王瑋　黃林　任金銅

摘要：綠地面積作為園林城市建設的重要指標，對于城市規(guī)劃建設具有重要意義。文章基于面向?qū)ο蠓诸愃惴?，以位于喀斯特山區(qū)的貴州省畢節(jié)市海子街鎮(zhèn)為研究區(qū)，利用高分一號（GF-1）PMS遙感影像進行城鎮(zhèn)綠地提取。結(jié)果表明：綠地信息在GF-1 PMS影像上具有明顯的光譜、紋理特征，通過對影像對象特征的不同選擇和組合，能夠很好地提取城鎮(zhèn)綠地信息；在面向?qū)ο蠓诸愃惴ㄖ?，基于?guī)則的綠地信息提取總體分類精度為79.36％，Kappa系數(shù)為0.76；基于樣本的綠地信息提取總體分類精度為89.79％，Kappa系數(shù)為0.85，其提取效果比基于規(guī)則的面向?qū)ο蠓椒ǜ谩?/p>

關(guān)鍵詞：高分一號；城鎮(zhèn)綠地；面向?qū)ο螅恍畔⑻崛?/p>

中圖分類號：TP7文獻標志碼：A

0 引言

隨著城鎮(zhèn)化發(fā)展，城鎮(zhèn)綠地的空間分布、生態(tài)效益越來越受重視。然而，傳統(tǒng)綠地信息的獲取耗時費力［1］。遙感技術(shù)的發(fā)展為綠地信息提取提供了有力支撐， 利用高分辨率遙感影像進行城鎮(zhèn)綠地規(guī)劃已成為熱點［2］。

近年來，已有學者將遙感技術(shù)應用到城鎮(zhèn)綠地信息提取。李寶華［3］基于Landsat影像對開封市綠地專題信息進行提取，取得較好效果。孫雅榮［4］采用面向?qū)ο蠹夹g(shù)對城市綠地信息自動提取，以保證數(shù)據(jù)精度。王延飛等［5］分析對比了各種城市綠地提取方法的準確度和可行性。周智勇等［6］通過對比3種分割方法，對城市綠地進行面向?qū)ο笠?guī)則分類并評價。陳陽等［7］介紹了一個完整的遙感工程實現(xiàn)過程，快速掌握城市綠地總量與分布現(xiàn)狀。張云英等［8］利用GeoEye-1影像數(shù)據(jù)

進行綠地信息的提取實驗對比，認為面向?qū)ο蠓椒ㄌ崛⌒Ч^好。王斐等［9］分析了不同影像在進行綠地信息提取中的優(yōu)缺點。馬鑫［10］研究了一種面向?qū)ο笏枷脒M行城市綠地信息提取的新方法。張鑫［11］利用遙感圖像獲得城區(qū)地面覆蓋類型、結(jié)構(gòu)和面積。王剛等［12］利用WorldView-2遙感影像基于面向?qū)ο蠓椒ㄟM行綠地信息分析。然而，針對喀斯特山區(qū)的城鎮(zhèn)綠地信息進行提取的研究較少，特別是基于國產(chǎn)衛(wèi)星遙感影像的綠地信息提取研究不多。

本文以位于典型喀斯特山區(qū)的畢節(jié)市海子街鎮(zhèn)為研究區(qū)，基于我國民用高分衛(wèi)星高分一號（GF-1）PMS影像為數(shù)據(jù)源，利用不同面向?qū)ο筮b感圖像分類方法，對研究區(qū)城鎮(zhèn)綠地信息進行提取研究，以期為典型喀斯特山區(qū)城鎮(zhèn)綠地信息提取提供參考和借鑒。

1 研究區(qū)概況及數(shù)據(jù)來源

1.1 研究區(qū)概況

海子街鎮(zhèn)為貴州省畢節(jié)市七星關(guān)區(qū)下轄鎮(zhèn)，位于七星關(guān)區(qū)東北部［13］，距區(qū)中心13 km，轄38個行政村，國土面積127.4 km2，其中耕地25.7 km2，水田6.73 km2，旱地18.97 km2，是畢節(jié)市第一農(nóng)業(yè)大鎮(zhèn)，為黔西北工業(yè)園區(qū)駐地，以新能源汽車產(chǎn)業(yè)為支柱。海子街鎮(zhèn)土地肥沃，自然資源豐富，具有一定的代表性。

1.2 數(shù)據(jù)來源

GF-1衛(wèi)星是我國“高分辨率對地觀測系統(tǒng)”國家科技重大專項的首發(fā)星，GF-1衛(wèi)星上有4臺16 m分辨率多光譜寬幅（WFV）相機和2臺2 m分辨率全色/8 m分辨率多光譜（PMS）相機［14］。GF-1作為國產(chǎn)衛(wèi)星在高空間分辨率、多光譜與寬覆蓋等關(guān)鍵技術(shù)領(lǐng)域取得一定的突破，目前在自然資源部、農(nóng)業(yè)農(nóng)村部和生態(tài)環(huán)境部等部門得到廣泛應用［15］。

本文選取GF-1遙感影像（GF1_PMS1_E105.6_N27.5_20160824_L1A0001781624、GF1_PMS2_E105.3_N27.4_20170607_L1A0002413314），獲取時間為2016年8月24日和2017年6月8日，數(shù)據(jù)來自高分貴州中心。對獲取的研究區(qū)原始影像數(shù)據(jù)進行預處理，包括圖像融合、正射校正、大氣校正、鑲嵌、裁剪等。

2 基于面向?qū)ο蟮木G地信息提取方法

2.1 面向?qū)ο蠓诸惛拍?/p>

面向?qū)ο蟮倪b感影像分類方法是以影像對象為分類或檢測的最小單元，從較高層次（對象層次）對遙感影像進行分類，充分考慮地物的特征，有效克服“椒鹽效應”，減少同物異譜和同譜異物的影響［16］。

ENVI（The Environment for Visualing Images）作為功能強大的遙感圖像處理專業(yè)軟件，在遙感影像面向?qū)ο蠓诸愔刑峁┝嘶谝?guī)則和基于樣本的兩種不同類型的提取方法。本文將利用兩種方法對GF-1影像數(shù)據(jù)進行綠地信息提取研究。

2.2 基于規(guī)則的面向?qū)ο缶G地信息提取

基于規(guī)則的面向?qū)ο笮畔⑻崛☆愃朴跊Q策樹分類，利用影像光譜、紋理、形狀等特征獲取分類規(guī)則，對影像對象進行分割與合并以獲取影像對象，進而基于規(guī)則特征進行信息提取。

本文通過歸一化植被指數(shù)（NDVI，式中記為INDV）獲取面向?qū)ο蠓诸愐?guī)則。NDVI是較為常用的一種遙感圖像增強方法，利用遙感影像中近紅外波段與紅光波段進行計算，主要用于增強遙感影像中的植被信息，可以很好地用于區(qū)分植被與非植被覆蓋區(qū)，其公式為：

式中，NIR、RED分別表示遙感影像中的近紅外波段和紅光波段。NDVI的取值范圍是-1～1，NDVI值高表明該區(qū)域植被覆蓋度高［17］。

本文采用NDVI對綠地進行初步提取，在提取過程中，利用ENVI軟件提供的面向?qū)ο蠓诸惞ぞ逧NVI FX，確定對象分割與合并閾值、信息提取的規(guī)則設定等。通過多次實驗，獲得影像理想的分類規(guī)則為：分割閾值35，合并閾值60，規(guī)則NDVI>0.5107。

2.3 基于樣本的面向?qū)ο蟊O(jiān)督分類綠地信息提取

與傳統(tǒng)基于像元的監(jiān)督分類不同，基于樣本的面向?qū)ο蠓诸愃惴ǖ臉颖臼怯捎跋駥ο髽?gòu)成的。在進行分類過程中，該方法能夠充分利用影像的光譜、空間和紋理等影像特征。

2.3.1 選擇樣本

通過對GF-1影像目視分析，結(jié)合CJJ/T 85—2017《城市綠地分類標準》，以及研究區(qū)現(xiàn)狀，本文將城鎮(zhèn)綠地劃分為三大類，即防護綠地、附屬綠地和區(qū)域綠地（見表1）。在分類過程中，樣本的選擇至關(guān)重要。樣本的選擇一般是在研究區(qū)域中均勻分布，且能夠有效表達地物類型［1］。本文利用ENVI專業(yè)遙感軟件選擇一定數(shù)量的樣本，其中一部分用于影像分類中的訓練樣本，選擇另一部分用于分類后的精度評價。

2.3.2 分類算法

SVM（Support Vector Machines，支持向量機）因其算法結(jié)構(gòu)簡單，適合處理高維特征、復雜小樣本與不確定性等問題［1］，是近年來模式識別與機器學習領(lǐng)域新的研究熱點。本文面向?qū)ο蠓诸愃惴ㄖ惺褂幂^為常用的機器學習算法VM進行。

3 結(jié)果與分析

3.1 城鎮(zhèn)綠地信息提取

利用前文中基于規(guī)則的面向?qū)ο缶G地信息提取方法對研究區(qū)GF-1影像中綠地信息進行提取。通過預覽得知，基于規(guī)則的綠地信息提取能夠很好地提取出綠地信息，并且沒有將跟綠地信息光譜信息接近的彩鋼瓦混淆歸為綠地。

根據(jù)研究區(qū)影像中目標地物的特點，利用影像對象的光譜、空間形狀、圖像紋理、植被指數(shù)等特征，選擇SVM分類方法基于樣本的面向?qū)ο缶G地信息進行提取。通過影像目視解譯結(jié)合現(xiàn)場勘察，基于規(guī)則的面向?qū)ο缶G地信息提取結(jié)果中大部分綠地類型的分類結(jié)果正確，區(qū)域綠地分類效果最好，防護綠地錯分、漏分較多?；跇颖镜拿嫦?qū)ο缶G地信息提取也存在部分錯分、漏分現(xiàn)象，但總體來看效果較好。其中，防護綠地錯分、漏分較多，這很可能是由于在選擇訓練區(qū)時，地物本身就存在不好分性。

3.2 精度評價

本文選用總體分類精度和Kappa系數(shù)進行分類精度定量評價［18］。通過選取驗證樣本對分類結(jié)果進行精度評價得到表2。從表2中可以看出，基于樣本的面向?qū)ο蠓诸惪傮w分類精度和Kappa系數(shù)均高于基于規(guī)則的面向?qū)ο蠓诸?，總體分類精度為89.79％，Kappa系數(shù)為0.85；從生產(chǎn)者精度和用戶精度來看，基于樣本的面向?qū)ο蠓诸惿a(chǎn)者精度和用戶精度也是均高于基于規(guī)則的面向?qū)ο蠓诸?；基于樣本的面向?qū)ο蠓诸惙雷o綠地分類精度低于附屬綠地和區(qū)域綠地。

4 結(jié)論與展望

本文基于GF-1 PMS影像基于規(guī)則與訓練樣本的面向?qū)ο蠓椒?，綜合應用遙感影像光譜、紋理及空間特征進行了喀斯特山區(qū)城鎮(zhèn)綠地信息提取，得出以下結(jié)論。

（1）在GF-1 PMS高分辨率遙感影像中，城鎮(zhèn)綠地具有明顯的光譜、紋理和空間形態(tài)特征，根據(jù)各類目標地物的特點和具體要求，綜合選取不同的對象特征及特征組合，可有效提取城鎮(zhèn)綠地信息。

（2）基于規(guī)則的綠地信息提取總體分類精度為79.36％，Kappa系數(shù)為0.76；基于樣本的綠地信息提取總體分類精度為89.79％，Kappa系數(shù)為0.85；基于樣本的面向?qū)ο蟊O(jiān)督分類綠地信息提取方法比基于規(guī)則的面向?qū)ο缶G地信息提取方法效果好。

由于遙感影像存在同物異譜、同譜異物、混合像元等問題，在分類過程中很難進行區(qū)分，因此訓練樣本的數(shù)量和代表性會對分類結(jié)果有一定的影響，故本文得出的結(jié)論是否具有廣泛適用性還值得深入探討。

參考文獻

［1］張宏剛，黨濤.基于高分辨遙感影像城市綠地信息分類提?。跩］.測繪技術(shù)裝備，2018（1）：46-49.

［2］李巍，丁晨旸，李萍.基于高分一號遙感影像的綠地信息提?。跩］.安徽農(nóng)業(yè)科學，2017（14）：208-210.

［3］李寶華.遙感影像綠地信息提?。阂蚤_封市為例［J］.平頂山學院學報，2005（5）：69-72.

［4］孫雅榮.城市綠地信息提取及空間數(shù)據(jù)質(zhì)量評價分析［D］.上海：上海師范大學，2007.

［5］王延飛，溫小榮.基于NDVI再分類的城市綠地信息提取：以江蘇省徐州市為例［J］.福建林業(yè)科技，2012（2）：66-69.

［6］周智勇，邢英梅，東啟亮，等.基于GF-1遙感數(shù)據(jù)的城市綠地信息提取研究［J］.礦產(chǎn)勘查，2015（5）：635-641.

［7］陳陽，趙俊三，陳應躍.基于ENVI的高分辨率遙感影像城市綠地信息提取研究［J］.測繪工程，2015（4）：33-36.

［8］張云英，汪金花，陳曉婷，等.面向?qū)ο蟮母叻钟跋癯鞘芯G地精準提取方法研究［J］.礦山測量，2016（2）：76-79.

［9］王斐，劉艷紅，馮代麗，等.城市綠地信息提取的研究進展［J］.中國農(nóng)學通報，2017（10）：67-71.

［10］馬鑫.高分辨率遙感影像面向?qū)ο蟮木G地信息提取方法研究［D］.銀川：寧夏大學，2017.

［11］張鑫.遙感圖像處理在城市綠地提取中的應用研究［D］.西安：西安建筑科技大學，2018.

［12］王剛，高美歡，劉玉梅.基于高分辨遙感影像的城市綠地信息提取研究［J］.北京測繪，2018（2）：221-224.

［13］郗靜，王鴻，陳钘.七星關(guān)區(qū)水土保持監(jiān)督執(zhí)法工作成效與經(jīng)驗［J］.黑龍江科技信息，2017（7）：283.

［14］王雪英，郭衛(wèi)華.面向?qū)ο蟮母叻忠惶栃l(wèi)星影像大棚信息提取研究［J］.湖北農(nóng)業(yè)科學，2019（24）：4.

［15］羅海靜，資鋒，陳玲，等.高分一號衛(wèi)星在國土資源領(lǐng)域的應用及前景［J］.衛(wèi)星應用，2015（3）：41-43.

［16］賀丹.基于高分辨率遙感影像的城市綠地信息提取：以東莞市為例［J］.數(shù)字通信世界，2019（10）：80-81.

［17］王潔寧，王浩.新版《城市綠地分類標準》探析［J］.中國園林，2019（4）：92-95.

［18］姜洋.浙江省不透水面時空演變及與城市熱環(huán)境的相關(guān)分析［D］.南京：南京大學，2014.

（編輯 李春燕編輯）

Research on extracting green space in Karst towns based on GF-1 PMS

WANG? Wei1， HUANG? Lin1， REN? Jintong2，3

（1.Anhui Yuntu Space Information Technology Co.， Ltd.， Hefei 230022， China; 2.Guizhou University

of Engineering Science， Bijie 551700， China; 3.Guizhou Province Key Laboratory of Ecological Protection

and Restoration of Typical Plateau Wetlands， Bijie 551700， China）

Abstract：? Green space area as an important indicator of garden city construction is of great significance for urban planning and construction. Based on object-oriented classification algorithm， the article takes Haizijie town， Bijie city， Guizhou province， located in the Karst mountainous area as the research area. The GF-1 PMS remote sensing image is used to extract urban green spaces. The results show that green space information has obvious spectral and texture features on GF-1 PMS images. By selecting and combining different image object features， urban green space information can be effectively extracted; in object-oriented classification algorithms， the overall classification accuracy of rule-based green space information extraction is 79.36%， the Kappa coefficient is 0.76; the overall classification accuracy of green space information extraction based on samples is 89.79%， the Kappa coefficient is 0.85， and its extraction performance is better than rule-based object-oriented methods.

Key words： GF-1; urban green space; object-oriented; information extraction

基金項目：喀斯特高原資源與環(huán)境遙感人才團隊；項目編號：畢委人領(lǐng)通〔2023〕14號。智慧地理空間信息應用工程中心；項目編號：畢科聯(lián)合〔2023〕8號。貴州省區(qū)域內(nèi)一流建設學科“生態(tài)學”；項目編號：黔教XKTJ〔2020〕22）。

作者簡介：王瑋（1985— ），男，高級工程師，碩士；研究方向：空間信息應用。