王 斐

(山西農(nóng)業(yè)大學，山西 太谷 030801)

?

基于遙感影像的城市綠地信息提取

王 斐

(山西農(nóng)業(yè)大學，山西 太谷 030801)

介紹了太原市的基本情況，通過選取某遙感影像，分析了數(shù)據(jù)預處理技術，并探討了基于遙感影像的城市綠地信息提取方法，指出遙感技術能夠快速準確地提取城市綠地信息。

遙感影像，城市綠地信息，數(shù)據(jù)源，決策樹

0 引言

城市綠地不僅具有改善城市生態(tài)環(huán)境和文教游憩功能，而且具有景觀功能。傳統(tǒng)的綠地資源調查方法不僅投入的人力、物力大，而且調查的數(shù)據(jù)準確性低，耗時，也不便于綜合分析評價。遙感技術能夠快速、準確地提取城市綠地信息，為城市綠地的規(guī)劃建設提供基礎資料。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

太原市是山西省省會城市，整體地形北高南低，東西橫跨為144 km，南北縱跨約為107 km。全市區(qū)轄古交、清徐、陽曲、婁煩四個縣及萬柏林區(qū)、迎澤區(qū)、杏花嶺區(qū)、尖草坪區(qū)、小店區(qū)和晉源區(qū)六個主城區(qū)，全市區(qū)總面積為6 959 km2，總人口425.65萬人(2012年)。太原地區(qū)于2010年獲“全國優(yōu)秀旅游城市”“國家園林城市”稱號。太原市綠地面積為6 434 m2，其中公共綠地面積約2 270 m2。

1.2 數(shù)據(jù)源

本研究選用2013年5月28日的TM5影像。多光譜波段的分辨率為30 m，熱紅外波段的分辨率為120 m。太原市第18級Google地圖、太原市AutoCAD圖。

2 數(shù)據(jù)預處理

2.1 影像的幾何校正與配準

利用ENVI4.8對TM影像幾何校正與配準。受傳感器高度和運行姿態(tài)的變化、地球曲率、地形起伏、大氣折光以及傳感器介質的均勻程度等因素影響，在獲取遙感影像信息時會使得獲取的遙感信息變形。本研究采用2008年TM影像圖為基準影像對2013年TM影像進行幾何配準。選取明顯地物特征點作為地面控制點。依據(jù)選好的控制點，對2013年遙感影像進行空間數(shù)據(jù)變換。

2.2 輻射大氣校正

本研究采用遙感數(shù)據(jù)處理軟件ENVI4.8中的FLAASH功能進行大氣校正。經(jīng)大氣校正后，很好地消除大氣對影像數(shù)據(jù)的影響。

2.3 影像增強

原始影像的清晰度不是很好，我們可以通過一些技術措施來提高清晰度。比如對比度拉伸、波段組合等。

1)對比度拉伸。

影像的清晰度影響著解譯的效果。線性、非線性拉伸是提高對比度的兩種方法，本研究用線性拉伸[1]。

2)波段組合。

多光譜遙感數(shù)據(jù)最佳波段選擇是色彩增強的重要部分，波段組合應選擇信息量大的，波段間相關性小，使地物之間容易區(qū)分。研究表明145波段組合信息量最為豐富，其波段間相關性小，可以把它作為提取綠地信息的波段組合[2]。

2.4 研究數(shù)據(jù)的裁剪

在ENVI4.8中利用太原市的矢量邊界圖切割影像數(shù)據(jù)，首先要將矢量邊界作為感興區(qū)域，然后切割影像圖。

3 城市綠地信息提取

3.1 非監(jiān)督與監(jiān)督分類

非監(jiān)督分類是不需要先驗理論，通過計算機對圖像進行集聚統(tǒng)計分析的方法，把有相似性的像元歸為一類。其中比較成熟的是K-means和ISODATA算法。它們的優(yōu)點是聚類比其他方法準確、客觀[3]。

監(jiān)督分類事先需要樣本訓練區(qū)。即根據(jù)訓練區(qū)的特征，計算機自己建立判別規(guī)則，然后對影像進行分類。這就要求訓練區(qū)清晰可辨。比較常用的算法有最大相似法等。

3.2 主成分分變換

遙感多光譜影像的波段多信息量大，圖像處理時，常常耗費大量內(nèi)存,實際上存在很多冗余信息。主成分分析法就是要去除多余的信息。主成分分變換(PCA)是一種線性變換，是建立在統(tǒng)計特征基礎上的變換。主成分分變換是利用坐標軸的旋轉使得數(shù)據(jù)的方差達到最大，通過變換矩陣進行線性組合，進而輸出互不相關的波段，即重新產(chǎn)生具有相同波段的多光譜影像[4]。變換的表達式如下：

Y=A×X。

其中，X為原始影像的DN值；Y為新生成的影像DN值；A為n×n階的變換矩陣。

3.3 纓帽變換

纓帽變換也被稱為K-T變換。其變換公式如下：

Y=A×X。

其中，X為原始多光譜空間的像元值；Y為新坐標空間的像元值；A為變換矩陣。

3.4 歸一化差異水體指數(shù)

歸一化差異水體指數(shù)MNDWI能很好的將水體提取出來，其表達式為MNDWI=(GREEN-MIR)/(Green+MIR)。其中，MIR為中紅外波段的灰度值[5]。

3.5 歸一化植被指數(shù)

歸一化植被指數(shù)能很好的提取出植被信息。研究表明可以利用影像波段計算來提取信息，其表達式如下：NDVI=(band4-band3)/(band4+band3)。其中band3，band4分別為對應TM影像的第三波段和第四波段。

3.6 歸一化差異建筑指數(shù)

歸一化差異建筑指數(shù)NDBI是以楊山提出的歸一化植被指數(shù)為基礎，硬化建筑與指數(shù)之間有密切聯(lián)系。計算公式如下：NDBI=(band5-band4)/(band5+band4)。其中，band5為TM影像第五波段；band4為影像的第四波段。

3.7 決策樹

決策樹算法可以處理不同空間尺度的數(shù)據(jù)，被廣泛應用于遙感影像的分類中。決策樹方法建立在對訓練樣本進行歸納學習的基礎上。根據(jù)訓練樣本進行決策學習建立決策樹，然后依據(jù)屬性的取值對樣本進行分類[4]。

3.8 城市綠地分類及遙感特征

城市中的綠地被分為六大類，分別為公園綠地、生產(chǎn)綠地、防護綠地、居住區(qū)綠地、附屬綠地、生態(tài)景觀綠地，其中每類大類中又包括許多小類[6]。在遙感影像中，公園綠地的顏色主要為棕綠色，種植植物集中的綠地顏色呈綠色，居住區(qū)、附屬綠地等一般是碎片化的點狀。從紋理特征來說，公園綠地紋理較復雜，因為植被比較復雜；紋理均勻的是防護綠地、生產(chǎn)綠地，因為它們結構比較單一[7]。

3.9 各類用地特征分析

在ENVI中利用位置、紋理特征提取各類用地的特征，然后繪制了圖1的波段信息曲線。從圖1中可以看出PC1,PC2,PC3可以很好的將各類地物區(qū)別開來。

3.10 提取綠地信息

1)非監(jiān)督提取綠地。用非監(jiān)督分類把綠地和非綠地區(qū)分開來。王延飛研究表明對遙感影像進行歸一化植被指數(shù)后，通過無監(jiān)分類后提取綠地信息是一種有效而快速的方法。

2)決策樹分類法提取綠地。依據(jù)地物光譜曲線圖構建決策樹規(guī)則，然后執(zhí)行決策樹，將提取出的綠地信息導入gis中，繪制城市綠地信息。

4 結語

利用基于歸一化植被指數(shù)的非監(jiān)督分類法和決策樹分類法分別提取了太原市的城市綠地信息。前者比較簡單、易操作，后者花費的時間較長，但準確度較好。后者提取的綠地占整個用地30.70%，最接近2008年的城市綠地率。從空間分布上來說，也更能體現(xiàn)城市綠地格局的水平。

[1] 趙鵬祥.基于RS的綠地信息提取方法的研究——以延安市及環(huán)城地區(qū)為例[J].西北林學院學報，2003，18(2)：91-94.

[2] 郭 娜.TM遙感影像植被信息提取的最佳波段組合選擇——以福建省松溪至建甌高速公路為例[J].福建師范大學學報(自然科學版)，2012，28(1)：103-107.

[3] 趙春霞.遙感影像監(jiān)督分類與非監(jiān)督分類的比較[J].河南大學學報(自然科學版)，2004，34(3)：90-93.

[4] 王飛紅.基于決策樹和混合像元分解的城市綠地信息的提取[D].太原：中北大學，2014：64.

[5] 徐涵秋.利用改進的歸一化差異水體指數(shù)(MNDWI)提取水體信息的研究[J].遙感學報,2005(5):589-595.

[6] Wang, X..城市園林綠地規(guī)劃[M].北京：氣象出版社，2009.

[7] 王少鵬.基于高分辨率遙感影像的城市綠地信息提取方法研究進展[J].現(xiàn)代農(nóng)業(yè)科技,2013(1):151，153.

On urban green land information extraction based on remote-sensing images

Wang Fei

(ShanxiAgriculturalUniversity,Taigu030801,China)

The paper introduces the basic circumstances in Taiyuan, analyzes the data pre-procesing technique from selecting some remote-sensing image, explores the urban green land information extraction methods based on remote-sensing images, and points out the technique can obtain the information in an accurate and speedy way.

remote-sensing image, urban green land information, data source, decision-making tree

1009-6825(2016)22-0196-02

2016-05-23

王 斐(1989- )，男，在讀碩士

TU198

A