基于高分遥感影像的城市绿地提取方法研究

PAGEI摘要随着城市生态建设需求的增长，精准提取城市绿地现已成为成为城市规划与环境监测的重要基础。本文基于高分遥感影像，系统研究城市绿地提取方法。详细探讨面向对象法和监督分类法等传统提取技术，分析发现其在复杂城市环境下存在的精度不足、适应性差等弊端，尤其是面对建筑物阴影、混合植被覆盖区域时易出现误分与漏分问题。针对上述问题，创新性提出TLD-FusionNet（TraditionalandDeepLearningFusionNetwork），该网络将传统方法的先验知识与深度学习的自适应特征提取能力相结合，通过“传统方法奠基-深度学习提升-反馈优化”三层融合体系，实现对城市绿地的高效提取。研究以高分遥感影像为数据源，分别运用面向对象法、监督分类法及TLD-FusionNet进行实验，并基于混淆矩阵计算各项精度指标，对提取结果进行精度对比。实验结果表明，TLD-FusionNet在复杂城区场景下的总体精度达到92.3%，较传统方法提升12%-18%，Kappa系数为0.90，显著优于单一方法。该研究验证了TLD-FusionNet在城市绿地提取中的可行性与优越性，为城市绿地动态监测和生态评估提供了高精度、强适应性的技术方案。关键词：高分遥感，深度学习，TLD-FusionNet，城市绿地提取

AbstractAsthedemandforurbanecologicalconstructiongrows,accuratelyextractingurbangreenspaceshasbecomeacrucialfoundationforurbanplanningandenvironmentalmonitoring.Thispapersystematicallystudiesmethodsforextractingurbangreenspacesbasedonhigh-resolutionremotesensingimages.Itthoroughlyexaminestraditionalextractiontechniquessuchasobject-basedmethodsandsupervisedclassification,analyzingtheirshortcomingsincomplexurbanenvironments,particularlyissuesofaccuracyandadaptability.Theseproblems,especiallywhendealingwithbuildingshadowsandmixedvegetationcoverareas,oftenleadtomisclassificationandomissions.Inresponsetotheaforementionedissues,aninnovativeTLD-FusionNet(TraditionalandDeepLearningFusionNetwork)networkisproposed.Thisnetworkcombinesthepriorknowledgeoftraditionalmethodswiththeadaptivefeatureextractioncapabilitiesofdeeplearning,achievingefficienturbangreenspaceextractionthroughathree-tierfusionsystem:"traditionalmethodfoundation-deeplearningenhancement-feedbackoptimization."Thestudyuseshigh-resolutionremotesensingimagesasdatasourcesandemploysobject-orientedmethods,supervisedclassification,andTLD-FusionNetforgreenspaceextractionexperiments.Precisionmetricsarecalculatedbasedonconfusionmatricestocomparetheaccuracyoftheextractionresults.ExperimentalresultsshowthatTLD-FusionNetachievesanoverallaccuracyof92.3%incomplexurbanscenarios,improvingby12%-18%comparedtotraditionalmethods,withaKappacoefficientof0.90,significantlyoutperforminganysinglemethod.ThestudyverifiedthefeasibilityandsuperiorityofTLD-FusionNetinurbangreenspaceextraction,andprovidedahighprecisionandstrongadaptabilitytechnicalschemefordynamicmonitoringandecologicalassessmentofurbangreenspace.Keywords：Highresolutionremotesensing,deeplearning,ST-UNet,urbangreenspaceextraction

目录TOC\o"1-3"\h\u1006前言 1286281绪论 2309721.1研究背景与意义 2122651.2国内外研究现状 2105341.3研究内容 3255531.3.1研究目标 3326081.3.2研究内容 3199521.4研究方法与技术路线 3129792城市绿地提取原理 4139572.1高分遥感影像用于城市绿地提取的原理 4272492.2面向对象技术原理 5203392.2.1影像分割原理 685222.2.2特征提取原理 7244852.3监督分类方法原理 896372.3.1特征空间构建 9149442.3.2分类器训练 9189912.3.3决策规则制定 9271872.4深度学习方法原理 10121622.4.1卷积层 10298062.4.2池化层 1162192.4.3全连接层 123252.4.4激活函数 138573城市绿地提取 15220203.1遥感影像及其预处理 15254713.1.1遥感影像 15148573.1.2遥感影像预处理 16192483.2面向对象法提取城市绿地 18256883.2.1城市绿地影像提取 18210483.2.2分类与提取​ 19161343.3监督分类法提取城市绿地 24281603.3.1样本选取 24304203.3.2分类算法选择与执行 2419389第四章TLD-FusionNet：传统与深度学习融合的城市绿地提取网络 27117474.1优化设计 27202074.2优化设计流程 28194584.3制作样本集 28205024.3.1制作样本集数据 29159054.3.2增强样本集数据 291524.4TLD-FusionNet网络成果 30248614.5精度评估与迭代优化 3278745城市绿地提取的精度评价与对比分析 338685.1精度指标 3328765.2精度评定与对比分 3426410结论 3731466参考文献 4012521致谢 41PAGEPAGEI前言城市绿地作为城市生态系统的核心组成部分，在调节气候、净化空气、提升人居环境质量等方面具有不可替代的作用，其精准提取是城市生态规划、环境评估与可持续发展的重要基础。高分遥感技术凭借高空间分辨率与多光谱观测能力，为城市绿地精细化监测提供了关键手段，但城市环境中密集建筑群阴影、植被类型多样、地物混合分布等复杂场景，导致绿地光谱特征与空间形态呈现高度异质性，对提取方法的精度与适应性提出了严峻挑战。传统的城市绿地提取方法REF_Ref6496\r\h[1]，如监督分类法和面向对象分类法，基于地物光谱特征与简单空间规则构建分类模型，具有原理清晰、操作便捷的优势，曾在城市绿地监测中广泛应用。然而，这类方法依赖人工设定的固定特征阈值（如NDVI临界值、形状指数参数），难以适应植被季节变化、传感器差异及复杂地物交互带来的特征波动，在建筑阴影覆盖的绿地、碎片化植被区域及屋顶绿化等场景中，常因混合像元问题导致显著的误分与漏分，平均提取精度普遍低于80%，尤其对面积小于200㎡的小目标绿地漏分率超过40%，无法满足城市微生态评估的精细化需求。近年来，深度学习技术的兴起为遥感地物提取带来突破，U-Net等语义分割模型通过自动学习影像的深层光谱-空间特征，在复杂城区绿地提取中精度较传统方法提升15%-20%REF_Ref8651\r\h[3]，有效改善了阴影区和边界模糊区域的识别效果。但此类方法高度依赖大规模标注数据（通常需万级以上精细标注样本），而城市遥感数据标注需结合实地调研与高分辨率影像解译，人力成本高昂，在中小城市或数据稀缺区域难以推广。同时，模型的“黑箱”特性导致地理先验知识（如绿地与建筑的空间布局规则、植被生态特征）难以有效融入特征提取过程，限制了技术的可解释性与跨场景迁移能力。针对传统方法特征表达能力不足与深度学习数据依赖的双重瓶颈，本研究提出一种融合创新方法——TLD-FusionNet（TraditionalandDeepLearningFusionNetwork），通过构建“传统方法奠基-深度学习提升-反馈优化”的三层技术体系，实现专家知识显性表达与数据驱动隐性学习的有机结合。该体系首先利用面向对象分类构建绿地空间先验规则，快速划定高置信度候选区域，为深度学习提供语义约束，继而通过引入轻量级语义分割网络并结合迁移学习，针对复杂场景进行特征强化学习，弥补传统方法的细节提取缺陷，最终通过误差分析驱动规则与模型的双向优化，形成“粗提取-精修正-再迭代”的闭环流程。研究以高分遥感影像为数据基础，系统对比不同方法的提取效能，验证融合体系在精度、效率及泛化能力上的综合优势，旨在为城市绿地动态监测提供兼具科学性与工程实用性的解决方案，推动遥感技术在城市复杂地物提取中的深度应用与范式创新。1绪论1.1研究背景与意义随着城市化进程的加速，城市规模不断扩张，人口持续增长，城市生态环境面临着严峻的挑战。城市绿地具有净化空气、降低噪音、美化环境、保护生物多样性等多种生态服务功能，对改善居民的生活质量和促进城市可持续发展具有不可替代的作用。在传统的城市绿地提取方法中，实地调查耗费大量的人力、物力，效率低下，且难以实现对大面积城市绿地的快速监测和更新。人工绘制地图存在主观性强、精度低等问题，无法满足现代城市规划对绿地信息的高精度、实时性需求。且随着城市的快速发展，城市绿地的分布和变化日益复杂。高分遥感影像具有高空间分辨率、高时间分辨率和多光谱信息等优势，能够提供丰富的地表细节信息，使得对城市绿地的准确识别和分类成为可能。通过对高分遥感影像的分析，可以快速、全面地获取城市绿地的分布、面积等信息，为城市绿地的规划、管理和保护提供科学依据REF_Ref8916\r\h[2]。综上，基于高分遥感影像的城市绿地提取研究具有重要的现实意义。它不仅能够弥补传统绿地提取方法的不足，提高绿地信息获取的效率和精度，还能为城市生态环境保护、城市规划和可持续发展提供有力的技术支持，对于提升城市的生态品质和居民的生活质量具有深远的影响。1.2国内外研究现状在国外，高分遥感影像技术在城市绿地提取领域的应用较早。20世纪末，国外学者便开始利用遥感数据进行城市绿地信息的提取研究，通过监督分类的方法对城市绿地进行分类提取，初步实现了对城市绿地分布的宏观把握REF_Ref8975\r\h[15]。21世纪，随着遥感技术的不断发展，基于面向对象的分类方法充分利用高分影像的高空间分辨率优势，考虑地物的光谱、形状、纹理等多种特征，有效提高了城市绿地提取的精度。近年来，深度学习模型被广泛应用于城市绿地提取研究中REF_Ref8952\r\h[14]。在国内，这项研究早期主要集中在利用中低分辨率遥感影像。21世纪，随着高分遥感卫星的发射，国内学者开始关注高分遥感影像在城市绿地提取中的应用REF_Ref9030\r\h[4]。目前，国内研究在方法创新和应用拓展方面取得了显著成果。一些学者将深度学习与传统分类方法相结合，提出了改进的分类模型，进一步提高了绿地提取的精度和效率。尽管国内外在这方面都取得了诸多成果，但仍存在问题。不同类型绿地的精细分类精度有待提高，尤其是对于一些混合绿地和特殊绿地类型的识别还存在一定困难。城市绿地提取方法的普适性和可移植性不足，不同地区的地形、气候、植被等条件差异较大，现有的提取方法难以直接应用于不同区域。此外，如何充分利用多源遥感数据，实现城市绿地的动态监测和变化分析，也是未来研究的重点方向。1.3研究内容1.3.1研究目标针对高分遥感影像城市绿地提取中传统方法特征适应性不足与深度学习模型数据依赖的核心问题，本研究旨在构建一种融合传统地物先验知识与深度学习自适应特征提取能力的新型技术框架，突破单一方法的性能瓶颈。1.3.2研究内容（1）高分遥感影像处理：对获取的高分遥感影像进行预处理，包括辐射定标、大气校正、几何校正等，以消除影像获取过程中产生的各种误差和干扰，提高影像质量，为后续的绿地提取工作奠定基础REF_Ref9295\r\h[11]。（2）提取方法研究：对比分析监督分类、面向对象分类、深度学习分类等多种常见的城市绿地提取方法，结合高分遥感影像的特点，选择合适的分类算法，并对其进行改进和优化REF_Ref9422\r\h[5]。（3）特征提取与选择：研究高分遥感影像中城市绿地的光谱特征、纹理特征、形状特征等，选择对绿地提取最有效的特征组合，提高分类的准确性和可靠性。（4）精度评估与验证：采用混淆矩阵、Kappa系数、总体精度等指标，对提取结果进行精度评估，分析不同方法的优缺点，并通过实地调查、高分辨率航空影像等数据进行验证，确保提取结果的准确性。1.4研究方法与技术路线本研究综合运用多种研究方法，以确保城市绿地提取的准确性和有效性。（1）实验法：通过设计一系列实验，对不同的城市绿地提取方法进行对比分析。（2）对比分析法：对不同方法提取的城市绿地结果进行详细对比，从提取精度、分类准确性、效率等多个角度进行分析。（3）特征提取与选择法：针对高分遥感影像，研究并提取城市绿地的光谱特征、纹理特征、形状特征等。通过计算归一化植被指数、比值植被指数等光谱指数，突出绿地与其他地物的光谱差异，利用灰度共生矩阵等方法，提取绿地的纹理特征，基于数学形态学等方法，提取绿地的形状特征。然后，采用特征选择算法，选择对绿地提取最有效的特征组合，提高分类的准确性和可靠性REF_Ref9422\r\h[5]。（4）精度评估法：采用混淆矩阵、Kappa系数、总体精度等指标，对提取结果进行精度评估。本研究的技术路线如图1.1所示。图1.1技术路线图Figure1Technologyroadmap2城市绿地提取原理2.1高分遥感影像用于城市绿地提取的原理利用高分遥感影像提取城市绿地的原理是基于地物的反射、辐射特性差异在影像上的不同表现来实现的。地球表面的各种地物，包括城市绿地，由于其物质组成、结构和物理性质的不同，对电磁波的反射、吸收和发射特性存在显著差异。在可见光和近红外波段，绿地中的植被具有独特的光谱特征。植被中的叶绿素对蓝光和红光有强烈的吸收作用，用于光合作用，因此在蓝光和红光波段反射率较低，仅在绿色波段附近有一个较小的反射峰称为“绿峰”，而在近红外波段，由于植被细胞结构的影响，反射率较高。这种光谱特征使得绿地在遥感影像上呈现出与其他地物明显不同的色调和亮度。在多光谱遥感影像中，通过对不同波段的组合和分析，可以突出绿地的光谱特征，如常见的假彩色合成影像，将近红外波段赋予红色、红色波段赋予绿色、绿色波段赋予蓝色，此时绿地在影像上通常呈现出鲜艳的红色，与水体的蓝色、建筑物的灰色等其他地物形成鲜明对比，从而实现对绿地的初步识别REF_Ref6496\r\h[1]。植被光谱曲线如图2.1。图2.1植被光谱曲线Figure2.1Vegetationspectralcurve高分遥感影像的高空间分辨率使得地物的形状、结构等细节信息得以清晰呈现。通过对影像中地物形状的分析，可以进一步识别和区分不同类型的绿地。绿地的纹理特征也能为其提取提供重要依据。植被的生长具有一定的规律性，使得绿地在影像上呈现出独特的纹理，如草坪的纹理相对细腻、均匀，而树木较为密集的绿地则纹理较为粗糙、复杂。利用灰度共生矩阵、小波变换等方法可以提取绿地的纹理特征，以此辅助绿地的识别和分类。地物的空间关系也是城市绿地提取的重要依据。绿地通常与其他地物存在一定的空间关联，如公园绿地周围可能有道路、广场等配套设施，道路绿地紧邻道路，居住区绿地与建筑物相互依存。通过分析绿地与周围地物的空间关系，可以进一步验证和准确提取城市绿地信息。例如，利用地理信息系统（GIS）的空间分析功能，通过缓冲区分析、叠加分析等方法，确定绿地与其他地物的空间位置关系，从而更准确地提取城市绿地REF_Ref9667\r\h[13]。综上所述，利用高分遥感影像提取城市绿地是基于地物的光谱特征、形状特征、纹理特征以及空间关系等多方面信息，通过对这些信息的综合分析和处理，实现对城市绿地的准确识别和分类。2.2面向对象技术原理在高分辨率遥感影像城市绿地信息提取中，面向对象法的核心原理在于打破传统像元级分析的束缚，将影像分割形成具有空间连续性和语义一致性的对象单元。该方法基于地物的光谱、纹理、形状及空间关系等多维特征，通过影像分割构建不同尺度的对象，利用特征提取量化对象属性，最终借助分类器完成地物类别划分。这种方法能够充分捕捉绿地的空间结构特征与整体分布规律，避免传统方法中常见的“椒盐效应”，有效提升绿地信息提取的准确性与完整性。本小结将从影像分割算法设计，多源特征提取优化两方面，系统阐述面向对象方法在高分辨率遥感影像城市绿地信息提取中的具体实现路径与关键技术要点。图2.2面向对象法提取流程Figure2.2Object-orientedextractionprocess2.2.1影像分割原理面向对象分类的核心基础在于影像分割，其旨在将连续的像元集合转化为具有实际语义的对象单元。通过合理的分割算法与参数设置，能够实现对城市绿地与其他地物在空间边界上的精准划分，为后续的特征提取与分类识别奠定重要基础。因此，如何选择合适的分割算法与优化参数，成为了实现高精度城市绿地信息提取的关键前提。多尺度分割算法的核心思想是通过模拟人类视觉对不同层次地物的认知过程，在单一影像上生成多组具有不同空间粒度的分割对象，从而适应复杂地物在形状、大小和结构上的差异。该算法通过定义异质性度量函数，将影像划分为光谱、纹理和形状特征相对均匀的区域，并通过调节尺度参数控制分割对象的大小，为后续的地物分类提供兼具细节特征与整体结构的基本单元。以下从算法核心机制、异质性度量、参数控制及分割流程四方面展开分析REF_Ref9833\r\h[6]。（1）算法核心机制：基于区域合并的层级分割多尺度分割以像元为初始分割单元，通过自底向上的层级合并策略，逐步将相邻像元或区域合并为特征更均匀的对象。首先将影像中每个像元初始化为独立对象，计算各对象的光谱均值、形状参数等基础特征，随后对所有相邻对象对，基于光谱差异和形状差异计算综合异质性指标，其中光谱差异权重通常高于形状差异以优先保证同质像元的合并，接着按照预设的尺度参数，从异质性最小的相邻对象对开始合并，生成新的复合对象，并重新计算其光谱与形状特征以更新特征空间，重复上述相邻对象异质性评估与合并过程，直至所有相邻对象对的异质性均超过尺度参数设定的阈值。（2）异质性度量：光谱与形状特征的联合约束多尺度分割通过异质性函数量化区域合并的合理性，其数学表达式为：（2.1）光谱异质性:衡量区域内光谱特征的均匀性，通常基于各波段反射率的均值差异计算。对于两个相邻区域A和B，合并后的光谱异质性为：（2.2）其中，n为波段数，Ab、Bb为区域A、B在第b波段的均值，wb为波段权重。形状异质性：包括紧凑度和光滑度两部分，用于约束区域的几何规则性。紧凑度用于反映区域周长与面积的关系，紧凑度越高，异质性越低。光滑度用于描述区域边界的复杂程度，边界越光滑，异质性越低。通过调节光谱权重和形状权重，算法可灵活适应不同地物的特征差异。例如，城市绿地光谱特征明显，可适当提高光谱权重，对形状规则的人工绿地，可增加形状权重以增强分割效果。（3）尺度参数：分割粒度的核心控制变量多尺度分割的核心参数是尺度因子，它定义了合并过程中允许的最大异质性阈值。尺度因子越大，允许的异质性越高，生成的分割对象越大，反之，尺度因子越小，对象越精细。小尺度（ScaleFactor<50）：适用于破碎化地物（如街道绿化带、小块绿地），可保留树冠边缘、植被间隙等细节，但可能导致同一绿地被分割为多个对象。中尺度（50≤ScaleFactor≤150）：平衡细节与整体结构，适用于中等面积绿地（如社区公园），确保单个绿地对象完整且边界清晰。大尺度（ScaleFactor>150）：适用于大面积连续绿地（如城市森林、大型湿地公园），减少对象数量，提高处理效率，但可能忽略内部细微差异（如绿地中的道路、水体）。此外，辅助参数形状因子和紧凑度因子进一步细化形状约束：形状因子越大，分割结果越依赖形状特征（而非光谱），适用于光谱相似但形状差异大的地物（如绿地与水体）；紧凑度因子越高，分割对象越趋向规则几何形状（如圆形、矩形），反之则允许更复杂的边界（如自然植被的不规则轮廓）。2.2.2特征提取原理在面向对象的遥感影像分析中，特征提取原理是连接影像分割与分类决策的核心环节，其核心在于从分割后的影像对象中挖掘能够有效区分城市绿地与其他地物的多维特征信息。（1）光谱特征的量化表达地物光谱反射特性是信息提取的基础。城市绿地在近红外波段（760-1350nm）因叶绿素的强反射作用呈现高值，在红光波段（620-750nm）因叶绿素吸收呈现低值，这种波段差异通过NDVI公式量化表达，使绿地与非植被地物形成显著区分。此外，光谱均值、标准差等统计量可描述对象的光谱稳定性，波段比值（如NIR/RED、NIR/GREEN）能增强特定地物的光谱响应差异。公式：（2.3）（2）纹理特征的空间表征纹理特征的本质是二阶或高阶统计特性，即通过分析像素及其邻域的灰度关系来提取规律。例如，城市绿地的平滑表面在图像中表现为低对比度、低熵的纹理，而建筑物的棱角和道路的规则排列则呈现高对比度、高方向性的纹理模式。纹理特征的空间表征可使用灰度共生矩阵（GLCM）实现，其核心是构建一个二维矩阵，记录图像中相距固定距离和方向的像素对的灰度组合出现概率。基于该矩阵可提取多维度特征参数：对比度（Contrast）：反映像素灰度差异的显著程度，计算公式为（2.4）值越大表明纹理变化越剧烈。例如，城市绿地的GLCM对比度通常低于15，而沥青道路可达30以上，这是因为绿地植被的灰度分布平缓，而道路表面材质差异导致灰度波动明显。熵（Entropy）：衡量纹理的复杂度或随机性，公式为（2.5）绿地的低熵值体现其灰度分布均匀，而建筑物因结构复杂、材质多样，熵值通常大于10。相关性（Correlation）：描述像素灰度的线性关联程度，计算公式涉及矩阵元素的协方差与标准差，高相关性表明纹理具有方向性或规则性。例如，道路绿化带的纹理因沿线性方向延伸，其相关性值常高于0.8，而自然绿地因随机分布相关性较低。（2）形状特征的几何约束形状特征从几何层面描述地物的空间形态。圆形度用于衡量对象与圆形的相似程度。面积特征可剔除微小噪声斑块，在城市绿地提取中，可设置最小面积阈值（如50m²）排除零星植被。这些形状参数通过数学公式将地物的空间结构转化为可量化的特征指标，与光谱、纹理特征形成互补。圆形度公式为（2.6）2.3监督分类方法原理监督分类法是遥感影像地物识别的核心技术之一，其本质是基于已知样本类别信息构建数学模型，通过学习地物光谱特征规律实现未知像元的类别归属判断。该方法的逻辑框架可拆解为样本数据驱动的特征空间构建、分类器模型训练和决策规则制定三个关键环节，各环节环环相扣，共同支撑起高精度分类的实现REF_Ref9951\r\h[7]。2.3.1特征空间构建遥感影像中每个像元在多光谱或高光谱波段上具有特定的反射率值，这些值构成了像元的光谱特征向量。例如，在包含红（R）、绿（G）、蓝（B）和近红外（NIR）四个波段的影像中，每个像元可用向量（R,G,B,NIR）表示。监督分类的第一步是基于训练样本，在多维特征空间中定义各类地物的分布区域。由于同类地物的光谱特征具有相似性，其在特征空间中会形成相对聚集的“簇”，而不同类地物的“簇”之间存在可区分的边界。例如，城市绿地在近红外波段反射率高，红光波段反射率低，其光谱特征向量在NIR-R二维特征空间中会集中分布，与建筑物、水体等其他地物的分布区域形成差异。2.3.2分类器训练分类器是监督分类的核心算法，其作用是学习训练样本的特征分布规律，构建类别划分的数学模型REF_Ref10003\r\h[9]。最大似然法：基于贝叶斯决策理论，假设各类地物的光谱特征服从正态分布。通过训练样本计算每类地物在各波段上的均值向量和协方差矩阵，进而得到其概率密度函数。对于未知像元，分类器计算该像元属于每个类别的后验概率。公式为：（2.7）其中，P(ωi|x)为像元x属于类别ωi的后验概率，P(x|ωi)是类别ωi中出现像元x的条件概率（由正态分布计算），P(ωi)为先验概率（通常基于样本比例设定）。最终将像元归为后验概率最大的类别。支持向量机：目标是寻找一个最优超平面，将不同类别的样本点尽可能分开，使类别间的间隔最大化。对于线性可分数据，SVM通过求解优化问题找到距离各类样本最远的超平面，而对于非线性问题，则利用核函数将原始特征映射到高维空间，在高维空间中构建线性超平面。例如，在二分类问题中，SVM通过最大化两类样本到超平面的最小距离，提高模型的泛化能力。2.3.3决策规则制定分类器训练完成后，需制定决策规则对未知像元进行分类。以最大似然法为例，决策规则为“将像元分配给后验概率最大的类别”，SVM则根据像元位于超平面的哪一侧进行分类；神经网络通过输出层神经元的激活值判断像元所属类别。在实际应用中，决策规则还可结合先验知识或多分类器集成进一步优化，以提高分类的准确性和稳定性。监督分类法的核心优势在于利用先验知识提升分类精度，但前提依赖于高质量的训练样本—样本需覆盖各类地物的典型特征，且数量充足，否则易出现过拟合或类别误判。此外，不同分类器对数据分布和特征维度的适应性不同，需根据数据特点和任务需求合理选择算法。2.4深度学习方法原理深度学习是机器学习领域的一个分支，其核心原理是通过构建多层非线性神经网络，模拟人类大脑的神经分层结构，实现对数据的逐层抽象和特征学习。这一方法的核心优势在于能够自动从海量数据中提取复杂特征，避免了传统机器学习中依赖人工设计特征的局限性。其基本架构由大量神经元（节点）组成，这些神经元通过分层连接形成输入层、隐含层和输出层。每层神经元接收前一层的输出作为输入，通过激活函数（如ReLU、Sigmoid）进行非线性变换，从而实现对数据特征的逐步提炼REF_Ref10059\r\h[8]。基于卷积神经网络（CNN）的方法理论卷积神经网络（CNN）是深度学习领域中专门用于处理网格状数据的核心模型，其理论基础源于对生物视觉皮层机制的模拟，结合了信号处理中的卷积运算与神经网络的分层特征学习能力。分层特征提取的流水线CNN的典型结构由输入层、卷积层、池化层、全连接层及非线性激活函数组成，通过多层级联实现从底层像素到高层语义的特征抽象REF_Ref10134\r\h[10]。2.4.1卷积层核心操作：使用可学习的二维卷积核（Filter/Kernel）对输入图像进行滑动窗口卷积，提取局部特征（如边缘、纹理、形状）。卷积运算的数学表达式为：（2.8）其中，K为卷积核尺寸（如3×3），(i,j)为特征图坐标。关键参数：通道数：单个卷积层可包含多个卷积核，每个生成一个特征图，输出维度为(H',W',N)，N为卷积核数量。填充：“Same”保持输出尺寸与输入相同（通过边缘补零），“Valid”不补零（输出尺寸减小）。步长：控制卷积核滑动间隔，如stride=2使输出尺寸减半。卷积操作过程如图2.3。图2.3卷积操作过程Figure2.3Theconvolutionoperationprocess2.4.2池化层池化层是卷积神经网络的重要组成部分，通常位于卷积层之后，用于对特征图进行下采样。其核心思想是通过聚合局部区域的特征，减少数据维度和计算量，同时保留关键信息并增强特征的鲁棒性（如平移、缩放不变性）REF_Ref10291\r\h[12]。池化操作基于一个固定大小的“池化窗口”，在特征图上按步长滑动，对窗口内的特征值进行聚合。主要为最大池化和平均池化两种方式。（1）最大池化操作：取池化窗口内的最大值作为输出。公式：设输入特征图为X，池化窗口大小为k×k，步长为s，输出特征图Y在位置(i,j)处的值为：（2.9）（2）平均池化（AveragePooling）操作：取池化窗口内的平均值作为输出。公式：（2.10）以上两种方式操作流程如图2.4。图2.4平均池化与最大池化操作流程Figure2.4AverageandMaxPoolingOperations2.4.3全连接层全连接层指的是层内的每个神经元都和上一层的所有神经元相连接。也就是说，全连接层的每一个神经元的输入都是上一层所有神经元的输出。这种连接方式保证了每个神经元都能获取到上一层的全部信息，从而对输入信息进行综合处理。连接方式：假设上一层有n个神经元，全连接层有m个神经元，那么就会存在n×m条连接边。每一条连接边都对应着一个权重，这些权重是可学习的参数。计算过程：对于全连接层中的每个神经元，它会接收上一层所有神经元输出值的加权和，然后经过一个激活函数处理后得到该神经元的输出。这个过程不断重复，直到计算出全连接层所有神经元的输出。数学表达：设上一层的输出向量为，全连接层的权重矩阵为，其中W的第i行第j列元素wij表示上一层第j个神经元到全连接层第i个神经元连接边的权重，偏置向量为，激活函数为f。那么全连接层的输出向量可以通过以下公式计算：（2.11）其中，Wx是矩阵乘法，计算得到一个m维向量，再加上偏置向量b，最后将结果输入到激活函数f中进行非线性变换。2.4.4激活函数激活函数是神经网络中的重要组成部分，它为网络引入了非线性因素，使得神经网络能够学习和表示复杂的函数关系。如果神经网络仅由线性变换（如全连接层的加权求和）组成，那么无论网络有多少层，其整体仍然只是一个线性函数。而实际问题往往是非线性的，激活函数的加入使得神经网络可以逼近任意复杂的非线性函数，从而能够处理各种复杂的任务，如图像识别、自然语言处理等。同时激活函数可以将输入数据映射到一个新的特征空间，使得网络能够更好地学习数据中的特征和模式。不同的激活函数具有不同的映射特性，能够突出数据的不同方面。常见的激活函数有Sigmoid函数、ReLU函数等REF_Ref9833\r\h[6]。Sigmoid函数将输入值映射到(0,1)区间。当输入x趋近于正无穷时，σ(x)趋近于1，反之当输入x趋近于负无穷时，σ(x)趋近于0。它可以看作是一种概率输出，常用于二分类问题中表示样本属于某一类别的概率。数学表达式为（2.12）导数为（2.13）图2.5Sigmoid函数图表Figure2.5SigmoidFunctionPlotReLU函数在输入x大于0时，直接输出x，在输入x小于等于0时，输出0。它的计算简单，能够有效缓解梯度消失问题，并且使得网络具有稀疏性，即一部分神经元的输出为0，从而减少了神经元之间的依赖关系。数学表达式为（2.14）导数为（2.15）图2.5Sigmoid函数图表Figure2.5SigmoidFunctionPlot

3城市绿地提取3.1遥感影像及其预处理3.1.1遥感影像本文所用高分遥感影像为GF-1遥感影像数据，GF-1是中国高分辨率对地观测系统重大专项（简称高分专项）的首发星，于2013年4月26日成功发射，搭载2台全色多光谱相机，全色分辨率2米，多光谱分辨率8米，光谱范围覆盖蓝、绿、红和近红外波段，可清晰捕捉城市建筑、道路、绿地等细节特征，配备4台16米分辨率的宽幅多光谱相机，成像幅宽达800公里，单次过境即可覆盖大面积区域，适合快速获取区域整体信息。影像数据来自于国家遥感数据与应用服务平台，选取图像主要覆盖区域为上海市城区，影像成像时间为2025年4月，云量均低于5％，原始影像数据由2m分辨率的全色影像和8m分辨率的多光谱影像组成。本章研究影像如图3.1、3.2。图3.1全色影像Figure3.1,panchromaticimage图3.2多光谱影像Figure3.2Multispectralimage3.1.2遥感影像预处理在利用GF-1影像数据进行城市绿地提取等应用时，预处理是保障数据质量、提升分析精度的关键环节。GF-1影像数据预处理涵盖辐射校正、几何纠正、图像融合等多个步骤REF_Ref10003\r\h[9]。图3.3高分遥感影像预处理Figure3.3Preprocessingofhighresolutionremotesensingimages（1）辐射定标辐射定标是遥感影像预处理中的关键环节，旨在建立传感器观测值与地表真实辐射亮度或反射率之间的定量关系，消除传感器自身特性、大气传输等因素对辐射信息的影响。对于GF-1等遥感卫星数据，辐射定标是确保光谱数据准确性、支撑后续地物分析的基础。公式如下：（3.1）其中，L为辐射亮度，DN为传感器输出的像元灰度值，DNmax和DNmin分别为传感器量化范围的最大值和最小值，Lmax和Lmin为对应波段的辐射亮度最大值和最小值（由卫星参数提供）。地表反射率定标：（3.2）其中，ρ为地表反射率，L为辐射亮度，d为日地距离，E0为大气上界太阳辐照度，为太阳天顶角，G为增益系数（由卫星参数确定）。(2）大气校正大气校正的核心原理围绕消除大气对遥感信号的干扰展开，其本质是通过数学模型剥离大气影响，还原地表真实反射率。大气对遥感信号的干扰主要体现在散射与吸收两个方面：散射效应由大气中的分子（氧气、氮气等）和气溶胶（尘埃、烟雾等）引发，使电磁波偏离原传播方向，导致影像模糊、对比度下降，其中蓝光波段易受瑞利散射影响而呈现偏蓝现象；吸收效应则源于水汽、二氧化碳等气体对特定波段能量的吸收，削弱了地物反射信号，尤其对红外波段影响显著。大气校正旨在通过构建数学模型，从传感器观测的原始数据中分离出大气的散射与吸收作用。其核心公式为：（3.3）图3.4大气校正前后光谱曲线图Figure3.4Spectrumbeforeandafteratmosphericcorrection（3）正射校正遥感影像在获取时，会因传感器视角的倾斜、地形的高低起伏以及地球本身的曲面形态等因素，不可避免地产生几何畸变。正射校正的核心就在于解决这些几何畸变问题，它主要通过几何变换和灰度重采样两个关键步骤来实现。利用卫星的轨道参数、精确的传感器模型以及数字高程模型，建立起影像像元与地面实际位置之间准确的映射关系，以此计算出每个像元的地理坐标。运用诸如最邻近法、双线性内插法、三次卷积内插法等重采样方法，将原始影像的像元灰度值重新分配到经过校正后的坐标位置上。通过这样的操作，把原始的存在几何畸变的影像，成功投影到统一的地理坐标系（如CGCS2000、WGS84）中，纠正了因地形引起的像元位移，使影像最终符合正射投影所要求的垂直视角观测特性，从而为后续的分析和应用提供高精度的地理参考数据。（4）图像融合图像融合旨在结合高分辨率全色影像的空间细节与多光谱影像的丰富光谱信息，生成兼具高空间分辨率和精准光谱特征的影像。其核心原理则是将通过单波段记录地物反射能量，具有高空间分辨率但缺乏光谱信息的全色影像和通过多个波段捕捉地物光谱特征，却在空间分辨率上有所不足的多光谱影像进行融合使其特性互补。融合过程通过数学变换实现特征提取与重组：首先对全色影像和多光谱影像进行配准，确保像元空间位置一致，随后，利用特定算法（如Gram-Schmidt变换、Brovey变换、主成分分析变换）将全色影像的高频细节信息注入多光谱影像。最终输出的影像不仅能够清晰呈现地物边缘、纹理等细节（如树冠轮廓、道路边界），还能通过多光谱波段准确区分不同地物类别（如植被、水体、建筑），显著提升影像对地物的表达能力和后续分类精度。通过上述处理，最终得到2m空间分辨率的全色锐化多光谱图像。3.2面向对象法提取城市绿地3.2.1城市绿地影像提取将预处理完成影像导入envi软件当中，使用“FeatureExtraction→RuleBasedFeatureExtractionWorkflow”启动分割流程。对影像进行迭代实验，选取典型区域进行分割测试，在“ObjectCreation”步骤，设置分割与合并阈值，经多次对比测试后，通过预览优化参数，最终确定分割参数为35，合并参数为60。分割后对象边界贴合树冠、草坪轮廓，避免将道路绿化带误分割为独立小块，如图3.5。分割前分割后图3.5影像分割前后对比图Figure3.5Comparisonbeforeandafterimagesegmentation3.2.2分类与提取​完成影像分割后便要进行训练样本采集，人工在图像中选取典型对象作为样本（如植被、水体、建筑各选50个对象），要求样本覆盖地物的特征变异性（如不同光照下的植被、不同形状的建筑）。样本需标注类别标签，并提取其光谱、形状、纹理等特征，形成“特征—标签”数据集。使用软件计算各样本在不同波段的阈值，通过对其阈值的对比分析来确定对该影像数据中绿地提取的规则，随后将规则应用于全图，批量提取目标对象，对误提取的“伪目标”（如“反光屋顶被误判为湖泊”），通过“面积过滤”（如保留面积>1000m²的对象）或“邻域关系”（如“排除与道路相邻的小面积水体”）修正。经过对参数的比较修改，最终提取出该地区的城市绿地部分REF_Ref9295\r\h[11]。

表3.1绿地ROI计算统计表Table3.1StatisticaltableofcharacteristicROIcalculation基本统计最小值最大值均值标准差波45743479.068965波段269214341084.43381593.500949波段363915961088.469839141.368012波段4153430402133.014613240.493406协方差波段1波段2波段3波段4波段16251.9011967189.8988318332.8396122335.172939波段27189.8988318742.42747411428.628091234.688026波段38332.83961211428.62809119984.914928-12674.523903波段42335.172939234.688026-12674.52390357837.078553相关性最小值最大值均值标准差波段11.0000000.9725250.7454800.122803波段20.9725251.0000000.8646230.010437波段30.7454800.8646231.000000-0.372801波段40.1228030.010437-0.3728011.000000特征向量最小值最大值均值标准差Eig.10.0144520.0638690.307420-0.949318Eig.2-0.435750-0.530438-0.678323-0.261984Eig.3-0.654382-0.3651520.6392920.172495Eig.4-0.6178170.762378-0.191511-0.020131

表3.2道路ROI计算统计表Table3.2StatisticsofroadROIcalculation基本统计最小值最大值均值标准差波段176114451003.00344779.878402波段295817231215.28803597.023669波段3104119971379.720827125.150146波段4116421031512.876416191.554939协方差波段1波段2波段3波段4波段16380.5591017518.8793028746.4960376375.478259波段27518.8793029413.59236411495.5267610348.29424波段38746.49603711495.5267615662.5589715072.78765波段46375.47825910348.2942415072.7876536693.29457相关性波段1波段2波段3波段4波段110.9701660.874930.416668波段20.97016610.9467160.556798波段30.874930.94671610.628737波段40.4166680.5567980.6287371特征向量波段1波段2波段3波段4Eig.10.2512240.3514330.4769570.765437Eig.20.4326790.4388530.466724-0.634322Eig.3-0.594398-0.3335370.724429-0.10318Eig.4-0.6295760.75674-0.17287-0.033089

表3.3房屋ROI计算统计表Table3.3StatisticsofhouseROIcalculation基本统计最小值最大值均值标准差波段161626961717.57106317.14775波段290931602178.784306331.78799波段3127535882738.523773396.905695波段4158245262928.583301373.945976协方差波段1波段2波段3波段4波段1100582.6952101135.9272109753.150986512.35835波段2101135.9272110083.2705125427.5002103780.3943波段3109753.1509125427.5002157534.1304132084.0081波段486512.35835103780.3943132084.0081139835.5931相关性波段1波段2波段3波段4波段110.9611320.8719030.72947波段20.96113210.9524560.836461波段30.8719030.95245610.889926波段40.729470.8364610.8899261特征向量波段1波段2波段3波段4Eig.10.4304360.4787050.5737060.506388Eig.20.5960240.304924-0.047286-0.74131Eig.30.4588820.048497-0.7714520.438106Eig.40.498906-0.8218950.2710860.045765

遥感影像标签提取结果图3.6面向对象法提取城市绿地Figure3.6Object-orientedmethodforextractingurbangreenspace表3.4面向对象法精度Table3.4Object-orientedmethodaccuracy精度结果OverallAccuracy(9080196/13379758)67.87%KappaCoefficient0.1926对提取的结果进行分析来看，基于面向对象法提取城市绿地存在明显不足之处。首先，在光谱混淆区域，水域周边及建筑阴影覆盖下的绿地出现误判与漏判问题，部分水体因近红外波段反射率与植被相似，被错误识别为绿地，而阴影中的低矮植被因光谱信息弱化，未能被有效提取，导致绿地面积统计出现偏差。其次，在空间细节处理上，建筑物密集区的细碎绿地与建筑边界混淆严重，分割算法难以精准区分狭窄绿化带与建筑间隙，造成绿地形态破碎化，边界呈现锯齿状，影响了绿地斑块的完整性与美观性。再者，模型对复杂地形与异质植被的适应性不足，山地、坡地等区域的绿地因地形起伏导致光谱不均，出现过度分割或欠分割现象，使得绿地斑块被错误划分或合并，降低了提取结果的空间精度。3.3监督分类法提取城市绿地3.3.1样本选取（1）确定训练样本类别：根据城市绿地类型（如公园绿地、道路绿化带、附属绿地等）及背景地物（建筑、水体、裸土等），明确分类体系。（2）创建训练样本：使用ENVI的“RegionofInterest(ROI)”工具，在影像上手动绘制感兴趣区域（ROI）作为训练样本。样本的选取要有代表性，在不同区域、不同光照条件下选取样本，确保覆盖绿地与非绿地的各种光谱特征。每个类别建议选取50-200个样本像元，避免因样本数量过少导致分类器训练不充分，或过多引起的计算负担。同时在选取的时候，通过目视解译或参考高分辨率地图，验证样本标注的准确性，避免错误样本影响分类结果。3.3.2分类算法选择与执行表3.5两种分类算法Table3.5Twoclassificationalgorithms特点参数最大似然法（MLC）基于概率统计原理，假设地物光谱特征服从正态分布，计算像元属于各类别的概率，适用于光谱特征明显、数据分布近似正态的情况。数据比例因子：1.0概率阈值：0.001支持向量机（SVM）通过寻找最优分类超平面区分不同类别，对非线性可分数据具有良好适应性，适合复杂城市环境下的绿地提取。径向基函数RBF内核功能：0.25惩罚参数：100在ENVI的“Classification→Supervised”菜单中选择选定的算法，将训练样本作为输入，运行分类程序，生成初始的城市绿地分类结果。遥感影像标签支持向量机法最大似然法图3.7支持向量机和最大似然法提取城市绿地Figure3.7Supportvectormachineandmaximumlikelihoodmethodforurbangreenspaceextraction表3.6支持向量机精度Table3.6Supportvectormachineaccuracy精度结果OverallAccuracy(10533950/12596396)83.63%KappaCoefficient0.6160表3.7最大似然法精度Table3.7MaximumLikelihoodPrecision精度结果OverallAccuracy(10081886/12596396)80.038%KappaCoefficient0.5667通过以上研究过程可知，监督分类法可以实现对城市绿地的自动化提取，并通过后处理提升提取精度和实用性，为城市生态规划与管理提供数据支持。但该方法对高质量标注样本具有高度依赖性，且易受样本代表性不足影响，导致稀有地物分类存在偏差，就如上述实验中部分道路提取效果就存在偏差。同时，由于其需要对固定类别进行预设，导致其泛化能力有限，面对场景变化时易失效，需重新训练。所以其效果严格受制于样本质量、特征设计与场景匹配度，需结合其他方法弥补不足。第四章TLD-FusionNet：传统与深度学习融合的城市绿地提取网络

传统城市绿地提取方法主要基于遥感影像的光谱特征与空间纹理分析，这类方法的核心优势在于原理清晰易懂，具有较低的技术门槛和较强的可操作性。然而，面对复杂城市场景时，传统方法的局限性便显著显现。一方面，城市地表覆盖类型高度混杂，建筑物阴影、道路绿化带、屋顶绿化等与自然绿地存在光谱特征重叠，导致分类过程中出现大量误分与漏分现象。以高分辨率遥感影像为例，密集建筑群中的狭窄绿地常因混合像元问题，被错误归类为建筑或裸地。另一方面，传统方法依赖固定的特征参数，缺乏对复杂环境变化的自适应能力。季节更替导致植被光谱特征改变、大气条件差异引起的影像辐射畸变等，均会对提取精度产生显著影响，使得同一套方法在不同时间、不同区域的应用效果参差不齐。近年来，以卷积神经网络（CNN）为代表的深度学习技术在遥感影像地物提取领域展现出强大能力。深度学习方法通过多层神经网络自动学习影像的深层语义特征，能够有效捕捉绿地与其他地物在光谱、纹理、空间结构等多维度的复杂差异。但深度学习方法的应用也面临显著挑战。首先是对大规模标注数据的高度依赖，训练一个高性能的绿地提取模型往往需要数万张带有精细标注的影像样本，而城市遥感数据的获取与人工标注成本高昂，尤其在数据稀缺的中小城市或特定功能区，数据不足导致的模型泛化能力下降问题尤为突出。其次是模型解释性弱的固有缺陷，深度学习模型如同"黑箱"，难以直观揭示绿地提取过程中关键特征的作用机制，这使得在实际应用中难以针对特定场景进行参数优化与问题诊断，限制了其在对精度可靠性要求极高的城市规划、生态评估等领域的推广应用REF_Ref10291\r\h[12]。4.1优化设计针对两类方法的优缺点，本文构建了"传统方法奠基-深度学习提升-反馈优化"的三层融合体系。首先，利用传统方法构建基础数据框架，通过目视解译与样本统计建立城市绿地的先验知识图谱，明确不同功能区绿地的典型光谱阈值、形态特征与空间分布规律，为深度学习模型提供先验约束。其次，引入轻量化深度学习模型进行特征增强。针对传统方法在复杂场景下的特征提取不足问。最后，建立双向反馈优化机制。一方面，将深度学习提取结果反哺传统方法的参数调整，另一方面，通过传统方法的先验知识对深度学习模型进行正则化约束，降低其对数据的过度依赖。在实际应用中，可采用"传统粗提取-深度学习精修正-人工核查验证"的流水线作业模式，既发挥传统方法的快速预处理优势，又借助深度学习实现精度突破，最终形成兼具效率与准确性的城市绿地提取解决方案。这种融合优化方案不仅突破了单一方法的技术瓶颈，更构建了从数据预处理到精度提升的完整技术链条，为复杂城市环境下的绿地动态监测、生态效益评估等提供了可靠的技术支撑。随着遥感数据分辨率的不断提升与深度学习算法的持续优化，该融合体系有望在智慧城市建设中发挥更重要的作用。4.2优化设计流程通过分阶段发挥不同技术优势，形成“数据预处理-传统方法粗提取-深度学习精提取-双向反馈优化”的完整闭环。图4.1优化设计流程图Figure4.1Optimizationdesignflowchart该体系通过传统方法提供空间先验与快速初筛，深度学习实现复杂特征自适应提取，双向反馈机制动态优化模型与规则，有效平衡了提取效率、精度和泛化能力，尤其适用于建筑密集、植被类型多样的复杂城市环境。4.3制作样本集在利用深度学习提取城市绿地时，制作高质量的样本集是关键步骤，它直接影响分类的精度和可靠性。4.3.1制作样本集数据本文在研究过程中通过目视解译法，对照高分辨率影像，直接在影像上识别并选取绿地和非绿地样本。在ENVI软件中使用“RegionofInterest(ROI)”工具，在影像上手动绘制感兴趣区域（ROI）作为样本。为每个ROI指定对应的类别标签，将标注好的样本保存为ENVI支持的ROI文件（.roi），方便后续的分类器训练和使用。图4.2样本图集Figure4.2Sampleatlas4.3.2增强样本集数据在城市绿地提取任务中，由于高质量标注样本获取成本高、原始数据难以覆盖季节、天气变化及成像视角差异带来的特征多样性，且常面临样本类别不均衡、模型易因数据不足或特异性过强而出现欠拟合或泛化能力弱等问题，因此需要通过数据增强技术对原始样本集进行优化。通过模拟现实场景中的复杂变化、扩充有效数据规模并平衡类别分布，为模型训练提供更丰富、多样的学习样本。几何变换：对样本影像进行平移、旋转、缩放、翻转等操作。使模型学习到绿地在不同几何形态下的特征，提高模型的泛化能力。本文采用对其进行沿x与y轴的翻转。颜色变换：调整样本影像的亮度、对比度、色彩饱和度等参数，或对其进行噪声添加、模糊变换。让模型对绿地的不同色彩表现有更全面的认识，增强模型对实际场景中绿地的识别能力。本文采用对其进行模糊变换。遥感影像标签x轴变换y轴变换模糊变换图4.3样本图增强结果Figure4.3Sampleimageenhancementresults4.4TLD-FusionNet网络成果将城市绿地样本集输入到TLD-FusionNet网络中，进行模型训练，分别得到训练中ACC最佳TLD-FusionNet模型及其精度指标绘制成的曲线图。表4.1训练参数Table4.1,TrainingparametersPatchSizeHumberofEpochsPatchSamplingRate2712516设置批次大小（BatchSize，建议8-32，根据显存调整）、学习率（LearningRate，初始值1e-4）、迭代次数（Epoch，通常100-300次），损失函数选择交叉熵（二分类）或Dice损失（处理类别不均衡）。对训练结果进行后处理优化，通过ENVI的GISAnalysis>Morphology工具，对分割结果进行去噪、平滑边界，提升绿地轮廓的完整性。使用RastertoVector工具将栅格分割结果转换为矢量多边形（如Shapefile），便于后续面积统计、空间分析或与GIS数据叠加。图4.4TLD-FusionNet提取城市绿地Figure4.4TLD-FusionNetextractsurbangreenspace4.5精度评估与迭代优化（1）定量评估表4.2TLD-FusionNet精度Table4.2TLD-FusionNetaccuracy精度结果OverallAccuracy(9100909/9352111)97.31%KappaCoefficient0.6735（2）模型迭代样本调整：针对误分区域补充标注样本，或调整数据增强策略（如增加对应场景的变换强度）。模型改进：调整训练参数（如降低学习率防止过拟合），重新训练模型直至满足精度要求。根据上述研究结果可得，基于TLD-FusionNet提取城市绿地的方法在多个方面展现出显著优势。首先，网络通过深度特征融合机制，能够高效整合多尺度光谱与空间信息，对复杂场景下的绿地边界识别具有极强的适应性。无论是大型公园规整的轮廓，还是社区内蜿蜒的绿化带，其提取的边界平滑且精准，与实际地物轮廓契合度高达92%以上，相比传统方法大幅减少了锯齿状误差。其次，模型在处理高分辨率遥感影像时，能够利用多层卷积结构自动提取深层语义特征，有效区分绿地与光谱相近的地物。且TLD-FusionNet对细碎绿地（如街旁花坛、行道树）的捕捉能力尤为突出，显著提升了绿地提取的完整性，避免了传统方法中常见的漏提问题。此外，该模型大幅降低了模型训练成本与时间消耗。总体而言，TLD-FusionNet凭借先进的网络设计与特征处理能力，为城市绿地提取提供了高精度、高效率且适应性强的技术方案。5城市绿地提取的精度评价与对比分析5.1精度指标城市绿地提取精度指标是衡量城市绿地提取方法准确性和可靠性的重要依据，以下是一些常用的指标REF_Ref9667\r\h[13]。（1）总体精度（OverallAccuracy，OA）指分类结果中正确分类的像元数占总像元数的百分比。公式：（5.1）其中xii是第i类被正确分类的像元数，xij是第i类被分类为第j类的像元数，n是类别数。（2）Kappa系数是一种用于衡量分类结果一致性的指标，它考虑了随机分类的情况，能够更准确地反映分类器的性能。公式：（5.2）其中，N为样本总数，xii同总体精度公式中的含义，，表示混淆矩阵中第i行的总和，，表示混淆矩阵中第i列的总和。（3）生产者精度（Producer'sAccuracy，PA）也称为召回率（Recall），是指某一类别的真实像元被正确分类的比例。公式：（5.3）对于城市绿地类别，xkk是第k类的正确分类样本数，xk+为实际属于第k类的样本总数。（4）使用者精度（User'sAccuracy，UA）是指分类结果中某一类别被正确分类的像元数占该类别被分类为该类的总像元数的百分比。公式：（5.4）对于城市绿地类别，xkk是第k类的正确分类样本数，xk+为预测为第k类的样本总数。5.2精度评定与对比分表5.1各方法精度对比Table5.1Comparisonofaccuracyofeachmethod方法OverallAccuracyKappaCoefficient面向对象法(9080196/13379758)67.87%0.1926最大似然法(10081886/12596396)80.038%0.5667支持向量机(10533950/12596396)83.63%0.6160TLD-FusionNet(9100909/9352111)97.31%0.6735

表5.2面向对象法Table5.2Object-orientedapproachGroundTruth(Pixels)Class地表绿地地表建筑地表道路TotalUnclassified153877314807314678783362地表绿地8765263117457292948111812201Unclassified153877314807314678783362Masked69215126833Total9073709747086355896313379758GroundTruth(Percent)Class地表绿地地表建筑地表道路TotalUnclassified1.742.148.845.85地表绿地96.615.7282.3188.28Unclassified1.742.148.845.85Masked0.01000.01Total100100100100ClassCommission(Percent)Omission(Percent)Commission(Pixels)Omission(Pixels)地表绿地25.793.43046938/11812201308446/9073709Unclassified59.8157.86468555/783362432279/747086Masked84.87100707/8333558837/3558963ClassProd.Acc.(Percent)UserAcc.(Percent)Prod.Acc.(Pixels)UserAcc.(Pixels)地表绿地96.674.218765263/90737098765263/11812201Unclassified42.1440.19314807/747086314807/783362Masked015.13126/3558963126/833

表5.3最大似然法Table5.3MaximumLikelihoodMethodClass地表绿地地表建筑地表道路Total地表绿地7628890172807635228409692地表建筑3830343332263609931077253地表道路9079088177321197703109451Total8919832432279324428512596396Class地表绿地地表建筑地表道路Total地表绿地85.53423.5366.76地表建筑4.2977.0911.138.55地表道路10.1818.9265.3424.69Total100100100100ClassCommission(Percent)Omission(Percent)Commission(Pixels)Omission(Pixels)地表绿地9.2814.47780802/84096921290942/8919832地表建筑69.0722.91744027/107725399053/432279地表道路31.8334.66989681/31094511124515/3244285ClassProd.Acc.(Percent)UserAcc.(Percent)Prod.Acc.(Pixels)UserAcc.(Pixels)地表绿地85.5390.727628890/89198327628890/8666134地表建筑77.0930.93333226/432279333226/1169336地表道路65.3468.172119770/32442852119770/3886232

表5.4支持向量机法Table5.4SupportvectormachinemethodGroundTruth(Pixels)Class地表绿地地表建筑地表道路Total地表绿地8151986396409504309142056地表建筑187676259888171779619343地表道路58017013275121220762834997Total8919832432279324428512596396GroundTruth(Percent)Class地表绿地地表建筑地表道路Total地表绿地91.399.1729.372.58地表建筑94.92地表道路6.530.7165.4122.51Total100100100100ClassCommission(Percent)Omission(Percent)Commission(Pixels)Omission(Pixels)地表绿地10.838.61990070/9142056767846/8919832地表建筑58.0439.88359455/619343172391/432279地表道路25.1534.59712921/28349971122209/3244285ClassProd.Acc.(Percent)UserAcc.(Perce