基于多源遥感的聊城市绿地空间特征研究

2021-03-05于泉洲张贵民杜忠元李彩虹张保华

山东林业科技 2021年1期

姜杰，于泉洲*，张贵民，杜忠元，李彩虹,4，张保华

（1.聊城大学环境与规划学院，山东聊城252059；2.聊城市田庄苗圃，山东聊城252000；3.聊城市自然资源和规划局，山东聊城252000；4.中国地质大学（北京）地球科学与资源学院，北京100083）

城市绿地，作为城市生态平衡的调节器，是反映城市宜居性的重要指标，近年来已上升为城市基础设施建设的重点内容。城市绿地主要是指以自然绿地和人工绿地为主的城市用地，包含两个方面：一是城市规划建设区域内的绿化用地；二是在城市建设区域之外，有利于城市的生态环境、景观和居民生活的绿化用地[1]。它不仅具有不可替代的生态和环境效益，而且具有一定的经济效益[2,3]。在城市的空气中，含有大量的烟灰和粉尘，会降低太阳辐射强度及削弱紫外线，不利于人体健康。城市绿地对灰尘等污染物具有过滤和吸附作用，植物的根系能吸收有害物质从而净化土壤。城市绿地的空间特征是城市规划和管理的基本信息。因此，准确高效地提取城市绿地空间特征，对于提高居民的生活质量、规划建设宜居城市具有重要意义。

传统的城市绿地调查主要靠基层单位的实地抽样考察，不仅费时、费力，采集的结果由于受人为因素干扰，误差也较大，准确性较低。随着卫星遥感技术的普及，越来越多的遥感数据被用于城市绿地的调查[4,5]。如郭程轩等[6]基于Landsat TM 影像的分析，准确描述了城市绿地生态格局的宏观和微观特征；王飞红[7]基于Landsat TM 遥感数据，采用决策树法、混合像元分解法两种方法提取出太原市的绿地信息，并将其进行分类，分为草地、针叶林绿地和阔叶绿地。当前，欧洲空间局Sentinel-2 数据的出现，为城市绿地的提取提供了新的数据源，战胜等[8]对比Sentinel-2 和Landsat-8 OLI 数据，发现Sentinel-2 数据能更好地提取城市绿地分布状况。钟华瀚等[9]基于Sentinel-2 和Landsat 数据分析了南京市各城区的绿化差异。基于遥感像元的方法提取的城市绿地特征存在椒盐现象，准确率较低，而面向对象的方法可以避免这些缺点。

因此，本文以聊城市东昌府区城区为研究对象，选取时间匹配的Sentinel-2 和Landsat-8 数据，采用ENVI、SNAP、Sen2Cor 等遥感平台，基于面向对象的图像分类技术，提取了聊城市城区绿地，并分析两种遥感数据在提取城市绿地中的差异，最后选用较优的分类结果分析评价了聊城市的城市绿地特征，以期为聊城城市绿地建设规划和管理提供科学依据，提高城市的宜居性。

1 研究区概况与数据源

1.1 研究区概况

聊城市位于山东省西部平原区，属温带大陆性季风气候，具有良好的绿化条件。聊城是国家历史文化名城，京杭大运河和黄河在此交汇，有“江北水城”之美誉。其交通优势明显，拥有完善的基础设施，资源丰富，为绿地建设提供了先天条件。2019年，聊城市被认定为山东省新型智慧城市建设试点城市，自身经济不断发展的同时，也在辐射和带动整个鲁西地区的经济发展。近年来，聊城市的城市发展和绿地建设也备受关注[10,11]。本文的研究区定为聊城市东昌府区外环路以内，包含了聊城主城区，地理范围大致在115°14″—116°06″E、36°16—36°42″N 之间（图1）。

图1 研究区真彩色遥感数据影像图Figure 1 True color image of remote sensing data of the study area

1.2 数据源

Sentinel-2 数据由2019年6月14日及2019年7月2日的两景相邻影像拼接而成，该影像的显著特点是具有高分辨率的较为丰富的绿地信息，地物清晰可见，乔木、灌丛和草地的特征较明显。Landsat-8 影像数据成像时间为2019年6月14日。选取数据的研究区云量少，大气透明度良好。在数据获取之后，利用Sen2Cor 遥感平台及ENVI 遥感平台的FLAASH 模型进行大气校正，得到地表反射率。

2 绿地空间特征提取

2.1 面向对象的信息提取

遥感影像中地物的分类不仅体现在颜色上，还体现在地物的形状、纹理等特征上。当目标地物的光谱特征相似时，会有光谱相互影响的现象，这对传统的分类方法提出了一种挑战，而纹理特征在目标的识别过程中可以起到积极的作用，即面向对象的信息提取方法。面向对象的图像分类技术将遥感图像判读从传统的人工判读中解放出来，实现了高质量、高可靠性的自动信息获取过程[12]。本文采用基于样本的面向对象分类方法，充分利用了高分辨率的多光谱数据的形状、纹理等特征进行信息提取，有利于避免同物异谱和同谱异物的现象以及消除椒盐噪声现象，得到高精度的分类结果。主要分为两个部分：发现对象和特征提取。

2.2 影像分割与合并

面向对象分类的重要参数之一为影像分割尺度，它将会对影像对象的大小和数量以及最终的分类精度产生直接影响[13]。本文采用多尺度的分割方法，找到最佳的分割尺度，使分割后的影像破碎和模糊程度适中。通过在多个分割尺度上反复尝试，得出Sentinel-2 数据对不同地物的表现更清晰且形变较分类前的实际地物范围小，在分割尺度下，Landsat-8 影像区域相对模糊，与分类前的实际地物范围相比有一定变化。在此基础上，考虑到需对两幅影像进行对比，因此将最佳分割尺度均设置为40。在图像分割中，由于阈值较低，一些特征可能会被错误分类，一个特征可能被分成多个部分。因此通过合并来解决这些问题，本文设置的阈值为60。

2.3 遥感影像分类

与传统的遥感影像监督分类方法不同的是，面向对象分类方法速度快、精度高，对于分辨率高的遥感影像分类是最佳选择。混合像元在影像分类中是一种普遍存在的现象，利用支持向量机(Support Vector Machine,SVM) 分类器可以有效改善这种现象。SVM 是一种新的机器学习方法，在传统的监督分类中也可使用这种方法，具有可靠的理论基础和良好的试验性能，近年来在遥感图像分类研究中得到了广泛应用[14]。研究表明，在小样本等情况的识别及学习规律问题时，支持向量机算法具有独特优势[8]。因此，本文选取SVM 分类器进行提取分析，图2为影像分割效果图。本研究将城市地类分为林草地、道路绿地、耕地、水体和非绿地，其中林草地多为城市公园和校园绿地。

图2 遥感影像分割后矢量结果图（局部）Figure 2 Partial vector result map of remote sensing image segmentation

3 结果与分析

3.1 分类结果

由分类结果(图3)可知，两种遥感影像的分类结果在空间格局上基本一致，聊城市绿地空间格局整体呈现：林草地主要分布在城区的东南部，以聊城大学、九州洼湿地公园、凤凰苑公园、东昌湖环湖公园和徒骇河沿河公园最为集中；道路绿地主要分布于城区各大主干道两侧；耕地则多分布于城市西南部。差异方面，在西南部，由于两幅影像的成像时间及云层干扰等原因，导致Sentinel-2 数据把少量耕地误分为水体。另外，在中部两种遥感数据分类效果也有不同。通过Google Earth 和实地调查验证，Sentinel-2 数据整体分类结果与聊城市城区绿地实际分布状况一致，能够较准确地提取道路绿地的线性特征，可区分出道路与其两侧的绿地。而Landsat-8将一些道路绿地误分为非绿地，存在较大的误分类问题，因此可以判断在此区域Sentinel-2 的分类效果要优于Landsat-8。

图3 遥感影像分类结果图Figure 3 Remote sensing image classification results

3.2 分类精度评价

利用ENVI 计算混淆矩阵进行验证,由5 种分类地物精度评价和Kappa 系数的计算结果(表1)可以看出，面向对象分类方法下Sentinel-2 影像数据分类的总精度达到96.48%，Kappa 系数为0.94，整体的分类效果较好。其中，道路绿地分类精度最低，制图精度为85.05%，水体分类精度最高，制图精度为100%，用户精度为99.98%；Landsat-8 影像分类的总精度为90.58%，Kappa 系数为0.87，分类效果较Sentinel-2 数据欠佳，有错分、漏分等问题的存在。其中道路绿地的制图精度仅为58.69%，用户精度为70.22%。相较于Sentinel-2 影像，Landsat-8 影像对于道路绿地的分类不敏感，精度较低，但对于水体、耕地的分类精度则较高。这可能是因为水体和耕地具有清晰的纹理特征，而面向对象技术可以根据纹理特征很好地区分地物，但是道路绿地纹理不清晰，容易与其他地物混淆[15]。

表1 两种数据源分类精度结果Table 1 Classification accuracy results of two data sources

总之，这两种数据的分类结果在视觉上克服了传统的现象方法无法克服的 “椒盐” 噪声的缺点；Sentinel-2 数据具有更高的数据精度，城市绿地提取效果更好。

3.3 聊城市城区绿地空间特征

结合景观生态学的分析方法，选取景观多样性指标、景观聚散性指标、密度大小及差异性指数、邻近度指数等4 类评价因子，共7 个评价指数：Shannon 多样性（SHDI）、Shannon 均匀度（SHEI）、景观聚集指数（AI）、景观凝聚度指数（COHESION）、欧式最邻近距离分布（ENN_MN）、斑块密度（PD）及斑块数量（NP）等，指数含义可见文献[16]。利用Fragstats4.2软件，计算分析聊城市城区绿地的空间特征。

3.3.1 面积特征

根据Sentinel-2 的分类结果，聊城市城区（外环路以内区域）总面积约为198.15 km2，其中城市绿地面积约为125.30 km2，占研究区总面积的63.23%。若去除耕地，城市绿地面积约为81.08 km2，占城市总面积的40.92%。由表2可看出，城市绿地中的林草地占比较大，面积大约为42.54 km2，占城市总面积的21.47%，占城市绿地总面积（不含耕地）的52.47%。道路绿地面积大约为38.54 km2，占城市总面积的19.45%，占城市绿地总面积（不含耕地）的47.53%。经过在Google Earth 和实地验证，基于Landsat-8 影像的分类对面积狭窄的区域不敏感，如道路绿地及草地，分类结果与Sentinel-2 数据有较大差异，精度较低导致其相对误差较大。

3.3.2 绿地景观空间特征

由Landsat-8 和Sentinel-2 影像分类结果计算出以下7 个指数(见表3)。结果表明，两种遥感数据源对个别指数的计算结果在数量大小方面有所不同，尤其是欧式最邻近距离分布、斑块密度大小及差异性指数等方面数值差异较大。

以Sentinel-2 影像计算的城市景观指数结果为例，聊城市的城市绿地景观分布相对集中，景观间的连通性较强，景观的破碎化程度较低，且景观均匀性和多样性均不低，绿地分布特征比较合理。

具体而言，景观聚散性指数AI 及凝聚度指数COHESION 表明，整个研究区绿地景观分布较集中，连通性较强;景观多样性指数SHDI 及SHEI 显示，城市绿地类型布局相对较均衡，景观多样性较高;密度大小及差异性指数PD 及NP 显示出绿地总体景观破碎程度适中，由于两种遥感数据影像分辨率的差异导致Sentinel-2 影像所计算的NP 及PD普遍高于Landsat-8 影像的计算值;欧式最邻近距离分布ENN_MN 表明聊城市城区绿地景观最邻近距离适中，说明景观破碎程度适中。

4 聊城市城区绿地建设的建议

聊城市城市绿地分布特征较合理，城区的绿地覆盖率相对较高约为40.9%，但如果以市区常住人口100 万人计算，人均城市绿地面积只有8.1 m2/人，相比2018年济南市人均公园绿地面积12.7 m2，还有待提高。而且聊城市公园林草地占比还较少，分布比较集中，可服务的区域较小。因此，相关部门在制定新的规划时应全面规划城市的绿化建设，特别是中心城区的绿化面积较低的区域，不利于提高居民的生活质量，绿化建设应加强。由于空间有限，大型的绿地规划建设不易开展，因此可以将公园林草地作为“点”，以道路交通绿地为“线”，以居民区绿地为“面”，构建城市绿地“网”，相应加强城市中心区的生态廊道和小面积的道路交通绿地建设。这样不仅可以灵活地补充城市绿地景观的不足，还可以改善城市环境质量和提高城市景观的视觉功能，建成有序完整的城市绿地体系，美化城市环境[17]。此外，公园绿地的规划应统筹考虑城区人口分布，合理布局，避免过度集中。

绿地物种组成方面，应增加植物种类，使乔木、灌丛、草地高效有机结合，提高人工生态系统功能性。根据不同物种的功能采取不同的配置形式，如在面积较大的区域增大乔木的数量，形成树林；在工业区或居民区可引入抗风、防尘效果较好的垂柳，使绿地更好地发挥各项功能。在绿化建设过程中，可以适当引入耐活力强、观赏价值高的常绿树种，既可以营造四季常青的植物景观，减少落叶阔叶类植物的季节性限制，又可以增加绿地面积，改善城市的生态环境和城市宜居性，提高城市生态环境的自我调节能力。