一种基于高分辨率遥感影像的城市绿度空间的度量方法

摘要

本发明公开了一种基于高分辨率遥感影像的城市绿度空间的度量方法，该度量方法包括如下步骤：步骤1）对被测城市的建筑物和绿地进行遥感图像分类，绘制包含建筑物面积分布信息和绿地面积分布信息的基准图；步骤2）对所述基准图中的绿地平面图像区域进行提取，绘制绿地分布平面图；步骤3）对所述基准图中的建筑物图像区域进行提取，绘制建筑物分布平面图；步骤4）结合所述建筑物分布平面图和所述绿地分布平面图，以每栋建筑物为中心在其周围划分指定范围的缓冲区；步骤5）计算每个缓冲区中绿地面积与中心建筑物面积的比值A，计算每个缓冲区中绿地面积与中心建筑物周长的比值B；在步骤5）中比值A和比值B作为度量建筑物尺度上绿度的指标。

说明书

技术领域

本发明涉及一种基于高分辨率遥感影像的城市绿度空间的度量方法。

背景技术

随着城市环境问题的不断加剧，城市绿地的科学评价不仅有助于人们正确 的认识绿地，更多的是为合理的规划和管理绿地提供了科学的参考价值，进而 不断提高绿地的数量和质量，为城市绿地生态功能和服务的有效发挥提供重要 的理论和支持。城市绿地研究迫切需要定量化，定量的描述城市绿地的生态服 务功能有助于人们更好的认识城市绿地及城市的生态环境，更好的进行城市绿 化以及城市生态环境的保护工作。中国作为世界上人口最多的国家，目前正处 于快速城市化的过程中，1980年我国城市人口总数1.34亿，占全国人口的13.6%， 而到了1990年我国城市人口已达3亿，占全国人口26.2%，而目前我国城市化 人口已经超过7亿，占全国人口比例超过50%。研究城市的可持续发展对我国 城市化的发展至关重要。城市是一个成分复杂的人造栖息地，如何评价城市环 境质量是个十分困难的问题。

遥感作为一种观测手段，具有大面积同步覆盖，实时同步等优点，已经在 城市环境研究中广泛应用。如进行城市光污染研究(HelgaU.Kuechly,2012)、城 市热岛效应(Lietal.,2011;Rajasekaretal.,2009;Tranetal.,2006)、城市大气环 境研究(Kambezidisetal.,1998;Koukoulietal.,2006)等。绿色植物在近红外波段 表现为强反射，而在红色波段则表现出强吸收，这一特点使得遥感成为一种独 特的植被监测手段。从上世纪60年代以来地球科学家们就将遥感用于地表植被 的研究。经过几十年的发展，遥感影像的分辨率大大增加，特别是进入新世纪， 以Quickbird、IKONOS、OrbView3等为代表的卫星空间分辨率达到亚米级。

随着人们对城市绿地功能认识不断增加，以及遥感数据源的不断丰富，人 们不再满足于简单城市植被制图，而是更多考虑进行城市绿度空间度量。目前 评价城市绿地的方法主要是面积法，就是通过计算城市或区域内绿地所占的面 积或者人均绿地面积来评价城市的绿度。考虑到常规面积法不能很好的 描述城市绿度空间的分布状况，而将研究区域划分成相同大小的均匀格网，通 过计算每个格网中的绿地的面积等参数来绘制城市绿度空间分布图。Gupta采用 相同的思路提出了社区绿度指数，首先对研究区域进行格网划分，然后基于中 等分辨率的遥感影像获取绿地的邻接程度，建筑物的高度，建筑物的密度等参 数，并对不同参数赋权重进而算出社区绿度指数。Nazarkulova基于高分辨率遥 感影像提出了一套城市植被分析流程，首先根据遥感影像得到不同类型的植被 分布图，并选取主要城市居民点进行缓冲区分析，分析城市的绿度。和Lang根据城市的行政区域划分或者街道划分，评价每个评价单元中的绿地面 积，进而得到全区域的城市绿度空间分布图。

但是目前的方法都没有能够准确的度量城市居民与城市绿地空间之间的接 触程度，同样不能准确描述城市绿地的空间分布以及城市居民在接触城市绿度 空间的概率上的差异。

考虑到这一问题，本方法试图建立一个新的城市绿度空间评价体系。由于 城市中建筑物是人类的生活、活动的主要场所，城市建筑物是城市居民与城市 环境接触的媒介，因此分析建筑物与城市绿度空间之间的空间关系可以用来评 价城市中不同区域居民接触绿度空间的概率。通过分析建筑物与城市绿度空间 之间的空间配置关系，建立城市中每个单体建筑物与其周围绿度空间接触的概 率模型，进而评价城市中的绿度空间。该方法能够更客观的评价城市中绿地为 城市居民带来的生态效益。

发明内容

针对现有技术中存在的问题，本发明的目的在于提出一种全新的度量城市 绿度空间的指数—建筑物尺度上的城市绿度。

为了实现上述目的，本发明建立了基于高分辨率遥感影像的城市绿度空间 度量方法，该度量方法包括如下步骤：

步骤1）对被测城市的建筑物和绿地进行遥感影像分类，绘制包含建筑物面 积分布信息和绿地面积分布信息的基准图；

步骤2）对所述基准图中的绿地平面图像区域进行提取，绘制绿地分布平面 图；

步骤3）对所述基准图中的建筑物图像区域进行提取，绘制建筑物分布平面 图；

步骤4）结合所述建筑物分布平面图和所述绿地分布平面图，以每栋建筑物 为中心在其周围划分指定范围的缓冲区；

步骤5）计算每个缓冲区中绿地面积与中心建筑物面积的比值A，计算每个 缓冲区中绿地面积与中心建筑物周长的比值B；

在步骤5）中比值A和比值B作为度量建筑物尺度上绿度的指标。

进一步，所述步骤2）是基于多光谱遥感影像进行植被的自动提取，使用最 大类间距离法对归一化植被指数进行处理，获取最佳阈值，然后基于该阈值使 用阈值法进行植被提取。

进一步，所述步骤3）具体方法为：

a）根据多光谱遥感影像进行遥感图像分割；b）设定高度阈值，对LiDAR 数据进行阈值运算，大于阈值的划定为建筑物，进而将阈值提取结果通过非植 被图进行掩膜得到建筑物的分布图；c）将分割结果图与所得到的建筑物分布图 进行叠加，修正建筑物分类结果。

进一步，所述步骤a）采用基于边缘检测的标记分水岭算法来进行图像的分 割，边缘检测的过程通过sobel算子来完成。

进一步，所述步骤b）采用人为设定高度阈值对LiDAR数据进行阈值分割， 得到建筑物分布图，并将建筑物分布图与所得到的非植被图进行叠合，得到最 终的建筑物分布图。

进一步，所述步骤c）采用结合面向对象和基于像元的投票法进行城市建筑 物分布图的进一步修正，对分割结果图中每个对象进行运算，统计每个对象中 建筑类别的像元所占的百分比，如果该百分比超过50%则将整个对象划归为建 筑物类别。

附图说明

图1为研究区域NDVI图像；

图2为NDVI图像的灰度直方图，与最佳阈值；

图3为植被提取结果，绿色部分表示城市绿地；

图4a为原始假彩色合成图像；

图4b为图像分割结果；

图5a为原始多光谱航空影像;

图5b为LiDAR数据图；

图5c为植被提取结果图；

图5d为建筑物粗分类图；

图5e为影像分割结果图；

图5f为建筑物最终提取结果；

图6为研究区域建筑物分类结果图；

图7a为基于面积的BAGI指数图；

图7b为基于边长的BAGI指数图。

具体实施方式

下面结合附图对本发明基于高分辨率遥感影像的城市绿度空间的度量方法 作进一步说明。

本发明试图建立一个新的城市绿度空间评价体系来更客观的度量城市居民 实际接触绿度空间的可能性，以及这种可能性的空间分布特征，以期为城市绿 化、城市环境保护提供重要参考。所用数据源为遥感数据，整个流程都是自动 实现的。在城市中，建筑物是人类生产生活的主要场所，城市建筑物是城市人 类与城市环境接触的媒介，因此分析建筑物与城市绿度空间之间的空间关系可 以用来评价城市中不同区域居民接触绿度空间的概率。通过分析建筑物与城市 绿度空间之间的空间配置关系，建立每个单体建筑物与其周围绿度空间接触的 概率模型。

首先，使用遥感影像分类算法来进行城市建筑物和城市绿地制图。植被在 近红外波段表现为强反射，而在红色波段表现强吸收，基于这一特性，一系列 的植被指数被提出。其中最为著名的为归一化植被指数(NDVI)，NDVI大小范围 为-1～1，植被区域NDVI表现为正值，而非植被区域则为负值。

$\mathrm{NDVI}=\frac{\mathrm{NIR}-\mathrm{RED}}{\mathrm{NIR}+\mathrm{RED}}$

在NDVI图像上，植被显现高亮，而非植被区域NDVI则明显较小，由于这种 地物和非地物的双峰分布，使得基于NDVI图像使用阈值法来进行植被提取变 得简单有效。我们使用OTSU(最大类间方差法)自动阈值算法来确定最佳阈值并 进行植被的提取。

OTSU算法设一幅图像的灰度分为1～L级，灰度值为i的像素个数为n_i， 则总像素数为N=∑n_i，做归一化处理，各灰度值所占的比重为p_i=n_i/N，整幅 图像的灰度平均值μ及方差σ分别为:μ=∑ip_i，σ=∑(i-μ)²p_i，用灰度级T作为 阈值，将图像分割为二类:C₁={1-T}，C₂={T+1-L}，计算C₁，C₂出现的概率为 ω₁,ω₂;灰度平均值为μ₁,μ₂及方差为σ₁²,σ₂²:

$w_1=\underset{i=1}{\overset{T}{\Sigma }}{p}_i,$$w_2=\underset{T+1}{\overset{L}{\Sigma }}{p}_i$

${\mu }_1=\frac{\underset{0}{\overset{T}{\Sigma }}{\mathrm{ip}}_i}{w_1},$${\mu }_2=\frac{\underset{T+1}{\overset{L}{\Sigma }}i{p}_i}{w_2}$

这样两类之间的方差为σ，

σ=w₁(μ₁-μ)²+w₂(μ₂-μ)²

OTSU算法的基本思想是类间方差σ取最大值时，对应的灰度值T就是所 选定的阈值。因为方差是灰度分布均匀性的一种度量，方差越大，说明构成图 像的两部分差别越大，意味着错分概率越小。

图1显示了研究区域NDVI图像，图2显示了NDVI图像中NDVI的灰度 直方图以及使用OTSU算法所得到的最佳阈值。图3为使用最佳阈值所得到的 植被提取结果。

城市中建筑物屋顶和道路，广场等地物具有相似的光谱特征，仅仅借助于 遥感影像的光谱特征很难进行建筑物的提取。在城市中建筑物具有一定的高度， LiDAR数据能够辅助建筑物的提取。城市建筑物提取的具体流程为：

a)使用sobel算子进行影像边缘特征的提取；b)根据移动阈值的方法对边 缘特征进行分割得到标记图像，下表提供了移动阈值算法的具体流程；c)根据 标记图像对sobel算子得到的边缘图像进行重建，进而在此基础上使用分水岭分 割方法得到最终的分割图像。分割算法中只有一个用于控制最小分割单元大小 的参数，这个参数对于大多数应用来说是一固定值，在实验中通过人工反复测 试来选取最优的参数。

移动阈值算法：

图4a和图4b展示了标记分水岭算法的分割效果，图4a，为原始的标准假 彩色遥感影像，图4b为分割结果图。通过比较两幅图像可以看出使用基于边缘 的标记分水岭算法能够很好的将原始图中建筑物等人工物体的轮廓刻画出来， 显示出了较好的效果，为接下来的图像分类提供了重要的输入。

如图5a-图5f所示，使用高程阈值从经过植被掩膜后的图像提取建筑物，高 度阈值设置为3m，高程高于3m的像元为建筑物，最终得到粗略的建筑物提取 结果图5d。从粗略分类图中可以看出结果中存在大量的斑点（这些斑点显然不 是建筑物），建筑物的轮廓不清。图5e为多光谱影像分割图，图像分割算法很 好的刻画出了城市中不同的地物类型的轮廓，并且由于多光谱影像分辨率较高， 分割结果所得到的建筑物轮廓更为清晰。对图像分割结果中每个对象进行遍历， 每个对象中如果建筑物像元所占的百分比超过50%则该对象为建筑物。图5f为 所得到的建筑物最终提取结果，从结果中可以看出建筑物的轮廓被清晰的描绘 出来，而且不存在斑点噪声。将该方法应用于整个区域，得出的建筑物提取结 果如图6所示。

优选的缓冲距离是3-20m，本次实例设定10m为缓冲距离，计算每个建筑 物缓冲区内绿地面积和建筑物的面积比以及绿地面积与建筑物的周长之比来度 量每个建筑物与其周边的绿度空间的接触程度。我们构造了两个城市建筑物绿 度空间指数(BAGIs)，分别为基于边界的BAGIs指数eBAGI，基于面积的BAGIs 指数aBAGI，用于评价建筑物接触绿地的程度。公式(1)和(2)为eBAGI和aBAGI 的计算过程。

$\mathrm{eBA}{\mathrm{GI}}_i=\frac{{\mathrm{area}}_i}{{\mathrm{length}}_i}---\left(1\right)$

$\mathrm{aBA}{\mathrm{GI}}_i=\frac{{\mathrm{area}}_i}{{\mathrm{building}\_\mathrm{area}}_i}---\left(2\right)$

其中，area_i是第i个建筑物的邻接绿地面积,length_i是第i个建筑物的边缘长 度，i的范围是1到n，n是研究区建筑物的个数；building_area_i是第i个建筑 物的面积。

eBAGI通过计算每个单体建筑的邻接绿地面积和建筑物的外边界长度的比 值作为建筑物和绿地的接触程度，该指数反映了单位长度建筑物的绿地面积。 邻接绿地面积大或者建筑物的边长短，所得到的指数值都会较大。eBAGI的值 越大反映了单体建筑物能够接触到更多的绿地面积，这个在一定程度上可以作 为度量享受绿度空间服务的概率。

aBAGI则是通过计算每个单体建筑物的邻接植被面积和建筑物的面积的比值作 为度量单位建筑物所接触的绿地的面积。aBAGI描述了单位面积的建筑物所能 接触的绿地面积。图7a和图7b为全区BAGIs指数分布图，从中能够十分清楚 的看出每个建筑物接触绿度空间的大小，以及这种绿度的空间分布特征。