（摄影测量与遥感专业论文）基于高分辨率卫星影像的城市植被信息提取与分析研究.pdf

摘要 城市植被是城市生态系统的重要组成部分，是自然和人文多种因素影响的结果。 城市绿化水平被视为维系城市可持续发展的重要因素，为了实现可持续发展这一目 标，应综合多个学科的理论，努力探索有限的城市空间应有的绿地总量的合理规模、 植被类型的结构、布置形式以及绿化与城市功能、形态布局的耦合等问题。 近年来，随着遥感技术的发展，高分辨率卫星影像得到了广泛重视。开展高分辨 率卫星遥感城市应用研究具有显著的先进性、可行性、优越。性、实用性，是城市决策 与管理信息化、现代化、科学化的有力支持，也是城市可持续发展的重要技术支撑。 应用高分辨率卫星影像信息提取方法，掌握城市植被类型、分布及其结构，可以为城 市绿地系统规划、优化植物群落结构、改善城市环境质量提供依据，对于未来城市的 建设与发展具有十分重要的意义。 本文以南京市玄武区为例，应用高分辨率i k o n o s 影像，构建了基于k p c a ( 核 主成分分析) 的s a m ( 光谱角度制图) 城市植被分类模型进行城市植被遥感分类，并 初步建立了基于高分辨率卫星影像的城市绿量遥感估测模型，旨在提高城市植被分类 的精度，探索城市“绿量”研究的新思路，为更准确地对城市植被进行评价与分析、 估算城市植被的生态效益、进行城市绿地规划提供科学的依据，为南京市“生态园林 城市”的创建提供参考。本文主要研究内容与研究成果如下： 1 高分辨率卫星影像阴影的提取与校正是一个难题，本文根据实际需要，采取不同的 方法对建筑物阴影和山体阴影分别进行提取，并采用不同的校正方法进行校正。对 城区建筑物阴影，本文采用基于影像融合的i k o n o s 影像阴影自动提取方法对阴 影进行提取后，采用郎伯模型进行校正；对山体阴影，直接采用监督分类的方法对 山体阴影进行提取后，采用灰度线性匹配的方法进行校正。实验表明，分开提取与 校正的策略能取得较为理想的效果。 2 在探讨城市植被的遥感自动分类算法上，本文把基于k p c a 的s a m 分类方法用于 高分辨率遥感影像城市植被分类中，探讨了k p c a 变换中核函数、核函数参数的 选取以及不同的训练样本数目对城市植被分类精度的影响，建立了基于k p c a 的 s a m 城市植被分类模型，并进行了分类实验，分类总精度达到了8 0 6 ，分类效 果良好。考察一级土地利用类型，林地分类精度达到了9 5 2 ，分类总精度达 9 17 ，分类结果理想。结果表明，该方法可以获得更准确的各类城市植被数据， 为城市绿地生态评价分析与绿地系统建设提供更好的基础性数据。 3利用遥感技术对城市绿地进行全面监测不仅包括平面上的城市植被覆盖信息的提 取，还包括空间上的城市“绿量”的计算、监测与预报。本文在植被指数分析的基 础上，引入空间纹理因子，采用逐步回归和神经网络两种方法，初步建立了基于高 分辨率卫星影像的城市绿量遥感估测模型，这为城市绿量信息提取探索了新的思 路，具有一定的借鉴意义。实验结果表明，以遥感信息作为植被绿量估算的基础， 方法是有效的。从精度上来看，神经网络模型的估测精度比逐步圈归模型高，效果 更好。 4 在遥感和g i s 支持下，运用景观生态学原理，结合多种绿地评价指标对玄武区植 被进行生态评价和景观分析，为分析玄武区绿化现状、探讨玄武区生态园林城区建 设提出合理化建议。 关键词：高分辨率遥感；城市植被；阴影校正：核主成分分析；s a m 分类；绿量遥感 估测模型；生态景观分析 a b s t r a c t c i t yv e g e t a t i o ni sa l li m p o r t a n c ep a r to ft h ec i t ye c o s y s t e r nw h i c hi st h eo u t c o m co f v a r i o u sf a c t o r sc o m i n gf r o mr l a t u r ea n dh m n a nb e i n g st h e1 e v e lo fn r b a ng r e e n e r yi s r e g a r d e da sa ni m p o r t a n tf a c t o ro ft h ec i t y ss u s t a i n a b l ed e v e l o p m e n t t or e a l i z et h et a r g e o f t h ec i t y ss u s t a i n a b l ed e v e l o p m e n t w es h o u l ds y n t h e s i z et h et h e o r i e so fs e v e r e ls u b j e c t st o i n v e s t i g a t et h ep r o b l e m ss u c ha st h er e a s o n a b l es c a l eo ft h eg r o s sg r e e n l a n d ，t h ec o n s t r u c t i o n o ft h eu r b a nv e g e t a t i o nt y p e ，t h ed i s t r i b u t ef o r ma n dh o wt or e a l i z et h ec o u p l i n go fg r e e na n d t h ec i t y sf u n c t i o na n dc o n f o r m a t i o ni nt h e1 i m i t e dc i t ys l ：) a g e i nr e c e n ty e a r s ，h i g hr e s o l u t i o ns a t e l l i t ei m a g eg e te x t e n s i v ev a l u i n gn o n gw i t ht h e d e v e l o p m e n to ft h er o m p t es e n s i n gt e c t m o l o g y c a r r y i n go u t t h er e s e a r c ho ft 1 1 ec i t y a p p l i c a t i o i lo ft h ev c r yh i g h r e s o l u t i o ns a t e l l i t ei m a g eh a sp o s s i b i l i t y , s u p e r i o r i t ya n d p r a c t i c a b i l i t y w h i c hi sas t r o n g s u p p o r to ft h ei n f o r m a t i o n i z a t i o n m o d e r n i z a t i o na n d s i c i e n c e n i z a t i o no f t h ec i t y sd e c i s i o n m a k i n gm a dm a n a g e m e n t i ti sa l s oa ni m p o r t a n tb a s eo f t h ec i t y ss u s t a i n a b l ed e v e l o p m e n tg e t t i n gt h ei r l f o r m a t i o no ft h et y p e d i s t r i b u t i o na n d s t r u c t u r eo f u r b a r lv e g e t a t i o nb a s e do nt h ea p p l i c a t i o no f h i 吐r e s o l u t i o ns a t e l l i t ei m a g em i di t s i n f o r m a t i o ne x t r a c t i o nm e t h o d s ，c e i lo f 弛rab a s ef o r t h ep l a n n i n go fc i t yg r e e n l a n d ， o p t i m i z i n gt h ev e g e t a t i o ns t r u c t u r ea n di m p r o v i n gc i t ye n v i r o n m e n tq u a n t i t y , w h i c hi sv e r y s i g n i f i c a n tf o rt h ed e v e l o p m e n to ff u t u r ec i t y a p p l y i n 2h i 曲r e s o l u t i o ni k o n o si m a g e ，t h i sp a ：p e rm a d oac a s es t u d yi nx u a n w u d i s t r i c t n a n j i n gc i t yb yi n t r o d u c i n gk p c as a mc l a s s i f i c a t i o nm e t h o di ne x t r a c t i n gu r b a n v e g e t a t i o ni n f o r m a t i o na n de l e m e n t a r ye s t a b l i s h i n gt h er e m o t es e n s i n ge s t i n 1 a t i o nm o d e l a b o u tu r b a n “g r e e nq u a n t i t y t h ea i mi si n c r e a s i n gt h ea c c u r a c yo fu r b a nv e g e t a t i o i l c l a s s i f i c a t i o na n dc a r i n go u tn e wi d e ao fc i t y “g r e e nq u a n t i t ，i n v e s t i g a t i o n w h i c hi sh o p i n g t op r o v i d i n gs c i e n t i f i cb a s i sf o re s t i n a a t i n gt h eb e n e f i to fu r b a ne c o s y s t e m r e f l e c t i n gt l l e v a r i a t i o no fc i t ye c o s y s t e ma n do f f e r i n gr e f e r e n c ef o rt h eb u i l d i n go f ”e c o s y s t e mg a r d e n c i w i 1 1n a n j h a g t h em a i nc o n t e n t sa n dr e s e a r c ha c h i e v e m e n t sa r ea sf o l l o w i n g ： 1 ，t h ee x t r a c t i o na n dr e c t i f i c a t i o no fs h a d o wi sab i gp r o b l e mi nt h ep r o p r o c e s s i n go fh i 2 h r e s o l u t i o ns a t e l l i t ei m a g e ，t h i sp a d e ra d o p t sd i f f e r e n tm e t h o dt oe x t r a c ta n dr e c t i f y m o u n t a i ns h a d o wa n db u i l d i n gs h a d o w f o rt h eb u i l d i n gs h a d o wi nd o w n t o w na r e a ， a d a p t i n gt h es h a d o wa u t o r n a t e de x t r a c t i o nm e t h o do fi k o n o sh n a g e sb a s e do ni m a g e f u s i o nt oe x t r a c ta n dt h el a m b e rm o d e lt or e c t i f y ：f o rt h em o u n t a i ns h a d o w ，d i r e c t l y a d a p t i n gs u p e r v i s e dc l a s s i f i c a t i o nm e t h o dt oe x 订a c ta n dh i s t o g r a mm a t c h i n gm e t h o dt o r e c t i f v t h ee x p e r i m e n ts h o w st h es t r a t e g yc a no b t a i na ni d e c lr e s u l tb ya d a p t i n gt h e s t r a t e g yo fs e p a r a t e l ye x t r a c t i o na n dr e c t i f i c a t i o n 2 i n t r o d u c i n gk p c as a mc l a s s i f i c a t i o nm e t h o di ne x t r a c t i n gu r b a nv e g e t a t i o ni n f o n n a t i o n f r o mh i g hr e s o l u t i o ni m a g e t h es o l e c t i o no fk e r n e l f m a c t i o n ，i n c l u d i n gt h es e l e c t i o no f t h ef u n c f i o n sp a r a m e t e ra n dt h es u i t a b l en u m b e ro ft r a i n i n gs a m p l e si nt h ek p c a 订a l a s f o h nl n e t h o di sd i s c u s s e d ak p c as a mu r b a nv e g e t a t i o nb l a s s i f i c a t i o nm e t h o di s e s t a b l i s h e da n de x p e r i m e n t ss h o w sag o o dr e s u l tw i t hg r o s sa c c u r a c yo f8 0 6 i n v o l v i n g a l lt y p e sa n d9 1 7 c o n s i d e r i n gf i r s tc l a s st v d e sw h i c hs h o wt h a tt h i sm e t h o dc a r la c q u i r e m o r ea c c u r a t e d a t ao fu r b a uv e g e t a t i o nm a do f f e rb e t t e rf o u n d a t i o nd a t af o rm - b a nb u i l d i n g 3 e l e m e n t a r ye s t a b l i s h i n gt h er e m o t es e n s i n ge s t i m a t i o nm o d e la b o u tu r b a n “g r e e n q u a n t i t y a d a p t i n gm e t h o d so f s t e pr e g r e s sa n dn c u r e in e t w o r kb a s e do l lt h ea 1 1 a 】y s i so f v e g e t a t i o ni n d i c e sm i dt e x t u r e ，w h i c hc a n i e so u tn e wi d e ao fc i t y “g r e e nq u a n t i t y ” i n v e s t i g a t i o nm a dr e v e a l ss o i t i em e m t i n gf o rr e f e n i n g e x p e r i m e n ts h o w st h a tr e m o t e s e l l s i n gi n f o r m a t i o nc a r lb eu s e df o ra st h ef o m a d a t i o no fe s t i m a t i o no fu r b a n “g r e e n i 】 q u a l i t y a n dt h em e t h o di se f f e c t i v e a sf a ra st h ea c c u r a c yi sc o n c e r n e d t h en e u r a l n e t w c i r km o d e li sh i g h e rt h a n 廿1 es t r e g r e s sm o d e la n dt h ef 0 1 t i l e ri sb e t t e r 4 e c o l o g i c a le v a l u a t i o na n dl a n d s c a p ea n a l y s i si sm a d eu s i n gl a n d s c a p ee c o l o g yt h e o r y a n dv a r i o u sv e g e t a t i o ne v a l u a t i o ni n d e x e sb yt h e a i do fr sa n dg i s s o m er a t i o n a l s u g g e s t i o n sa r ea l s op u tf o r w a r df o ra n a l y z i n gt h ea c t u a l i t ya n db u i l d i n ge c o s y s t e m g a r d e nd i s t r i c ti nx u a n w ud i s t r i c t k e y w o r d s ：h i 曲r e s o l u t i o nr e m o t es e n s i n g ；u r b a nv e g e t a t i o n ；s h a d o wr e c t i f i c a t i o n ； k e m a lp r i n c i p a la n a l y s i s ；s p e c t r ma n g l em a p p i n gc l a s s i f i c a t i o n ；“g r e e nq u a n t i t y r e m o t e s e n s i n ge s t i m a t i o n ；l a n d s c a p ee c o l o g ya n a l y s i s v 第一章绪 宅 第一章绪论 城市植被是城市生态系统的重要组成部分，是自然和人文多种因素影响的结果， 城市绿化水平被视为维系城市可持续发展的重要因素【l 。2 】。近年来，随着社会经济的快 速发展，城市化进程进一步加快，谋求城市与环境协调发展已成为城市发展的方向。 在城市建设的整体格局上，开始从城市局部的环境绿化、美化，发展到整体的山水城 市、绿色家园、园林城市和生态城市的建设，城市的可持续发展已经被提到了很重要 的位置。为了实现城市可持续发展这一目标，应综合多卜学科的理论，努力探索有限 的城市空间应有的绿地总量的合理规模、植被类型的结构、布置形式以及绿化与城市 功能、形态布局如何实现耦台等问题”。j 。应用高分辨率卫星影像及其信息提取方法， 研究城市植被类型、分布及结构，在遥感和g i s 的支持下对城市植被进行提取、管 理、分析和评价，可以为更准确地刘城市植被进行评价与分析提供科学的依据为城市 绿地系统规划、优化植物群落结构、改善城市环境质量提供依据，从而为生态城市的 建设提供有力的基础数据和决策支持，有着十分重要的理论与现实意义。 1 1 研究现状 1 1 1 城市植被的遥感调查现状 城市植被是城市生态环境的重要组成部分，与人们的闩常生活息息相关。及时准 确地掌握其空间分布、结构与动态变化，分析其现状与发展趋势，对于维护区域生态 平衡有着重要作用。在目前的城市植被调查中主要有人工调查和基于遥感的城市植被 调查两种方式，人工调查因城市植被的调查范围广，费时费力速度慢，不能及时、动 态地更新研究成果，适时为城市规划提供城市绿地的实际情况，跟不上现代城市的发 展速度。遥感技术则因其实时性、多时相性、多波段性和空间分析能力等特点，可以 及时准确地对城市植被动态变化进行监测( 李本纲等，2 0 0 0 ；肖胜，1 9 9 8 ) ，相对于 传统的地面观测，有速度快、收效大、效率高的优势，并且有利于实现信息管理的自 动化( 丁建丽等，2 0 0 2 ) ，因而基于遥感的城市植被调查将逐渐成为城市植被调查的 主要手段f 6 _ g 遥感包括航空遥感和航天遥感。我国许多城市包括上海、北京、天滓、太原、广 州等都开展了遥感综合和专项应用研究，取得了良好的社会、经济和生态环境效益 ( 李嘉乐等，1 9 8 6 ；何志浩等，1 9 8 8 ；陈世杰，1 9 9 0 ；高峻等，2 0 0 1 ) 。己经开展的 工作较多的是以航空遥感为主。如上海市提出每隔3 5 年组织一次航空遥感综合调查 研究，并且先后在1 9 8 8 年、t 9 9 4 年进行了两轮城市航空遥感绿化调查。但航空遥感飞 行投资大、耗时长，极大地限制了其应用。随着卫星遥感技术在空间分辨率、时间分 辨率、光谱分辨率土的不断提高，已经成为城市遥感应用的新的技术平台，并在有关 城市的遥感应用实践中得到了重视和应用。如车生泉等利用t m 数据和s p o t 数据对 上海外环线内城市绿地景观进行了分类研究p j 。北京市利用t m 多光谱数据与s p o t 全 色数据的融合图像在很短时间内就查明了绿化隔离带内的建设用地、耕地、林地等面 积，节省了大量的人力、物力。石雪冬等利用t m 数据和s p o t 数据获取绿地现状信 息，对广州市绿地系统现状情况进行调查，将绿地信息分类，形成不同的绿地信息专 题，在此基础上形成绿地分布图。 第一章绪论 上述研究由于遥感影像本身的空间分辨率比较低，致使其应用受到限制。二十世 纪九十年代以来，高分辨率传感器技术有了长足的发展，空问分辨率已达到0 6 1 m 。高 分辨率遥感影像的分析处理，尤其是遥感信息的定量化处理，是遥感领域当前面临的 重要研究方向之一。遥感信息定量化处理，可以在现有遥感数据的基础上，获取位置 更精确、地物识别率更高的信息，从而扩大遥感信息的应用深度和广度，有效地提高 数据的使用率。因此高分辨率卫星影像数据处理越来越受到人们的高度重视，成为当 前遥感信息处理研究的一个学术前沿。高分辨率卫星影像所提取的专题信息将会是2 1 世纪城市空间地理信息的主要数据来源，各个专业领域都尝试着使用该影像数据来获 取自己所需要的信息。当前我国城市的发展越来越注重生态效应，城市绿化状况倍受 关注，城市绿化是城市规划的重要内容之一，采用高分辨率遥感数据自动提取方法， 可以快速准确地获得城市绿地信息。 1 9 9 9 年，美国空间成像公司( s p a c ei m a g i n g ) 成功发射i k o n o s - 2 高分辨率卫星， 提供1 m 分辨率的全色波段数据和4 m 分辨率的多光谱数据。1 米的i k o n o s 卫星图像的 出现引起了各国科技界的重视，该图像数据能够清晰地分辨出地面的细节特征，可以 说它把卫星遥感技术应用推向更深更广的层面。自问世以来，i k o n o s 影像已广泛应用 于环境现状调查、区域规划、工程建设、灾害评估及制作各种专题图，在中国部分地 区也进行了应用试验，并且对其影像数据的特点及其处理分析方法也进行了一些专题 研究 1 “17 1 。但基于高分辨率i k o n o s 影像对城市植被进行调查的报导却不多见，本文 将高分辨率o n o s 影像用于城市植被的信息提取。 1 1 2 城市植被的遥感分类算法研究现状 相对于高分辨率遥感影像的飞速发展，高分辨率遥感影像的自动分类算法发展相 对迟缓。在目前的城市植被遥感分类当中目视解译或者计算机辅助目视解译仍然是主 要的技术手段，这种分类方法工作量大，自动化程度低，效率低，更新速度慢，跟不 上城市的快速发展l l “。 传统的遥感自动识别和分类技术是随着计算机技术和遥感图像处理技术的不断发 展而成熟的。目前在基于遥感的自动分类应用中有基于传统统计参数型分类方法和基 于学习的非参数型分类方法两种类型，用得较多的的是传统的基于统计的模式识别分 类方法，诸如最小距离法、平行六面体法、最大似然法、混合距离法( i s o m i x ) 、循 环集群法( i s o d a t a ) 等监督非监督分类法，这些属于参数型分类方法。其分类方法 是根据遥感数据的统计值特征与训练样本数据之间的统计关系来进行地物分类的，结 果由于遥感影像本身的空间分辨率以及“同物异谱”、“异物同谱”现象的存在，而 往往出现较多的错分、漏分情况，导致分类精度不高。 随着遥感影像分辨率越来越高，加上各种新理论新方法的相继涌现，对传统计算 机分类算法提出了新的要求。为此人们不断研究和尝试新方法，以图改善。近年来在 应用人工智能的方法进行研究的过程中，取得了一定的进展 2 5 - 2 9 。基于光谱特征空间 分布的非参数型计算机分类方法已逐步成熟，如人工神经网络分类法( a n n c ) 和决 策树分类法( d t c ) 是近十年发展起来的具有人工智能的分类方法，均属于非参数 型。在不知各类型的先验性分布知识及其概率的情况下，其分类效果要较最大似然法 理想。 上世纪9 0 年代中期，对于有限样本下的机器学习理论研究逐渐成熟，形成了一个 比较完善的理论体系统计学习理论( s t a t i s t i c a ll e a r n i n gt h e o r y ，s l t ) 。统计学习 理论是建立在一套较坚实的理论基础之上的，为解决有限样本学习问题提供了一个统 一的框架【3 “3 1 】。在这一理论基础上发展了一种新的通用学习方法一一支持向量机 第一章绪论 ( s u p p o r tv e c t o rm a c h i n e 或s v m ) ，它已初步表现出很多优于已有方法的性能，我国 早在八十年代末就有学者注意到统计学习理论的基础成果，并取得了一些成果。在分 类问题上，s v m 方法的基本理论只考虑了二值分类这一最简单的方法，因而在多值分 类情况下，系统需要组合多个s v m 机进行分类，但是当类别较多时，学习速度受到影 响，且训练器的鲁棒性降低，容易产生分类的二义性【3 2 j 。 支持向量机的成功引起了人们对核函数方法的兴趣，通过利用核函数进行非线性 变换，将原始输入空间映射到一个高维特征空间，然后在特征空间中进行模式分类与 特征抽取成为一个研究热点1 3 ”j 。除支持向量机外又有若干基于核函数方法的算法被 提出来并获得了应用。m i k a 等利用核函数技术把f i s h e r 线性特征提取算法推广成为 个非线性f i s h e r 特征提取算法( f i s h e rd i s c r i m i n a t e f d ) 。阎辉等借鉴了最优超平面思 想和用核函数非线性映射构造支持向量机的思想，提出了基于最优超平面与支持向量 机思想的最大间隔聚类算法，并且借助非线性核函数将该方法推广到非线性情况。仿 真试验表明：该方法可以较好地解决很多非监督分类问题，得到的结果基本不受数据 分和形状的影响( 3 舢。 b s c h o l k o p f 提出了核空间主成份分析( k p c a ) 算法。k p c a 算法把数据通过非线 性变换映射到高维核空间，在核空间利用传统的p c a 技术进行特征提取。它是一种非 线性主成分分析方法，可以用于特征提取与信号重构，也可以在其主成分空间进行聚 类 3 8 4 5 1 。当前，k p c a 方法主要用于提取手写数字、脸谱等图像和雷达影像的非线性特 征，进彳亍目标识别和分类，到目前为止尚未有将k p c a 方法用于城市植被遥感信息的特 征提取的报导。考虑到城市植被覆盖具有结构类型复杂、树种多样、林相不齐及零星 分布的特点，采用常规线性特征提取与分类方案精度不高，而现有的非线性支持向量 机在处理多值分类情况下存在一定的弊端，本文引入k p c a 方法进行非线性变换映射 至高维空间，从而提取城市植被的非线性特征，然后在其特征空间进行分类，以期望 取得较佳的分类精度。此外，考虑到一些高光谱分类方法，如光谱角度制图( s a m ) 等方法也成功地引入到多光谱数据的分类研究中，并取得一定的成功m 6 4 2 】，本文将 k p c a 和s a m 的基本思想结合起来，构建基于k p c a 的s a m 城市植被分类模型，这 样既可以提取城市植被的非线性特征，又可避免s v m 在处理多类问题时的弊端，旨在 提高城市植被分类的精度，为更准确地对城市植被进行评价与分析提供科学的依据。 1 1 3 城市植被生态效应评价的发展 上世纪8 0 年代以来，随着“生态城市”概念的提出，人们对城市植被的生态效益 投入了更多的关注。多年以来，城市绿地的生态评价指标常常采用以下四项指标，即 人均绿地面积、人均公共绿地面积、城市绿化覆盖率和绿地率。这些都是从城市绿地 覆盖面积的角度来对城市绿地进行评价的，但既然是评价绿地空间的生态效益，仅仅 只有绿地覆盖面积不能满足确切评价城市绿地生态效益的要求，不同的绿地组成及分 布结构因其绿色量的差异，其生态效益大不一样。因此，城市植被的遥感调查除了在 平面对植被覆盖进行分类，了解植被分布结构外，也需要在二维绿地指标的基础上， 探索新的评价指标和研究方法。正是在这一背景下， “绿量”的概念应运而生。 关于“绿量”一词最早出现在8 0 年代，是作为一种绿化的指标，有的与城市绿地 率或绿化覆盖率等同，有的则是环境标志、生态标志或绿色标志。日本曾提出“绿的 量”这一概念，包括平面的绿地面积、面积率，以及立面在人的视野里绿叶所占的比 率，即“绿视率”。 进入上世纪9 0 年代，随着植物生态学、城市生态学和植物生理学的进一步发展， 人们更加注重发挥绿色植物的生态功能，追求更大的生态效益，并开始把这种生态功 第一章绪论 能进行量化，开始有人提出“绿色量”和“绿量”等说法，用以说明和衡量城市绿色 环境的数量及质量。9 0 年代后对绿地生态效益的评价开始注重定量化的研究驴3 ”j ，有 学者正式提出了“绿化三维量”的概念( 周坚华，1 9 9 8 ；刘立民和刘明，2 0 0 0 ) 。 “绿化三维量”又称“绿量”，指绿色植物茎叶所占据的空间体积，以单位m 3 来计 算。这一概念是从生态学的能量转换和植物茎叶的生理功能这一基本点出发的，可以 揭示叶面积指数与植物生态功能水平的相关性，进而说明绿地功能的生态效益。因为 研究表明，城市绿地有着净化空气、吸收尘埃、调节小气候、涵养水源等生态作用， 而在发挥这些作用的过程中，光合作用、呼吸作用、蒸腾作用等生理代谢大都是通过 叶片进行的，所以叶片的多少及其生长状况直接影响着绿地对城市环境的改善。故 而，从植物的茎叶出发，对城市绿地的生态功能进行评价是科学的。相对于平面量 ( 如绿化覆盖率) 而言，三维量指标可以更确切地反映植被构成的合理性及生态效益 水平，体现城市绿化的整体水平l s t ，它为生态园林研究提供了理论依据，使城市园林 绿化定量研究发生了质的飞跃( 黄晓和张国强，1 9 9 8 ；张浩和王祥荣，2 0 0 1 ) ，受到 许多业内有关人士的重视。 近年来，国内对城市区域“绿量”的定量研究主要集中在北京、上海等特大城 市，积累了一些经验口。”4 ”。陈自新等于1 9 9 8 年开始结合北京市园林绿化的实际情 况，对北京市典型的有代表性的乔、灌、草进行了系统研究，认为以叶面积为主要特 征的绿量是决定绿地生态效益大小的最具实质性的因素，他们对绿量的计算采用的是 叶面积的总量，通过大量实地测定建立了不同植株个体“绿量”的数学回归表达式； 以周坚华为代表的一些学者以上海城市整体范围为研究对象，采用“以平面量模拟立 体量”的方法，通过在彩红外航片上分树种逐株测算绿量的方法，对不同树神，通过 回归分析建立冠幅和冠高的相关方程，根据冠幅求出冠高，从而求得树木的树冠体 积，并建立了全国第一个城市绿量数据库( 周坚华，1 9 9 8 ) 。周坚华等还借助于绿色 植物的环境效益典型试验值，对城市绿化环境效益作了估算( 周坚华，2 0 0 1 ) 。 正是由于“绿量”指标的引入，可以为城市绿地规划及综合评价一个城市的绿化 程度提供一个科学的依据，为更准确的估算城市植被的生态效益、进行城市绿地规 划，更合理配置城市绿地系统提供有用的基础数据。但在“绿量”当前的调查方法 上，无论是北京市直接量算叶面积的方法，还是上海市逐株测量冠幅、以平面量模拟 立体量的方法，都存在工作量重、周期长、投资大的缺点，实施起来相当困难，因而 还需要探索“绿量”调查的新思路。 此外，景观生态学理论和方法逐渐应用到对城市绿化的研究中( 高峻等，2 0 0 0 ； 2 0 0 0 ；李贞等，2 0 0 0 ) ，为城市植被研究提供了新的研究思路和方法【6 0 。6 5 】。城市绿地 景观生态是当今景观生态学研究的热点之，主要集中在城市生态绿地的尺度( j o h n 1 9 9 8 ) 、城市绿地破碎化分析( 郑淑颖、管东生，2 0 0 0 ) 、城市绿色廊道研究( 宗跃 光，1 9 9 9 ) 、城市绿色网络( e d w a r d ，2 0 0 2 ) 及城市绿地景观格局的分析等( 周志翔 等，2 0 0 1 ) 。 应用景观生态学理论研究城市绿地空间格局的方法通常是先选用一定的评价指 标，如多样性指数( d i v e r s i t y ) 、优势度指数( d o m i n a n c e ) 、均匀度指数 ( e v e n n e s s ) 、联接度指数( p r o x i m i t y ) 、绿地廊道密度( l i n ec o r r i d o rd e n s i t y ) 等， 再以研究地点的遥感影像、地形图等为基本资料，提取各种绿地信息。在g i s 软件环 境中可以方便的计算出评价指标，从而进行相应的空间格局分析( r o b e r t ，1 9 9 7 ) 。如 l o u i s 等人则对城市绿地空间分布与家庭收入和居民密度的相关性进行了研究( l o u i s & e l i z a b e t h 2 0 0 0 ) ；祝宁等人提出了以绿色斑块一廊道体系为主的绿地系统分类方法， 第一章纯争 利用g i s 工具生成不同绿地率的绿地斑块专题图层，计算出相应的景观格局指数，从 一个新的角度对城市绿地景观格局体系作了分析( 祝宁等，2 0 0 2 ) ；周文佐等应用遥 感和g i s 技术对南京城市生态绿地格局进行了分析研究( 2 0 0 2 ) 。可以说，随着 “3 s ”技术的发展，景观生态学在城市绿地生态评价、分析与规划中必将得到更多的 应用。 1 2 研究目的与研究内容 2 0 0 4 年，国家建设部提出在全国开展“生态园林城市”创建活动，南京提出用2 - 3 年时间创建成国家首批“生态园林城市”，这对南京市城市植被研究提出了更高的要 求。 开展高分辨率卫星遥感城市应用研究具有显著的先进性、可行性、优越性、实用 性，是城市决策与管理信息化、现代化、科学化的有力支持，也是城市可持续发展的 重要技术支撑。采用高分辨率遥感数据，自动提取城区植被信息，可以很快地获得城 市植被信息，这在城市植被调查中是一个突破。但由于城市植被覆盖具有结构类型复 杂、树种多样、林相不齐以及零星分布的特点，再加上高分耕率遥感影像的地学解 译、分类算法的发展相对迟缓，制约着城市植被信息的自动提取。因而，研究地物自 动分类的方法，是城市植被信息提取中必须解决的问题。同时我们注意到，利用遥感 技术对城市绿地进行全面监测不仅包括宏观上的城市植被覆盖分布结构，还包括微观 上的城市“绿量”的计算、监测与预报，现有的“绿量”调查手段还存在一定的制 约，从技术的角度来看，基于高分辨率卫星影像的城市植被“绿量”信息提取的方法 还需要创新。 本文以南京市玄武区为例，应用高分辨率i k o n o s 影像，构建了基于k p c a 的 s a m 城市植被分类模型进行城市植被遥感分类，并初步建立了基于高分辨率卫星影像 的城市绿量遥感估算模型，旨在提高城市植被分类的精度，探索城市“绿量”研究的 新思路，为更准确地对城市植被进行评价与分析、估算城市植被的生态效益、进行城 市绿地规划提供科学的依据，为南京市创建“生态园林城市”提供参考。本文主要研 究内容如下： 1 研究新的城市植被的遥感自动分类算法，本文把基于k p c a 的s a m 分类方法用于 高分辨率遥感影像城市植被分类中，探讨了k p c a 变换中核函数、核函数参数的 选取以及不同的训练样本数目对城市植被分类精度的影响，构建了基于k p c a 的 s a m 城市植被分类模型，并进行了分类实验。 2 利用遥感技术对城市绿地进行全面监测不仅包括平面上的城市植被覆盖信息的提 取，还包括空间上的城市“绿量”的计算、监测与预报。本文在植被指数分析的基 础上，引入空间纹理因予，采用逐步回归和神经网络两种方法，初步建立了基于高 分辨率卫星影像的城市绿量遥感估测模型，这为城市绿量信息提取探索了新的思 路，具有一定的借鉴意义。 3 在遥感和g i s 支持下，运用景观生态学原理，结合多种绿地评价指标对玄武区植 被进行生态评价和景观分析，为分析玄武区绿化现状、探讨玄武区生态园林城区建 设提出合理化建议。 第一章绪论 1 3 研究方法与技术路线 1 3 1“3 s ”技术 主要是遥感技术。本文研究的核心是基于高分辨率卫星影像的城市植被信息提 取，因而遥感图像的计算机解译是本文的一个技术基础，主要涉及到影像预处理、植 被分类的算法实现、绿量的遥感估算模型建立等。同时，经过植被分类和绿量估算后 的结果，经过栅格到矢量的转换，进入地理信息系统中，在a r c v i e w 的支持下，实 现绿地信息的综合管理、生态指标评价与景观分析。 1 3 2 地面调查 本文在进行城市植被分类与绿量回归分析中都需要用到一定数量的样本，在研究 中对于玄武区主要绿地进行了实地采样。尤其是在绿量遥感估算的样本采集中，注意 了样本的代表性，既反映植物的不同生长阶段，又反映不同的生长环境。 1 3 3 神经网络分析 在绿量的遥感估算模型建立中，本文在线性回归分析基础上，应用神经网络分析 方法，建立了三层b p 神经网络，利用其良好的容错性和自适应性，构建非线性的城市 绿量遥感估算模型。 1 3 4 景观生态分析 应用植被分类的结果对玄武区绿地景观类型进行分类，在此基础上，应用景观生 态学中的景观格局分析方法，对玄武区植被景观进行单元特征分析、优势度分析、多 样性分析和破碎度分析，取得定量结果，并针对研究区内的绿地现状进行生态评价。 1 3 5 研究技术路线 本文研究的技术路线如图1 1 所示。 第一章绪论 图1 1 研究技术路线图 1 4 研究数据与研究区概况 1 4 ，1 研究数据 本文所用的高分辨率遥感数据为i k o n o s 影像，它覆盖了南京市玄武区的大部分 区域，其地理坐标范围：纬度范围为北纬3 1 9 9 9 1 度3 2 1 0 4 5 度，经度范围为 1 1 8 7 5 7 5 度1 1 8 8 6 9 5 度。影像采集时间为2 0 0 0 年3 月2 6 号上午1 0 时2 9 分，太阳 高度角为5 2 0 0 2 6 度。 此外，本文还参考了研究区内其他卫片、航片和各类地面资料，主要有： 南京市s p o t 5 影像( 2 0 0 3 年8 月) ； 中山陵地区航空相片( 2 0 0 2 年1 0 月) ； 南京市绿地现状图( 南京市园林局，1 9 9 9 ) ； 南京市绿地规划图( 南京市园林局，2 0 0 1 ) ； l | | i 一 -二二-二_二ui： 第一章绪论 南京市行政区划电子地图( 南京市国土局，2 0 0 2 ) 玄武区园林绿化统计资料( 玄武区绿化委员会，2 0 0 2 ) ； 紫金山地区1 ：1 万地形图( 江苏省测绘院，1 9 7 9 ) ； 地面调查及“绿量”实测数据( 2 0 0 4 年1 0 - - 1 2 月) 。 1 4 2 研究区概况 玄武区是南京市的中心城区之一，是南京市委、市政府及南京军区机关所在地， 面积8 0 9 7 平方公里，人口近4 0 万，下辖1 1 个街道，1 2 个行政村，8 4 个社区居民委 员会( 以上数据来源于玄武区政府网站) 。从公元2 2 9 年孙权迁都建邺开始，玄武区 曾是东吴、东晋和南朝宋、齐、梁、陈等六朝宫阙的所在地，明初紫禁城、太平天国 天王