土地利用/土地覆盖(Land use/land cover, LULC)变化影响着水、碳以及能量循环，已经被认为是全球环境变化的一个重要敏感因子。而城市化正是土地利用/土地覆盖变化的一个重要驱动力。在过去的半个世纪中，尤其是发展中国家，正经历着一场前所未有的城市扩张浪潮，并形成了超大城市或城市群。城市扩张和近几十年来日益持续增加的城市人口紧密相关。目前，超过一半的世界人口居住在城市，据预计到2050年70％的人口居住在城市，并且其中一半以上的人口集中在亚洲。超大城市的形成对城市的经济发展至关重要，而与此同时产生了很多的社会和环境问题。城市化对环境的影响主要来自于城市不透水层，研究表明城市不透水层不仅是城市化程度的指示器，更是城市环境的一个重要敏感因子。近年来，不透水层已经成为评估城市环境的一个关键指标，因为许多环境问题诸如水体质量、径流以及城市热岛等都与城市不透水层有密切关系。以水文环境为例，地表径流的增加会降低城市地下水的交换，从而导致水污染；另外，随着城市化发展，城市不透水增多，将会降低径流的滞后时间和增加最大流量的出现几率，从而导致洪水灾害的频繁发生。因此，城市不透水层及其对城市环境的影响已经引起许多学者的关注，并且成为研究的热点。　　 本论文以快速城市化的大都市北京超大城市为研究对象，利用Landsat-5 TM、SPOT-5多光谱光学影像以及RADARSAT-2全极化SAR数据进行不透水层遥感估算方法研究；最后将试验验证的不透水层估算方法应用到长时间序列的城市不透水层提取和LULC分类中，利用长期水文影响评估(Long-Term Hydrologic Impacts Assessment, L-THIA)城市水文模型进一步研究城市化对地表径流的影响。论文主要创新点如下：　　 1．为了克服多层感知神经网络(Multi-layer Perceptron Neural Network,MLPNN)算法的诸多限制，例如神经网络的复杂性、参数选择以及局部最小问题等，论文提出利用支持向量机(Support Vector Machine，SVM)分类算法估算城市不透水层。作为一个强大的统计学习理论算法，近年来SVM算法广泛应用到遥感领域，但是SVM和MLPNN算法的性能在城市不透水层估算和制图方面还没有进行过比较。论文利用Landsat-5 TM影像一方面研究和比较SVM和MLPNN两种算法在城市不透水层估算方面的有效性；另一方面验证SVM算法在城市不透水层估算方面的精度以及该算法在处理混合像元方面的能力。研究结果表明本研究提出的SVM算法提取的城市不透水层百分比的精度高于MLPNN算法。尤其在处理混合像元问题上，SVM算法比MLPNN算法更加有效。　　 2．论文将全极化SAR数据首次应用到城市不透水层遥感估算研究中，探讨利用RADARSAT-2全极化SAR数据提取高密度城市区域不透水层的潜力，并提出利用SVM模型进行极化参数的优化选择。其估算精度与SPOT-5影像获取的不透水层精度进行比较，研究结果表明本研究提出的利用RADARSAT-2数据可以获得较高的不透水层估算精度，并且可以解决光学影像估算城市不透水层存在的许多问题，主要包括：异物同谱现象、混合像元、高分辨率影像阴影以及树冠覆盖下的不透水层探测问题等。与光学影像相比，PolSAR影像在树林区域，尤其是那些稀疏的林区在提取树冠覆盖下的不透水层方面具有很大的潜力。　　 3．定量地评估城市化(LULC的变化)对地表径流的长期影响。利用SVM分类方法从长时间序列的Landsat TM/ETM+影像中获取LULC分类图，并且结合日降雨量数据和土壤水文数据提出利用简单实用的L-THIA城市水文模型模拟表径流变化，并且进一步定量地评价城市化对地表径流的长期影响。我们的研究结果表明地表径流与城市不透水层、城市扩张高度相关。该研究结果也可以为决策者提供一个简单的方法来评估城市发展和人类活动对城市洪水发生的潜在的影响。