基于遥感与GIS的城市绿地信息提取方法

　　摘要：城市绿地是城市中唯一有生命的基础设施，必须客观、准确地掌握城市绿地信息及其变化情况。遥感技术给城市绿地信息调查提供了更为有效而便捷的手段，植被有其特殊的光谱响应，使得其有别于其他物质。城市绿地的遥感提取方法有监督分类、决策树分类、面向对象分类等方法，每一种方法都有它的适用条件。利用GIS的空间叠加分析可以为遥感绿地信息的属性赋值，增强遥感绿地信息的可利用性。
　　关键字：城市绿地，遥感技术，高分辨率影像，ENVI，GIS
　　
　　
　　0 引言
　　城市绿地是城市中唯一有生命的基础设施，它在改善城市生态环境和人居环境起着积极的作用，城市绿地含量逐渐成为衡量城市生活质量的1个重要指标。此外，城市绿地的空间分布格局与其生态效应有着密切的关系。因此，必须客观、准确地掌握城市绿地信息及其变化情况。
　　高分辨率遥感影像的出现，给城市绿地信息调查提供了更为有效而便捷的手段。植被特殊的光谱响应，使其有别于其他物质，可以利用光谱参数（如，植被指数等）和遥感信息提取方法自动提取城市绿地信息。利用GIS的空间分析方法对矢量格式的城市绿地信息，参照CJJ/T85—2002城市绿地分类标准进一步属性赋值。
　　1 绿地信息的遥感提取方法
　　1.1 植被波谱特征与植被指数
　　植被跟太阳辐射的相互关系有别于其他物质，如裸土、水体等，比如植被的“红边”现象，即在＜700nm附近强吸收，＞700nm高反射。一般健康绿色植物的光谱曲线总是呈现明显的“峰和谷”特征[1]，其反射光谱特征规律明显而独特。从图1可以看出，植物在蓝光波段和红光波段的波谱曲线呈吸收谷，在绿光波段操作小的反射峰，在近红外波段则呈高反射状态。在多光谱卫星遥感图像中，植被信息主要体现为红色波段和蓝色波段的灰度值偏小，近红外波段的灰度值偏高，以及绿色波段的灰度值也会偏高。
　　植被指数（VI）通过是2个或多个波长范围内的地物反射率进行组合运算，以增强植被某一特性或者细节，常用多光谱遥感数据经分析运算（加、减、乘、除等线性或非线性组合方式）得到。常选用对绿色植物强吸收的红波段（0.6μm～0.7μm）和高反射的近红外波段（0.7μm～1.1μm）数据，进行归一化植被指数（NDVI）计算。其计算式见式（1），
　　，（1）
　　其值域范围为[-1,1]，一般情况下处于(0.2,0.8)。
　　图1健康绿色植被光谱曲线图
　　1.2 监督分类方法
　　监督分类法，又称训练分类法，是用被确认类别的样本像元特征为依据去识别其他未知类别像元的过程。在分类之前通过目视判读和野外调查，对遥感图像上某些样区中图像地物的类别属性有了先验知识，对每1种类别选取一定数量的训练样本，利用计算机统计每种训练样区的特征或其他信息，再用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类精度的要求。最后，再用训练好的判决函数去对其他待分类数据的类别进行判定。通过每个像元与训练样本特征的比较，按预定的规则将其划分到和其最相似的样本类中，以此完成对整个图像的分类。具体方法见表1。
　　1.3 基于专家知识的决策树分类方法
　　基于专家知识的决策树分类是基于遥感图像数据及其他空间数据，通过专家经验总结、简单的数学统计和归纳方法等，获得分类规则并进行遥感图像分类[2]。分类规则易于理解，分类过程也符合人的认知过程。
　　专家知识的决策树分类的一般流程如下：
　　1.3.1 构建多元空间数据库
　　遥感数据经过几何校正、辐射校正处理后，进行波段运算，得到植被指数，连同影像一起输入空间数据库。其他空间数据经过矢量化、格式转换、地理配准，输入空间数据库；
　　1.3.2 提取样本构建样本库
　　在遥感图像处理软件或者GIS软件支持下，选取合适的图层，采用计算机自动选点、人工解译影像选点等方法采集样本。将样本以条件属性、对象集、地物类型和分类属性的结构输入样本库；
　　1.3.3 分类规则挖掘与评价
　　在构建样本库的基础上，采用适当的数据挖掘方法挖掘分类规则，再基于评价样本集对分类规则进行评价，并对分类规则做出适当的调整和筛选。
　　1.3.4 遥感影像分类与精度评价
　　基于分类规则构建决策树，利用专家分类器对遥感影像进行分类，并评价分类结果。
　　
　　表1常见监督分类方法
　　分类器 说明
　　平行六面体分离器 根据训练样本的亮度值形成一个n维的平行六面体数据空间，其他像元的光谱值如果落在平行六面体任何一个训练样本所对应的区域，就被划分其对应的类别中。平行六面体的尺度是由标准差阈值所确定的，而该标准差阈值则是根据所选类的均值求出。
　　最小距离分离器 利用训练样本数据计算出每一类的均值向量和标准差向量，然后以均值向量作为该类在特征空间中的中心位置，计算输入图像中每个像元到各类中心的距离，到哪一类中心的距离最小，该像元就归入到哪一类。
　　马氏距离分离器 计算输入图像到各训练样本的马氏距离（一种有效的计算两个未知样本集的相似度的方法），最终统计马氏距离最小的，即为此类别。
　　最大似然分离器 假设每一个波段的每一类统计都呈正态分布，计算给定像元属于某一训练样本的似然度，像元最终被归并到似然度最大的一类当中。
　　神经网络分离器 指用计算机模拟人脑的结构，用许多小的处理单元模拟生物的神经元，用算法实现人脑的识别、记忆、思考过程应用于图像分类。
　　支持向量机分离器 支持向量机分类（SVM）是一种建立在统计学习理论（StatisticalLearningTheory或SLT）基础上的机器学习方法。SVM可以自动寻找那些对分类有较大区分能力的支持向量，由此构造出分类器，可以将类与类之间的间隔最大化，因而有较好的推广性和较高的分类准确率。
　　
　　1.4 面向对象图像分类
　　客观上存在着“同物异谱，同谱异物”的现象，直接影响着影像的分类结果。面向对象的影像分类技术可在一定程度减少这种影响。面向对象分类技术集合邻近像元为对象用来识别感兴趣的光谱要素，充分利用全色波段和多光谱的数据在空间、纹理和光谱信息的特征，对图像分割和分类。主要过程包括影像对象构建和对象分类。
　　1.4.1 影像对象构建
　　常用的影像分割方法包括基于多尺度的、基于灰度的、纹理的、基于知识的以及基于分水岭的分割算法，其中，多尺度分割算法用的最多。这种方法综合了遥感图像的光谱特征和形状特征，将图像中每个波段的光谱异质性与形状异质性进行综合，再计算各波段图像在所有波段中的权重。若分割出对象或基元的光谱和形状综合加权值小于某个指定的阈值时，再重复迭代运算，直到所有分割对象的综合加权值大于指定阈值，即可完成图像的多尺度分割操作。
　　1.4.2 影像对象的分类
　　目前，常用“监督分类”和“基于知识分类”的方法。采用监督分类进行分类以及样本对比时，所利用的参数比通常的监督分类方法更多，不仅用到光谱信息，还要用到空间、纹理等信息。基于知识分类是根据对影像对象的熟悉程度设定规则进行分类的。
　　2 方法试验
　　选择法国SPOT5卫星影像数据融合为2.5m空间分辨率的数据为试验数据，经过正射校正，快速大气校正，图像裁剪，得到实验区（北京市朝阳区部分区域）约81.5km2的数据。
　　运用美国的ENVI软件作为信息提取软件。
　　在进行光谱分析时发现绿色植被与人工建材（如，临时工棚的蓝色屋顶）的光谱特征非常相似（图2），计算得到的NDVI非常相似。因此，使用NDVI指标进行图像分类时，必须考虑这个因素。
　　图2绿色植被与人工建材的波谱曲线
　　2.1 监督分类
　　采用目视判读方法，将图像分为4类，即绿地、水体、硬地、其他。通过标准假彩色合成，使图像中的红色部分为植被区域，选择样本后采用JeffriesMatu-sita距离和TransformedDivergence组合计算样本的可分离性，在保证样本精度的条件下用最大似然法进行分类。
　　2.2 决策树分类
　　首先对SPOT影像NDVI计算和主成分分析（PCA），然后选择PCA得到的第一分量PC1作R（红）波段，NDVI值作为G（绿）波段，从原始图像中选取某个波段作为B（蓝）波段进行假彩色合成，以增强绿地信息。在植被增强显示的影像上采集绿地样本，并进行光谱信息统计作为决策树分类的分类规则。
　　2.3 面向对象的分类
　　用ENVI的FX工具，将整个图像进行分割，选择计算对象的光谱属性以及自定义植被指数属性，特征提取选择基于知识分类的方法。
　　3种方法提取的结果见图3。
　　
　　a监督分类的结果b决策树分类的结果c面向对象分类的结果
　　图33种方法提取的绿地信息的结果
　　对3个结果进行统计，结果是，采用监督分类法提取出的绿地面积为27.7277km2，采用决策树法提取出的绿地面积为26.0125km2，采用面向对象法提取出的绿地面积为28.3778km2。
　　从统计结果上看，3种方法提取的结果大致相当。监督分类方法适用于中低分辨率影像数据，影像上同类型地物在色彩上较为一致，且各地物间区分较明显，如，植被密度高，面积较大，斑块比较完整，绿化状况好的情况。决策树方法适用于影像清晰，地物光谱特征保持良好、有多源数据作参考的情况。面向对象的方法适用于高分辨率影像，绿地比较规整或者植被稀疏且分布不连续、轮廓比较明显的情况。
　　3 属性赋值
　　通过遥感技术获取的城市绿地信息一般以矢量格式输出，包括绿地斑块面积、周长属性信息。绿地信息的其他属性很难通过影像分类的方式获得，如公园绿地、生产绿地、防护绿地、附属绿地、其他绿地等，缺少属性值对遥感绿地信息的应用产生较大的影响。
　　在拥有“城市用地分类”数据的前提下，使用GIS的空间叠加分析，即求输入要素和叠加要素的几何交集，输入要素将获得叠加要素的属性信息。这里的输入要素是城市绿地矢量结果，叠加要素是“城市用地分类”矢量数据。
　　图4空间叠加分析示意图
　　4 结语
　　简单分析了植被波谱特性以及目前常用的3种影像分类方法，以2.5m分辨率的SPOT5数据分别试验了3种方法提取城市绿地信息，得到的结果非常接近。每种方法都有其适用条件，包括影像数据的空间分辨率、城市绿地类型、绿地密度与形状等。利用GIS的空间叠加分析可以为遥感绿地信息的属性赋值，增强遥感绿地信息的可利用性。
　　参考文献：
　　[1]黄慧萍,吴炳方,李苗苗.高分辨率影像城市绿地快速提取技术与应用[J].遥感学报,2004(1):68-74.
　　[2]李石华,王金亮,毕艳,等.遥感图像分类方法研究综述[J].国土资源遥感,2005(2):1-6.