摘要：城市綠地是城市中唯一有生命的基礎(chǔ)設(shè)施，必須客觀、準(zhǔn)確地掌握城市綠地信息及其變化情況。遙感技術(shù)給城市綠地信息調(diào)查提供了更為有效而便捷的手段，植被有其特殊的光譜響應(yīng)，使得其有別于其他物質(zhì)。城市綠地的遙感提取方法有監(jiān)督分類、決策樹分類、面向?qū)ο蠓诸惖确椒ǎ�每一種方法都有它的適用條件。利用GIS的空間疊加分析可以為遙感綠地信息的屬性賦值，增強(qiáng)遙感綠地信息的可利用性。
　　關(guān)鍵字：城市綠地，遙感技術(shù)，高分辨率影像，ENVI，GIS
　　
　　
　　0 引言
　　城市綠地是城市中唯一有生命的基礎(chǔ)設(shè)施，它在改善城市生態(tài)環(huán)境和人居環(huán)境起著積極的作用，城市綠地含量逐漸成為衡量城市生活質(zhì)量的1個(gè)重要指標(biāo)。此外，城市綠地的空間分布格局與其生態(tài)效應(yīng)有著密切的關(guān)系。因此，必須客觀、準(zhǔn)確地掌握城市綠地信息及其變化情況。
　　高分辨率遙感影像的出現(xiàn)，給城市綠地信息調(diào)查提供了更為有效而便捷的手段。植被特殊的光譜響應(yīng)，使其有別于其他物質(zhì)，可以利用光譜參數(shù)（如，植被指數(shù)等）和遙感信息提取方法自動(dòng)提取城市綠地信息。利用GIS的空間分析方法對(duì)矢量格式的城市綠地信息，參照CJJ/T85—2002城市綠地分類標(biāo)準(zhǔn)進(jìn)一步屬性賦值。
　　1 綠地信息的遙感提取方法
　　1.1 植被波譜特征與植被指數(shù)
　　植被跟太陽(yáng)輻射的相互關(guān)系有別于其他物質(zhì)，如裸土、水體等，比如植被的“紅邊”現(xiàn)象，即在＜700nm附近強(qiáng)吸收，＞700nm高反射。一般健康綠色植物的光譜曲線總是呈現(xiàn)明顯的“峰和谷”特征[1]，其反射光譜特征規(guī)律明顯而獨(dú)特。從圖1可以看出，植物在藍(lán)光波段和紅光波段的波譜曲線呈吸收谷，在綠光波段操作小的反射峰，在近紅外波段則呈高反射狀態(tài)。在多光譜衛(wèi)星遙感圖像中，植被信息主要體現(xiàn)為紅色波段和藍(lán)色波段的灰度值偏小，近紅外波段的灰度值偏高，以及綠色波段的灰度值也會(huì)偏高。
　　植被指數(shù)（VI）通過(guò)是2個(gè)或多個(gè)波長(zhǎng)范圍內(nèi)的地物反射率進(jìn)行組合運(yùn)算，以增強(qiáng)植被某一特性或者細(xì)節(jié)，常用多光譜遙感數(shù)據(jù)經(jīng)分析運(yùn)算（加、減、乘、除等線性或非線性組合方式）得到。常選用對(duì)綠色植物強(qiáng)吸收的紅波段（0.6μm～0.7μm）和高反射的近紅外波段（0.7μm～1.1μm）數(shù)據(jù)，進(jìn)行歸一化植被指數(shù)（NDVI）計(jì)算。其計(jì)算式見式（1），
　　，（1）
　　其值域范圍為[-1,1]，一般情況下處于(0.2,0.8)。
　　圖1健康綠色植被光譜曲線圖
　　1.2 監(jiān)督分類方法
　　監(jiān)督分類法，又稱訓(xùn)練分類法，是用被確認(rèn)類別的樣本像元特征為依據(jù)去識(shí)別其他未知類別像元的過(guò)程。在分類之前通過(guò)目視判讀和野外調(diào)查，對(duì)遙感圖像上某些樣區(qū)中圖像地物的類別屬性有了先驗(yàn)知識(shí)，對(duì)每1種類別選取一定數(shù)量的訓(xùn)練樣本，利用計(jì)算機(jī)統(tǒng)計(jì)每種訓(xùn)練樣區(qū)的特征或其他信息，再用這些種子類別對(duì)判決函數(shù)進(jìn)行訓(xùn)練，使其符合于對(duì)各種子類別分類精度的要求。最后，再用訓(xùn)練好的判決函數(shù)去對(duì)其他待分類數(shù)據(jù)的類別進(jìn)行判定。通過(guò)每個(gè)像元與訓(xùn)練樣本特征的比較，按預(yù)定的規(guī)則將其劃分到和其最相似的樣本類中，以此完成對(duì)整個(gè)圖像的分類。具體方法見表1。
　　1.3 基于專家知識(shí)的決策樹分類方法
　　基于專家知識(shí)的決策樹分類是基于遙感圖像數(shù)據(jù)及其他空間數(shù)據(jù)，通過(guò)專家經(jīng)驗(yàn)總結(jié)、簡(jiǎn)單的數(shù)學(xué)統(tǒng)計(jì)和歸納方法等，獲得分類規(guī)則并進(jìn)行遙感圖像分類[2]。分類規(guī)則易于理解，分類過(guò)程也符合人的認(rèn)知過(guò)程。
　　專家知識(shí)的決策樹分類的一般流程如下：
　　1.3.1 構(gòu)建多元空間數(shù)據(jù)庫(kù)
　　遙感數(shù)據(jù)經(jīng)過(guò)幾何校正、輻射校正處理后，進(jìn)行波段運(yùn)算，得到植被指數(shù)，連同影像一起輸入空間數(shù)據(jù)庫(kù)。其他空間數(shù)據(jù)經(jīng)過(guò)矢量化、格式轉(zhuǎn)換、地理配準(zhǔn)，輸入空間數(shù)據(jù)庫(kù)；
　　1.3.2 提取樣本構(gòu)建樣本庫(kù)
　　在遙感圖像處理軟件或者GIS軟件支持下，選取合適的圖層，采用計(jì)算機(jī)自動(dòng)選點(diǎn)、人工解譯影像選點(diǎn)等方法采集樣本。將樣本以條件屬性、對(duì)象集、地物類型和分類屬性的結(jié)構(gòu)輸入樣本庫(kù)；
　　1.3.3 分類規(guī)則挖掘與評(píng)價(jià)
　　在構(gòu)建樣本庫(kù)的基礎(chǔ)上，采用適當(dāng)?shù)臄?shù)據(jù)挖掘方法挖掘分類規(guī)則，再基于評(píng)價(jià)樣本集對(duì)分類規(guī)則進(jìn)行評(píng)價(jià)，并對(duì)分類規(guī)則做出適當(dāng)?shù)恼{(diào)整和篩選。
　　1.3.4 遙感影像分類與精度評(píng)價(jià)
　　基于分類規(guī)則構(gòu)建決策樹，利用專家分類器對(duì)遙感影像進(jìn)行分類，并評(píng)價(jià)分類結(jié)果。
　　
　　表1常見監(jiān)督分類方法
　　分類器 說(shuō)明
　　平行六面體分離器 根據(jù)訓(xùn)練樣本的亮度值形成一個(gè)n維的平行六面體數(shù)據(jù)空間，其他像元的光譜值如果落在平行六面體任何一個(gè)訓(xùn)練樣本所對(duì)應(yīng)的區(qū)域，就被劃分其對(duì)應(yīng)的類別中。平行六面體的尺度是由標(biāo)準(zhǔn)差閾值所確定的，而該標(biāo)準(zhǔn)差閾值則是根據(jù)所選類的均值求出。
　　最小距離分離器 利用訓(xùn)練樣本數(shù)據(jù)計(jì)算出每一類的均值向量和標(biāo)準(zhǔn)差向量，然后以均值向量作為該類在特征空間中的中心位置，計(jì)算輸入圖像中每個(gè)像元到各類中心的距離，到哪一類中心的距離最小，該像元就歸入到哪一類。
　　馬氏距離分離器 計(jì)算輸入圖像到各訓(xùn)練樣本的馬氏距離（一種有效的計(jì)算兩個(gè)未知樣本集的相似度的方法），最終統(tǒng)計(jì)馬氏距離最小的，即為此類別。
　　最大似然分離器 假設(shè)每一個(gè)波段的每一類統(tǒng)計(jì)都呈正態(tài)分布，計(jì)算給定像元屬于某一訓(xùn)練樣本的似然度，像元最終被歸并到似然度最大的一類當(dāng)中。
　　神經(jīng)網(wǎng)絡(luò)分離器 指用計(jì)算機(jī)模擬人腦的結(jié)構(gòu)，用許多小的處理單元模擬生物的神經(jīng)元，用算法實(shí)現(xiàn)人腦的識(shí)別、記憶、思考過(guò)程應(yīng)用于圖像分類。
　　支持向量機(jī)分離器 支持向量機(jī)分類（SVM）是一種建立在統(tǒng)計(jì)學(xué)習(xí)理論（StatisticalLearningTheory或SLT）基礎(chǔ)上的機(jī)器學(xué)習(xí)方法。SVM可以自動(dòng)尋找那些對(duì)分類有較大區(qū)分能力的支持向量，由此構(gòu)造出分類器，可以將類與類之間的間隔最大化，因而有較好的推廣性和較高的分類準(zhǔn)確率。
　　
　　1.4 面向?qū)ο髨D像分類
　　客觀上存在著“同物異譜，同譜異物”的現(xiàn)象，直接影響著影像的分類結(jié)果。面向?qū)ο蟮挠跋穹诸惣夹g(shù)可在一定程度減少這種影響。面向?qū)ο蠓诸惣夹g(shù)集合鄰近像元為對(duì)象用來(lái)識(shí)別感興趣的光譜要素，充分利用全色波段和多光譜的數(shù)據(jù)在空間、紋理和光譜信息的特征，對(duì)圖像分割和分類。主要過(guò)程包括影像對(duì)象構(gòu)建和對(duì)象分類。
　　1.4.1 影像對(duì)象構(gòu)建
　　常用的影像分割方法包括基于多尺度的、基于灰度的、紋理的、基于知識(shí)的以及基于分水嶺的分割算法，其中，多尺度分割算法用的最多。這種方法綜合了遙感圖像的光譜特征和形狀特征，將圖像中每個(gè)波段的光譜異質(zhì)性與形狀異質(zhì)性進(jìn)行綜合，再計(jì)算各波段圖像在所有波段中的權(quán)重。若分割出對(duì)象或基元的光譜和形狀綜合加權(quán)值小于某個(gè)指定的閾值時(shí)，再重復(fù)迭代運(yùn)算，直到所有分割對(duì)象的綜合加權(quán)值大于指定閾值，即可完成圖像的多尺度分割操作。
　　1.4.2 影像對(duì)象的分類
　　目前，常用“監(jiān)督分類”和“基于知識(shí)分類”的方法。采用監(jiān)督分類進(jìn)行分類以及樣本對(duì)比時(shí)，所利用的參數(shù)比通常的監(jiān)督分類方法更多，不僅用到光譜信息，還要用到空間、紋理等信息。基于知識(shí)分類是根據(jù)對(duì)影像對(duì)象的熟悉程度設(shè)定規(guī)則進(jìn)行分類的。
　　2 方法試驗(yàn)
　　選擇法國(guó)SPOT5衛(wèi)星影像數(shù)據(jù)融合為2.5m空間分辨率的數(shù)據(jù)為試驗(yàn)數(shù)據(jù)，經(jīng)過(guò)正射校正，快速大氣校正，圖像裁剪，得到實(shí)驗(yàn)區(qū)（北京市朝陽(yáng)區(qū)部分區(qū)域）約81.5km2的數(shù)據(jù)。
　　運(yùn)用美國(guó)的ENVI軟件作為信息提取軟件。
　　在進(jìn)行光譜分析時(shí)發(fā)現(xiàn)綠色植被與人工建材（如，臨時(shí)工棚的藍(lán)色屋頂）的光譜特征非常相似（圖2），計(jì)算得到的NDVI非常相似。因此，使用NDVI指標(biāo)進(jìn)行圖像分類時(shí)，必須考慮這個(gè)因素。
　　圖2綠色植被與人工建材的波譜曲線
　　2.1 監(jiān)督分類
　　采用目視判讀方法，將圖像分為4類，即綠地、水體、硬地、其他。通過(guò)標(biāo)準(zhǔn)假彩色合成，使圖像中的紅色部分為植被區(qū)域，選擇樣本后采用JeffriesMatu-sita距離和TransformedDivergence組合計(jì)算樣本的可分離性，在保證樣本精度的條件下用最大似然法進(jìn)行分類。
　　2.2 決策樹分類
　　首先對(duì)SPOT影像NDVI計(jì)算和主成分分析（PCA），然后選擇PCA得到的第一分量PC1作R（紅）波段，NDVI值作為G（綠）波段，從原始圖像中選取某個(gè)波段作為B（藍(lán)）波段進(jìn)行假彩色合成，以增強(qiáng)綠地信息。在植被增強(qiáng)顯示的影像上采集綠地樣本，并進(jìn)行光譜信息統(tǒng)計(jì)作為決策樹分類的分類規(guī)則。
　　2.3 面向?qū)ο蟮姆诸?br /> 　　用ENVI的FX工具，將整個(gè)圖像進(jìn)行分割，選擇計(jì)算對(duì)象的光譜屬性以及自定義植被指數(shù)屬性，特征提取選擇基于知識(shí)分類的方法。
　　3種方法提取的結(jié)果見圖3。
　　
　　a監(jiān)督分類的結(jié)果b決策樹分類的結(jié)果c面向?qū)ο蠓诸惖慕Y(jié)果
　　圖33種方法提取的綠地信息的結(jié)果
　　對(duì)3個(gè)結(jié)果進(jìn)行統(tǒng)計(jì)，結(jié)果是，采用監(jiān)督分類法提取出的綠地面積為27.7277km2，采用決策樹法提取出的綠地面積為26.0125km2，采用面向?qū)ο蠓ㄌ崛〕龅木G地面積為28.3778km2。
　　從統(tǒng)計(jì)結(jié)果上看，3種方法提取的結(jié)果大致相當(dāng)。監(jiān)督分類方法適用于中低分辨率影像數(shù)據(jù)，影像上同類型地物在色彩上較為一致，且各地物間區(qū)分較明顯，如，植被密度高，面積較大，斑塊比較完整，綠化狀況好的情況。決策樹方法適用于影像清晰，地物光譜特征保持良好、有多源數(shù)據(jù)作參考的情況。面向?qū)ο蟮姆椒ㄟm用于高分辨率影像，綠地比較規(guī)整或者植被稀疏且分布不連續(xù)、輪廓比較明顯的情況。
　　3 屬性賦值
　　通過(guò)遙感技術(shù)獲取的城市綠地信息一般以矢量格式輸出，包括綠地斑塊面積、周長(zhǎng)屬性信息。綠地信息的其他屬性很難通過(guò)影像分類的方式獲得，如公園綠地、生產(chǎn)綠地、防護(hù)綠地、附屬綠地、其他綠地等，缺少屬性值對(duì)遙感綠地信息的應(yīng)用產(chǎn)生較大的影響。
　　在擁有“城市用地分類”數(shù)據(jù)的前提下，使用GIS的空間疊加分析，即求輸入要素和疊加要素的幾何交集，輸入要素將獲得疊加要素的屬性信息。這里的輸入要素是城市綠地矢量結(jié)果，疊加要素是“城市用地分類”矢量數(shù)據(jù)。
　　圖4空間疊加分析示意圖
　　4 結(jié)語(yǔ)
　　簡(jiǎn)單分析了植被波譜特性以及目前常用的3種影像分類方法，以2.5m分辨率的SPOT5數(shù)據(jù)分別試驗(yàn)了3種方法提取城市綠地信息，得到的結(jié)果非常接近。每種方法都有其適用條件，包括影像數(shù)據(jù)的空間分辨率、城市綠地類型、綠地密度與形狀等。利用GIS的空間疊加分析可以為遙感綠地信息的屬性賦值，增強(qiáng)遙感綠地信息的可利用性。
　　參考文獻(xiàn)：
　　[1]黃慧萍,吳炳方,李苗苗.高分辨率影像城市綠地快速提取技術(shù)與應(yīng)用[J].遙感學(xué)報(bào),2004(1):68-74.
　　[2]李石華,王金亮,畢艷,等.遙感圖像分類方法研究綜述[J].國(guó)土資源遙感,2005(2):1-6.