基于TM影像的城市绿地分类方法：技术、应用与精度提升

基于TM影像的城市绿地分类方法：技术、应用与精度提升一、引言1.1研究背景与意义随着城市化进程的加速，城市生态环境问题日益凸显，城市绿地作为城市生态系统的重要组成部分，其对城市生态环境的改善作用愈发受到关注。城市绿地不仅能够美化城市景观、提供居民休闲娱乐空间，还在调节城市气候、净化空气、降低噪音、保持水土、维护生物多样性等方面发挥着关键作用。城市绿地可以通过植物的光合作用吸收二氧化碳，释放氧气，有助于缓解城市热岛效应。相关研究表明，每公顷绿地每天大约能吸收900千克二氧化碳，释放600千克氧气，有效改善城市空气质量。城市绿地还能吸附和降解空气中的颗粒物和有害物质，降低空气污染水平。例如，草地对空气中的灰尘有明显的阻挡、过滤和吸附作用，其减尘率可达29%-75%。在调节城市气候方面，绿地如公园、街道绿化等可以有效降低周围温度，减少城市热岛效应。植物通过蒸腾作用释放水分，增加空气湿度，帮助调节城市的气候条件。据测算，城市绿地面积每增加1%，城市气温可降低0.1-0.2℃。此外，城市绿地为野生动植物提供了栖息地，有助于维持生态平衡，促进物种间的相互作用，增强生态系统的稳定性和抵抗力。传统的城市绿地分类方法主要依赖于实地调查、人工绘制地图等方式。这些方法存在诸多不足，如耗费大量的人力、物力和时间，效率低下；受人为因素影响较大，分类结果的准确性和客观性难以保证；对于大面积的城市区域，难以实现全面、及时的监测和更新。在快速城市化的背景下，城市绿地的分布和变化日新月异，传统方法已无法满足对城市绿地信息快速、准确获取的需求。随着遥感技术的发展，利用卫星遥感影像进行城市绿地分类成为一种新的趋势。TM（ThematicMapper）影像作为一种常用的遥感数据，具有较高的空间分辨率和光谱分辨率，能够提供丰富的地表信息。其空间分辨率可达30米，能够清晰地分辨出城市中的不同地物类型，为城市绿地分类提供了可靠的数据基础。利用TM影像进行城市绿地分类，具有快速、准确、全面等优势，可以大大提高绿地分类的效率和精度，实现对城市绿地的动态监测和管理。通过对不同时期的TM影像进行分析，能够及时掌握城市绿地的变化情况，为城市规划和生态环境保护提供科学依据。利用TM影像进行城市绿地分类对于城市生态环境的保护和改善具有重要的现实意义。准确的绿地分类结果可以为城市规划者提供详细的绿地信息，帮助他们合理规划城市绿地布局，提高绿地的生态功能和服务价值。在城市建设中，可以根据绿地分类结果，在热岛效应严重的区域增加绿地面积，优化绿地类型，从而有效缓解城市热岛效应，改善城市微气候。绿地分类结果还能为城市生态环境保护政策的制定提供科学依据，促进城市的可持续发展。通过对城市绿地的分类和监测，能够及时发现绿地破坏、侵占等问题，采取相应的保护措施，确保城市绿地的生态功能得以充分发挥。1.2国内外研究现状在国外，利用TM影像进行城市绿地分类的研究开展较早。20世纪80年代起，随着遥感技术的发展，TM影像开始被应用于城市绿地的研究。早期的研究主要集中在利用TM影像的光谱信息，通过监督分类和非监督分类方法对城市绿地进行初步分类。例如，一些研究利用最大似然分类法对TM影像进行处理，将城市绿地从其他地物中区分出来，实现了对城市绿地的简单识别和分类，为后续的深入研究奠定了基础。随着研究的深入，为了提高分类精度，研究人员开始结合多种数据源和分类方法。有研究将TM影像与航空影像相结合，充分利用航空影像高分辨率的优势，补充TM影像在细节信息上的不足，从而更准确地识别城市绿地中的不同类型，如公园绿地、道路绿地等。同时，面向对象的分类方法逐渐受到关注，这种方法考虑了地物的光谱、形状、纹理等多种特征，能够更准确地对城市绿地进行分类。以某研究为例，该研究利用面向对象的分类方法对TM影像进行处理，根据绿地的形状规则性、纹理特征等，将城市绿地与其他植被区分开来，有效提高了分类的准确性。在国内，相关研究起步相对较晚，但发展迅速。早期主要借鉴国外的研究方法和经验，进行一些基础性的探索。随着国内对城市生态环境重视程度的提高，基于TM影像的城市绿地分类研究逐渐增多。研究人员针对国内城市的特点，开展了一系列有针对性的研究。在一些大城市的研究中，利用TM影像分析城市绿地的分布格局，探讨绿地与城市热岛效应、空气质量等生态环境因素的关系，为城市绿地规划和生态环境改善提供科学依据。近年来，国内研究在分类方法和技术应用上不断创新。机器学习算法如支持向量机、神经网络等被广泛应用于城市绿地分类研究中。这些算法能够自动学习地物的特征，提高分类的精度和效率。有研究利用支持向量机算法对TM影像进行分类，通过对大量样本的学习和训练，实现了对城市绿地多种类型的准确分类，与传统分类方法相比，分类精度有了显著提高。国内研究还注重多源数据的融合，如将TM影像与地理信息系统（GIS）数据、地形数据等相结合，综合分析城市绿地的空间分布和生态功能，为城市绿地的精细化管理提供了有力支持。尽管国内外在基于TM影像的城市绿地分类研究方面取得了一定成果，但仍存在一些待解决的问题。不同分类方法和数据源的选择对分类结果的影响机制尚未完全明确，如何根据研究区域的特点选择最合适的分类方法和数据源，还需要进一步的研究和探讨。城市绿地类型复杂多样，一些特殊类型的绿地，如立体绿化、小微绿地等，在TM影像上的特征不明显，分类难度较大，目前还缺乏有效的分类方法。城市绿地的动态变化监测也是一个研究难点，如何利用多时相的TM影像准确监测城市绿地的变化，及时发现绿地的破坏和新增情况，还需要进一步优化监测方法和技术。本研究将针对这些问题，在现有研究的基础上，进一步探索基于TM影像的城市绿地分类方法，通过对比分析不同分类方法的优缺点，结合多源数据，提高城市绿地分类的精度和准确性，为城市绿地的科学管理和生态环境的保护提供更有效的技术支持。1.3研究内容与方法本研究的主要内容围绕基于TM影像的城市绿地分类展开，旨在探索更加准确、高效的城市绿地分类方法，提高城市绿地信息提取的精度，为城市生态环境管理和规划提供科学依据。具体内容如下：TM影像的特征分析：深入研究TM影像的光谱特征、空间特征以及纹理特征。分析不同绿地类型在TM影像各个波段的反射率差异，如植被在近红外波段具有高反射率，而在蓝光和红光波段反射率较低，利用这些光谱特征可以初步区分绿地与其他地物。研究绿地在TM影像中的空间分布规律，如公园绿地通常具有较大的面积和规则的形状，而道路绿地则呈现线性分布。分析绿地的纹理特征，包括粗糙度、对比度等，不同植被类型的纹理特征不同，草地纹理相对平滑，而林地纹理则较为复杂，这些特征有助于进一步细分绿地类型。不同分类方法的应用：选择多种常见的分类方法应用于TM影像的城市绿地分类，包括监督分类中的最大似然分类法、非监督分类中的K-均值分类法以及面向对象的分类方法。最大似然分类法基于概率统计原理，通过计算像元属于各类别的概率来进行分类；K-均值分类法是一种聚类算法，根据像元之间的相似度将其划分为不同的类别；面向对象的分类方法则是将影像分割成不同的对象，综合考虑对象的光谱、形状、纹理等特征进行分类。对比分析这些分类方法在城市绿地分类中的优缺点，评估它们对不同绿地类型的分类精度，如最大似然分类法对大面积、均一的绿地分类效果较好，但对复杂的混合像元分类精度较低；K-均值分类法无需预先设定类别，但分类结果的不确定性较大；面向对象的分类方法能较好地处理复杂的地物边界，但对影像分割的质量要求较高。多源数据融合的城市绿地分类研究：为提高城市绿地分类的精度，将TM影像与其他数据源进行融合。结合地理信息系统（GIS）数据，如地形数据、土地利用数据等，利用地形数据中的高程、坡度等信息，可以辅助判断绿地的分布位置，山地和丘陵地区的绿地分布与地形密切相关；土地利用数据可以提供城市其他地物的信息，减少分类过程中的误判。融合高分辨率的航空影像或其他卫星影像，航空影像具有更高的空间分辨率，能够提供更详细的绿地细节信息，如绿地中的树木种类、植被覆盖的疏密程度等，与TM影像结合可以弥补TM影像在细节方面的不足。研究多源数据融合对城市绿地分类精度的提升效果，分析不同数据源在分类过程中的作用，通过实验对比，确定最佳的数据融合方案。城市绿地分类结果的精度评价：建立科学合理的精度评价指标体系，对不同分类方法和多源数据融合后的城市绿地分类结果进行精度评价。采用常用的精度评价指标，如总体精度、生产者精度、用户精度以及Kappa系数等。总体精度反映了分类结果与参考数据的总体一致性程度；生产者精度表示实际为某一类别的像元被正确分类的比例；用户精度表示分类结果中被判定为某一类别的像元实际属于该类别的比例；Kappa系数则综合考虑了偶然因素对分类精度的影响，更准确地评价分类结果的可靠性。通过精度评价，分析分类结果存在误差的原因，如影像噪声、分类方法的局限性、数据融合的不准确性等，为进一步改进分类方法和提高分类精度提供依据。在研究过程中，将综合运用以下研究方法：对比分析法：对不同分类方法在城市绿地分类中的应用结果进行对比，从分类精度、分类效率、适用范围等多个方面进行详细分析。比较最大似然分类法、K-均值分类法和面向对象分类法在处理相同TM影像时的分类精度，分析不同方法在不同绿地类型上的表现差异，找出最适合城市绿地分类的方法。对比多源数据融合前后城市绿地分类结果的精度变化，评估不同数据源对分类精度的贡献，确定最佳的数据融合策略。通过对比分析，明确各种方法和数据源的优势与不足，为研究提供科学的决策依据。案例研究法：选取典型城市作为研究区域，以武汉市为例，利用其丰富的TM影像数据和详细的城市绿地资料，深入开展基于TM影像的城市绿地分类研究。通过对武汉市的研究，分析不同地形、地貌和城市发展特征下城市绿地的分布规律和分类特点，探讨分类方法在实际应用中的可行性和有效性。以武汉市的东湖绿道周边区域为例，该区域绿地类型丰富，包括林地、草地、湿地等，通过对这一区域的TM影像进行分类研究，验证分类方法在复杂绿地环境下的适用性。通过案例研究，总结经验和规律，为其他城市的绿地分类提供参考和借鉴。数据分析法：对获取的TM影像数据、其他辅助数据以及分类结果数据进行深入分析。利用统计分析方法，分析不同绿地类型在TM影像中的光谱特征统计量，如均值、标准差等，找出不同绿地类型之间的光谱差异，为分类提供依据。通过空间分析方法，研究城市绿地的空间分布格局，如绿地的集聚程度、连通性等，分析绿地与其他地物的空间关系，为城市绿地规划和生态环境评估提供支持。运用数据挖掘技术，从大量的数据中挖掘潜在的信息和规律，如发现不同绿地类型与城市生态环境指标之间的关联关系，为城市生态环境的保护和改善提供科学指导。二、TM影像基础2.1TM影像的原理与获取TM影像即专题制图仪（ThematicMapper）影像，是由美国陆地卫星（Landsat）搭载的专题制图仪获取的多波段扫描影像。其成像原理基于地物对不同波段电磁波的反射、发射和散射特性。地物在自然环境中，受到太阳辐射的照射，不同地物由于自身的物质组成、结构和表面状态等因素的差异，对不同波长的电磁波具有不同的反射和吸收能力。例如，植被中的叶绿素对蓝光和红光有较强的吸收作用，而对近红外光有较高的反射率；水体对近红外光有很强的吸收能力，在近红外波段表现出低反射率。TM传感器通过探测这些不同地物的电磁波反射和发射信号，将其转化为电信号，再经过一系列的数据处理，最终形成TM影像。TM影像获取主要通过美国地质调查局（USGS）提供的EarthExplorer平台（/EarthExplorer/）。在获取TM影像时，首先需要进行准备工作。网络方面，由于该平台位于国外，访问时可能会消耗一定的国际流量，需要确保网络连接稳定且具备相应的网络条件。同时，为了能够顺利下载数据，需要提前注册一个账号。在注册账户时，务必提供真实有效的个人信息，以便顺利获取下载权限。具体下载步骤如下：打开浏览器并访问EarthExplorer平台，在页面左侧的“SelectYourDataset”选项中，选择要下载的数据源。对于TM影像，可以选择“LandsatArchive”或者“LandsatLegacy”。使用鼠标左键在地图上平移，使用鼠标滚轮进行地图的放大或缩小操作，通过在地图上点击来选择特定区域。选择时，首先点击地图上的一个点，然后移动到另一个位置再次点击，即可绘制出一个矩形区域，以此指定坐标范围。点击页面右下角的“Search”按钮，系统会根据指定的坐标范围搜索相关的TM影像数据。在搜索结果中，可以看到不同来源的TM影像数据，如果搜索结果中显示有“Download”选项，则表示这些数据是可以下载的。使用之前注册的用户名和密码登录账户，登录后，即可开始下载选中的TM影像数据。在获取TM影像的过程中，有一些注意事项。网络连接问题较为常见，由于平台位于国外，可能会遇到连接不稳定的情况，这时需要耐心多次尝试，不断调整网络设置或者更换网络环境，以确保能够成功连接并获取数据。在选择数据源和指定搜索区域时，要根据研究目的和区域特点进行准确选择。如果研究区域较小且位置明确，应尽量精确地划定搜索区域，避免下载过多不必要的数据，提高数据获取的效率和针对性；若研究区域较大或范围不太明确，可适当扩大搜索区域，但也要注意不要过于宽泛，以免增加数据处理的难度和工作量。此外，还需关注数据的时效性和质量。不同时期获取的TM影像可能受到不同的天气、季节等因素影响，要根据研究需求选择合适时间的影像。同时，在下载前可查看影像的相关质量指标，如云层覆盖情况等，尽量选择云层覆盖少、数据质量高的影像，以保证后续研究的准确性和可靠性。2.2TM影像的特点TM影像具有独特的特点，这些特点对于城市绿地分类具有重要影响，具体如下：空间分辨率：TM影像的空间分辨率为30米（热红外波段为120米），这一分辨率能够在一定程度上清晰地分辨城市中的不同地物类型。对于城市绿地分类而言，30米的分辨率可以区分出较大面积的绿地，如公园、大型绿地广场等，能够准确识别绿地的边界和范围。在识别城市中的大型公园时，TM影像可以清晰地显示公园的轮廓、道路布局以及内部的水体、建筑等要素，有助于准确划分公园绿地的范围。然而，对于一些小型的绿地斑块，如街边的小型绿地、居民小区内的小块绿地等，30米的分辨率可能会导致这些绿地与周围的建筑物、道路等混合像元增多，难以精确区分，从而影响分类的精度。波谱分辨率：TM影像包含7个波段，涵盖了从可见光到热红外的不同光谱范围。不同波段对不同地物具有独特的敏感性，为城市绿地分类提供了丰富的光谱信息。TM1（0.45-0.52μm）蓝波段对叶绿素和夜色素浓度敏感，对水体穿透强，可用于区分土壤与植被、落叶林与针叶林等，在城市绿地分类中，有助于识别绿地中的水体区域以及不同植被类型的差异；TM4（0.76-0.90μm）近红外波段对无病害植物近红外反射敏感，是植物通用波段，在城市绿地分类中，利用该波段可以突出植被的特征，将绿地与其他非植被地物有效区分开来，通过分析该波段的反射率，可以判断植被的健康状况和生长态势。不同绿地类型在各个波段的反射率存在差异，通过分析这些光谱特征，可以实现对城市绿地的分类和识别。辐射分辨率：TM影像的辐射分辨率为8比特，即每个像元可以表示256个不同的灰度级。较高的辐射分辨率使得TM影像能够更细致地记录地物的辐射信息，对于城市绿地分类，能够更准确地反映绿地植被的生长状况和生物量差异。健康的植被和受到病虫害影响的植被在辐射信息上会有细微差别，高辐射分辨率的TM影像可以捕捉到这些差异，从而帮助区分不同健康状态的绿地植被。在城市绿地监测中，通过对比不同时期TM影像的辐射信息，可以及时发现绿地植被的变化，如植被的生长、衰退、病虫害侵袭等情况，为城市绿地的养护和管理提供依据。时间分辨率：TM影像的重访周期为16天，这使得它能够对城市绿地进行动态监测。在城市发展过程中，城市绿地的面积、分布和类型可能会发生变化，利用TM影像的时间分辨率，可以定期获取城市绿地的影像数据，及时发现绿地的新增、减少以及类型转换等情况。通过对比不同时期的TM影像，可以清晰地看到城市建设过程中绿地被侵占的区域，以及新规划建设的绿地项目，为城市规划和生态环境保护提供实时的数据支持，以便及时调整城市绿地规划和管理策略，确保城市绿地的生态功能得以持续发挥。数据覆盖范围与成本：TM影像具有较广的覆盖范围，能够获取大面积的城市区域信息，为城市绿地的宏观研究提供了便利。利用TM影像可以对整个城市的绿地分布格局进行分析，研究绿地与城市其他功能区的空间关系。获取TM影像的成本相对较低，与一些高分辨率的遥感影像相比，在大规模城市绿地监测和分类研究中，使用TM影像可以在保证一定精度的前提下，降低研究成本，提高研究的可行性和效率。2.3TM影像数据预处理在利用TM影像进行城市绿地分类之前，需要对原始影像进行一系列的数据预处理操作，以提高影像质量，消除各种误差和噪声，为后续的分类工作奠定良好的基础。数据预处理主要包括辐射校正、几何校正和图像增强等方面。辐射校正旨在消除因传感器自身条件、大气条件、太阳方位等因素导致的辐射误差，使影像能够真实地反映地物的辐射特性。传感器在获取影像时，由于自身的光电转换特性、探测器的响应差异等，会导致影像的亮度值存在偏差。大气中的气溶胶、水汽等会对电磁波产生散射和吸收，改变地物反射或发射的电磁波能量，从而影响影像的辐射信息。太阳高度角和方位角的变化也会导致地物接收到的太阳辐射量不同，进而影响影像的辐射值。通过辐射校正，可以将影像的DN（DigitalNumber）值转换为地表实际反射率或辐射亮度值，常用的辐射校正方法有基于辐射传输模型的校正方法，如6S模型、MODTRAN模型等，这些模型考虑了大气的成分、气溶胶类型、太阳高度角等因素对辐射传输的影响，通过模拟电磁波在大气中的传输过程，对影像进行校正；还有基于统计的方法，如直方图匹配法，通过调整影像的直方图，使其与标准影像的直方图相似，来实现辐射校正。几何校正的目的是消除影像中的几何畸变，使影像的像元位置与实际地理坐标相对应。影像在获取和传输过程中，会受到多种因素的影响而产生几何畸变。传感器的姿态变化，如卫星在运行过程中的滚动、俯仰和偏航，会导致影像的几何变形；地球的曲率和自转也会使影像产生几何误差；地形起伏同样会造成影像的几何畸变，在山区，地形的高差会使地物在影像上的位置发生位移。为进行几何校正，首先需要选择地面控制点（GCPs），这些控制点应在影像和地图或其他参考数据上都能准确识别，且分布均匀。然后，利用多项式拟合等方法建立影像坐标与地面坐标之间的数学模型，对影像进行几何变换，将像元重新定位到正确的地理坐标位置。在ENVI软件中，可以通过“GeometricCorrection”模块进行几何校正操作，在该模块中，用户可以方便地选择控制点，设置多项式次数等参数，完成几何校正。图像增强是通过各种技术手段突出影像中的某些特征，提高影像的视觉效果和可解译性，以便更好地进行城市绿地分类。对比度拉伸是一种简单而常用的图像增强方法，通过调整影像的亮度值范围，扩大影像中不同地物之间的亮度差异，使影像的对比度增强，从而突出绿地与其他地物的边界和特征；滤波也是常用的图像增强方法，如低通滤波可以平滑影像，去除高频噪声，使绿地的纹理更加清晰；高通滤波则可以突出影像的边缘和细节信息，有助于识别绿地的边界。在ENVI软件中，提供了丰富的图像增强工具，用户可以根据实际需求选择合适的方法进行图像增强处理。通过辐射校正、几何校正和图像增强等预处理操作，能够有效提高TM影像的质量和可用性，为后续基于TM影像的城市绿地分类提供准确、可靠的数据基础，减少因影像质量问题导致的分类误差，提高分类的精度和准确性。三、城市绿地分类体系3.1城市绿地的定义与功能城市绿地是以植被为主要存在形态，用于改善城市生态、保护环境、为居民提供游憩场地和美化城市的一种城市用地。其范围涵盖城市规划区范围内的各类绿化用地，包括公园绿地、防护绿地、生产绿地、附属绿地以及其他绿地等。从广义上讲，城市绿地不仅包含城市建设用地范围内用于绿化的土地，还涵盖城市建设用地之外，对城市生态、景观和居民休息生活具有积极作用、绿化环境较好的区域；狭义的城市绿地则通常指面积较小、设施较少或没有设施的绿化地段，与面积较大、设施较为完善的公园有所区别。城市绿地在生态、社会和经济等方面发挥着至关重要的功能，对城市的可持续发展意义重大。在生态方面，城市绿地具有调节气候的功能。绿地中的植物通过蒸腾作用，将水分从根部输送到叶片，再散发到大气中，这个过程会吸收热量，从而降低周围环境的温度。相关研究表明，夏季城市绿地中的气温比非绿地区域可低1-3℃。绿地还能增加空气湿度，改善城市的小气候环境，缓解城市热岛效应。植物的叶片可以吸附空气中的灰尘和颗粒物，减少大气中的污染物含量，起到净化空气的作用。不同类型的绿地净化空气的能力有所差异，例如，乔木的叶片面积较大，吸附污染物的能力相对较强，而草地则能有效阻挡地面扬尘。城市绿地中的植物根系可以固定土壤，防止水土流失，在河流、湖泊等水体周边的绿地，还能过滤地表径流，减少进入水体的污染物，保护城市的水资源。绿地为众多动植物提供了栖息地，增加了城市的生物多样性，维护了城市生态系统的平衡。在社会功能方面，城市绿地为居民提供了休闲娱乐和健身的场所。公园、社区绿地等是居民日常散步、锻炼、游玩的好去处，丰富了居民的业余生活，有助于缓解人们的工作和生活压力，促进身心健康。城市绿地中的公园、植物园等还具有科普教育功能，通过展示不同的植物种类和生态系统，向居民普及植物学、生态学等知识，提高居民的环保意识。良好的城市绿地景观能够提升城市的整体形象，增强居民对城市的认同感和归属感，促进城市文化的传承和发展。从经济角度来看，城市绿地有助于提升周边房地产的价值。靠近绿地的房产往往更受消费者青睐，价格也相对较高。城市绿地还能吸引游客，促进城市旅游业的发展，带动相关产业的繁荣，增加城市的经济收入。例如，一些著名的城市公园成为了城市的旅游名片，吸引了大量游客前来参观游览，为当地带来了可观的旅游收入。城市绿地可以减少城市的能源消耗，如通过降低夏季气温，减少居民和企业对空调等制冷设备的使用，从而降低能源成本。准确的城市绿地分类对于充分发挥其功能具有重要意义。不同类型的绿地在生态、社会和经济功能上各有侧重，只有通过科学合理的分类，才能针对不同类型的绿地进行有针对性的规划、建设和管理，最大限度地发挥城市绿地的综合效益。在城市规划中，根据不同区域的功能需求和生态条件，合理布局公园绿地、防护绿地等，可以提高城市绿地的生态功能和服务效率。对城市绿地进行准确分类，也有助于更好地监测和评估城市绿地的发展状况，为城市生态环境的保护和改善提供科学依据。3.2现有城市绿地分类方法概述国内外常见的城市绿地分类方法众多，不同的分类方法依据各异，各有其特点和适用范围。在国内，《城市绿地分类标准》（CJJ/T85-2017）是较为权威和广泛应用的分类方法。该标准依据绿地的主要功能和用途，将城市绿地分为5大类、13中类和11小类。5大类分别为公园绿地（G1）、防护绿地（G2）、生产绿地（G3）、附属绿地（G4）和其他绿地（G5）。公园绿地以游憩为主要功能，兼具生态、美化、防灾等作用，包括综合公园、社区公园、专类公园、带状公园以及街旁绿地等，如北京的颐和园、天坛公园等就属于综合公园，为市民和游客提供休闲娱乐、文化观赏的场所；防护绿地具有卫生、隔离和安全防护功能，包括城市卫生隔离带、道路防护绿地、城市高压走廊绿带、防风林等，在城市中，道路两旁的防护绿地可以降低交通噪音、吸附灰尘，保护周边环境；生产绿地为城市绿化提供苗木、花草、种子等，如各类苗圃、花圃等；附属绿地是指城市建设用地中的绿化用地，包括居住用地、公共设施用地、工业用地等中的绿地，居住小区内的绿地、学校内的绿化区域都属于附属绿地，为居民和使用者提供舒适的环境；其他绿地对城市生态环境质量、居民休闲生活、城市景观和生物多样性保护有直接影响，包括风景名胜区、水源保护区、郊野公园等。这种分类方法具有系统性和规范性，全面涵盖了城市中各类绿地，与城市规划和建设紧密结合，便于城市绿地的规划、建设和管理，在城市绿地系统规划、绿地建设指标统计等方面广泛应用。从功能角度进行分类，城市绿地可分为休闲游憩绿地、生态防护绿地、生产绿地和景观绿地等。休闲游憩绿地主要为居民提供休闲娱乐的空间，如公园、游乐场、休闲广场等；生态防护绿地侧重于生态保护功能，像防风林、水源涵养林等；生产绿地用于生产绿化植物材料；景观绿地主要起美化城市景观的作用，如街头绿地、花坛等。这种分类方法以绿地的功能为核心，能够清晰地体现不同绿地在城市生态系统和居民生活中的作用，有助于针对性地进行绿地规划和管理，满足不同人群对绿地的需求。在城市的商业区，可增加休闲游憩绿地，满足人们购物之余的休息需求；在城市的边缘地区，建设生态防护绿地，保护城市生态环境。依据空间位置，城市绿地可分为街头绿化、广场绿化、路缘绿化、人行道绿化、中央分隔带绿化、居民小区绿化、企事业单位绿化等。这种分类方法直观地反映了绿地在城市空间中的分布位置，对于城市空间的规划和景观设计具有重要意义。通过合理布局不同位置的绿地，可以优化城市空间结构，提高城市的整体景观效果。在城市道路的中央分隔带设置绿化，不仅可以美化道路，还能起到分隔交通、减少眩光的作用；在居民小区内合理规划绿地，能提升居民的居住环境质量。国外的城市绿地分类方法也各有特色。德国将城市绿地分为郊外森林公园、市民公园、运动娱乐公园、广场、分区公园、交通绿地。郊外森林公园为城市居民提供接近自然的休闲场所，市民公园则更注重满足市民日常的休闲需求，这种分类充分考虑了不同类型绿地的功能和服务对象，强调了绿地对居民生活的影响。在德国的城市中，郊外森林公园吸引着大量市民在周末和节假日前往徒步、野餐，享受大自然的宁静与美好。西班牙马德里根据对人为活动的限制程度将开放空间系统划分为国家公园、区域公园、市域公园三个层次。这种分类方法从对人为活动的管理角度出发，有助于合理规划和管理不同层次的绿地资源，保护生态环境，同时满足不同人群对绿地的使用需求。国家公园对人为活动的限制较为严格，主要以保护生态环境和生物多样性为主；区域公园和市域公园则相对宽松，为居民提供更多的休闲活动空间。美国洛杉矶公园与游憩用地分为游戏场、邻里运动场、地区运动场、体育运动中心、城市公园、区域公园、海岸、野营地、特殊公园、文化遗址、空地、保护地等。这种分类细致，涵盖了多种类型的绿地，充分考虑了不同人群的休闲娱乐需求和绿地的多种功能，在城市的不同区域，根据居民的需求和人口分布，合理布局不同类型的公园和游憩用地，为居民提供丰富多样的休闲选择。不同的城市绿地分类方法都有其独特之处，在实际应用中，需要根据研究目的、城市特点和管理需求等因素，选择合适的分类方法，以更好地对城市绿地进行研究、规划和管理。3.3基于TM影像分类对传统体系的补充与优化传统城市绿地分类体系在城市绿地的规划、建设和管理中发挥了重要作用，但随着遥感技术的发展，特别是TM影像在城市绿地研究中的应用，传统分类体系暴露出一些局限性。结合TM影像的特点对传统体系进行补充与优化，能使其更好地适应遥感数据的分析，提高城市绿地分类的准确性和科学性。TM影像具有宏观性和快速获取信息的能力，能够覆盖较大范围的城市区域，提供全面的绿地信息。传统分类体系在实际应用中，对于一些大面积、分布较为分散的绿地，难以快速准确地进行识别和分类。利用TM影像的宏观性，可以从整体上把握城市绿地的分布格局，对传统分类体系中难以界定的大面积绿地进行准确分类。在城市的边缘地带，存在一些面积较大的生态绿地，其类型和边界在传统分类中可能不够明确，通过TM影像可以清晰地看到这些绿地的范围和与周边地物的关系，从而更准确地将其归类为其他绿地中的生态绿地类型，完善传统分类体系在大面积绿地分类上的不足。TM影像的光谱特征丰富，不同地物在各个波段的反射率存在差异，这为绿地分类提供了独特的信息。传统分类体系主要基于绿地的功能和用途进行分类，对于绿地内部不同植被类型的区分不够细致。而TM影像的光谱信息可以帮助识别绿地中的不同植被类型，如通过分析近红外波段的反射率，可以区分出乔木、灌木和草地等。在公园绿地中，利用TM影像的光谱特征，可以进一步细分出以乔木为主的林地、以灌木为主的灌木丛以及以草本植物为主的草地等不同植被类型，对传统分类体系中的公园绿地进行更细致的分类，为城市绿地的精细化管理提供支持。在纹理特征方面，TM影像能够反映绿地的纹理信息，不同绿地类型具有不同的纹理特征，如草地纹理相对平滑，而林地纹理则较为复杂。传统分类体系较少考虑绿地的纹理特征，导致在分类过程中对于一些外观相似但实际类型不同的绿地难以区分。利用TM影像的纹理特征，可以有效区分这些相似的绿地类型。在区分城市中的小块林地和高密度的灌木绿地时，林地由于树木的分布和高度差异，其纹理表现为相对粗糙、不规则；而灌木绿地由于灌木的生长较为密集且高度相对一致，纹理较为细腻、规则。通过分析TM影像的纹理特征，可以准确地将它们区分开来，补充传统分类体系在相似绿地类型区分上的不足。TM影像的时间分辨率为16天，能够对城市绿地进行动态监测。传统分类体系相对静态，难以及时反映城市绿地的动态变化。利用TM影像的时间序列数据，可以监测绿地的变化情况，如绿地的新增、减少以及类型转换等。通过对比不同时期的TM影像，能够及时发现城市建设过程中绿地被侵占的区域，以及新规划建设的绿地项目。对于城市中因房地产开发而导致的绿地减少情况，通过TM影像的动态监测可以及时发现并进行记录，同时对于新建设的城市公园等绿地项目也能及时更新到分类体系中，使城市绿地分类体系能够实时反映城市绿地的动态变化，为城市规划和生态环境保护提供更及时、准确的数据支持。为了更好地结合TM影像对传统分类体系进行补充与优化，在分类过程中可以采用分层分类的方法。首先，根据传统分类体系的大类进行初步分类，利用TM影像的宏观特征和易于识别的光谱特征，将城市绿地分为公园绿地、防护绿地、生产绿地、附属绿地和其他绿地等大类。然后，在每个大类中，利用TM影像的光谱、纹理和时间特征等，进一步细分绿地类型。在公园绿地大类中，根据光谱特征区分不同植被类型，根据纹理特征区分不同景观区域，根据时间特征监测公园绿地的变化情况，从而实现对公园绿地的精细化分类。这种分层分类的方法既能充分利用传统分类体系的系统性和规范性，又能发挥TM影像在绿地分类中的优势，提高分类的精度和效率。四、基于TM影像的城市绿地分类方法4.1监督分类法4.1.1原理与流程监督分类法是一种基于先验知识的分类方法，其基本原理是在分类之前，通过实地调查、目视解译等方式，对遥感影像上的某些样区中影像地物的类别属性获取先验知识。这些已知类别的样区被称为训练样本，它们代表了不同的地物类型，如城市绿地中的公园绿地、防护绿地、生产绿地等。然后，利用这些训练样本计算各类别的特征参数，如均值、方差、协方差等，构建分类器。在分类过程中，将待分类的像元与训练样本的特征参数进行比较，根据一定的判别规则，将像元划分到最相似的类别中，从而完成对整个影像的分类。监督分类法利用训练样本进行分类的流程主要包括以下几个关键步骤：样本选择：这是监督分类的基础步骤，需要根据研究目的和影像特点，在影像上选择具有代表性的训练样本。选择训练样本时，应确保样本能够准确代表各类地物的特征，且在影像上分布均匀。对于城市绿地分类，在选择公园绿地的训练样本时，要涵盖不同规模、不同植被类型的公园，包括综合性公园、专类公园等；选择防护绿地的样本时，要包含道路防护绿地、城市高压走廊绿带等不同类型的防护绿地。可以通过实地调查，结合高分辨率的辅助影像，如航空影像，来准确确定训练样本的位置和范围，提高样本的准确性和可靠性。在选择样本时，还要注意样本的数量，一般来说，样本数量越多，分类效果越好，但也要考虑计算效率和实际情况，合理确定样本数量。特征提取：从训练样本中提取能够反映地物类别特征的信息，如光谱特征、纹理特征、空间特征等。在TM影像中，不同地物在各个波段的反射率存在差异，这些光谱特征是区分地物类别的重要依据。植被在近红外波段（TM4）具有高反射率，而在蓝光（TM1）和红光（TM3）波段反射率较低，通过分析这些波段的反射率值，可以初步区分绿地与其他地物。还可以提取绿地的纹理特征，如粗糙度、对比度等，不同植被类型的纹理特征不同，草地纹理相对平滑，而林地纹理则较为复杂，这些纹理特征有助于进一步细分绿地类型。利用地物的空间特征，如面积、形状、位置等，也能辅助分类。公园绿地通常具有较大的面积和规则的形状，而道路绿地则呈现线性分布，通过分析这些空间特征，可以更准确地识别不同类型的绿地。分类器构建：根据提取的特征参数，选择合适的分类算法构建分类器。常见的分类算法有最大似然分类法、最小距离分类法、马氏距离分类法等。最大似然分类法是基于贝叶斯准则，假设每个波段中的每类的统计都呈现正态分布，通过计算给定像元属于各类别的概率，将像元归到概率最大的类别中。最小距离分类法是利用训练样本数据计算出每一类的均值向量和标准差向量，然后以均值向量作为该类在特征空间中的中心位置，计算输入图像中每个像元到各类中心的距离，到哪一类中心的距离最小，该像元就归入到哪一类。马氏距离分类法计算输入图像到各训练样本的协方差距离，最终将像元归到协方差距离最小的类别中。在选择分类算法时，需要考虑影像数据的特点、分类精度要求以及计算效率等因素。影像分类：利用构建好的分类器对待分类的TM影像进行分类，将每个像元划分到相应的类别中。在分类过程中，计算每个像元与分类器中各类别特征参数的相似度，根据判别规则确定像元的类别。如果采用最大似然分类法，就计算每个像元属于各类别的概率，将像元分配到概率最大的类别；若采用最小距离分类法，就计算像元到各类中心的距离，将像元归到距离最小的类别。分类后处理：对分类结果进行一系列的处理，以提高分类的准确性和可靠性。常见的后处理方法包括去除小图斑、平滑边界、合并相似类别等。分类结果中可能会出现一些面积较小的图斑，这些小图斑可能是由于噪声或分类误差导致的，可以通过设置面积阈值，去除面积小于阈值的小图斑。分类边界可能存在锯齿状不连续的情况，通过平滑处理可以使边界更加自然和连续。对于一些在实际意义上相近但在分类结果中被划分为不同类别的区域，可以根据一定的规则进行合并。4.1.2在城市绿地分类中的应用案例以武汉市为例，展示监督分类法在该城市绿地分类中的应用过程。武汉市作为中部地区的重要城市，城市绿地类型丰富，包括东湖绿道周边的林地、草地，长江、汉江沿岸的防护绿地，以及众多公园绿地和附属绿地等。选择覆盖武汉市的TM影像作为数据源，影像获取时间为植被生长茂盛的夏季，此时植被特征明显，有利于绿地的识别和分类。在样本选择阶段，通过实地调查和高分辨率航空影像辅助，在TM影像上选择了多种类型的城市绿地训练样本。对于公园绿地，选取了黄鹤楼公园、解放公园等具有代表性的公园作为样本，涵盖了公园内的不同景观区域，如湖泊周边的湿地植被、大面积的草坪、茂密的林地等；防护绿地样本选择了长江、汉江两岸的堤防绿化带以及城市主要道路两侧的防护绿地；生产绿地样本选取了城市郊区的苗圃；附属绿地样本则包括了居民小区、学校、工厂内的绿化区域。每个类型的绿地选取了足够数量的样本，以确保能够准确代表该类绿地的特征。在特征提取环节，利用ENVI软件提取了训练样本的光谱特征、纹理特征和空间特征。分析了TM影像7个波段的反射率数据，发现绿地在TM4近红外波段反射率较高，在TM1、TM3波段反射率较低，这些光谱特征可以作为区分绿地与其他地物的重要依据。计算了绿地的纹理特征参数，如灰度共生矩阵中的对比度、相关性、能量和熵等，不同类型的绿地在纹理特征上存在差异，林地的对比度和熵值相对较高，而草地的相关性和能量值相对较高。还提取了绿地的空间特征，如面积、周长、形状指数等，公园绿地的面积通常较大，形状指数相对规则，而附属绿地面积较小，形状不规则。分类器构建采用了最大似然分类法，该方法在处理多波段数据时具有较高的分类精度。利用训练样本的特征参数，计算出各类别在特征空间中的概率分布模型。在影像分类阶段，将TM影像中的每个像元代入分类器中，计算其属于各类别的概率，根据概率最大原则将像元划分到相应的类别。分类结果显示，监督分类法能够较好地识别出武汉市的主要城市绿地类型，如公园绿地、防护绿地等，这些绿地在分类结果中呈现出相对集中和连续的分布区域。黄鹤楼公园、解放公园等大型公园绿地在分类图上能够清晰地显示其边界和范围，与实际情况相符；长江、汉江两岸的防护绿地也能准确地识别出来，呈现出沿江河分布的带状特征。对分类结果进行精度评价，采用混淆矩阵和Kappa系数等指标。通过实地调查和高分辨率影像解译，获取了一定数量的验证样本，将分类结果与验证样本进行对比，计算出总体精度、生产者精度和用户精度。结果显示，总体精度达到了80%，公园绿地的生产者精度为85%，用户精度为83%；防护绿地的生产者精度为82%，用户精度为80%。虽然监督分类法在城市绿地分类中取得了一定的精度，但仍存在一些局限性。对于一些混合像元较多的区域，如城市边缘的绿地与建设用地交错地带，分类精度较低，容易出现误分的情况。部分小型绿地斑块，如街边的小块绿地、居民小区内的零星绿地，由于其在TM影像上的像元数量较少，受到周围地物的影响较大，也容易被误分类。在未来的研究中，可以进一步优化样本选择方法，增加样本数量和多样性，结合其他分类方法或多源数据，以提高城市绿地分类的精度和准确性。4.2非监督分类法4.2.1原理与流程非监督分类法是一种基于地物光谱特征的自动聚类方法，与监督分类法不同，它在分类过程中不需要事先获取地物的先验知识，也无需人为选择训练样本。其核心原理是依据遥感影像中地物光谱特征的自然聚类特性，将具有相似光谱特征的像元归为同一类。在TM影像中，不同类型的城市绿地，如公园绿地、防护绿地、生产绿地等，由于其植被类型、生长状况以及土壤背景等因素的差异，在各个波段的光谱反射率呈现出不同的特征，非监督分类法正是利用这些特征差异来实现自动分类。非监督分类法的自动聚类流程主要包括以下关键环节：初始聚类中心确定：在进行聚类之前，首先需要确定初始聚类中心。通常采用随机选择或根据影像数据的统计特征来确定初始聚类中心的位置。一种常见的方法是在影像的特征空间中随机选取若干个像元作为初始聚类中心，这些像元的光谱特征将代表不同的类别。也可以通过计算影像中像元光谱值的均值和标准差等统计量，根据一定的规则确定初始聚类中心，以保证初始聚类中心能够较好地覆盖影像中的不同地物类型。在对TM影像进行非监督分类时，可在影像的7个波段组成的特征空间中，随机选取10-15个像元作为初始聚类中心，这些像元的光谱值将作为初始的类别代表。距离计算与像元归类：确定初始聚类中心后，计算影像中每个像元与各个聚类中心之间的距离。常用的距离度量方法有欧氏距离、马氏距离等。欧氏距离是计算像元光谱值与聚类中心光谱值之间的直线距离，其计算公式为：d=\sqrt{\sum_{i=1}^{n}(x_{i}-c_{i})^{2}}，其中d表示距离，x_{i}表示像元在第i个波段的光谱值，c_{i}表示聚类中心在第i个波段的光谱值，n为波段数。马氏距离则考虑了数据的协方差结构，能够更好地反映数据的分布特征。根据计算得到的距离，将每个像元归到距离最近的聚类中心所代表的类别中。迭代计算：像元归类完成后，重新计算每个类别的聚类中心。新的聚类中心通常是该类别中所有像元光谱值的均值。然后再次计算每个像元与新聚类中心的距离，并重新进行像元归类。这个过程不断迭代，直到满足一定的终止条件。常见的终止条件包括聚类中心的变化小于某个阈值、迭代次数达到预设的最大值等。当连续两次迭代中，聚类中心的变化小于0.01（可根据实际情况调整）时，认为聚类过程收敛，停止迭代。类别确定：迭代结束后，得到的各个聚类类别即为初步的分类结果。但此时的类别只是根据光谱特征聚类得到的，其实际代表的地物类别并不明确。需要通过实地调查、与其他已知数据对比或目视解译等方式，确定每个聚类类别所对应的实际地物类型，如将某个聚类类别确定为公园绿地，另一个聚类类别确定为防护绿地等。在非监督分类过程中，还可以设置一些参数来优化分类结果。设置最大迭代次数，以避免迭代过程无限进行下去，增加计算时间；设置像元变化阈值，当每一类中像元的变化数量小于该阈值时，认为聚类结果稳定，停止迭代。还可以对分类结果进行后处理，如去除小图斑、平滑边界等，以提高分类结果的质量和准确性。通过以上步骤，非监督分类法能够自动地对TM影像中的城市绿地进行分类，为城市绿地信息的快速获取提供了一种有效的方法。4.2.2在城市绿地分类中的应用案例以广州市为例，展示非监督分类法在城市绿地分类中的应用。广州市作为南方的重要城市，城市绿地丰富多样，包括白云山等山体绿地、珠江沿岸的滨水绿地、众多公园绿地以及城市道路两侧的防护绿地等。选取覆盖广州市的TM影像作为数据源，影像获取时间为秋季，此时植被特征相对稳定，且受季节变化影响较小，有利于绿地分类。在ENVI软件中对TM影像进行非监督分类，采用K-均值分类算法，这是一种常用的非监督分类算法，具有计算简单、收敛速度较快的特点。设置初始聚类中心数量为10，最大迭代次数为20，像元变化阈值为0.05。在初始聚类中心确定阶段，软件根据影像数据的统计特征，在7个波段组成的特征空间中自动选取10个像元作为初始聚类中心。然后，计算影像中每个像元与这10个初始聚类中心的欧氏距离，根据距离最近原则将像元归到相应的类别中。在第一次迭代结束后，重新计算每个类别的聚类中心，这些新的聚类中心是该类别中所有像元光谱值的均值。接着进行第二次迭代，再次计算像元与新聚类中心的距离并重新归类。经过多次迭代，当连续两次迭代中聚类中心的变化小于0.05时，迭代停止，得到初步的分类结果。从分类结果来看，非监督分类法能够将广州市的城市绿地大致区分出来。白云山等山体绿地在分类结果中呈现出较大面积的集中区域，这些区域植被覆盖度高，光谱特征相对一致，被较好地聚类为一类；珠江沿岸的滨水绿地由于其独特的地理位置和植被与水体混合的光谱特征，也被识别为相对独立的类别；部分大型公园绿地也能在分类结果中清晰地显示出来。对分类结果进行精度评价，采用实地调查和高分辨率影像解译相结合的方式获取验证样本。通过在广州市实地选取100个样点，同时参考高分辨率航空影像，确定这些样点的实际地物类别，然后与非监督分类结果进行对比。计算得到总体精度为75%，公园绿地的生产者精度为70%，用户精度为72%；防护绿地的生产者精度为73%，用户精度为71%。虽然非监督分类法在城市绿地分类中能够快速地将绿地大致区分出来，但也存在一些问题。对于一些混合像元较多的区域，如城市中绿地与建筑物、道路交错的区域，分类精度较低，容易出现误分的情况。部分小型绿地斑块，由于其像元数量较少，在聚类过程中容易受到周围地物像元的影响，被错误地归为其他类别。为了提高分类精度，可以进一步优化非监督分类的参数设置，结合其他辅助数据，如地形数据、土地利用数据等，或者采用分类后处理技术，如小图斑去除、合并相似类别等，以提高城市绿地分类的准确性和可靠性。4.3基于植被指数的分类法4.3.1常见植被指数介绍植被指数是一种通过对遥感影像中不同波段的反射率进行数学运算，以增强植被信息、减少其他地物信息干扰的指标。常见的植被指数包括归一化植被指数（NDVI）、比值植被指数（RVI）等，它们在城市绿地分类中发挥着重要作用，能够帮助快速、准确地识别和区分绿地与其他地物。归一化植被指数（NDVI）是目前应用最为广泛的植被指数之一，其计算方法是利用近红外波段（NIR）和红波段（RED）的反射率来计算，公式为：NDVI=\frac{NIR-RED}{NIR+RED}。其原理基于植被对不同波段电磁波的吸收和反射特性。在近红外波段，健康植被的叶片内部结构使其具有较高的反射率，这是因为叶片中的叶肉细胞和细胞壁等结构对近红外光具有较强的散射作用；而在红波段，由于植被中的叶绿素对红光具有强烈的吸收作用，用于光合作用，所以反射率较低。通过计算近红外波段与红波段反射率的差值与和值的比值，能够突出植被的特征。当NDVI值较高时，表示植被生长状况良好，植被覆盖度较高；当NDVI值较低时，可能表示植被生长不良或为非植被地物。在城市绿地分类中，通过计算TM影像的NDVI值，可以快速识别出绿地的分布区域，如公园绿地、林地等通常具有较高的NDVI值，而建筑物、道路等非植被地物的NDVI值较低。比值植被指数（RVI）也是一种常用的植被指数，其计算方法为近红外波段反射率与红波段反射率的比值，公式为：RVI=\frac{NIR}{RED}。RVI的原理同样基于植被在近红外和红波段的反射特性差异。由于植被在近红外波段的反射率远高于红波段，所以植被的RVI值通常较大。与NDVI相比，RVI对植被的变化更为敏感，能够更明显地反映植被的生长状况和覆盖度的变化。当植被受到病虫害侵袭或生长环境恶化时，其在红波段的吸收能力可能会发生变化，导致RVI值下降。在城市绿地监测中，通过对比不同时期的RVI值，可以及时发现绿地植被的变化情况，为绿地的养护和管理提供依据。除了NDVI和RVI，还有其他一些植被指数也在城市绿地分类中具有应用价值。差值植被指数（DVI），其计算公式为：DVI=NIR-RED，它直接反映了近红外波段与红波段反射率的差值，能够突出植被与其他地物的差异，在一定程度上也可用于城市绿地的识别。增强型植被指数（EVI），考虑了大气和土壤背景的影响，其计算公式为：EVI=2.5\times\frac{NIR-RED}{NIR+6\timesRED-7.5\timesBLUE+1}，其中BLUE为蓝波段反射率。EVI通过引入蓝波段和一些系数，减少了大气气溶胶和土壤背景的干扰，对于植被覆盖度较高的区域，EVI能够更准确地反映植被的真实状况，在城市绿地分类中，特别是对于大面积的绿地和植被茂密的区域，EVI可以提供更可靠的分类信息。这些常见的植被指数在计算方法和原理上各有特点，它们从不同角度反映了植被的特征。在城市绿地分类中，根据研究区域的特点和分类需求，可以选择合适的植被指数，或者结合多种植被指数进行分析，以提高城市绿地分类的准确性和可靠性。4.3.2基于植被指数分类的步骤与优势利用植被指数进行城市绿地分类，一般遵循以下步骤：首先，对获取的TM影像进行预处理，这是确保分类准确性的基础步骤。预处理包括辐射校正，通过校正消除因传感器自身特性、大气散射和吸收等因素导致的辐射误差，使影像的亮度值能够真实反映地物的辐射特性；几何校正则用于消除因卫星姿态、地球曲率、地形起伏等因素引起的几何畸变，使影像中的像元位置与实际地理坐标相对应，从而保证后续计算和分析的准确性；图像增强操作，如对比度拉伸、滤波等，能够突出影像中的地物特征，提高影像的视觉效果和可解译性。在ENVI软件中，可以利用其丰富的工具和功能完成这些预处理操作，如在“RadiometricCorrection”模块中进行辐射校正，在“GeometricCorrection”模块中进行几何校正。完成预处理后，根据研究需求选择合适的植被指数进行计算。对于城市绿地分类，常用的归一化植被指数（NDVI），可在ENVI软件的“BandMath”工具中，按照公式NDVI=\frac{NIR-RED}{NIR+RED}进行计算，其中NIR对应TM影像的近红外波段（如TM4波段），RED对应红波段（如TM3波段）。计算得到植被指数影像后，需要设定分类阈值来区分绿地与其他地物。阈值的设定通常需要结合实地调查和数据分析来确定。通过在研究区域内选择一些已知的绿地和非绿地样本，分析它们在植被指数影像上的数值分布情况，从而确定一个合理的阈值。如果NDVI值大于0.3（该值可根据实际情况调整），则将像元判定为绿地；小于该值，则判定为非绿地。对分类结果进行后处理，以提高分类的精度和可靠性。后处理操作包括去除小图斑，通过设置面积阈值，将面积小于一定值的小图斑去除，以消除因噪声或误分类导致的孤立小块；平滑边界，利用平滑算法使分类结果中绿地的边界更加自然和连续，减少锯齿状边缘；合并相似类别，对于一些在实际意义上相近但在分类结果中被划分为不同类别的区域，根据一定的规则进行合并。在ArcGIS软件中，可以使用“Eliminate”工具去除小图斑，使用“SmoothPolygons”工具平滑边界。基于植被指数的城市绿地分类方法具有诸多优势。植被指数能够增强植被信息，抑制其他地物信息，使得绿地在影像中更容易被识别和区分。植被在近红外波段具有高反射率，在红波段具有低反射率，通过计算植被指数，如NDVI，能够突出这种差异，将绿地与建筑物、道路、水体等非植被地物有效地区分开来。这种分类方法计算简单、快速，不需要复杂的分类算法和大量的训练样本，能够在较短的时间内完成对大面积城市区域的绿地分类。利用植被指数进行分类，还能够实现对城市绿地的动态监测。由于植被指数能够反映植被的生长状况和覆盖度变化，通过对比不同时期的植被指数影像，可以及时发现城市绿地的面积增减、植被生长变化等情况，为城市绿地的规划和管理提供实时的数据支持。4.3.3应用案例分析以杭州市为例，展示基于植被指数分类法在城市绿地分类中的应用效果。杭州市作为江南水乡城市，拥有丰富的城市绿地资源，包括西湖周边的公园绿地、运河沿岸的防护绿地以及众多的城市山林等。选择覆盖杭州市的TM影像作为数据源，影像获取时间为春季，此时植被开始复苏生长，植被特征较为明显。在ENVI软件中对TM影像进行预处理，包括辐射校正、几何校正和图像增强等操作，以提高影像质量。在辐射校正过程中，利用6S辐射传输模型，考虑了大气中的水汽、气溶胶等因素对辐射的影响，对影像进行了精确校正；几何校正则选择了足够数量且分布均匀的地面控制点，利用多项式拟合方法，将影像的像元坐标与实际地理坐标进行了准确匹配。计算了归一化植被指数（NDVI）和比值植被指数（RVI）。在“BandMath”工具中，按照公式NDVI=\frac{NIR-RED}{NIR+RED}和RVI=\frac{NIR}{RED}进行计算，其中NIR对应TM4波段，RED对应TM3波段。计算得到NDVI和RVI影像后，通过实地调查和数据分析，确定了分类阈值。对于NDVI，设定阈值为0.3，即NDVI值大于0.3的像元判定为绿地；对于RVI，设定阈值为3，RVI值大于3的像元判定为绿地。根据设定的阈值对NDVI和RVI影像进行分类，得到初步的城市绿地分类结果。从分类结果来看，基于NDVI的分类结果能够较好地识别出大面积的绿地，如西湖周边的公园绿地，在分类图上呈现出明显的绿色区域，与实际情况相符；运河沿岸的防护绿地也能较为准确地识别出来，呈现出沿运河分布的带状绿地。基于RVI的分类结果对植被的变化更为敏感，对于一些植被生长状况较好的区域，如城市山林，能够更清晰地显示其边界和范围。对基于NDVI和RVI的分类结果进行精度评价，采用实地调查和高分辨率影像解译相结合的方式获取验证样本。在杭州市实地选取了200个样点，同时参考高分辨率航空影像，确定这些样点的实际地物类别，然后与分类结果进行对比。计算得到基于NDVI分类结果的总体精度为82%，生产者精度为85%，用户精度为80%；基于RVI分类结果的总体精度为80%，生产者精度为83%，用户精度为78%。虽然两种植被指数都能在一定程度上实现城市绿地分类，但也存在一些差异。NDVI在识别大面积绿地时表现较好，精度相对较高；RVI对植被生长状况的变化更敏感，对于一些植被特征明显的区域分类效果较好，但在混合像元较多的区域，分类精度相对较低。通过对杭州市的案例分析可以看出，基于植被指数的分类法在城市绿地分类中具有一定的可行性和有效性，但不同的植被指数在分类精度和适用场景上存在差异。在实际应用中，可以根据研究区域的特点和需求，选择合适的植被指数，或者结合多种植被指数进行分类，以提高城市绿地分类的准确性和可靠性。4.4分类方法的比较与选择4.4.1不同方法的精度评估为了全面、准确地评估监督分类法、非监督分类法和基于植被指数的分类法在城市绿地分类中的精度，采用混淆矩阵、Kappa系数等方法进行量化分析。混淆矩阵是一种用于评估分类结果准确性的常用工具，它通过将分类结果与参考数据进行对比，展示了每个类别实际被正确分类和错误分类的数量。Kappa系数则综合考虑了偶然因素对分类精度的影响，能够更客观地反映分类结果与真实情况的一致性程度。以武汉市为例，对这三种分类方法进行精度评估。在监督分类法中，选择最大似然分类法对覆盖武汉市的TM影像进行分类，通过实地调查和高分辨率航空影像辅助，获取了大量准确的训练样本。在非监督分类法中，采用K-均值分类算法对相同的TM影像进行处理，设置了合理的初始聚类中心数量和迭代参数。基于植被指数的分类法则计算了归一化植被指数（NDVI），根据实地调查和数据分析确定了分类阈值。通过对比分析，得到了三种分类方法的精度评估结果。监督分类法的总体精度达到了80%，Kappa系数为0.75。其中，公园绿地的生产者精度为85%，用户精度为83%；防护绿地的生产者精度为82%，用户精度为80%。这表明监督分类法在识别公园绿地和防护绿地时具有较高的准确性，能够较好地将这些绿地类型从其他地物中区分出来。非监督分类法的总体精度为75%，Kappa系数为0.70。公园绿地的生产者精度为70%，用户精度为72%；防护绿地的生产者精度为73%，用户精度为71%。虽然非监督分类法能够快速地将绿地大致区分出来，但与监督分类法相比，其精度相对较低，尤其是在识别公园绿地时，生产者精度和用户精度都明显低于监督分类法。基于植被指数的分类法，以NDVI为例，总体精度为82%，Kappa系数为0.77。公园绿地的生产者精度为85%，用户精度为80%；防护绿地的生产者精度为83%，用户精度为78%。该方法在识别大面积绿地时表现较好，精度相对较高，但在处理混合像元较多的区域时，分类精度受到一定影响。从精度评估结果可以看出，不同分类方法在城市绿地分类中的精度存在差异。监督分类法由于利用了先验知识和训练样本，能够更准确地识别不同类型的城市绿地，总体精度和Kappa系数较高；非监督分类法虽然无需先验知识，但分类结果的不确定性较大，精度相对较低；基于植被指数的分类法在增强植被信息、快速识别绿地方面具有优势，对于大面积绿地的分类精度较高，但在复杂区域的分类效果有待提高。在实际应用中，应根据研究区域的特点和需求，综合考虑各种因素，选择合适的分类方法，以提高城市绿地分类的精度和准确性。4.4.2适用场景分析不同的城市绿地分类方法在不同的场景下具有各自的优势和适用性，了解这些适用场景有助于在实际应用中选择最合适的分类方法，提高城市绿地分类的效果和效率。监督分类法适用于对分类精度要求较高，且能够获取足够数量和高质量训练样本的场景。在城市绿地分类中，如果研究区域的城市绿地类型较为复杂，需要准确区分不同类型的绿地，如公园绿地中的不同景观区域、防护绿地的不同功能类型等，监督分类法能够发挥其优势。在城市规划和绿地管理中，需要精确掌握各类绿地的面积和分布情况，为决策提供准确的数据支持，此时监督分类法能够通过合理选择训练样本，利用先验知识，实现对城市绿地的高精度分类。在大城市的中心城区，绿地类型丰富多样，包括大型公园、商业区内的小型绿地、道路两侧的防护绿地等，通过实地调查和高分辨率影像辅助，获取大量准确的训练样本，采用监督分类法可以准确地识别和分类这些绿地，为城市绿地的精细化管理提供依据。非监督分类法适用于对分类速度要求较高，且对分类精度要求相对较低的场景，或者在缺乏先验知识的情况下使用。当需要快速了解城市绿地的大致分布情况，进行初步的绿地资源调查时，非监督分类法能够快速地将绿地与其他地物区分开来，为后续的详细研究提供基础。在一些对时间要求紧迫的项目中，如城市绿地的应急监测，非监督分类法可以在较短的时间内完成分类，及时提供绿地的动态变化信息。对于一些新开发的城市区域或缺乏历史数据的地区，由于难以获取足够的先验知识，非监督分类法可以通过自动聚类的方式，初步划分绿地类型，为进一步的研究和调查提供参考。基于植被指数的分类法适用于以识别植被覆盖区域为主要目的，且绿地与其他地物在植被指数上具有明显差异的场景。在城市绿地分类中，对于大面积的绿地，如城市中的山林、大型公园的绿地等，基于植被指数的分类法能够利用植被在近红外和红波段的反射特性差异，快速、准确地识别出绿地的分布范围。在进行城市绿地的宏观监测，了解城市绿地的总体覆盖情况时，该方法可以通过计算植被指数，快速获取绿地的面积和分布信息，为城市生态环境评估提供数据支持。在一些植被覆盖度较高，且绿地类型相对单一的区域，基于植被指数的分类法能够发挥其计算简单、快速的优势，实现对绿地的有效分类。当研究区域的数据质量较差，如TM影像存在大量噪声、几何畸变严重时，监督分类法可能会受到较大影响，因为训练样本的准确性和可靠性难以保证。此时，可以先对影像进行预处理，如降噪、几何校正等，提高数据质量后再使用监督分类法。非监督分类法相对受数据质量的影响较小，在数据质量一般的情况下仍能进行分类，但分类精度可能会有所下降。基于植被指数的分类法对数据的辐射校正要求较高，如果影像的辐射误差较大，会影响植被指数的计算准确性，从而降低分类精度。在实际应用中，还可以根据不同的城市绿地类型选择合适的分类方法。对于公园绿地，由于其面积较大、形状相对规则，且内部植被类型相对单一，监督分类法和基于植被指数的分类法都能取得较好的分类效果；防护绿地通常呈带状分布，与其他地物的边界较为明显，基于植被指数的分类法可以快速识别其位置，结合监督分类法可以进一步确定其类型和功能；对于一些小型的附属绿地，由于其面积较小、分布零散，容易受到周围地物的影响，非监督分类法在处理这类绿地时可能会出现较多的误分，此时可以结合高分辨率影像，采用监督分类法进行更准确的分类。在选择城市绿地分类方法时，需要综合考虑研究目的、数据质量、绿地类型等因素，根据不同的适用场景选择最合适的分类方法，或者结合多种分类方法，以提高城市绿地分类的精度和效果。五、案例分析5.1研究区域选择与数据获取本研究选择武汉市作为案例研究区域，武汉市地处长江中游，是湖北省省会，也是中部地区的重要城市，具有独特的地理和城市发展特征。其城市规模较大，建成区面积广阔，截至2023年，建成区面积达到885.11平方千米。城市绿地类型丰富多样，涵盖了多种典型的绿地类型。东湖绿道周边拥有大面积的林地，植被茂密，树种繁多，为城市提供了重要的生态屏障；长江、汉江穿城而过，两岸分布着带状的防护绿地，对保护水体生态、减少水土流失发挥着重要作用；黄鹤楼公园、解放公园等众多公园绿地分布在城市各个区域，为居民提供了休闲娱乐的场所；此外，还有大量的附属绿地，如居民小区、学校、工厂内的绿化区域等，分布广泛，与居民生活息息相关。在数据获取方面，TM影像通过美国地质调查局（USGS）提供的EarthExplorer平台获取。为确保获取的影像数据质量高且符合研究需求，在选择影像时，优先挑选了夏季植被生长茂盛时期的影像。夏季植被覆盖度高，绿地特征在影像上表现明显，有利于绿地的识别和分类。同时，选择的影像应云层覆盖少，以减少云层对影像解译的干扰。最终获取了多景覆盖武汉市的Landsat5TM影像，影像的空间分辨率为30米，包含7个波段，涵盖了从可见光到热红外的不同光谱范围，能够提供丰富的地表信息。除了TM影像，还获取了武汉市的其他相关地理数据，如地形数据、土地利用数据和行政区划数据等。地形数据来自于中国科学院资源环境科学数据中心，该数据为数字高程模型（DEM），分辨率为30米，能够准确反映武汉市的地形起伏状况，为分析绿地与地形的关系提供数据支持。土地利用数据通过对高分辨率航空影像进行人工解译获取，结合实地调查，准确划分出了城市建设用地、耕地、水体、绿地等不同的土地利用类型，为城市绿地分类提供了参考信息。行政区划数据从武汉市规划局官方网站获取，包含了武汉市各个区、街道的边界信息，有助于分析不同区域的绿地分布特征。这些多源数据的获取，为后续基于TM影像的城市绿地分类研究提供了全面的数据基础，通过综合分析不同数据源的数据，可以提高城市绿地分类的精度和可靠性。5.2基于TM影像的分类实践5.2.1分类过程详细描述本研究选用监督分类中的最大似然分类法对武汉市的TM影像进行城市绿地分类，具体过程如下：数据准备与预处理：将获取的武汉市TM影像导入ENVI软件，利用ENVI软件中的“RadiometricCorrection”模块进行辐射校正，通过选择合适的辐射校正模型，如6S模型，考虑大气中的水汽、气溶胶等因素对辐射的影响，将影像的DN值转换为地表实际反射率，以消除因传感器自身条件、大气条件等导致的辐射误差。在“GeometricCorrection”模块中进行几何校正，选择足够数量且分布均匀的地面控制点，这些控制点在影像和高精度地图上都能准确识别，利用多项式拟合方法，将影像的像元坐标与实际地理坐标进行准确匹配，消除因卫星姿态、地球曲率、地形起伏等因素引起的几何畸变。通过直方图拉伸等操作进行图像增强，在“Enhancement”工具中，调整直方图的拉伸范围，增强影像的对比度，突出绿地与其他地物的边界和特征，提高影像的视觉效果和可解译性。训练样本选择：在ENVI软件的“RegionofInterest(ROI)”工具中，通过实地调查和高分辨率航空影像辅助，在TM影像上选择多种类型的城市绿地训练样本。对于公园绿地，选取黄鹤楼公园、解放公园等具有代表性的公园，涵盖公园内的湖泊周边湿地植被、大面积草坪、茂密林地等不同景观区域的样本；防护绿地样本选择长江、汉江两岸的堤防绿化带以及城市主要道路两侧的防护绿地；生产绿地样本选取城市郊区的苗圃；附属绿地样本包括居民小区、学校、工厂内的绿化区域。确保每个类型的绿地选取足够数量的样本，一般每个类型选取100-200个样本，以保证能够准确代表该类绿地的特征，且样本在影像上分布均匀，避免样本集中在某一区域，影响分类的准确性。特征提取：利用ENVI软件的“BandMath”工具和纹理分析工具，提取训练样本的光谱特征、纹理特征和空间特征。分析TM影像7个波段的反射率数据，计算不同波段之间的比值和差值，如计算归一化植被指数（NDVI），公式为NDVI=\frac{NIR-RED}{NIR+RED}，其中NIR对应TM4近红外波段，RED对应TM3红波段，通过分析这些光谱特征，区分绿地与其他地物。利用灰度共生矩阵（GLCM）计算绿地的纹理特征参数，如对比度、相关性、能量和熵等，在ENVI软件的“TextureAnalysis”模块中，设置合适的窗口大小和方向，计算得到不同类型绿地的纹理特征。提取绿地的空间特征，如面积、周长、形状指数等，在“FeatureExtraction”工具中，通过对绿地多边形