多源空間數(shù)據(jù)融合的城市人居環(huán)境監(jiān)測(cè)模型與應(yīng)用研究

陳 婷,武文斌,何建軍,喬月霞,劉 烽,文 強(qiáng)

二十一世紀(jì)空間技術(shù)應(yīng)用股份有限公司, 北京 100096

人居環(huán)境監(jiān)測(cè)作為城市人居環(huán)境建設(shè)與管理實(shí)踐提升的基本,是目前人居環(huán)境研究落地的重點(diǎn)。有效地監(jiān)測(cè),必須通過(guò)高效的手段獲取數(shù)據(jù),進(jìn)而研究監(jiān)測(cè)指標(biāo)與發(fā)展?fàn)顩r的關(guān)系,分析發(fā)展問(wèn)題,判斷發(fā)展趨勢(shì),進(jìn)而提升城市管理水平。目前,我國(guó)人居環(huán)境監(jiān)測(cè)的數(shù)據(jù)主要來(lái)自住房和城鄉(xiāng)建設(shè)部編撰的《城市建設(shè)統(tǒng)計(jì)年鑒》和《城鄉(xiāng)建設(shè)統(tǒng)計(jì)年鑒》,以及環(huán)境公報(bào)等基于城市(縣城)和村鎮(zhèn)進(jìn)行的建設(shè)統(tǒng)計(jì)和環(huán)境監(jiān)測(cè)評(píng)估[1-4]等的公開(kāi)統(tǒng)計(jì)數(shù)據(jù)。然而,面對(duì)日益增長(zhǎng)的城市發(fā)展需求,這種傳統(tǒng)的統(tǒng)計(jì)數(shù)據(jù)來(lái)源在開(kāi)展監(jiān)測(cè)工作中會(huì)存在若干局限性,包括：更新頻度較低,統(tǒng)計(jì)年鑒、年報(bào)的特質(zhì),多為每年一版；統(tǒng)計(jì)口徑不統(tǒng)一,自下而上、層層上報(bào)的統(tǒng)計(jì)資料,容易造成各地區(qū)(城市)的標(biāo)準(zhǔn)尺度不一致,且缺少校驗(yàn)機(jī)制。因此,數(shù)據(jù)的時(shí)效性和準(zhǔn)確性成為政府人居環(huán)境監(jiān)測(cè)業(yè)務(wù)化的瓶頸。

伴隨信息通訊技術(shù)的發(fā)展,互聯(lián)網(wǎng)的普及和政務(wù)公開(kāi)的有效推進(jìn),形成了大數(shù)據(jù)和開(kāi)放數(shù)據(jù)組成的新數(shù)據(jù)環(huán)境,相較于傳統(tǒng)調(diào)查統(tǒng)計(jì)數(shù)據(jù),新數(shù)據(jù)具有高頻的時(shí)空性,同時(shí)具有自下而上、覆蓋面廣、一致性程度高、粒度細(xì)致、可獲得性強(qiáng)、易驗(yàn)證性強(qiáng)等特點(diǎn),可有效改善傳統(tǒng)數(shù)據(jù)在數(shù)據(jù)質(zhì)量、更新頻率方面的不足,給傳統(tǒng)人居環(huán)境監(jiān)測(cè)的更新乃至演替帶來(lái)了可能。

衛(wèi)星遙感數(shù)據(jù)觀測(cè)范圍大、綜合、宏觀,且信息量大、獲取信息快速,為人居環(huán)境監(jiān)測(cè)提供了數(shù)據(jù)源。但是如何自動(dòng)、高效、準(zhǔn)確的獲取地表覆蓋信息,實(shí)現(xiàn)業(yè)務(wù)化是當(dāng)前的核心技術(shù)問(wèn)題,同時(shí),由于遙感數(shù)據(jù)僅能反映地表覆蓋情況,部分人工信息無(wú)法通過(guò)影像直接反映,尤其是人居環(huán)境中最關(guān)注的建筑物信息,無(wú)法直接獲取使用屬性,限制了它在人文、社科類人居環(huán)境監(jiān)測(cè)的應(yīng)用。因此,本文提出利用遙感數(shù)據(jù)與互聯(lián)網(wǎng)的興趣點(diǎn)(POI, Point of interest)數(shù)據(jù)結(jié)合,建立自動(dòng)、快速獲取城市人居環(huán)境監(jiān)測(cè)指標(biāo)模型,選取典型居住社區(qū)進(jìn)行精度和效率評(píng)價(jià),并計(jì)算自然、社會(huì)經(jīng)濟(jì)類監(jiān)測(cè)指標(biāo),應(yīng)用于實(shí)驗(yàn)區(qū)的人居環(huán)境質(zhì)量監(jiān)測(cè),為區(qū)域化、業(yè)務(wù)化開(kāi)展人居環(huán)境質(zhì)量監(jiān)測(cè)提供依據(jù)。

1 城市人居環(huán)境監(jiān)測(cè)模型

城市人居環(huán)境評(píng)價(jià)是由人居環(huán)境評(píng)價(jià)指標(biāo)體系定量或定性描述來(lái)體現(xiàn)的,因此,城市人居環(huán)境質(zhì)量監(jiān)測(cè)應(yīng)首先分析指標(biāo)體系,選取主要指標(biāo)開(kāi)展長(zhǎng)期監(jiān)測(cè)。我國(guó)在人居環(huán)境評(píng)價(jià)指標(biāo)體系方面尚無(wú)統(tǒng)一標(biāo)準(zhǔn),通過(guò)分析中科院地理所發(fā)布的《中國(guó)宜居城市研究報(bào)告》、住房和城鄉(xiāng)建設(shè)部發(fā)布的《國(guó)家園林城市評(píng)估指標(biāo)體系》、全國(guó)綠化委員會(huì)和國(guó)家林業(yè)局發(fā)布的《國(guó)家森林城市指標(biāo)體系》,可以發(fā)現(xiàn),空間數(shù)據(jù)在設(shè)施、交通、生態(tài)環(huán)境、經(jīng)濟(jì)等方面指標(biāo)均有優(yōu)勢(shì),適合長(zhǎng)期監(jiān)測(cè)使用。其中,城市建筑物是城市人口、居住、經(jīng)濟(jì)的重要載體,成為人居環(huán)境評(píng)價(jià)指標(biāo)體系的核心數(shù)據(jù)之一。道路是城市人群出行重要基礎(chǔ),便捷的交通能縮短居民居住區(qū)與各種設(shè)施之間的距離,從而反映人居生活的便利性。綠地是居住區(qū)內(nèi)重要的自然要素,在改善環(huán)境質(zhì)量、調(diào)節(jié)氣候、消聲吸塵方面有重要作用,是反映居住區(qū)人居環(huán)境質(zhì)量?jī)?yōu)劣的重要組成。良好的水資源環(huán)境是城鄉(xiāng)人居建設(shè)與發(fā)展的基本需求,因此,居住區(qū)的水環(huán)境和水資源成為人們選擇居所的優(yōu)選條件。因此,綜合分析城市人居環(huán)境指標(biāo)認(rèn)為,建筑物、道路、植被、水體是人居環(huán)境質(zhì)量監(jiān)測(cè)的重要空間信息,也是城市人居環(huán)境監(jiān)測(cè)指標(biāo)的主要數(shù)據(jù)來(lái)源。

本文主要融合了互聯(lián)網(wǎng)興趣點(diǎn)數(shù)據(jù)(POI)和遙感影像數(shù)據(jù),構(gòu)建城市人居環(huán)境監(jiān)測(cè)模型,包括兩個(gè)關(guān)鍵環(huán)節(jié),一是空間信息的自動(dòng)獲取,二是運(yùn)用地理空間分析理論的城市人居環(huán)境監(jiān)測(cè)指標(biāo)計(jì)算。

1.1 空間信息自動(dòng)提取算法

為準(zhǔn)確提取城市地表信息,首先構(gòu)建面向人居環(huán)境質(zhì)量監(jiān)測(cè)的地物特征空間,再將空間信息自動(dòng)提取分為兩部分：一是非建筑物信息的自動(dòng)提取；二是建筑物的自動(dòng)化提取。

綠地、水體、道路等地物的特征顯著,差異性較大,可通過(guò)特征空間進(jìn)行提取,其中的難點(diǎn)是特征閾值的自適應(yīng)性問(wèn)題,本文提出利用全局最優(yōu)算法計(jì)算閾值,實(shí)現(xiàn)綠地、水體、道路提取。針對(duì)建筑物表面復(fù)雜性,特征差異不顯著問(wèn)題,為提高精度,提出使用POI點(diǎn)獲取單體建筑物的樣本,再根據(jù)特征空間,自動(dòng)尋找相似對(duì)象組成建筑物空間信息。整體如下：

圖1 城市人居環(huán)境監(jiān)測(cè)空間信息自動(dòng)提取模型Fig.1 Automatic extraction model of spatial information for urban human settlements monitoring

為了進(jìn)一步分析人與經(jīng)濟(jì)、社會(huì)環(huán)境關(guān)系,本研究將人居的載體——建筑物,劃分為居住區(qū)類和服務(wù)類建筑物。居住區(qū)類建筑物集合是城市人口居住的區(qū)域,在城市中相對(duì)獨(dú)立的居住空間,有一定的建筑規(guī)模,并有與之相配套的公共設(shè)施以及室外綠化等,同時(shí)通過(guò)道路、建筑物等某類障礙與外界相隔并且區(qū)內(nèi)建筑等景觀具有形態(tài)上共性的區(qū)域。服務(wù)類建筑物主要指具有一定的社會(huì)、服務(wù)和經(jīng)濟(jì)功能的大型單體建筑物。

該模型中關(guān)于POI點(diǎn)的處理,是由于原始POI數(shù)據(jù)的類型較多,為了便于應(yīng)用,將其進(jìn)行歸類。其中住宅區(qū)建筑物在POI數(shù)據(jù)中即為住宅小區(qū)類；服務(wù)類主要包括了餐飲、休閑娛樂(lè)、購(gòu)物、學(xué)校、廣場(chǎng)、醫(yī)院等類型,集中多類型服務(wù)類POI點(diǎn)的區(qū)域,認(rèn)為是大型單體建筑物,該類建筑物對(duì)周邊居民的生活影響力較大,借助POI點(diǎn)輔助,根據(jù)POI點(diǎn)的標(biāo)簽,地理分布特征,基于地理分析中的熱點(diǎn)分析,獲得大型單體建筑物空間位置,為建筑物提取提供輔助信息。

1.1.1 特征空間構(gòu)建

選擇能夠反映地物差異的主要特征參與面向?qū)ο蠓诸悓?duì)分類結(jié)果精度尤其重要。為了篩選有利于地表地物提取的特征構(gòu)建特征空間,研究選取城市主要地物類型(公園綠地、建筑物、水體、裸地、道路)的樣本對(duì)象,另遙感影像成像時(shí),太陽(yáng)光遇到不投光物體形成的暗區(qū),包括建筑物陰影、樹(shù)木陰影等也作為樣本之一,統(tǒng)計(jì)光譜和紋理特征如圖2,其中光譜特征主要包括各波段光譜均值(紅光波段Mean_Red,綠光波段Mean_Green,藍(lán)光波段Mean_Blue,近紅外波段Mean_Nir)和所有波段均值(亮度Brightness),以及由波段運(yùn)算取得的指數(shù)(歸一化植被指數(shù)NDVI,歸一化水體指數(shù)NDWI,比值居民地指數(shù)RRI、RMI),紋理特征主要通過(guò)灰度共生矩陣法計(jì)算方差、熵、同質(zhì)性、異質(zhì)性等[5](方差GLCM _StdDe、同質(zhì)性GLCM_Homog、對(duì)比度GLCM_Contr、非相似性GLCM_Dissi、角二階矩GLCM_Ang、熵值GLCM_Entro)。結(jié)果顯示,建設(shè)用地與綠地在多個(gè)紋理特征指數(shù)上的特征曲線相近,難以區(qū)分,但在植被指數(shù)方面的差異顯著；在光譜及紋理特征指數(shù)統(tǒng)計(jì)值上,建設(shè)用地與裸地較為相似；建筑物與道路在光譜和紋理特征上相似度較高,較難區(qū)分,需采用其他特征加以區(qū)分。因此,選擇NDWI、NDVI、亮度指數(shù)初步區(qū)分水體、植被和建筑物,GLCM _StdDe區(qū)分水體和陰影時(shí)效果不佳,且計(jì)算耗時(shí)較高；考慮到建筑物與道路在形狀類特征上的特點(diǎn),增加密度(Density)、長(zhǎng)寬比(Length/width)和面積(Area)區(qū)分道路與建筑物；陰影與水體在光譜和紋理特征上都沒(méi)有明顯區(qū)別,但建筑物陰影的形狀較為方正,故采用矩形度區(qū)分陰影與水體。

圖2 各地類樣本特征統(tǒng)計(jì)圖Fig.2 land coverage type sample characteristic value line chartsMean_Red:紅波段均值 Mean of red band; Mean_Green:綠波段均值 Mean of green band; Mean_Blue:藍(lán)波段均值 Mean of blue band; Mean_Nir:近紅外波段均值 Mean of near infrared band; Max_diff:最大差分值 the value of max difference; NDVI:歸一化植被指數(shù) Normalized difference vegetation index; NDWI:歸一化水體指數(shù) Normalized difference water index; RRI:比值居民地指數(shù) Ratio resident-area index; RMI:比值水分指數(shù) Ratio moisture index; GLCM_StdDe: 灰度共生矩陣的標(biāo)準(zhǔn)差 Standard deviation of gray-level co-occurrence matrix; GLCM_Dissi: 灰度共生矩陣的異質(zhì)性Dissimilarity of gray-level co-occurrence matrix; GLCM_Entro: 灰度共生矩陣的熵Entroy of gray-level co-occurrence matrix;GLCM_Homog: 灰度共生矩陣的同質(zhì)性Homogeneity of gray-level co-occurrence matrix; GLCM_Corre: 灰度共生矩陣的相似性 Correlation of gray-level co-occurrence matrix; GLCM_Ang: 灰度共生矩陣的角二階矩Angular second moment of gray-level co-occurrence matrix

1.1.2 全局最優(yōu)算法

分割后影像對(duì)象特征值均呈現(xiàn)連續(xù)分布特點(diǎn),基本上符合數(shù)值的正態(tài)分布,故可通過(guò)確定直方圖獲得分類閾值。本研究利用全局最優(yōu)算法,基于迭代的方式將兩個(gè)或兩個(gè)以上正態(tài)分布的概率密度函數(shù)做近似表示,每次都取其中最顯著的波峰來(lái)劃分區(qū)域,然后依據(jù)各個(gè)區(qū)域的平均值選擇合適閾值,重復(fù)該過(guò)程直到閾值收斂[6]。算法實(shí)現(xiàn)如下：

遍歷對(duì)象讀取特征值,獲得最小特征值T1以及最大特征值T2,設(shè)定初始閾值T(0),T(l) = (T1+T2) / 2；根據(jù)閾值T(k),統(tǒng)計(jì)大于或小于該閾值的所有對(duì)象特征值,再次計(jì)算出此區(qū)間內(nèi)的最大值和最小值,再計(jì)算均值T(k+1),計(jì)算△T,迭代上述過(guò)程,直到△T為0。公式如下：

T1=Min(T)

(1)

T2=Max(T)

(2)

T(k)=(T1+T2)/2

(3)

△T=T(k+1)-T(k)

(4)

式中,T1為最小特征值；T為指定類別對(duì)象的特征值集合；T2為最大特征值；T(k)為本次特征閾值；△T為相鄰兩次閾值偏差值。

1.1.3 區(qū)域生長(zhǎng)算法

建筑物的提取一直是高分辨率遙感影像提取的熱點(diǎn),高精度、自動(dòng)化獲取其分布也是遙感產(chǎn)業(yè)應(yīng)用的難點(diǎn)。目前,利用遙感數(shù)據(jù)進(jìn)行建筑物信息提取的研究眾多,主要分為兩類：一是以數(shù)據(jù)或特征驅(qū)動(dòng)的方法,例如：基于幾何邊界的方法[7-9]、基于區(qū)域分割的方法[10-11]和基于輔助特征或輔助信息的方法[12-15]；二是從建筑物模型驅(qū)動(dòng)的方法,例如：基于語(yǔ)義模型分類的方法[16-17]、基于先驗(yàn)知識(shí)模型的方法[18-19]和基于視覺(jué)認(rèn)知模型的方法[20]。建筑物模型驅(qū)動(dòng)方法在面對(duì)先驗(yàn)知識(shí)不足情況下的多樣性人工建筑物目標(biāo)識(shí)別方面精度無(wú)法達(dá)到預(yù)期,成為其發(fā)展的主要問(wèn)題；數(shù)據(jù)或特征驅(qū)動(dòng)是目前研究最多且獲得較好結(jié)果的方法,尤其是基于區(qū)域分割理論,結(jié)合特征、上下文語(yǔ)義關(guān)系的面向?qū)ο笞R(shí)別,成為工程化、專業(yè)化遙感信息提取的發(fā)展方向。因此,本研究提出利用面向?qū)ο髤^(qū)域生長(zhǎng)算法,實(shí)現(xiàn)自動(dòng)化、工程化的提取城市建筑物,并結(jié)合POI信息,提高識(shí)別精度,增加建筑物的使用屬性。

區(qū)域生長(zhǎng)算法最早由Levine等學(xué)者提出[11],該方法由于其速度快、針對(duì)性強(qiáng)、可交互等特點(diǎn)得到了廣泛應(yīng)用[22]。算法的核心是種子的選取、相似區(qū)域的判定準(zhǔn)則和終止條件,種子的選擇可以人工和自動(dòng)兩種方式實(shí)現(xiàn),但其準(zhǔn)確度對(duì)結(jié)果影響較大；相似區(qū)域的判定準(zhǔn)則一般通過(guò)特征值小于某個(gè)閾值來(lái)表示。針對(duì)對(duì)象的區(qū)域生長(zhǎng),是在影像分割的基礎(chǔ)上,依據(jù)同一目標(biāo)物體的同質(zhì)性來(lái)依次歸并對(duì)象[23],以某個(gè)對(duì)象區(qū)域?yàn)槌跏挤N子區(qū)域(x0,y0),從鄰域?qū)ο?x,y)顏色、平均灰度值、紋理等信息上度量相鄰對(duì)象的相似性,本研究采用歐幾里得距離(見(jiàn)公式(5)(6))計(jì)算相似度,將種子區(qū)域與目標(biāo)區(qū)域之間滿足相似度條件的對(duì)象合并,再以合并后的對(duì)象為新的種子區(qū)域,重復(fù)上述操作,進(jìn)行8鄰域生長(zhǎng),最終形成具有相似特征對(duì)象的最大連通集合,完成區(qū)域增長(zhǎng),達(dá)到目標(biāo)地物識(shí)別提取的目的。

區(qū)域生長(zhǎng)從初始種子點(diǎn)開(kāi)始,按照生長(zhǎng)準(zhǔn)則查找與之相符的像素點(diǎn)歸并到初始種子點(diǎn),直至滿足條件。本研究通過(guò)POI獲取初始種子對(duì)象,保證所有的種子對(duì)象都為建筑物本體或周圍一定范圍內(nèi),建筑物樣本生長(zhǎng)終止條件是道路。主要分為6個(gè)步驟：

(1)對(duì)所有對(duì)象特征向量中特征值標(biāo)準(zhǔn)化Xi；

(5)

(2)對(duì)對(duì)象集順序掃描,找到第i個(gè)還沒(méi)有歸屬的對(duì)象,設(shè)該對(duì)象為X0；

(3)以X0為中心,計(jì)算它與鄰域?qū)ο筇卣飨蛄縓的距離Di,如果距離滿足生長(zhǎng)準(zhǔn)則,就將他們合并在同一區(qū)域內(nèi),同時(shí)將其壓入堆棧；

(6)

(4)在堆棧中取出一個(gè)對(duì)象,把它作為X0,返回到步驟3；

(5)當(dāng)堆棧為空時(shí),返回到步驟2；

(6)重復(fù)步驟2—5直到所有對(duì)象都有歸屬,生長(zhǎng)結(jié)束。

1.2 人居環(huán)境監(jiān)測(cè)指標(biāo)計(jì)算

人居環(huán)境質(zhì)量監(jiān)測(cè)指標(biāo)主要通過(guò)地理分析的方法獲得[24],從地理分析方法層面,將指標(biāo)分為密度類、距離類指標(biāo)計(jì)算。

據(jù)《中國(guó)儲(chǔ)運(yùn)》記者查到的更多的披露信息顯示，阿里將設(shè)立一家控股公司，作為本地生活服務(wù)的旗艦公司，并已收到來(lái)自阿里集團(tuán)和軟銀集團(tuán)等投資者的超過(guò)30億美元投資承諾。

1.2.1 密度計(jì)算

自然環(huán)境類指標(biāo)主要通過(guò)密度計(jì)算實(shí)現(xiàn),對(duì)空間上各類地表覆蓋物占比,或其他社會(huì)經(jīng)濟(jì)屬性占地表覆蓋范圍的比例。包括：綠地覆蓋率、建筑密度、容積率、人均綠地占有率和人均土地使用率等,該類指標(biāo)的快速監(jiān)測(cè)有利于對(duì)社區(qū)的自然資源改造和生態(tài)環(huán)境建設(shè)評(píng)估與規(guī)劃。其計(jì)算公式為：

(7)

式中,Gi為某類指標(biāo)占比結(jié)果,Si為第i個(gè)區(qū)域的占地總和；Sij為第i個(gè)住區(qū)內(nèi)的建筑物面積或社會(huì)經(jīng)濟(jì)統(tǒng)計(jì)結(jié)果。

1.2.2 距離計(jì)算

社會(huì)服務(wù)類指標(biāo)主要通過(guò)距離計(jì)算獲得,例如服務(wù)類建筑物對(duì)住宅小區(qū)居住人群的生活、教育、醫(yī)療等的滿足程度,主要通過(guò)空間緩沖區(qū)分析,來(lái)反映各實(shí)體對(duì)其鄰近住宅的影響程度,依據(jù)緩沖主體的幾何形態(tài),分為點(diǎn)、線、面緩沖區(qū)分析。實(shí)際指標(biāo)計(jì)算中,應(yīng)首先建立等級(jí),進(jìn)而根據(jù)等級(jí)科學(xué)的計(jì)算不同形態(tài)主體的影響度。以醫(yī)療設(shè)施影響度為例,社區(qū)內(nèi)的醫(yī)院,將按照醫(yī)院等級(jí)進(jìn)行劃分。根據(jù)不同等級(jí)設(shè)施面積中位數(shù),利用最大標(biāo)準(zhǔn)化方法確定設(shè)施綜合規(guī)模指數(shù)。現(xiàn)實(shí)生活中,影響度隨著距離中心越遠(yuǎn),影響度衰減,因此,本研究選擇指數(shù)模型進(jìn)行緩沖區(qū)分析[25]。公式為：

(8)

(9)

式中,Fi為主體對(duì)鄰近實(shí)體的實(shí)際影響程度；f0為主體自身的綜合規(guī)模指數(shù)；di為鄰近對(duì)象離開(kāi)主體的實(shí)際距離(歐式距離)；dmax為主體對(duì)鄰近實(shí)體的最大影響距離。

(10)

式中,最大影響距離依研究區(qū)面積S,研究區(qū)內(nèi)及周邊的j等級(jí)以及以上等級(jí)的基礎(chǔ)設(shè)施數(shù)量n,計(jì)算j等級(jí)基礎(chǔ)設(shè)施的最大影響距離dmaxj。

2 結(jié)果與精度評(píng)價(jià)

2.1 實(shí)驗(yàn)區(qū)與數(shù)據(jù)

本研究選取北京市北部的回龍觀社區(qū)作為實(shí)驗(yàn)區(qū),回龍觀社區(qū)是一個(gè)具有850萬(wàn)m2的超大規(guī)模社區(qū),常駐人口達(dá)到30萬(wàn)人,被公認(rèn)為亞洲第一大社區(qū),可以作為一個(gè)居住環(huán)境監(jiān)測(cè)的典型。

針對(duì)社區(qū)級(jí)監(jiān)測(cè),建議采用高分辨率遙感影像進(jìn)行信息提取,本研究選用北京二號(hào)遙感數(shù)據(jù)。北京二號(hào)衛(wèi)星星座,于2015年7月11日搭載印度極軌衛(wèi)星運(yùn)載火箭發(fā)射升空,星座由3顆第三代災(zāi)害監(jiān)測(cè)星組成,衛(wèi)星運(yùn)行高度647 km,傾角97.8°的太陽(yáng)同步軌道,搭載1 m全色與4 m多光譜成像儀。對(duì)數(shù)據(jù)進(jìn)行了“配準(zhǔn)、融合、正射糾正、增強(qiáng)”處理。其中,配準(zhǔn)采用自動(dòng)配準(zhǔn)；融合采用Pansharp法對(duì)全色和多光譜波段進(jìn)行融合；正射糾正通過(guò)讀取rpc文件、選擇有理函數(shù)模型、借助數(shù)字高程模型,選擇控制點(diǎn)進(jìn)行正射糾正,完成數(shù)據(jù)處理。

2.2 結(jié)果與精度

利用北京市回龍觀社區(qū)的北京二號(hào)遙感數(shù)據(jù)和POI點(diǎn)數(shù)據(jù)(如圖3),首先通過(guò)POI點(diǎn)聚類,提取服務(wù)類建筑物分布區(qū)域以及重新生成聚類中心點(diǎn)(FOI)；將遙感數(shù)據(jù)、服務(wù)類建筑物分布矢量、聚類中心點(diǎn)(FOI)參與數(shù)據(jù)分割；基于本研究所構(gòu)建的模型,選取分割尺度30,形狀參數(shù)0.1,緊致度參數(shù)0.5,構(gòu)建NDVI、NDWI、亮度、面積等特征空間,自動(dòng)確定閾值,提取大型社區(qū)的建筑物、道路,以及綠地和地表水體(如圖4)。

圖3 2018年4月2日北京二號(hào)遙感影像和感興趣點(diǎn)數(shù)據(jù) Fig.3 Beijing-2 remote sensing image and Point of interest (POI) data April 2, 2018

圖4 回龍觀社區(qū)地表覆蓋自動(dòng)提取結(jié)果圖 Fig.4 The result of automated land coverage extraction of Huilongguan community

為了檢驗(yàn)該方法提取結(jié)果的精度以及提取效率,隨機(jī)選取每個(gè)地類的100個(gè)圖斑,與實(shí)際地物邊界對(duì)比,建立混淆矩陣,計(jì)算提取精度(表1)。本研究對(duì)比人工目視解譯上述四類要素需要4 h,而本文方法分割過(guò)程2 min,分類、聚類等處理需要10 min,人工修訂1 h。

表1 回龍觀社區(qū)信息自動(dòng)提取結(jié)果精度評(píng)價(jià)表/%

由結(jié)果精度可知,本研究所用方法的用戶精度和制圖精度均高于85%,總體精度超過(guò)95%,kappa系數(shù)超過(guò)92%,說(shuō)明識(shí)別精度很高而且可信,從效率角度分析,提升了2.3倍。綜合上述信息提取結(jié)果,認(rèn)為該方法適合工程化、區(qū)域化監(jiān)測(cè)使用。

3 人居環(huán)境指標(biāo)監(jiān)測(cè)分析

社區(qū)的人居環(huán)境監(jiān)測(cè)、評(píng)價(jià)重點(diǎn)圍繞物質(zhì)環(huán)境的舒適度、健康度、便利度以及非物質(zhì)環(huán)境的人文性、社會(huì)性等方面,這些指標(biāo)的監(jiān)測(cè)可通過(guò)居住地周邊的服務(wù)設(shè)施、自然環(huán)境以及配套環(huán)境的計(jì)算獲得,北方地區(qū)受季節(jié)影響,生態(tài)環(huán)境變化顯著,因此通過(guò)高頻的地表覆蓋信息計(jì)算居住環(huán)境質(zhì)量指標(biāo),為社區(qū)的自然資源改造和生態(tài)環(huán)境建設(shè)評(píng)估與規(guī)劃提供依據(jù)。從服務(wù)類行業(yè)的影響度分析,增加互聯(lián)網(wǎng)數(shù)據(jù)提供的信息,可以明顯提高監(jiān)測(cè)頻率與正確性,使人居環(huán)境質(zhì)量監(jiān)測(cè)更有時(shí)效性,有利于指導(dǎo)人們選購(gòu)房產(chǎn),也為政府的社區(qū)規(guī)劃與管理提供幫助。本研究以回龍觀社區(qū)的部分小區(qū)為例,將前述的空間信息與POI點(diǎn)信息結(jié)合,利用地理分析方法,對(duì)自然環(huán)境類與社會(huì)服務(wù)類指標(biāo)進(jìn)行計(jì)算,為人居環(huán)境監(jiān)測(cè)的常態(tài)化提供依據(jù)。

比較回龍觀15個(gè)小區(qū)的綠地覆蓋率、建筑密度和容積率(表2)可知,綠地覆蓋率高、建筑物密度低和容積率低的小區(qū)是北店嘉園小區(qū),而且從數(shù)據(jù)可知,回龍觀社區(qū)中大部分小區(qū)的建筑物高度相近,而且內(nèi)部生態(tài)系統(tǒng)以植物環(huán)境為主,缺少水環(huán)境,生物多樣性不足,從舒適度、自然環(huán)境角度,整體設(shè)計(jì)缺乏個(gè)性化和生態(tài)化。

比較回龍觀社區(qū)各小區(qū)受周邊服務(wù)類影響程度(表2),各小區(qū)差異性較大,龍禧苑二區(qū)距離周邊的大型綜合性商場(chǎng)較近,綜合得分最高；社區(qū)醫(yī)療水平總體偏低,各社區(qū)得分均不高,相較而言,龍騰苑二、三區(qū)距離稍近；社區(qū)公立中小學(xué)共有四所,從整個(gè)社區(qū)分析,主體教育資源也相對(duì)缺乏,龍躍苑周邊的中小學(xué)相對(duì)較近。通過(guò)計(jì)算各輻射類行業(yè)對(duì)小區(qū)的影響度認(rèn)為,回龍觀地區(qū)的商業(yè)發(fā)展比較快,包括大型商場(chǎng)、超市、餐飲、娛樂(lè)等,使各小區(qū)居民的生活便利性和舒適性較高,但是教育和醫(yī)療資源相對(duì)缺乏,尤其是大型的、公立的教育和醫(yī)療資源比較匱乏,有待提高。

表2 回龍觀15個(gè)小區(qū)的人居環(huán)境監(jiān)測(cè)指標(biāo)值

4 結(jié)論與討論

(1)本文構(gòu)建了城市人居環(huán)境監(jiān)測(cè)模型,該模型包括兩個(gè)關(guān)鍵環(huán)節(jié),一是構(gòu)建自動(dòng)化提取建筑物算法,該算法通過(guò)建立地物特征集,以POI點(diǎn)對(duì)應(yīng)樣本為種子,利用全局最優(yōu)和區(qū)域生長(zhǎng)算法,自動(dòng)提取城市建筑物,再利用全局最優(yōu)算法確定其他地類的閾值；二是人居環(huán)境指標(biāo)計(jì)算,將建筑物、綠地、水體信息提取結(jié)果與POI數(shù)據(jù)結(jié)合,利用密度類與距離類空間分析算法,分別計(jì)算自然、社會(huì)經(jīng)濟(jì)類指標(biāo)。

(2)以北京北部回龍觀社區(qū)為例,利用2018年4月的北京二號(hào)遙感影像和POI點(diǎn)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證,總體精度超過(guò)95%,Kappa系數(shù)超過(guò)92%,效率提高2倍多,認(rèn)為該方法精度和效率高,適合推廣應(yīng)用。監(jiān)測(cè)人居環(huán)境質(zhì)量,根據(jù)計(jì)算結(jié)果分析,認(rèn)為回龍觀社區(qū)大部分小區(qū)的建筑物密度不高、服務(wù)設(shè)施齊全基本滿足居民生活需求,但是也存在缺少水環(huán)境、教育和醫(yī)療設(shè)施的問(wèn)題。

(3)本文在信息的自動(dòng)獲取方面顯著提高了效率和精度,但評(píng)價(jià)指標(biāo)方面,只選取了部分客觀指標(biāo)進(jìn)行了監(jiān)測(cè),缺少空氣、聲環(huán)境質(zhì)量乃至社會(huì)性環(huán)境要素,沒(méi)有形成綜合評(píng)價(jià)分析,下一步將擴(kuò)展互聯(lián)網(wǎng)數(shù)據(jù)在空氣質(zhì)量、聲環(huán)境、人文、社科類的評(píng)價(jià)應(yīng)用,并結(jié)合多種互聯(lián)網(wǎng)數(shù)據(jù)進(jìn)行滿意度評(píng)價(jià),增加主觀評(píng)價(jià)數(shù)據(jù)獲取方法,完善整體人居環(huán)境質(zhì)量監(jiān)測(cè)業(yè)務(wù)化技術(shù)體系。