高分衛星在氣候適應型試點城市綠地變化監測中的應用
——以常德為例

陳磊士， 廖玉芳， 杜東升

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

隨著城市的快速發展，人類與自然環境的矛盾逐漸突出，氣候變化引發的災害風險也日益顯著，提升中國城市應對自然風險的水平，成為了城市建設的重要議題[1]。中國于2016年啟動了氣候適應型城市的建設試點，于2017年公布了28個試點城市地區，致力于提高城市的綜合防災能力。生態綠化系統為該項計劃的優先領域[2]，城市綠地等“綠色基礎設施”在減輕多項自然災害的影響時發揮著積極作用[3-4]。已有研究中的城市氣候適應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性的研究較少[5]。城市綠地的空間變化監測，可以為氣候適應型試點城市建設相關研究提供數據保障，為此高效準確地進行城市綠地信息提取尤為重要[6]。

傳統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]，衛星遙感技術基于時空連續的數據獲取能力，逐漸成為城市綠地變化監測的重要方法。以高分系列WFV為代表的中高空間分辨率影像表達了更加精細的地物紋理、顏色與尺寸信息，且數據量適中，更適于提取復雜的城市綠地信息，提供了可靠的數據來源，在面對復雜情況下城市綠地提取的“同物異譜、異物同譜”問題，可基于面向對象方法引入合適的樣本特征[8]。

影像分割是是圖像處理與機器視覺的基本問題，分割算法是面向對象分類的基礎。Delphi2 e-Cognition團隊將先進的分割技術與圖像對象數據庫相結合，將圖像對象通過分層網絡連接[9]，提出分形網絡演化是一種在自組織和動態網絡中描述復雜語義的有效方法；Baatz等[10]在分形網絡演化基礎上提出一種影像多尺度區域分割方法，即FNEA分割算法，該方法是面向對象影像解譯技術的理論基礎，通過將多尺度分割與決策樹分類相結合，實現將光譜、紋理及幾何信息的綜合目標地物識別；朱俊杰等[11]在FNEA分割算法的基礎上引入邊緣特征信息，減小了過分割和欠分割現象，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。

進行面向對象分類，分割后需要構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化(feature space optimization, FSO)方法，其缺點是人工設定特征參數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對象分類實驗，驗證該方法的可行性，CART決策樹方法的優勢為自動特征選取和自動閾值設定[16]，該方法用于城市區域復雜地塊的提取效果仍有待研究。

現研究CART決策樹方法運用于復雜城市綠地提取及變化監測的可行性，探索氣候適應型試點城市綠地變化監測的可行方法，監測分析研究區近6年綠地變化情況，并從氣候適應型城市角度進行綜合評價。

1 研究區與數據

1.1 研究區概況

常德市是氣候適應型城市建設試點城市之一，位于湖南省西北部，長江以南洞庭湖西側武陵山下，史稱“川黔咽喉，云貴門戶”，是長江經濟帶、長江中游城市群、環洞庭湖生態經濟圈的重要城市。截至2017年底，全市常住人口584.5×104人，地區生產總值3 238.1×108元，GDP年增長率8.4%，三次產業結構分別為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——即武陵區為研究區，總面積412.42 km2，下轄15街道、2鎮、2鄉，屬于中亞熱帶濕潤季風氣候向北亞熱帶濕潤季風氣候過渡區域，受地形影響氣候呈非地帶性規律。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]。研究區概況如圖1所示，衛星遙感底圖為2014年3月17日拍攝校正后的GF-1 WFV真彩色影像。

1.2 數據源與預處理

高分系列衛星來自中國的高分辨率對地觀測系統項目，研究使用的影像數據源為實驗區成像質量較好的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。影像數據源空間分辨率16 m，均包括可見光和近紅外(譜段1～4)，GF-6數據前4個產品譜段范圍和GF-1一致[18]，具體參數如表1所示。該時段湖南地區云霧較少能見度高，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。

輔助數據包括：常德市轄區邊界矢量圖層，用于實驗區的裁剪和分類樣本的選取；SRTM.003常德市30 m精度DEM拼接數據，來自美國國家航空航天局(NASA)提供的航天飛機雷達地形任務(shuttle radar topography mission)數據，裁剪得到研究區的數字高程模型(DEM)數據，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遙感影像的預處理工作主要包括輻射定標、大氣校正、正射校正及地理配準4項工作[18]，前2項為輻射校正、后2項為幾何校正，對2類數據使用相同的預處理方法。實驗中源數據輻射定標使用絕對定標方法，使用絕對定標系數將影像的DN值數據轉換為輻亮度圖像，定標系數和傳感器波譜響應函數由中國資源衛星應用中心(http://www.cresda.com/CN/Downloads/dbcs/index.shtml)提供，計算公式為

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

表1 遙感影像源數據參數Table 1 The data parameters of remote sensing image source

Le(λe)Gain·DN+Offset

(1)

式(1)中：Le(λe)為轉換后輻亮度，W·m-2·sr-1·μm-1;Gain為定標斜率，W·m-2·sr-1·μm-1;DN為衛星載荷觀測值；Offset為絕對定標系數偏移量，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研究所開發完成，為多光譜遙感影像的首選大氣校正方法[19]，輸入數據為定標完成后的輻亮度數據，基于Modtran4中的輻射傳輸計算方法精確補償大氣影響，完成源數據的輻射校正工作。

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，使用衛星數據自帶的RPC文件以及SRTM.003常德市30 m精度DEM拼接數據完成正射糾正。地理配準采用清晰的同名控制點作為影像配準點，基準影像為經過幾何精校正的2019年4月常德地區的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。完成源數據輻射校正和幾何校正工作。

1.3 分類標準與樣本

根據住房城鄉建設部最新發布的《城市綠地分類標準》(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分，將綠地整體作為一個類別進行解譯處理。特別地，“EG區域綠地”屬于城市建設用地外的綠地分類，包括各類公園綠地不包含耕地。

結合常德城區的土地利用分類研究現狀，考慮到春季的研究區地類分布特點，便于城市綠地的分類提取工作，將研究的分類標準設置為綠地、城鎮、水體和耕地合計4項類別，其中重點工作在于有效區分植被區域中的耕地和城市綠地。

研究區綠地分布提取具有兩項難點：①一部分區域城市綠地的植被特征不明顯，以“G3廣場用地”為代表，需要引入面向對象的位置特征和范圍特征進行判別；②春季湘北地區的耕地具有和綠地相似的植被特征。可歸納為遙感解譯的“同物異譜、異物同譜”問題。

參考Google Earth歷史影像數據，配合常德城區土地利用分類現狀數據和實地調研資料，隨機選取240個樣本點。樣本分布中，160個樣本點作為監督分類訓練樣本，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分割算法基于區域增長法原理，在異質性最小的規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，不同分割尺度對應的一組采樣多邊形，當使用新的參數組合完成分割時，其性能就與前者相比進行評估。不斷重復該過程，直到測試了可能的參數組合的重要樣本，得到最佳參數組合。該算法中的尺度參數本質上是一種對象合并時對“異質性變量”的閾值的設定[21]。異質性變化f是由光譜異質性變量Δhc和形狀異質性變量Δhs的加權和計算而來。

基于地物對象的局部方差理論，計算不同分割尺度參數下影像對象同質性的局部變化(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。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分割實驗，配合ESP響應函數驗證法，最終獲取的最優分割參數：分割尺度115 pixels，光譜權重(紅、綠、藍、近紅外波段)1∶1∶1∶2，形狀因子0.5，緊致度因子0.3，基于該參數完成影像分割。

2.2 分類器構建

基于面向對象的影像解譯方法，完成進行遙感影像的多尺度分割后，再訓練基于GINI指數的CART決策樹作為分類器，進行多尺度多特征的實驗區土地利用分類，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變量構成的訓練數據集的循環分析形成二叉樹形式的決策樹，結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指數的屬性作為測試屬性。Gini指數反映了樣本的純凈度，Gini指數越小，則樣本純凈度越高，就越容易從樣本中分離出來，選擇使子節點的Gini指數最小的屬性作為分裂的方案。該機器學習方法適用于面向對象分類，建立決策樹的公式[23]如下。

對于一個有K種狀態對應的概率為p1,p1,…,pk的隨機變量X，其Gini指數定義為

(2)

對應地，對于訓練數據集D，假設共有K類，Ck代表第k類的樣本子集。

(3)

用特征A對數據進行分割，若特征A為離散特征，則根據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：

(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，各樹的結點只生成兩個葉節點，二叉樹不容易產生數據碎片，其精度高于多叉樹。CART決策樹算法在分支結點上進行布爾運算，判斷條件為真則在節點的左分支，否則在右分支，依次從上到下進行運算，得到二叉決策樹。當決策樹的層數達到預先設置的最大值，或所有葉結點中的樣本屬于同一個類別或樣本數為1，CART決策樹算法建樹完成。

面向對象分類使用多維特征變量構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(NDVI)、比值植被指數(RVI)、調整土壤亮度植被指數(SAVI)和增強型植被指數(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存在的城市綠地與耕地間“同物異譜、異物同譜”現象，在已有的面向對象分類的研究基礎上，參考eCognition平臺開發手冊引入6項全方向紋理特征，分為別：灰度共生矩陣同質性(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)、灰度共生矩陣標準差(GLCM StdDev)。

3 結果與分析

3.1 分類精度評價

訓練CART決策樹構建面向對象的分類器，完成2014—2019年春季常德城區的綠地信息提取土地利用分類信息提取，分類結果的精度評價使用基于混淆矩陣的Khat方法[24]，將1.3節中構建的80個驗證樣本點對影像分割得到的最優分割結果基于驗證樣本賦值構建TTA Mask驗證圖斑，以像素為統計對象進行精度評價。

精度評價結果如圖2所示，基于CART決策樹的高分一號WFV遙感影像面向對象綠地提取，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%，精度較高且穩定性較好；Kappa系數均大于0.8，一致性檢驗的結果為完全一致，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到89%，該分類方法在城市綠地的提取上取得了較好的結果。

圖2 常德城區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年常德城區城市綠地面積變化呈總體上升趨勢。

圖3 常德城區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型城市、海綿城市和國家園林城市等多個項目的大力建設，分析研究區整體的土地利用的變化規律得出，城鎮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。

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

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

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

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

4 結論

以常德城區為研究對象，對該區域6年期間的高分系列WFV多光譜影像數據使用面向對象的CART決策樹機器學習分類算法；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分割實驗獲取了最優分割參數，使用改進的FNEA算法獲取最優分割結果。

(1)對象特征的構建階段選用了植被指數等自定義特征、光譜特征、范圍特征、形狀特征與位置特征，創新地引入了6項紋理特征，驗證該方法在復雜情況下城市綠地提取研究中的準確分類效果。結果表明，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)綠地變化監測結果表明，常德城區在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，在綠地建設方面取得了明顯成效，提高了氣候適應型城市生態綠化水平的防災減災能力。

(3)國產高分數據的應用擁有廣闊前景，實驗受限于高分系列WFV數據的16 m分辨率，未對城市綠地二級地類進行細分，未來可考慮使用更高空間分辨率的影像數據結合深度學習方法進一步完善分類類別，提供更加精細的城市綠地變化監測信息。