APP下载

高分卫星在气候适应型试点城市绿地变化监测中的应用
——以常德为例

2020-12-16陈磊士廖玉芳杜东升

科学技术与工程 2020年31期
关键词:城市绿地常德决策树

陈磊士, 廖玉芳, 杜东升

(湖南省气象科学研究所/气象防灾减灾湖南省重点实验室, 长沙 410118)

随着城市的快速发展,人类与自然环境的矛盾逐渐突出,气候变化引发的灾害风险也日益显著,提升中国城市应对自然风险的水平,成为了城市建设的重要议题[1]。中国于2016年启动了气候适应型城市的建设试点,于2017年公布了28个试点城市地区,致力于提高城市的综合防灾能力。生态绿化系统为该项计划的优先领域[2],城市绿地等“绿色基础设施”在减轻多项自然灾害的影响时发挥着积极作用[3-4]。已有研究中的城市气候适应性研究较多集中于定性评价,从空间视角和维度方面分析脆弱性和适应性的研究较少[5]。城市绿地的空间变化监测,可以为气候适应型试点城市建设相关研究提供数据保障,为此高效准确地进行城市绿地信息提取尤为重要[6]。

传统的绿地信息提取主要通过人工实地查勘进行,具有工作效率低、工作周期长、工作投入大等问题。研究表明[7],卫星遥感技术基于时空连续的数据获取能力,逐渐成为城市绿地变化监测的重要方法。以高分系列WFV为代表的中高空间分辨率影像表达了更加精细的地物纹理、颜色与尺寸信息,且数据量适中,更适于提取复杂的城市绿地信息,提供了可靠的数据来源,在面对复杂情况下城市绿地提取的“同物异谱、异物同谱”问题,可基于面向对象方法引入合适的样本特征[8]。

影像分割是是图像处理与机器视觉的基本问题,分割算法是面向对象分类的基础。Delphi2 e-Cognition团队将先进的分割技术与图像对象数据库相结合,将图像对象通过分层网络连接[9],提出分形网络演化是一种在自组织和动态网络中描述复杂语义的有效方法;Baatz等[10]在分形网络演化基础上提出一种影像多尺度区域分割方法,即FNEA分割算法,该方法是面向对象影像解译技术的理论基础,通过将多尺度分割与决策树分类相结合,实现将光谱、纹理及几何信息的综合目标地物识别;朱俊杰等[11]在FNEA分割算法的基础上引入边缘特征信息,减小了过分割和欠分割现象,以此改善了多尺度分割算法的分割效果,适合进行城市尺度的影像分割。

进行面向对象分类,分割后需要构建待分类对象的特征空间。常用的样本特征选取方法为基于人工选取的特征空间优化(feature space optimization, FSO)方法,其缺点是人工设定特征参数和阈值存在人工误差,无法排除过分割、欠分割、形状误差等问题[12]。Nussbaum等[13]提出SEaTH算法,基于高斯概率计算两两特征类别的最佳分离阈值,姚恋秋[14]提出了改进的SEaTH算法,适用于专题信息提取或分类数量较少的情况。段建峰[15]使用分类与回归树(classification and regression tree, CART)方法,简称“CART决策树”,基于光谱特征、形状特征及纹理特征对新疆阔什比克良种场进行面向对象分类实验,验证该方法的可行性,CART决策树方法的优势为自动特征选取和自动阈值设定[16],该方法用于城市区域复杂地块的提取效果仍有待研究。

现研究CART决策树方法运用于复杂城市绿地提取及变化监测的可行性,探索气候适应型试点城市绿地变化监测的可行方法,监测分析研究区近6年绿地变化情况,并从气候适应型城市角度进行综合评价。

1 研究区与数据

1.1 研究区概况

常德市是气候适应型城市建设试点城市之一,位于湖南省西北部,长江以南洞庭湖西侧武陵山下,史称“川黔咽喉,云贵门户”,是长江经济带、长江中游城市群、环洞庭湖生态经济圈的重要城市。截至2017年底,全市常住人口584.5×104人,地区生产总值3 238.1×108元,GDP年增长率8.4%,三次产业结构分别为12.2∶39.9∶47.9,全市森林覆盖率47.98%,人均公园绿地面积13.65 m2。选取常德城区——即武陵区为研究区,总面积412.42 km2,下辖15街道、2镇、2乡,属于中亚热带湿润季风气候向北亚热带湿润季风气候过渡区域,受地形影响气候呈非地带性规律。2/3以上面积为洞庭湖淤积平原,土壤肥沃,气候温润;年平均气温16.7 ℃,年降水量1 200~1 900 mm[17]。研究区概况如图1所示,卫星遥感底图为2014年3月17日拍摄校正后的GF-1 WFV真彩色影像。

1.2 数据源与预处理

高分系列卫星来自中国的高分辨率对地观测系统项目,研究使用的影像数据源为实验区成像质量较好的6景影像:2014—2018年3月的高分一号(GF-1)WFV和2019年3月的高分六号(GF-6)WFV多光谱影像。影像数据源空间分辨率16 m,均包括可见光和近红外(谱段1~4),GF-6数据前4个产品谱段范围和GF-1一致[18],具体参数如表1所示。该时段湖南地区云雾较少能见度高,适合进行城市植被信息的判识解译,影像解译难点在于春季耕地和城市绿地的光谱特异性不大,可在分类体系中引入多维特征进行判识。

辅助数据包括:常德市辖区边界矢量图层,用于实验区的裁剪和分类样本的选取;SRTM.003常德市30 m精度DEM拼接数据,来自美国国家航空航天局(NASA)提供的航天飞机雷达地形任务(shuttle radar topography mission)数据,裁剪得到研究区的数字高程模型(DEM)数据,用于影像的正射校正并提供解译过程中的地形特征。

高分系列WFV遥感影像的预处理工作主要包括辐射定标、大气校正、正射校正及地理配准4项工作[18],前2项为辐射校正、后2项为几何校正,对2类数据使用相同的预处理方法。实验中源数据辐射定标使用绝对定标方法,使用绝对定标系数将影像的DN值数据转换为辐亮度图像,定标系数和传感器波谱响应函数由中国资源卫星应用中心(http://www.cresda.com/CN/Downloads/dbcs/index.shtml)提供,计算公式为

图1 研究区概况:常德城区Fig.1 Overview of the study area: Changde urban area

表1 遥感影像源数据参数Table 1 The data parameters of remote sensing image source

Le(λe)Gain·DN+Offset

(1)

式(1)中:Le(λe)为转换后辐亮度,W·m-2·sr-1·μm-1;Gain为定标斜率,W·m-2·sr-1·μm-1;DN为卫星载荷观测值;Offset为绝对定标系数偏移量,W·m-2·sr-1·μm-1,空缺值为0。

大气校正使用FLAASH(fast line-of-sight atmospheric analysis of spectral hypercubes)算法,该算法由美国波谱科学研究所开发完成,为多光谱遥感影像的首选大气校正方法[19],输入数据为定标完成后的辐亮度数据,基于Modtran4中的辐射传输计算方法精确补偿大气影响,完成源数据的辐射校正工作。

正射校正为通过算法校正传感器和地形因素引起的像元偏移过程,实验采用三次卷积重采样法,使用卫星数据自带的RPC文件以及SRTM.003常德市30 m精度DEM拼接数据完成正射纠正。地理配准采用清晰的同名控制点作为影像配准点,基准影像为经过几何精校正的2019年4月常德地区的GF-1 WFV影像,共选取36个同名控制点,确保全部6幅待校正影像符合准确的地理空间分布,将同名点的位移偏差控制在单个像元内。完成源数据辐射校正和几何校正工作。

1.3 分类标准与样本

根据住房城乡建设部最新发布的《城市绿地分类标准》(CJJ/T 85—2017),城市绿地共分为五个大类,其分类代码及名称如下:G1公园绿地、G2防护绿地、G3广场用地、XG附属绿地和EG区域绿地[20]。为了满足城市绿地信息快速提取的要求,不对绿地大类进行区分,将绿地整体作为一个类别进行解译处理。特别地,“EG区域绿地”属于城市建设用地外的绿地分类,包括各类公园绿地不包含耕地。

结合常德城区的土地利用分类研究现状,考虑到春季的研究区地类分布特点,便于城市绿地的分类提取工作,将研究的分类标准设置为绿地、城镇、水体和耕地合计4项类别,其中重点工作在于有效区分植被区域中的耕地和城市绿地。

研究区绿地分布提取具有两项难点:①一部分区域城市绿地的植被特征不明显,以“G3广场用地”为代表,需要引入面向对象的位置特征和范围特征进行判别;②春季湘北地区的耕地具有和绿地相似的植被特征。可归纳为遥感解译的“同物异谱、异物同谱”问题。

参考Google Earth历史影像数据,配合常德城区土地利用分类现状数据和实地调研资料,随机选取240个样本点。样本分布中,160个样本点作为监督分类训练样本,编号1~160;80个样本点作为分类精度评价样本,编号161~240,用作分类器的训练样本和分类精度评价样本。

2 遥感影像解译方法

2.1 影像分割

改进后的FNEA分割算法基于区域增长法原理,在异质性最小的规则下把每个小的像素逐步归并在一起,形成一个大的主体对象,不同分割尺度对应的一组采样多边形,当使用新的参数组合完成分割时,其性能就与前者相比进行评估。不断重复该过程,直到测试了可能的参数组合的重要样本,得到最佳参数组合。该算法中的尺度参数本质上是一种对象合并时对“异质性变量”的阈值的设定[21]。异质性变化f是由光谱异质性变量Δhc和形状异质性变量Δhs的加权和计算而来。

基于地物对象的局部方差理论,计算不同分割尺度参数下影像对象同质性的局部变化(local variance,LV)的变化率(rates of change of LV,ROC-LV)来指示对象分割效果最佳参数。研究使用最大面积法、均值方差法和控制单一变量法进行多次重复分割实验,配合ESP响应函数验证法,最终获取的最优分割参数:分割尺度115 pixels,光谱权重(红、绿、蓝、近红外波段)1∶1∶1∶2,形状因子0.5,紧致度因子0.3,基于该参数完成影像分割。

2.2 分类器构建

基于面向对象的影像解译方法,完成进行遥感影像的多尺度分割后,再训练基于GINI指数的CART决策树作为分类器,进行多尺度多特征的实验区土地利用分类,提取绿地信息。

CART决策树的基本原理是通过对由测试变量和目标变量构成的训练数据集的循环分析形成二叉树形式的决策树,结果具有逻辑先后层次性[22];能够自动选择参与分类的特征,自动确定二叉树的判断阈值,通过选择具有最小Gini指数的属性作为测试属性。Gini指数反映了样本的纯净度,Gini指数越小,则样本纯净度越高,就越容易从样本中分离出来,选择使子节点的Gini指数最小的属性作为分裂的方案。该机器学习方法适用于面向对象分类,建立决策树的公式[23]如下。

对于一个有K种状态对应的概率为p1,p1,…,pk的随机变量X,其Gini指数定义为

(2)

对应地,对于训练数据集D,假设共有K类,Ck代表第k类的样本子集。

(3)

用特征A对数据进行分割,若特征A为离散特征,则根据A的某一可能取值a将D分为D1和D2:

(4)

便得到G(D,A),即在已知特征A的条件下集合D的Gini指数:

(5)

若G(D,A)取值越大,样本的不确定性也越大,选择满足G(D,A)取最小值的特征A。CART算法采用二分递归划分,各树的结点只生成两个叶节点,二叉树不容易产生数据碎片,其精度高于多叉树。CART决策树算法在分支结点上进行布尔运算,判断条件为真则在节点的左分支,否则在右分支,依次从上到下进行运算,得到二叉决策树。当决策树的层数达到预先设置的最大值,或所有叶结点中的样本属于同一个类别或样本数为1,CART决策树算法建树完成。

面向对象分类使用多维特征变量构建样本维度提高分类精度。文章使用包括自定义特征4项:归一化植被指数(NDVI)、比值植被指数(RVI)、调整土壤亮度植被指数(SAVI)和增强型植被指数(EVI);光谱特征4项:分割对象各谱段的辐亮度均值;几何特征10项:包括范围特征、形状特征与位置特征。同时为了解决春季湘北地区存在的城市绿地与耕地间“同物异谱、异物同谱”现象,在已有的面向对象分类的研究基础上,参考eCognition平台开发手册引入6项全方向纹理特征,分为别:灰度共生矩阵同质性(GLCM homogeneity)、灰度共生矩阵对比度(GLCM contrast)、灰度共生矩阵非相似性(GLCM dissimilarity)、灰度共生矩阵熵(GLCM entropy)、灰度共生矩阵均值(GLCM mean)、灰度共生矩阵标准差(GLCM StdDev)。

3 结果与分析

3.1 分类精度评价

训练CART决策树构建面向对象的分类器,完成2014—2019年春季常德城区的绿地信息提取土地利用分类信息提取,分类结果的精度评价使用基于混淆矩阵的Khat方法[24],将1.3节中构建的80个验证样本点对影像分割得到的最优分割结果基于验证样本赋值构建TTA Mask验证图斑,以像素为统计对象进行精度评价。

精度评价结果如图2所示,基于CART决策树的高分一号WFV遥感影像面向对象绿地提取,在2014—2019年共计6年间的总体分类精度均大于92%,2015年为最高值93.02%,2019年为最低值90.92%,精度较高且稳定性较好;Kappa系数均大于0.8,一致性检验的结果为完全一致,分类可信度较高,其中2015年最高为0.903 8,2019年最低为0.880 3。绿地提取的用户精度和制图精度均达到89%,该分类方法在城市绿地的提取上取得了较好的结果。

图2 常德城区2014—2019年绿地分类精度评价Fig.2 Evaluation of green space classification accuracy in Changde urban area from 2014 to 2019

3.2 城市绿地变化监测分析

在2014—2019年期间,绿地面积变化如图3所示,绿地分布变化如图4所示。近6年常德城区城市绿地面积变化呈总体上升趋势。

图3 常德城区2014—2019年城市绿地面积逐年变化图Fig.3 Annual change of green space in Changde urban area from 2014 to 2019

图4 常德城区2014—2019年城市绿地分布变化Fig.4 Green space distribution changes in Changde urban area from 2014 to 2019

6年来新增绿地22.880 0 km2,减少绿地5.103 8 km2,总绿地面积从2014年的149.010 2 km2上升至2019年的166.786 4 km2,净增加17.776 2 km2,净增加面积占2014年绿地面积的11.93%。绿地面积占城区面积的比例从2014年的36.13%上升至2019年的40.44%,6年间常德城区绿地面积增加明显,绿地的分布较之前更加广泛。

2014—2019年,常德进行了气候适应型城市、海绵城市和国家园林城市等多个项目的大力建设,分析研究区整体的土地利用的变化规律得出,城镇和绿地面积有明显增加,水体面积变化较小,耕地面积有明显减小。

基于影像解译结果得到的地类变化情况,参考《常德市城市总体规划(2009—2030)》内容,2014—2019年常德城区的可能的绿地分布变化原因如下。

(1)以柳叶湖以西区域为例,中心城区的发展造成城市建成区面积的显著增长,柳叶湖东岸从2014年的零星开发到2019年的大量建设,在城市发展过程中城市绿地逐渐减少。

(2)以德山大桥以南区域为例,城市建设的过程中扩展、建设了广场、公园等广场绿地设施,同时进行了河道滩涂维护、沿岸公园的开发保护,主城区公园绿地有明显增长。

(3)以柳叶湖以北区域为例,常德的区域开发和产业发展推动了园圃、果树和林木种植面积的扩大,以及不适宜耕种地区的退耕还林的实施,附属绿地和区域绿地的面积增长。

4 结论

以常德城区为研究对象,对该区域6年期间的高分系列WFV多光谱影像数据使用面向对象的CART决策树机器学习分类算法;分割阶段使用最大面积法、均值方差法和控制单一变量法进行多次重复分割实验获取了最优分割参数,使用改进的FNEA算法获取最优分割结果。

(1)对象特征的构建阶段选用了植被指数等自定义特征、光谱特征、范围特征、形状特征与位置特征,创新地引入了6项纹理特征,验证该方法在复杂情况下城市绿地提取研究中的准确分类效果。结果表明,该研究方法在城市绿地提取工作中取得了较高的分类精度。五年间的总体分类精度均大于90%,Kappa系数均大于0.8,一致性检验为完全一致,绿地提取的用户精度和制图精度均大于89%,分类精度高可信度好。

(2)绿地变化监测结果表明,常德城区在2014—2019年城市绿地面积明显增加,2019年绿地分布较2014年更为广泛。6年来总绿地面积净增加17.776 2 km2,增长率11.93%。常德市高度重视城市绿地建设,在绿地建设方面取得了明显成效,提高了气候适应型城市生态绿化水平的防灾减灾能力。

(3)国产高分数据的应用拥有广阔前景,实验受限于高分系列WFV数据的16 m分辨率,未对城市绿地二级地类进行细分,未来可考虑使用更高空间分辨率的影像数据结合深度学习方法进一步完善分类类别,提供更加精细的城市绿地变化监测信息。

展开全文▼

猜你喜欢

城市绿地常德决策树
基于长时序Landsat数据的城市绿地定量遥感监测研究
《扶琴》
银色的常德
基于LID的不同类型城市绿地特征分析及措施设计
房子就是拿来住的
《清溪雅集》
国外城市绿地生态系统文化服务研究进展
决策树和随机森林方法在管理决策中的应用
决策树学习的剪枝方法
决策树多元分类模型预测森林植被覆盖