姜 杰，于泉洲*，張貴民，杜忠元，李彩虹,4，張保華

（1.聊城大學環(huán)境與規(guī)劃學院，山東 聊城252059；2.聊城市田莊苗圃，山東 聊城252000；3.聊城市自然資源和規(guī)劃局，山東 聊城252000；4.中國地質大學（北京）地球科學與資源學院，北京100083）

城市綠地，作為城市生態(tài)平衡的調節(jié)器，是反映城市宜居性的重要指標，近年來已上升為城市基礎設施建設的重點內容。城市綠地主要是指以自然綠地和人工綠地為主的城市用地，包含兩個方面：一是城市規(guī)劃建設區(qū)域內的綠化用地；二是在城市建設區(qū)域之外，有利于城市的生態(tài)環(huán)境、景觀和居民生活的綠化用地[1]。它不僅具有不可替代的生態(tài)和環(huán)境效益，而且具有一定的經濟效益[2,3]。在城市的空氣中，含有大量的煙灰和粉塵，會降低太陽輻射強度及削弱紫外線，不利于人體健康。城市綠地對灰塵等污染物具有過濾和吸附作用，植物的根系能吸收有害物質從而凈化土壤。城市綠地的空間特征是城市規(guī)劃和管理的基本信息。因此，準確高效地提取城市綠地空間特征，對于提高居民的生活質量、規(guī)劃建設宜居城市具有重要意義。

傳統(tǒng)的城市綠地調查主要靠基層單位的實地抽樣考察，不僅費時、費力，采集的結果由于受人為因素干擾，誤差也較大，準確性較低。隨著衛(wèi)星遙感技術的普及，越來越多的遙感數據被用于城市綠地的調查[4,5]。如郭程軒等[6]基于Landsat TM 影像的分析，準確描述了城市綠地生態(tài)格局的宏觀和微觀特征；王飛紅[7]基于Landsat TM 遙感數據，采用決策樹法、混合像元分解法兩種方法提取出太原市的綠地信息，并將其進行分類，分為草地、針葉林綠地和闊葉綠地。當前，歐洲空間局Sentinel-2 數據的出現，為城市綠地的提取提供了新的數據源，戰(zhàn)勝等[8]對比Sentinel-2 和Landsat-8 OLI 數據，發(fā)現Sentinel-2 數據能更好地提取城市綠地分布狀況。鐘華瀚等[9]基于Sentinel-2 和Landsat 數據分析了南京市各城區(qū)的綠化差異?；谶b感像元的方法提取的城市綠地特征存在椒鹽現象，準確率較低，而面向對象的方法可以避免這些缺點。

因此，本文以聊城市東昌府區(qū)城區(qū)為研究對象，選取時間匹配的Sentinel-2 和Landsat-8 數據，采用ENVI、SNAP、Sen2Cor 等遙感平臺，基于面向對象的圖像分類技術，提取了聊城市城區(qū)綠地，并分析兩種遙感數據在提取城市綠地中的差異，最后選用較優(yōu)的分類結果分析評價了聊城市的城市綠地特征，以期為聊城城市綠地建設規(guī)劃和管理提供科學依據，提高城市的宜居性。

1 研究區(qū)概況與數據源

1.1 研究區(qū)概況

聊城市位于山東省西部平原區(qū)，屬溫帶大陸性季風氣候，具有良好的綠化條件。聊城是國家歷史文化名城，京杭大運河和黃河在此交匯，有“江北水城”之美譽。其交通優(yōu)勢明顯，擁有完善的基礎設施，資源豐富，為綠地建設提供了先天條件。2019年，聊城市被認定為山東省新型智慧城市建設試點城市，自身經濟不斷發(fā)展的同時，也在輻射和帶動整個魯西地區(qū)的經濟發(fā)展。近年來，聊城市的城市發(fā)展和綠地建設也備受關注[10,11]。本文的研究區(qū)定為聊城市東昌府區(qū)外環(huán)路以內，包含了聊城主城區(qū)，地理范圍大致在115°14″—116°06″E、36°16—36°42″N 之間（圖1）。

圖1 研究區(qū)真彩色遙感數據影像圖Figure 1 True color image of remote sensing data of the study area

1.2 數據源

Sentinel-2 數據由2019年6月14日及2019年7月2日的兩景相鄰影像拼接而成，該影像的顯著特點是具有高分辨率的較為豐富的綠地信息，地物清晰可見，喬木、灌叢和草地的特征較明顯。Landsat-8 影像數據成像時間為2019年6月14日。選取數據的研究區(qū)云量少，大氣透明度良好。在數據獲取之后，利用Sen2Cor 遙感平臺及ENVI 遙感平臺的FLAASH 模型進行大氣校正，得到地表反射率。

2 綠地空間特征提取

2.1 面向對象的信息提取

遙感影像中地物的分類不僅體現在顏色上，還體現在地物的形狀、紋理等特征上。當目標地物的光譜特征相似時，會有光譜相互影響的現象，這對傳統(tǒng)的分類方法提出了一種挑戰(zhàn)，而紋理特征在目標的識別過程中可以起到積極的作用，即面向對象的信息提取方法。面向對象的圖像分類技術將遙感圖像判讀從傳統(tǒng)的人工判讀中解放出來，實現了高質量、高可靠性的自動信息獲取過程[12]。本文采用基于樣本的面向對象分類方法，充分利用了高分辨率的多光譜數據的形狀、紋理等特征進行信息提取，有利于避免同物異譜和同譜異物的現象以及消除椒鹽噪聲現象，得到高精度的分類結果。主要分為兩個部分：發(fā)現對象和特征提取。

2.2 影像分割與合并

面向對象分類的重要參數之一為影像分割尺度，它將會對影像對象的大小和數量以及最終的分類精度產生直接影響[13]。本文采用多尺度的分割方法，找到最佳的分割尺度，使分割后的影像破碎和模糊程度適中。通過在多個分割尺度上反復嘗試，得出Sentinel-2 數據對不同地物的表現更清晰且形變較分類前的實際地物范圍小，在分割尺度下，Landsat-8 影像區(qū)域相對模糊，與分類前的實際地物范圍相比有一定變化。在此基礎上，考慮到需對兩幅影像進行對比，因此將最佳分割尺度均設置為40。在圖像分割中，由于閾值較低，一些特征可能會被錯誤分類，一個特征可能被分成多個部分。因此通過合并來解決這些問題，本文設置的閾值為60。

2.3 遙感影像分類

與傳統(tǒng)的遙感影像監(jiān)督分類方法不同的是，面向對象分類方法速度快、精度高，對于分辨率高的遙感影像分類是最佳選擇?；旌舷裨谟跋穹诸愔惺且环N普遍存在的現象，利用支持向量機(Support Vector Machine,SVM) 分類器可以有效改善這種現象。SVM 是一種新的機器學習方法，在傳統(tǒng)的監(jiān)督分類中也可使用這種方法，具有可靠的理論基礎和良好的試驗性能，近年來在遙感圖像分類研究中得到了廣泛應用[14]。研究表明，在小樣本等情況的識別及學習規(guī)律問題時，支持向量機算法具有獨特優(yōu)勢[8]。因此，本文選取SVM 分類器進行提取分析，圖2為影像分割效果圖。本研究將城市地類分為林草地、道路綠地、耕地、水體和非綠地，其中林草地多為城市公園和校園綠地。

圖2 遙感影像分割后矢量結果圖（局部）Figure 2 Partial vector result map of remote sensing image segmentation

3 結果與分析

3.1 分類結果

由分類結果(圖3)可知，兩種遙感影像的分類結果在空間格局上基本一致，聊城市綠地空間格局整體呈現：林草地主要分布在城區(qū)的東南部，以聊城大學、九州洼濕地公園、鳳凰苑公園、東昌湖環(huán)湖公園和徒駭河沿河公園最為集中；道路綠地主要分布于城區(qū)各大主干道兩側；耕地則多分布于城市西南部。差異方面，在西南部，由于兩幅影像的成像時間及云層干擾等原因，導致Sentinel-2 數據把少量耕地誤分為水體。另外，在中部兩種遙感數據分類效果也有不同。通過Google Earth 和實地調查驗證，Sentinel-2 數據整體分類結果與聊城市城區(qū)綠地實際分布狀況一致，能夠較準確地提取道路綠地的線性特征，可區(qū)分出道路與其兩側的綠地。而Landsat-8將一些道路綠地誤分為非綠地，存在較大的誤分類問題，因此可以判斷在此區(qū)域Sentinel-2 的分類效果要優(yōu)于Landsat-8。

圖3 遙感影像分類結果圖Figure 3 Remote sensing image classification results

3.2 分類精度評價

利用ENVI 計算混淆矩陣進行驗證,由5 種分類地物精度評價和Kappa 系數的計算結果(表1)可以看出，面向對象分類方法下Sentinel-2 影像數據分類的總精度達到96.48%，Kappa 系數為0.94，整體的分類效果較好。其中，道路綠地分類精度最低，制圖精度為85.05%，水體分類精度最高，制圖精度為100%，用戶精度為99.98%；Landsat-8 影像分類的總精度為90.58%，Kappa 系數為0.87，分類效果較Sentinel-2 數據欠佳，有錯分、漏分等問題的存在。其中道路綠地的制圖精度僅為58.69%，用戶精度為70.22%。相較于Sentinel-2 影像，Landsat-8 影像對于道路綠地的分類不敏感，精度較低，但對于水體、耕地的分類精度則較高。這可能是因為水體和耕地具有清晰的紋理特征，而面向對象技術可以根據紋理特征很好地區(qū)分地物，但是道路綠地紋理不清晰，容易與其他地物混淆[15]。

表1 兩種數據源分類精度結果Table 1 Classification accuracy results of two data sources

總之，這兩種數據的分類結果在視覺上克服了傳統(tǒng)的現象方法無法克服的 “椒鹽” 噪聲的缺點；Sentinel-2 數據具有更高的數據精度，城市綠地提取效果更好。

3.3 聊城市城區(qū)綠地空間特征

結合景觀生態(tài)學的分析方法，選取景觀多樣性指標、景觀聚散性指標、密度大小及差異性指數、鄰近度指數等4 類評價因子，共7 個評價指數：Shannon 多樣性（SHDI）、Shannon 均勻度（SHEI）、景觀聚集指數（AI）、景觀凝聚度指數（COHESION）、歐式最鄰近距離分布（ENN_MN）、斑塊密度（PD）及斑塊數量（NP）等，指數含義可見文獻[16]。利用Fragstats4.2軟件，計算分析聊城市城區(qū)綠地的空間特征。

3.3.1 面積特征

根據Sentinel-2 的分類結果，聊城市城區(qū)（外環(huán)路以內區(qū)域）總面積約為198.15 km2，其中城市綠地面積約為125.30 km2，占研究區(qū)總面積的63.23%。若去除耕地，城市綠地面積約為81.08 km2，占城市總面積的40.92%。由表2可看出，城市綠地中的林草地占比較大，面積大約為42.54 km2，占城市總面積的21.47%，占城市綠地總面積（不含耕地）的52.47%。道路綠地面積大約為38.54 km2，占城市總面積的19.45%，占城市綠地總面積（不含耕地）的47.53%。經過在Google Earth 和實地驗證，基于Landsat-8 影像的分類對面積狹窄的區(qū)域不敏感，如道路綠地及草地，分類結果與Sentinel-2 數據有較大差異，精度較低導致其相對誤差較大。

3.3.2 綠地景觀空間特征

由Landsat-8 和Sentinel-2 影像分類結果計算出以下7 個指數(見表3)。結果表明，兩種遙感數據源對個別指數的計算結果在數量大小方面有所不同，尤其是歐式最鄰近距離分布、斑塊密度大小及差異性指數等方面數值差異較大。

以Sentinel-2 影像計算的城市景觀指數結果為例，聊城市的城市綠地景觀分布相對集中，景觀間的連通性較強，景觀的破碎化程度較低，且景觀均勻性和多樣性均不低，綠地分布特征比較合理。

具體而言，景觀聚散性指數AI 及凝聚度指數COHESION 表明，整個研究區(qū)綠地景觀分布較集中，連通性較強;景觀多樣性指數SHDI 及SHEI 顯示，城市綠地類型布局相對較均衡，景觀多樣性較高;密度大小及差異性指數PD 及NP 顯示出綠地總體景觀破碎程度適中，由于兩種遙感數據影像分辨率的差異導致Sentinel-2 影像所計算的NP 及PD普遍高于Landsat-8 影像的計算值;歐式最鄰近距離分布ENN_MN 表明聊城市城區(qū)綠地景觀最鄰近距離適中，說明景觀破碎程度適中。

4 聊城市城區(qū)綠地建設的建議

聊城市城市綠地分布特征較合理，城區(qū)的綠地覆蓋率相對較高約為40.9%，但如果以市區(qū)常住人口100 萬人計算，人均城市綠地面積只有8.1 m2/人，相比2018年濟南市人均公園綠地面積12.7 m2，還有待提高。而且聊城市公園林草地占比還較少，分布比較集中，可服務的區(qū)域較小。因此，相關部門在制定新的規(guī)劃時應全面規(guī)劃城市的綠化建設，特別是中心城區(qū)的綠化面積較低的區(qū)域，不利于提高居民的生活質量，綠化建設應加強。由于空間有限，大型的綠地規(guī)劃建設不易開展，因此可以將公園林草地作為“點”，以道路交通綠地為“線”，以居民區(qū)綠地為“面”，構建城市綠地“網”，相應加強城市中心區(qū)的生態(tài)廊道和小面積的道路交通綠地建設。這樣不僅可以靈活地補充城市綠地景觀的不足，還可以改善城市環(huán)境質量和提高城市景觀的視覺功能，建成有序完整的城市綠地體系，美化城市環(huán)境[17]。此外，公園綠地的規(guī)劃應統(tǒng)籌考慮城區(qū)人口分布，合理布局，避免過度集中。

綠地物種組成方面，應增加植物種類，使喬木、灌叢、草地高效有機結合，提高人工生態(tài)系統(tǒng)功能性。根據不同物種的功能采取不同的配置形式，如在面積較大的區(qū)域增大喬木的數量，形成樹林；在工業(yè)區(qū)或居民區(qū)可引入抗風、防塵效果較好的垂柳，使綠地更好地發(fā)揮各項功能。在綠化建設過程中，可以適當引入耐活力強、觀賞價值高的常綠樹種，既可以營造四季常青的植物景觀，減少落葉闊葉類植物的季節(jié)性限制，又可以增加綠地面積，改善城市的生態(tài)環(huán)境和城市宜居性，提高城市生態(tài)環(huán)境的自我調節(jié)能力。

表2 各城市綠地類型面積Table 2 Area of urban green space types

表3 聊城市城區(qū)景觀指數表Table 3 Urban landscape index table of Liaocheng city

5 結語

本文基于Sentinel-2 和Landsat-8 數據，采用面向對象的提取方法提取了聊城市的城區(qū)綠地并進行高精度的分類，同時運用景觀生態(tài)學方法，對聊城市城區(qū)綠地的景觀特征進行了評估。得出以下結論：

（1）在利用傳統(tǒng)的綠地信息提取的方法時，存在著效率低、速度慢、精度低、信息不完整等問題，需要用到更加高效和精準的遙感影像處理和分類的方法。面向對象的分類方法在一定程度上符合以上要求，通過選取最佳的分割尺度和合并閾值，得到精確的分類結果。

（2）兩種遙感數據源提取城市綠地的精度有較明顯差異。Sentinel-2 影像的總體分類精度達到96.48%，而Landsat-8 為90.58%。Sentinel-2 在城市道路綠地提取方面效果更好。

（3）Sentinel-2 影像的分類結果顯示，聊城市城區(qū)綠地面積(含耕地)約占總面積的63.23%。去掉耕地后，城市綠地面積大約為81.08 km2，占城市總面積的40.92%。城市綠化總體較佳,但人均綠地占有量有待提高。

（4）兩種遙感數據源計算的綠地景觀差異性指數和鄰近度指數差異明顯，但景觀間連通性較強，景觀破碎程度適中，景觀多樣性和均勻性較高，具有較合理的綠地分布特征。同時要注意到，聊城城區(qū)的人均綠地覆蓋率還有待提高，尤其是公園綠地（林草地）的占比還比較少，且分布較集中，需進一步優(yōu)化。