也存在诸如数据饱和、空间分辨率过低等问题,使得大尺度的精确地不透水面制图受到影响。美国国防气象卫星计划的线扫描应用系统(DMSP-OLS)作为一种低分辨率遥感数据,包含了许多与城市相关的信息,同样也与城市不透水面信息密切相关,该数据是大尺度不透水面制图的有力工具。研究中提出了一种新的融合变量——归一化不透水面指数(NISI),该指数通过结合低分辨率的DMSP-OLS与比其分辨率高的MODIS NDVI,克服了传统的阈值法容易遗漏较小不透水面以及不能表现空间细节的缺点。研究表明基于DMSP-OLS口MODIS NDVI的融合变量NISI表现出了比单一的DMSP-OLS或者MODIS NDVI更高的制图精度,该合成变量用于大尺度不透水面制图是极具潜力的。通过线性回归方法用于融合变量的不透水面制图结果大大改善了不透水面分布的空间信息和制图精度。文章提出的NISI融合变量具备快速的更为精确的估算大尺度不透水面的能力,该方法节约了时间和人力成本。DMSP-OLS常常被用来进行区域或者全球尺度的不透水面制图,但是其较低的空间分辨率、数据饱和以及数据溢出等造成了不透水制图精度较低。美国国家极地轨道伙伴计划(SNPP)的可见光红外成像辐射仪具有白天／夜间模式的波段(VIIRS-DNB),具有比DMSP-OLS更高的空间分辨率和量化动态范围,为不透水面空间分布制图提供了新的视角,但是还没有真正应用到相关的大尺度不透水面制图研究中。在本文研究中,创建了一个基于VIIRS-DNB和MODIS NDVI的新变量—大尺度不透水面指数(LISI),用于不透水面分布制图。研究中采用线性回归方法,从LISI图像中选出的样点作为自变量,从相应的高分辨率Landsat影像中提取的不透水面作为因变量。结果显示基于LISI的不透水面制图比基于单变量的VIIRS-DNB或MODIS NDVI有更高的精度和空间分布信息,总体的RMSE达到了0.11。因此,LISI是进行大尺度不透水面分布制图的可靠变量。不透水面对城市化以及带来的环境问题的研究非常重要,DMSP-OLS, MODISNDVI和新的灯光数据VIIRS-DNB为大尺度不透水面研究提供新的方法,但是上述单变量的低分辨率数据用于大尺度不透水面制图精度仍然较低,缺乏通用性。研究中通过分析低分辨DMSP-OLS数据,中等分辨率的MODIS NDVI (250m)以及新的灯光数据VIIRS-DNB,对比了三种数据用于大尺度不透水面制图的效果并做了不确定性分析。除此之外,通过将上述两种灯光数据与植被数据的两两结合产生了新的融合变量,并将这些新的融合变量应用于不同的地区,结果显示融合变量比单变量的不透水面制图精度更高,空间细节表现更好,适用性也更强。尤其是本文提出的通过VIIRS-DNB和MODIS NDVI结合生成的新变量LISI,虽然比最近提出的融合变量——植被校正归一化城市指数(VANUI)精度稍差,但是该指数能更好的区分城市核心区与郊区地带。机器学习语言作为一种非参数的算法既可以用来做分类研究也可以做回归分析,基于机器学习语言的分类方法已经应用到低分辨的DMSP-OLS数据和植被数据的不透水面制图研究中,并且也得到了较好的结果,但是机器学习语言的回归方法目前还很少应用于DMSP-OLS数据和低分辨率遥感影像及融合变量影像,尤其是利用上述数据的大尺度不透水面分布制图研究则更少涉及,目前基于上述低分辨率数据的不透水面制图研究还仅限于线性回归和多元回归方法。与此同时,很多其它基于遥感图像的研究表明非参数的机器学习语言往往比线性回归和多元回归的效果更好,精度更高。因此,本研究将采用BP-ANN回归和SVM回归方法结合本文提出的合成变量NISI用于大尺度不透水面制图。除此之外,还将机器学习语言方法用于单变量DMSP-OLS和MODIS NDVI与基于合成变量NISI的不透水面制图结果作对比。