摘要：城市綠地是城市中唯一有生命的基礎設施，必須客觀、準確地掌握城市綠地信息及其變化情況。遙感技術給城市綠地信息調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，使得其有別于其他物質。城市綠地的遙感提取方法有監督分類、決策樹分類、面向對象分類等方法，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，增強遙感綠地信息的可利用性。
　　關鍵字：城市綠地，遙感技術，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設施，它在改善城市生態環境和人居環境起著積極的作用，城市綠地含量逐漸成為衡量城市生活質量的1個重要指標。此外，城市綠地的空間分布格局與其生態效應有著密切的關系。因此，必須客觀、準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，給城市綠地信息調查提供了更為有效而便捷的手段。植被特殊的光譜響應，使其有別于其他物質，可以利用光譜參數（如，植被指數等）和遙感信息提取方法自動提取城市綠地信息。利用GIS的空間分析方法對矢量格式的城市綠地信息，參照CJJ/T85—2002城市綠地分類標準進一步屬性賦值。
　　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
　　植被跟太陽輻射的相互關系有別于其他物質，如裸土、水體等，比如植被的“紅邊”現象，即在＜700nm附近強吸收，＞700nm高反射。一般健康綠色植物的光譜曲線總是呈現明顯的“峰和谷”特征[1]，其反射光譜特征規律明顯而獨特。從圖1可以看出，植物在藍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。在多光譜衛星遙感圖像中，植被信息主要體現為紅色波段和藍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偏高。
　　植被指數（VI）通過是2個或多個波長范圍內的地物反射率進行組合運算，以增強植被某一特性或者細節，常用多光譜遙感數據經分析運算（加、減、乘、除等線性或非線性組合方式）得到。常選用對綠色植物強吸收的紅波段（0.6μm～0.7μm）和高反射的近紅外波段（0.7μm～1.1μm）數據，進行歸一化植被指數（NDVI）計算。其計算式見式（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 監督分類方法
　　監督分類法，又稱訓練分類法，是用被確認類別的樣本像元特征為依據去識別其他未知類別像元的過程。在分類之前通過目視判讀和野外調查，對遙感圖像上某些樣區中圖像地物的類別屬性有了先驗知識，對每1種類別選取一定數量的訓練樣本，利用計算機統計每種訓練樣區的特征或其他信息，再用這些種子類別對判決函數進行訓練，使其符合于對各種子類別分類精度的要求。最后，再用訓練好的判決函數去對其他待分類數據的類別進行判定。通過每個像元與訓練樣本特征的比較，按預定的規則將其劃分到和其最相似的樣本類中，以此完成對整個圖像的分類。具體方法見表1。
　　1.3 基于專家知識的決策樹分類方法
　　基于專家知識的決策樹分類是基于遙感圖像數據及其他空間數據，通過專家經驗總結、簡單的數學統計和歸納方法等，獲得分類規則并進行遙感圖像分類[2]。分類規則易于理解，分類過程也符合人的認知過程。
　　專家知識的決策樹分類的一般流程如下：
　　1.3.1 構建多元空間數據庫
　　遙感數據經過幾何校正、輻射校正處理后，進行波段運算，得到植被指數，連同影像一起輸入空間數據庫。其他空間數據經過矢量化、格式轉換、地理配準，輸入空間數據庫；
　　1.3.2 提取樣本構建樣本庫
　　在遙感圖像處理軟件或者GIS軟件支持下，選取合適的圖層，采用計算機自動選點、人工解譯影像選點等方法采集樣本。將樣本以條件屬性、對象集、地物類型和分類屬性的結構輸入樣本庫；
　　1.3.3 分類規則挖掘與評價
　　在構建樣本庫的基礎上，采用適當的數據挖掘方法挖掘分類規則，再基于評價樣本集對分類規則進行評價，并對分類規則做出適當的調整和篩選。
　　1.3.4 遙感影像分類與精度評價
　　基于分類規則構建決策樹，利用專家分類器對遙感影像進行分類，并評價分類結果。
　　
　　表1常見監督分類方法
　　分類器 說明
　　平行六面體分離器 根據訓練樣本的亮度值形成一個n維的平行六面體數據空間，其他像元的光譜值如果落在平行六面體任何一個訓練樣本所對應的區域，就被劃分其對應的類別中。平行六面體的尺度是由標準差閾值所確定的，而該標準差閾值則是根據所選類的均值求出。
　　最小距離分離器 利用訓練樣本數據計算出每一類的均值向量和標準差向量，然后以均值向量作為該類在特征空間中的中心位置，計算輸入圖像中每個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 計算輸入圖像到各訓練樣本的馬氏距離（一種有效的計算兩個未知樣本集的相似度的方法），最終統計馬氏距離最小的，即為此類別。
　　最大似然分離器 假設每一個波段的每一類統計都呈正態分布，計算給定像元屬于某一訓練樣本的似然度，像元最終被歸并到似然度最大的一類當中。
　　神經網絡分離器 指用計算機模擬人腦的結構，用許多小的處理單元模擬生物的神經元，用算法實現人腦的識別、記憶、思考過程應用于圖像分類。
　　支持向量機分離器 支持向量機分類（SVM）是一種建立在統計學習理論（StatisticalLearningTheory或SLT）基礎上的機器學習方法。SVM可以自動尋找那些對分類有較大區分能力的支持向量，由此構造出分類器，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確率。
　　
　　1.4 面向對象圖像分類
　　客觀上存在著“同物異譜，同譜異物”的現象，直接影響著影像的分類結果。面向對象的影像分類技術可在一定程度減少這種影響。面向對象分類技術集合鄰近像元為對象用來識別感興趣的光譜要素，充分利用全色波段和多光譜的數據在空間、紋理和光譜信息的特征，對圖像分割和分類。主要過程包括影像對象構建和對象分類。
　　1.4.1 影像對象構建
　　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，將圖像中每個波段的光譜異質性與形狀異質性進行綜合，再計算各波段圖像在所有波段中的權重。若分割出對象或基元的光譜和形狀綜合加權值小于某個指定的閾值時，再重復迭代運算，直到所有分割對象的綜合加權值大于指定閾值，即可完成圖像的多尺度分割操作。
　　1.4.2 影像對象的分類
　　目前，常用“監督分類”和“基于知識分類”的方法。采用監督分類進行分類以及樣本對比時，所利用的參數比通常的監督分類方法更多，不僅用到光譜信息，還要用到空間、紋理等信息。基于知識分類是根據對影像對象的熟悉程度設定規則進行分類的。
　　2 方法試驗
　　選擇法國SPOT5衛星影像數據融合為2.5m空間分辨率的數據為試驗數據，經過正射校正，快速大氣校正，圖像裁剪，得到實驗區（北京市朝陽區部分區域）約81.5km2的數據。
　　運用美國的ENVI軟件作為信息提取軟件。
　　在進行光譜分析時發現綠色植被與人工建材（如，臨時工棚的藍色屋頂）的光譜特征非常相似（圖2），計算得到的NDVI非常相似。因此，使用NDVI指標進行圖像分類時，必須考慮這個因素。
　　圖2綠色植被與人工建材的波譜曲線
　　2.1 監督分類
　　采用目視判讀方法，將圖像分為4類，即綠地、水體、硬地、其他。通過標準假彩色合成，使圖像中的紅色部分為植被區域，選擇樣本后采用JeffriesMatu-sita距離和TransformedDivergence組合計算樣本的可分離性，在保證樣本精度的條件下用最大似然法進行分類。
　　2.2 決策樹分類
　　首先對SPOT影像NDVI計算和主成分分析（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波段作為B（藍）波段進行假彩色合成，以增強綠地信息。在植被增強顯示的影像上采集綠地樣本，并進行光譜信息統計作為決策樹分類的分類規則。
　　2.3 面向對象的分類
　　用ENVI的FX工具，將整個圖像進行分割，選擇計算對象的光譜屬性以及自定義植被指數屬性，特征提取選擇基于知識分類的方法。
　　3種方法提取的結果見圖3。
　　
　　a監督分類的結果b決策樹分類的結果c面向對象分類的結果
　　圖33種方法提取的綠地信息的結果
　　對3個結果進行統計，結果是，采用監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，采用面向對象法提取出的綠地面積為28.3778km2。
　　從統計結果上看，3種方法提取的結果大致相當。監督分類方法適用于中低分辨率影像數據，影像上同類型地物在色彩上較為一致，且各地物間區分較明顯，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、有多源數據作參考的情況。面向對象的方法適用于高分辨率影像，綠地比較規整或者植被稀疏且分布不連續、輪廓比較明顯的情況。
　　3 屬性賦值
　　通過遙感技術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、周長屬性信息。綠地信息的其他屬性很難通過影像分類的方式獲得，如公園綠地、生產綠地、防護綠地、附屬綠地、其他綠地等，缺少屬性值對遙感綠地信息的應用產生較大的影響。
　　在擁有“城市用地分類”數據的前提下，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果，疊加要素是“城市用地分類”矢量數據。
　　圖4空間疊加分析示意圖
　　4 結語
　　簡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數據分別試驗了3種方法提取城市綠地信息，得到的結果非常接近。每種方法都有其適用條件，包括影像數據的空間分辨率、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，增強遙感綠地信息的可利用性。
　　參考文獻：
　　[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與應用[J].遙感學報,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].國土資源遙感,2005(2):1-6.