基于高空间分辨率遥感影像的三维绿度度量

2019-12-02白晓琼林子彦张耀军

自然资源遥感 2019年4期

白晓琼，王汶，林子彦，张耀军，王昆

(1.自然资源部城市土地资源监测与仿真重点实验室，深圳 518034；2.中国人民大学环境学院地理空间信息研究中心，北京 100872；3.中国人民大学人口与发展研究中心，北京 100872)

0 引言

作为城市基础设施建设的必要内容之一，城市绿地对改善人居环境具有十分重要的作用，因此城市绿化景观设计日益受到重视[1]。《城市绿地分类标准CJJ/T85—2017》对于小区绿化标准虽然有明确的规定[2]，但仍以绿地率、绿化覆盖率、人均公共绿地面积这3大二维绿化指标为主要评价依据[3]，存在如下问题：首先，城市绿地生态效益不仅取决于绿色植被的覆盖面积，还取决于植被空间结构及其生长状况[4-5]，但二维绿化指标不能准确地反映植物空间构成的合理性及其生态效益水平[6]；其次，二维绿化指标对于绿地的定义比较宽泛，不考虑植被的种类和生长情况，甚至将大致长草的地方都算作绿地，因此很容易出现为尽快达到规定绿化标准而选用低成本草地代替高成本景观植被的现象。然而，无论是从居民对于小区宜居性的满意度[7]方面考虑，还是从水土保持[8]、固碳释氧[9-10]、滞尘减污[11-13]、降温增湿[14]等生态效益[15-16]方面，特别是从景观结构与功能[17]、生物多样性[18]等景观生态学原理方面考虑，草地的价值均普遍低于灌木、乔木等高大立体的植被[19-20]，不能充分响应人们对优美人居环境的需求以及实现城市绿地的立体景观价值。因此在城市绿地建设中亟需一个科学合理的度量指标来反映城市绿地的立体景观。

1995年“上海市绿化三维量遥感调查”项目提出了“绿化三维量(living vegetation volume,LVV)”[21]亦即“三维绿量”这一量化值来更合理地度量绿地。三维绿量指的是绿色植物所占据的空间体积，相对于平面绿量，三维绿量反映了城市绿化植被的空间结构量值，更能体现绿地的立体景观。现有的三维绿量测算方法主要有以下几种：①模型模拟法[22]，即通过对植物植株进行大量的实地测量，采用模拟方程推算城市森林主要树种树木绿量，来估计城市森林三维绿量，这种方法虽然精度较高，但是存在投入成本高、工作繁琐耗时、难以大范围应用等缺陷；②平面量模拟立体量法，周坚华等[23]在分树种逐株测算的基础上，建立冠径-冠高回归方程，再利用航空像片上量得的冠径求取不同树种冠高，进而求得不同树种树冠的体积(树冠绿量)，计算机及遥感技术的加入节省了大量人力物力，但在大范围应用航空影像成本较高，且涉及树种过多导致工作量过大的问题；③遥感植被指数法[24-25]，此法利用高光谱遥感影像丰富的光谱信息构建植被指数，直接与实地测算的三维绿量样本之间建立回归方程，进而推广到整个区域反演三维绿量，与上述第二种方法相比省去了实测样本冠径、冠高以及量测航片冠径等中间步骤，但仍然需要大量野外实测数据来满足回归方程可靠性。上述3种方法在三维绿量计算过程中均需要大量实测数据，在城市尺度大范围应用时成本过高，因此，需要一个快速度量城市尺度大范围绿地空间景观的方法，以及一个科学合理的三维绿化指标，以用于城市绿地规划和管理。

本文针对上述三维绿量度量及传统绿化指标用于规划存在的问题，以高空间分辨率遥感影像为数据源，采用面向对象的分类方法提取植被阴影，节省了大量实地测量的时间、人力、物力等成本；应用植被高度和阴影长度的几何关系模型[26]快速反演植被高度，在此基础上构建三维绿度指数(three-dimensional green index，TGI)作为绿地规划建设新指标，并将其与传统的二维指标绿化覆盖率进行比较分析。结果表明，三维绿度指数不仅获取快速方便、成本较低，而且更能实际反映绿化植被的立体景观与城市绿地建设质量，因此可用于大范围城市三维绿地度量，为城市绿化规划、决策、管理提供科学依据。

1 数据和方法

1.1 研究区概况

本研究选取深圳市西南部福田区沙头街道为研究区(图1)。该区位于E114°0′～ 114°2′，N22°31′～22°33′之间，面积约为7.89 km2。研究区东北部和西南部分别为深圳高尔夫球俱乐部和滨海湿地，植被资源较为丰富；东南部和西北部均为居民区，西部为商业区，植被资源较少，主要为行道树(灌木、乔木等)和小型绿地(草地、小灌木等)。

图1 研究区示意图(GF-2 RGB影像)Fig.1 The study area (RGB image of GF-2)

1.2 数据源及其预处理

本研究选取深圳市西福田区沙头街道2015年1月高分二号(GF-2)PMS2数据，1月份太阳高度角较小，阴影信息比较明显，有利于植被阴影的提取。该影像包括一个1 m空间分辨率的全色波段和4个4 m空间分辨率的多光谱波段，其中，多光谱波段包括3个可见光波段和1个近红外波段[27]。在对原始遥感影像进行预处理(包括正射校正、辐射定标、大气校正、图像融合)后，获得1 m空间分辨率遥感融合影像，充分利用了原始影像的光谱信息并保留了高空间分辨率的优势，提高了利用数据解析地物的能力。

1.3 研究方法

以经过预处理的高分辨率遥感影像为基础，运用面向对象分类技术提取植被及其对应的阴影信息；然后根据二者的几何关系模型，利用阴影的长度反演植被高度；最后基于植被高度构建三维绿度指数模型，并将该模型的计算结果与传统二维绿化指标计算结果进行对比分析。TGI构建的具体技术流程如图2。

图2 技术流程图Fig.2 Technology roadmap

1.3.1 三维绿度指数

本研究将TGI定义为一定区域内等效基础绿化植被面积所占的比例。其中，基础绿化植被泛指在城市绿化建设中普遍采用的草坪植物与地被植物，其高度一般在1 m以下，这样的植被成本低、成活率高，能更迅速地达到相关绿化标准中规定的数量指标，因而在城市基础绿化中被广泛使用；将不同高度的植被面积依照一定规则统一换算为基础绿化植被所占的面积即为等效基础绿化植被面积。TGI的具体计算公式为

(1)

式中，S为研究区域面积，m2；Ci为研究区域内的第i个植被像元对应的高度等级，均为整数，植被高度及其等级对应关系见表1；Si为第i个植被像元的对应的实地面积，m2；∑CiSi为等效基础绿化植被面积。

表1 植被高度等级表Tab.1 Vegetation height grades

1.3.2 面向对象的影像分类

TGI是基于植被高度等级的计算结果，其中植被高度的反演是三维绿度指数计算的关键，而准确提取植被与阴影信息又是植被高度反演的前提。由于在高空间分辨率遥感影像中，面向对象的遥感影像分类方法比传统基于像元的分类方法具有更高的精度[28-29]，因此本文利用面向对象分类软件eCognition9.0[30]，基于多尺度分割算法和光谱差异算法，对阴影信息、植被信息以及水体信息进行提取。首先选择尺度为300的分割层对粗尺度阴影(即建筑物阴影)和水体进行提取，再进一步根据亮度、面积以及NDWI值等特征将二者区分开；在排除建筑物阴影和水体后，选择像素层对细尺度阴影进行提取；最后选择尺度为50的分割层对草地和林地进行提取，并根据空间同质性及NDVI值将二者区分开。具体分割尺度及分类规则见表2，其中分割的形状权重为0.2，颜色权重为0.8，紧致度和光滑度权重分别设置为0.1和0.9。

表2 分类规则Tab.2 Classification rules

1.3.3 植被高度提取

在准确提取植被和阴影的基础上，用ArcGIS的邻域分析功能将属于植被的阴影从细尺度阴影中提取出来，接着通过太阳、卫星和树木阴影成像时的相对几何位置关系即可求得植被对应的阴影长度。最后仿照根据建筑物阴影提取建筑物高度的方法[31-32]，利用阴影在太阳高度角方向上的长度，反演其对应植被的高度。太阳高度角和方位角、卫星高度角和方位角与树木高度及阴影的几何关系如图3所示。

图3 考虑方位角时，太阳、卫星与阴影的几何关系Fig.3 The geometrical relationship between sun,satellite and shadow when azimuth is taken into account

(2)

当卫星和太阳位于目标地物的两侧的时候，几何位置模型可以简化为一种只需要利用太阳高度角、阴影长度即可计算高度的简单投影模型，即

H=A·tanβ，

(3)

式中：H为树木高度；β为太阳高度角。参照高分二号数据自带的参数信息文件(扩展名为*.xml)中提供的太阳方位角和卫星方位角信息，二者作差求其交角γ；若0°≤γ<180°，则认为卫星和太阳位于目标地物的同侧，若180°≤γ<360°，则认为卫星和太阳位于目标地物的两侧。根据以上原则确定，判断本文采用的遥感影像属于卫星与太阳位于目标地物两侧的情况，故应用公式(3)计算植被高度。基于植被、阴影分布提取结果，结合太阳方位角，对林地边缘像元沿太阳方位角方向的阴影长度进行计算，再将得到的阴影长度按照影像空间分辨率转换为实际地面长度；最后利用公式(3)求出树木高度。此外，对于成片林地中内部的树木由于受其他树木的遮挡，难以在水平地面形成有效阴影的情况，本文采用普通克里金(ordinary Kriging)插值法对林地边缘高度进行空间插值来获得林地内部的树木高度。

2 结果与分析

2.1 影像分类结果

基于面向对象的分类方法，结合多尺度分割算法和光谱差异算法提取的目标地物信息如图4所示。从图4中可以看出细尺度阴影与植被在空间分布上对应关系较为显著，即保证在植被高度计算时所依据的是植被阴影而非建筑物阴影或者水体。

(a)绿地 (b)阴影与水体

图4 提取结果

Fig.4Extractionresult

针对分类结果，本文采用分层抽样的方法，按照常数分配法将80个样点分配给林地、草地、水体、阴影4个不同的类别，在ArcGIS中参照影像分别在4种类别范围内随机创建20个样本点，利用基于像素的混淆矩阵(error matrix based on TTA mask)进行精度检验，用生产者精度 (producer accuracy,PA)、用户精度 (user accuracy,UA )、总体精度 (overall accuracy,OA)和Kappa系数4个精度[33]评价指标定量评价分类精度。混淆矩阵及相应精度评价指标见表3。结果显示，本方法的总体精度在85%以上，Kappa系数大于0.8，分类效果良好，精度满足要求。

表3 地物分类混淆矩阵及分类精度Tab.3 The confusion matrix and summary of the classification accuracies

2.2 植被高度提取结果

研究区植被最终估算高度如图5所示。由于草地类型的植被高度较低，在当前空间分辨率下不能形成有效阴影信息，所以粗略地将草地高度视为0.2 m。植被高度提取结果显示，该区域植被最高不超过30 m，而在这些植被中，超过1/4为低成本地被植物，其中草地面积约占17.66%，小灌木(高度3 m以下)面积约占10.03%。利用百度街景地图，采用分层抽样的方法，按照高度等级分层，小灌木层样本量为5株，大灌木及乔木层样本量为35株，与植被高度提取结果比较，平均绝对误差小于1 m，在植被高度分级的允许误差范围内，故此植被高度提取结果可用于TGI的计算。

图5 植被高度分布图Fig.5 Distribution of the green space height

2.3 三维绿度指数结果

基于上述植被分布及植被高度提取结果，以20 m×20 m为标准格网，通过三维绿度指数模型计算得到TGI空间分布图(图6)。研究区TGI指数呈现出东北、西南较高，东南、西北以及西部较低的空间分布特征。其中，TGI>2的区域为乔木较多的区域，集中于东北区域；1≤TGI≤2的区域为灌木较多的区域，集中于道路两侧的行道树附近；TGI<1的区域为草地集中的区域，主要位于城市公园或绿地中的草坪区域；TGI=0表示没有植被分布。TGI结果与前面计算的植被高度分布较为吻合：即植被高的区域TGI明显较高，植被高度较低的地方则TGI偏低，能够在定性(植被的有无)的基础上定量地(植被量的多少)评价绿化水平。

图6 TGI分布Fig.6 Distribution of TGI

2.4 三维绿度指数分析

传统的城市绿地规划多采用绿化覆盖率这个二维绿化指标。本文以深圳市福田区沙头街道为研究区，比较了上述公式(1)所构建的三维绿化指标TGI(如图6)与传统二维绿化指标绿化覆盖率(如图7)结果在空间分布及结果细节上的异同。对比图6与图7可以看出，二者的空间总体分布基本一致；但在二者的结果细节上，TGI的数值区间(0～2.69)要比绿化覆盖率的数值区间(0～1)大，这是因为TGI考虑了与植被高度有关的等效基础绿化面积，而绿化覆盖率依据的是研究区域内植被的垂直投影面积，TGI比绿化覆盖率多包含了“植被高度”这一维度的信息，不仅反映了遥感像元对应区域植被的“有”或“无”，还反映了该区域内植被景观的“量”的特征，体现了植被的绿化的立体景观效应。此外，从人类认知感受角度，相同面积的乔木和草地景观感受是不同的，但是在二维绿化覆盖率指标中不能反映这种差异，三维绿度指数TGI则可以很好地反映这种不同，所以TGI更接近居民的实际体验和绿度认知，更能够体现植被立体景观的细节以及城市环境的宜居性，可以为城市绿地规划和绿化建设质量评估等提供科学依据。