高分衛(wèi)星在氣候適應(yīng)型試點城市綠地變化監(jiān)測中的應(yīng)用
——以常德為例

陳磊士， 廖玉芳， 杜東升

(湖南省氣象科學(xué)研究所/氣象防災(zāi)減災(zāi)湖南省重點實驗室， 長沙 410118)

隨著城市的快速發(fā)展，人類與自然環(huán)境的矛盾逐漸突出，氣候變化引發(fā)的災(zāi)害風(fēng)險也日益顯著，提升中國城市應(yīng)對自然風(fēng)險的水平，成為了城市建設(shè)的重要議題[1]。中國于2016年啟動了氣候適應(yīng)型城市的建設(shè)試點，于2017年公布了28個試點城市地區(qū)，致力于提高城市的綜合防災(zāi)能力。生態(tài)綠化系統(tǒng)為該項計劃的優(yōu)先領(lǐng)域[2]，城市綠地等“綠色基礎(chǔ)設(shè)施”在減輕多項自然災(zāi)害的影響時發(fā)揮著積極作用[3-4]。已有研究中的城市氣候適應(yīng)性研究較多集中于定性評價，從空間視角和維度方面分析脆弱性和適應(yīng)性的研究較少[5]。城市綠地的空間變化監(jiān)測，可以為氣候適應(yīng)型試點城市建設(shè)相關(guān)研究提供數(shù)據(jù)保障，為此高效準(zhǔn)確地進行城市綠地信息提取尤為重要[6]。

傳統(tǒng)的綠地信息提取主要通過人工實地查勘進行，具有工作效率低、工作周期長、工作投入大等問題。研究表明[7]，衛(wèi)星遙感技術(shù)基于時空連續(xù)的數(shù)據(jù)獲取能力，逐漸成為城市綠地變化監(jiān)測的重要方法。以高分系列WFV為代表的中高空間分辨率影像表達(dá)了更加精細(xì)的地物紋理、顏色與尺寸信息，且數(shù)據(jù)量適中，更適于提取復(fù)雜的城市綠地信息，提供了可靠的數(shù)據(jù)來源，在面對復(fù)雜情況下城市綠地提取的“同物異譜、異物同譜”問題，可基于面向?qū)ο蠓椒ㄒ牒线m的樣本特征[8]。

影像分割是是圖像處理與機器視覺的基本問題，分割算法是面向?qū)ο蠓诸惖幕A(chǔ)。Delphi2 e-Cognition團隊將先進的分割技術(shù)與圖像對象數(shù)據(jù)庫相結(jié)合，將圖像對象通過分層網(wǎng)絡(luò)連接[9]，提出分形網(wǎng)絡(luò)演化是一種在自組織和動態(tài)網(wǎng)絡(luò)中描述復(fù)雜語義的有效方法；Baatz等[10]在分形網(wǎng)絡(luò)演化基礎(chǔ)上提出一種影像多尺度區(qū)域分割方法，即FNEA分割算法，該方法是面向?qū)ο笥跋窠庾g技術(shù)的理論基礎(chǔ)，通過將多尺度分割與決策樹分類相結(jié)合，實現(xiàn)將光譜、紋理及幾何信息的綜合目標(biāo)地物識別；朱俊杰等[11]在FNEA分割算法的基礎(chǔ)上引入邊緣特征信息，減小了過分割和欠分割現(xiàn)象，以此改善了多尺度分割算法的分割效果，適合進行城市尺度的影像分割。

進行面向?qū)ο蠓诸悾指詈笮枰獦?gòu)建待分類對象的特征空間。常用的樣本特征選取方法為基于人工選取的特征空間優(yōu)化(feature space optimization, FSO)方法，其缺點是人工設(shè)定特征參數(shù)和閾值存在人工誤差，無法排除過分割、欠分割、形狀誤差等問題[12]。Nussbaum等[13]提出SEaTH算法，基于高斯概率計算兩兩特征類別的最佳分離閾值，姚戀秋[14]提出了改進的SEaTH算法，適用于專題信息提取或分類數(shù)量較少的情況。段建峰[15]使用分類與回歸樹(classification and regression tree, CART)方法，簡稱“CART決策樹”，基于光譜特征、形狀特征及紋理特征對新疆闊什比克良種場進行面向?qū)ο蠓诸悓嶒?，驗證該方法的可行性，CART決策樹方法的優(yōu)勢為自動特征選取和自動閾值設(shè)定[16]，該方法用于城市區(qū)域復(fù)雜地塊的提取效果仍有待研究。

現(xiàn)研究CART決策樹方法運用于復(fù)雜城市綠地提取及變化監(jiān)測的可行性，探索氣候適應(yīng)型試點城市綠地變化監(jiān)測的可行方法，監(jiān)測分析研究區(qū)近6年綠地變化情況，并從氣候適應(yīng)型城市角度進行綜合評價。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

常德市是氣候適應(yīng)型城市建設(shè)試點城市之一，位于湖南省西北部，長江以南洞庭湖西側(cè)武陵山下，史稱“川黔咽喉，云貴門戶”，是長江經(jīng)濟帶、長江中游城市群、環(huán)洞庭湖生態(tài)經(jīng)濟圈的重要城市。截至2017年底，全市常住人口584.5×104人，地區(qū)生產(chǎn)總值3 238.1×108元，GDP年增長率8.4%，三次產(chǎn)業(yè)結(jié)構(gòu)分別為12.2∶39.9∶47.9，全市森林覆蓋率47.98%，人均公園綠地面積13.65 m2。選取常德城區(qū)——即武陵區(qū)為研究區(qū)，總面積412.42 km2，下轄15街道、2鎮(zhèn)、2鄉(xiāng)，屬于中亞熱帶濕潤季風(fēng)氣候向北亞熱帶濕潤季風(fēng)氣候過渡區(qū)域，受地形影響氣候呈非地帶性規(guī)律。2/3以上面積為洞庭湖淤積平原，土壤肥沃，氣候溫潤；年平均氣溫16.7 ℃，年降水量1 200～1 900 mm[17]。研究區(qū)概況如圖1所示，衛(wèi)星遙感底圖為2014年3月17日拍攝校正后的GF-1 WFV真彩色影像。

1.2 數(shù)據(jù)源與預(yù)處理

高分系列衛(wèi)星來自中國的高分辨率對地觀測系統(tǒng)項目，研究使用的影像數(shù)據(jù)源為實驗區(qū)成像質(zhì)量較好的6景影像：2014—2018年3月的高分一號(GF-1)WFV和2019年3月的高分六號(GF-6)WFV多光譜影像。影像數(shù)據(jù)源空間分辨率16 m，均包括可見光和近紅外(譜段1～4)，GF-6數(shù)據(jù)前4個產(chǎn)品譜段范圍和GF-1一致[18]，具體參數(shù)如表1所示。該時段湖南地區(qū)云霧較少能見度高，適合進行城市植被信息的判識解譯，影像解譯難點在于春季耕地和城市綠地的光譜特異性不大，可在分類體系中引入多維特征進行判識。

輔助數(shù)據(jù)包括：常德市轄區(qū)邊界矢量圖層，用于實驗區(qū)的裁剪和分類樣本的選??；SRTM.003常德市30 m精度DEM拼接數(shù)據(jù)，來自美國國家航空航天局(NASA)提供的航天飛機雷達(dá)地形任務(wù)(shuttle radar topography mission)數(shù)據(jù)，裁剪得到研究區(qū)的數(shù)字高程模型(DEM)數(shù)據(jù)，用于影像的正射校正并提供解譯過程中的地形特征。

高分系列WFV遙感影像的預(yù)處理工作主要包括輻射定標(biāo)、大氣校正、正射校正及地理配準(zhǔn)4項工作[18]，前2項為輻射校正、后2項為幾何校正，對2類數(shù)據(jù)使用相同的預(yù)處理方法。實驗中源數(shù)據(jù)輻射定標(biāo)使用絕對定標(biāo)方法，使用絕對定標(biāo)系數(shù)將影像的DN值數(shù)據(jù)轉(zhuǎn)換為輻亮度圖像，定標(biāo)系數(shù)和傳感器波譜響應(yīng)函數(shù)由中國資源衛(wèi)星應(yīng)用中心(http://www.cresda.com/CN/Downloads/dbcs/index.shtml)提供，計算公式為

圖1 研究區(qū)概況:常德城區(qū)Fig.1 Overview of the study area: Changde urban area

表1 遙感影像源數(shù)據(jù)參數(shù)Table 1 The data parameters of remote sensing image source

Le(λe)Gain·DN+Offset

(1)

式(1)中：Le(λe)為轉(zhuǎn)換后輻亮度，W·m-2·sr-1·μm-1;Gain為定標(biāo)斜率，W·m-2·sr-1·μm-1;DN為衛(wèi)星載荷觀測值；Offset為絕對定標(biāo)系數(shù)偏移量，W·m-2·sr-1·μm-1，空缺值為0。

大氣校正使用FLAASH(fast line-of-sight atmospheric analysis of spectral hypercubes)算法，該算法由美國波譜科學(xué)研究所開發(fā)完成，為多光譜遙感影像的首選大氣校正方法[19]，輸入數(shù)據(jù)為定標(biāo)完成后的輻亮度數(shù)據(jù)，基于Modtran4中的輻射傳輸計算方法精確補償大氣影響，完成源數(shù)據(jù)的輻射校正工作。

正射校正為通過算法校正傳感器和地形因素引起的像元偏移過程，實驗采用三次卷積重采樣法，使用衛(wèi)星數(shù)據(jù)自帶的RPC文件以及SRTM.003常德市30 m精度DEM拼接數(shù)據(jù)完成正射糾正。地理配準(zhǔn)采用清晰的同名控制點作為影像配準(zhǔn)點，基準(zhǔn)影像為經(jīng)過幾何精校正的2019年4月常德地區(qū)的GF-1 WFV影像，共選取36個同名控制點，確保全部6幅待校正影像符合準(zhǔn)確的地理空間分布，將同名點的位移偏差控制在單個像元內(nèi)。完成源數(shù)據(jù)輻射校正和幾何校正工作。

1.3 分類標(biāo)準(zhǔn)與樣本

根據(jù)住房城鄉(xiāng)建設(shè)部最新發(fā)布的《城市綠地分類標(biāo)準(zhǔn)》(CJJ/T 85—2017)，城市綠地共分為五個大類，其分類代碼及名稱如下：G1公園綠地、G2防護綠地、G3廣場用地、XG附屬綠地和EG區(qū)域綠地[20]。為了滿足城市綠地信息快速提取的要求，不對綠地大類進行區(qū)分，將綠地整體作為一個類別進行解譯處理。特別地，“EG區(qū)域綠地”屬于城市建設(shè)用地外的綠地分類，包括各類公園綠地不包含耕地。

結(jié)合常德城區(qū)的土地利用分類研究現(xiàn)狀，考慮到春季的研究區(qū)地類分布特點，便于城市綠地的分類提取工作，將研究的分類標(biāo)準(zhǔn)設(shè)置為綠地、城鎮(zhèn)、水體和耕地合計4項類別，其中重點工作在于有效區(qū)分植被區(qū)域中的耕地和城市綠地。

研究區(qū)綠地分布提取具有兩項難點：①一部分區(qū)域城市綠地的植被特征不明顯，以“G3廣場用地”為代表，需要引入面向?qū)ο蟮奈恢锰卣骱头秶卣鬟M行判別；②春季湘北地區(qū)的耕地具有和綠地相似的植被特征?？蓺w納為遙感解譯的“同物異譜、異物同譜”問題。

參考Google Earth歷史影像數(shù)據(jù)，配合常德城區(qū)土地利用分類現(xiàn)狀數(shù)據(jù)和實地調(diào)研資料，隨機選取240個樣本點。樣本分布中，160個樣本點作為監(jiān)督分類訓(xùn)練樣本，編號1～160；80個樣本點作為分類精度評價樣本，編號161～240，用作分類器的訓(xùn)練樣本和分類精度評價樣本。

2 遙感影像解譯方法

2.1 影像分割

改進后的FNEA分割算法基于區(qū)域增長法原理，在異質(zhì)性最小的規(guī)則下把每個小的像素逐步歸并在一起，形成一個大的主體對象，不同分割尺度對應(yīng)的一組采樣多邊形，當(dāng)使用新的參數(shù)組合完成分割時，其性能就與前者相比進行評估。不斷重復(fù)該過程，直到測試了可能的參數(shù)組合的重要樣本，得到最佳參數(shù)組合。該算法中的尺度參數(shù)本質(zhì)上是一種對象合并時對“異質(zhì)性變量”的閾值的設(shè)定[21]。異質(zhì)性變化f是由光譜異質(zhì)性變量Δhc和形狀異質(zhì)性變量Δhs的加權(quán)和計算而來。

基于地物對象的局部方差理論，計算不同分割尺度參數(shù)下影像對象同質(zhì)性的局部變化(local variance，LV)的變化率(rates of change of LV，ROC-LV)來指示對象分割效果最佳參數(shù)。研究使用最大面積法、均值方差法和控制單一變量法進行多次重復(fù)分割實驗，配合ESP響應(yīng)函數(shù)驗證法，最終獲取的最優(yōu)分割參數(shù)：分割尺度115 pixels，光譜權(quán)重(紅、綠、藍(lán)、近紅外波段)1∶1∶1∶2，形狀因子0.5，緊致度因子0.3，基于該參數(shù)完成影像分割。

2.2 分類器構(gòu)建

基于面向?qū)ο蟮挠跋窠庾g方法，完成進行遙感影像的多尺度分割后，再訓(xùn)練基于GINI指數(shù)的CART決策樹作為分類器，進行多尺度多特征的實驗區(qū)土地利用分類，提取綠地信息。

CART決策樹的基本原理是通過對由測試變量和目標(biāo)變量構(gòu)成的訓(xùn)練數(shù)據(jù)集的循環(huán)分析形成二叉樹形式的決策樹，結(jié)果具有邏輯先后層次性[22]；能夠自動選擇參與分類的特征，自動確定二叉樹的判斷閾值，通過選擇具有最小Gini指數(shù)的屬性作為測試屬性。Gini指數(shù)反映了樣本的純凈度，Gini指數(shù)越小，則樣本純凈度越高，就越容易從樣本中分離出來，選擇使子節(jié)點的Gini指數(shù)最小的屬性作為分裂的方案。該機器學(xué)習(xí)方法適用于面向?qū)ο蠓诸?，建立決策樹的公式[23]如下。

對于一個有K種狀態(tài)對應(yīng)的概率為p1,p1,…,pk的隨機變量X，其Gini指數(shù)定義為

(2)

對應(yīng)地，對于訓(xùn)練數(shù)據(jù)集D，假設(shè)共有K類，Ck代表第k類的樣本子集。

(3)

用特征A對數(shù)據(jù)進行分割，若特征A為離散特征，則根據(jù)A的某一可能取值a將D分為D1和D2：

(4)

便得到G(D,A),即在已知特征A的條件下集合D的Gini指數(shù)：

(5)

若G(D,A)取值越大，樣本的不確定性也越大，選擇滿足G(D,A)取最小值的特征A。CART算法采用二分遞歸劃分，各樹的結(jié)點只生成兩個葉節(jié)點，二叉樹不容易產(chǎn)生數(shù)據(jù)碎片，其精度高于多叉樹。CART決策樹算法在分支結(jié)點上進行布爾運算，判斷條件為真則在節(jié)點的左分支，否則在右分支，依次從上到下進行運算，得到二叉決策樹。當(dāng)決策樹的層數(shù)達(dá)到預(yù)先設(shè)置的最大值，或所有葉結(jié)點中的樣本屬于同一個類別或樣本數(shù)為1，CART決策樹算法建樹完成。

面向?qū)ο蠓诸愂褂枚嗑S特征變量構(gòu)建樣本維度提高分類精度。文章使用包括自定義特征4項：歸一化植被指數(shù)(NDVI)、比值植被指數(shù)(RVI)、調(diào)整土壤亮度植被指數(shù)(SAVI)和增強型植被指數(shù)(EVI)；光譜特征4項：分割對象各譜段的輻亮度均值；幾何特征10項：包括范圍特征、形狀特征與位置特征。同時為了解決春季湘北地區(qū)存在的城市綠地與耕地間“同物異譜、異物同譜”現(xiàn)象，在已有的面向?qū)ο蠓诸惖难芯炕A(chǔ)上，參考eCognition平臺開發(fā)手冊引入6項全方向紋理特征，分為別：灰度共生矩陣同質(zhì)性(GLCM homogeneity)、灰度共生矩陣對比度(GLCM contrast)、灰度共生矩陣非相似性(GLCM dissimilarity)、灰度共生矩陣熵(GLCM entropy)、灰度共生矩陣均值(GLCM mean)、灰度共生矩陣標(biāo)準(zhǔn)差(GLCM StdDev)。

3 結(jié)果與分析

3.1 分類精度評價

訓(xùn)練CART決策樹構(gòu)建面向?qū)ο蟮姆诸惼?，完?014—2019年春季常德城區(qū)的綠地信息提取土地利用分類信息提取，分類結(jié)果的精度評價使用基于混淆矩陣的Khat方法[24]，將1.3節(jié)中構(gòu)建的80個驗證樣本點對影像分割得到的最優(yōu)分割結(jié)果基于驗證樣本賦值構(gòu)建TTA Mask驗證圖斑，以像素為統(tǒng)計對象進行精度評價。

精度評價結(jié)果如圖2所示，基于CART決策樹的高分一號WFV遙感影像面向?qū)ο缶G地提取，在2014—2019年共計6年間的總體分類精度均大于92%，2015年為最高值93.02%，2019年為最低值90.92%，精度較高且穩(wěn)定性較好；Kappa系數(shù)均大于0.8，一致性檢驗的結(jié)果為完全一致，分類可信度較高，其中2015年最高為0.903 8，2019年最低為0.880 3。綠地提取的用戶精度和制圖精度均達(dá)到89%，該分類方法在城市綠地的提取上取得了較好的結(jié)果。

圖2 常德城區(qū)2014—2019年綠地分類精度評價Fig.2 Evaluation of green space classification accuracy in Changde urban area from 2014 to 2019

3.2 城市綠地變化監(jiān)測分析

在2014—2019年期間，綠地面積變化如圖3所示，綠地分布變化如圖4所示。近6年常德城區(qū)城市綠地面積變化呈總體上升趨勢。

圖3 常德城區(qū)2014—2019年城市綠地面積逐年變化圖Fig.3 Annual change of green space in Changde urban area from 2014 to 2019

圖4 常德城區(qū)2014—2019年城市綠地分布變化Fig.4 Green space distribution changes in Changde urban area from 2014 to 2019

6年來新增綠地22.880 0 km2，減少綠地5.103 8 km2，總綠地面積從2014年的149.010 2 km2上升至2019年的166.786 4 km2，凈增加17.776 2 km2，凈增加面積占2014年綠地面積的11.93%。綠地面積占城區(qū)面積的比例從2014年的36.13%上升至2019年的40.44%，6年間常德城區(qū)綠地面積增加明顯，綠地的分布較之前更加廣泛。

2014—2019年，常德進行了氣候適應(yīng)型城市、海綿城市和國家園林城市等多個項目的大力建設(shè)，分析研究區(qū)整體的土地利用的變化規(guī)律得出，城鎮(zhèn)和綠地面積有明顯增加，水體面積變化較小，耕地面積有明顯減小。

基于影像解譯結(jié)果得到的地類變化情況，參考《常德市城市總體規(guī)劃(2009—2030)》內(nèi)容，2014—2019年常德城區(qū)的可能的綠地分布變化原因如下。

(1)以柳葉湖以西區(qū)域為例，中心城區(qū)的發(fā)展造成城市建成區(qū)面積的顯著增長，柳葉湖東岸從2014年的零星開發(fā)到2019年的大量建設(shè)，在城市發(fā)展過程中城市綠地逐漸減少。

(2)以德山大橋以南區(qū)域為例，城市建設(shè)的過程中擴展、建設(shè)了廣場、公園等廣場綠地設(shè)施，同時進行了河道灘涂維護、沿岸公園的開發(fā)保護，主城區(qū)公園綠地有明顯增長。

(3)以柳葉湖以北區(qū)域為例，常德的區(qū)域開發(fā)和產(chǎn)業(yè)發(fā)展推動了園圃、果樹和林木種植面積的擴大，以及不適宜耕種地區(qū)的退耕還林的實施，附屬綠地和區(qū)域綠地的面積增長。

4 結(jié)論

以常德城區(qū)為研究對象，對該區(qū)域6年期間的高分系列WFV多光譜影像數(shù)據(jù)使用面向?qū)ο蟮腃ART決策樹機器學(xué)習(xí)分類算法；分割階段使用最大面積法、均值方差法和控制單一變量法進行多次重復(fù)分割實驗獲取了最優(yōu)分割參數(shù)，使用改進的FNEA算法獲取最優(yōu)分割結(jié)果。

(1)對象特征的構(gòu)建階段選用了植被指數(shù)等自定義特征、光譜特征、范圍特征、形狀特征與位置特征，創(chuàng)新地引入了6項紋理特征，驗證該方法在復(fù)雜情況下城市綠地提取研究中的準(zhǔn)確分類效果。結(jié)果表明，該研究方法在城市綠地提取工作中取得了較高的分類精度。五年間的總體分類精度均大于90%，Kappa系數(shù)均大于0.8，一致性檢驗為完全一致，綠地提取的用戶精度和制圖精度均大于89%，分類精度高可信度好。

(2)綠地變化監(jiān)測結(jié)果表明，常德城區(qū)在2014—2019年城市綠地面積明顯增加，2019年綠地分布較2014年更為廣泛。6年來總綠地面積凈增加17.776 2 km2，增長率11.93%。常德市高度重視城市綠地建設(shè)，在綠地建設(shè)方面取得了明顯成效，提高了氣候適應(yīng)型城市生態(tài)綠化水平的防災(zāi)減災(zāi)能力。

(3)國產(chǎn)高分?jǐn)?shù)據(jù)的應(yīng)用擁有廣闊前景，實驗受限于高分系列WFV數(shù)據(jù)的16 m分辨率，未對城市綠地二級地類進行細(xì)分，未來可考慮使用更高空間分辨率的影像數(shù)據(jù)結(jié)合深度學(xué)習(xí)方法進一步完善分類類別，提供更加精細(xì)的城市綠地變化監(jiān)測信息。