陳 婷,武文斌,何建軍,喬月霞,劉 烽,文 強

二十一世紀空間技術(shù)應(yīng)用股份有限公司, 北京 100096

人居環(huán)境監(jiān)測作為城市人居環(huán)境建設(shè)與管理實踐提升的基本,是目前人居環(huán)境研究落地的重點。有效地監(jiān)測,必須通過高效的手段獲取數(shù)據(jù),進而研究監(jiān)測指標與發(fā)展狀況的關(guān)系,分析發(fā)展問題,判斷發(fā)展趨勢,進而提升城市管理水平。目前,我國人居環(huán)境監(jiān)測的數(shù)據(jù)主要來自住房和城鄉(xiāng)建設(shè)部編撰的《城市建設(shè)統(tǒng)計年鑒》和《城鄉(xiāng)建設(shè)統(tǒng)計年鑒》,以及環(huán)境公報等基于城市(縣城)和村鎮(zhèn)進行的建設(shè)統(tǒng)計和環(huán)境監(jiān)測評估[1-4]等的公開統(tǒng)計數(shù)據(jù)。然而,面對日益增長的城市發(fā)展需求,這種傳統(tǒng)的統(tǒng)計數(shù)據(jù)來源在開展監(jiān)測工作中會存在若干局限性,包括：更新頻度較低,統(tǒng)計年鑒、年報的特質(zhì),多為每年一版；統(tǒng)計口徑不統(tǒng)一,自下而上、層層上報的統(tǒng)計資料,容易造成各地區(qū)(城市)的標準尺度不一致,且缺少校驗機制。因此,數(shù)據(jù)的時效性和準確性成為政府人居環(huán)境監(jiān)測業(yè)務(wù)化的瓶頸。

伴隨信息通訊技術(shù)的發(fā)展,互聯(lián)網(wǎng)的普及和政務(wù)公開的有效推進,形成了大數(shù)據(jù)和開放數(shù)據(jù)組成的新數(shù)據(jù)環(huán)境,相較于傳統(tǒng)調(diào)查統(tǒng)計數(shù)據(jù),新數(shù)據(jù)具有高頻的時空性,同時具有自下而上、覆蓋面廣、一致性程度高、粒度細致、可獲得性強、易驗證性強等特點,可有效改善傳統(tǒng)數(shù)據(jù)在數(shù)據(jù)質(zhì)量、更新頻率方面的不足,給傳統(tǒng)人居環(huán)境監(jiān)測的更新乃至演替帶來了可能。

衛(wèi)星遙感數(shù)據(jù)觀測范圍大、綜合、宏觀,且信息量大、獲取信息快速,為人居環(huán)境監(jiān)測提供了數(shù)據(jù)源。但是如何自動、高效、準確的獲取地表覆蓋信息,實現(xiàn)業(yè)務(wù)化是當(dāng)前的核心技術(shù)問題,同時,由于遙感數(shù)據(jù)僅能反映地表覆蓋情況,部分人工信息無法通過影像直接反映,尤其是人居環(huán)境中最關(guān)注的建筑物信息,無法直接獲取使用屬性,限制了它在人文、社科類人居環(huán)境監(jiān)測的應(yīng)用。因此,本文提出利用遙感數(shù)據(jù)與互聯(lián)網(wǎng)的興趣點(POI, Point of interest)數(shù)據(jù)結(jié)合,建立自動、快速獲取城市人居環(huán)境監(jiān)測指標模型,選取典型居住社區(qū)進行精度和效率評價,并計算自然、社會經(jīng)濟類監(jiān)測指標,應(yīng)用于實驗區(qū)的人居環(huán)境質(zhì)量監(jiān)測,為區(qū)域化、業(yè)務(wù)化開展人居環(huán)境質(zhì)量監(jiān)測提供依據(jù)。

1 城市人居環(huán)境監(jiān)測模型

城市人居環(huán)境評價是由人居環(huán)境評價指標體系定量或定性描述來體現(xiàn)的,因此,城市人居環(huán)境質(zhì)量監(jiān)測應(yīng)首先分析指標體系,選取主要指標開展長期監(jiān)測。我國在人居環(huán)境評價指標體系方面尚無統(tǒng)一標準,通過分析中科院地理所發(fā)布的《中國宜居城市研究報告》、住房和城鄉(xiāng)建設(shè)部發(fā)布的《國家園林城市評估指標體系》、全國綠化委員會和國家林業(yè)局發(fā)布的《國家森林城市指標體系》,可以發(fā)現(xiàn),空間數(shù)據(jù)在設(shè)施、交通、生態(tài)環(huán)境、經(jīng)濟等方面指標均有優(yōu)勢,適合長期監(jiān)測使用。其中,城市建筑物是城市人口、居住、經(jīng)濟的重要載體,成為人居環(huán)境評價指標體系的核心數(shù)據(jù)之一。道路是城市人群出行重要基礎(chǔ),便捷的交通能縮短居民居住區(qū)與各種設(shè)施之間的距離,從而反映人居生活的便利性。綠地是居住區(qū)內(nèi)重要的自然要素,在改善環(huán)境質(zhì)量、調(diào)節(jié)氣候、消聲吸塵方面有重要作用,是反映居住區(qū)人居環(huán)境質(zhì)量優(yōu)劣的重要組成。良好的水資源環(huán)境是城鄉(xiāng)人居建設(shè)與發(fā)展的基本需求,因此,居住區(qū)的水環(huán)境和水資源成為人們選擇居所的優(yōu)選條件。因此,綜合分析城市人居環(huán)境指標認為,建筑物、道路、植被、水體是人居環(huán)境質(zhì)量監(jiān)測的重要空間信息,也是城市人居環(huán)境監(jiān)測指標的主要數(shù)據(jù)來源。

本文主要融合了互聯(lián)網(wǎng)興趣點數(shù)據(jù)(POI)和遙感影像數(shù)據(jù),構(gòu)建城市人居環(huán)境監(jiān)測模型,包括兩個關(guān)鍵環(huán)節(jié),一是空間信息的自動獲取,二是運用地理空間分析理論的城市人居環(huán)境監(jiān)測指標計算。

1.1 空間信息自動提取算法

為準確提取城市地表信息,首先構(gòu)建面向人居環(huán)境質(zhì)量監(jiān)測的地物特征空間,再將空間信息自動提取分為兩部分：一是非建筑物信息的自動提??；二是建筑物的自動化提取。

綠地、水體、道路等地物的特征顯著,差異性較大,可通過特征空間進行提取,其中的難點是特征閾值的自適應(yīng)性問題,本文提出利用全局最優(yōu)算法計算閾值,實現(xiàn)綠地、水體、道路提取。針對建筑物表面復(fù)雜性,特征差異不顯著問題,為提高精度,提出使用POI點獲取單體建筑物的樣本,再根據(jù)特征空間,自動尋找相似對象組成建筑物空間信息。整體如下：

圖1 城市人居環(huán)境監(jiān)測空間信息自動提取模型Fig.1 Automatic extraction model of spatial information for urban human settlements monitoring

為了進一步分析人與經(jīng)濟、社會環(huán)境關(guān)系,本研究將人居的載體——建筑物,劃分為居住區(qū)類和服務(wù)類建筑物。居住區(qū)類建筑物集合是城市人口居住的區(qū)域,在城市中相對獨立的居住空間,有一定的建筑規(guī)模,并有與之相配套的公共設(shè)施以及室外綠化等,同時通過道路、建筑物等某類障礙與外界相隔并且區(qū)內(nèi)建筑等景觀具有形態(tài)上共性的區(qū)域。服務(wù)類建筑物主要指具有一定的社會、服務(wù)和經(jīng)濟功能的大型單體建筑物。

該模型中關(guān)于POI點的處理,是由于原始POI數(shù)據(jù)的類型較多,為了便于應(yīng)用,將其進行歸類。其中住宅區(qū)建筑物在POI數(shù)據(jù)中即為住宅小區(qū)類；服務(wù)類主要包括了餐飲、休閑娛樂、購物、學(xué)校、廣場、醫(yī)院等類型,集中多類型服務(wù)類POI點的區(qū)域,認為是大型單體建筑物,該類建筑物對周邊居民的生活影響力較大,借助POI點輔助,根據(jù)POI點的標簽,地理分布特征,基于地理分析中的熱點分析,獲得大型單體建筑物空間位置,為建筑物提取提供輔助信息。

1.1.1 特征空間構(gòu)建

選擇能夠反映地物差異的主要特征參與面向?qū)ο蠓诸悓Ψ诸惤Y(jié)果精度尤其重要。為了篩選有利于地表地物提取的特征構(gòu)建特征空間,研究選取城市主要地物類型(公園綠地、建筑物、水體、裸地、道路)的樣本對象,另遙感影像成像時,太陽光遇到不投光物體形成的暗區(qū),包括建筑物陰影、樹木陰影等也作為樣本之一,統(tǒng)計光譜和紋理特征如圖2,其中光譜特征主要包括各波段光譜均值(紅光波段Mean_Red,綠光波段Mean_Green,藍光波段Mean_Blue,近紅外波段Mean_Nir)和所有波段均值(亮度Brightness),以及由波段運算取得的指數(shù)(歸一化植被指數(shù)NDVI,歸一化水體指數(shù)NDWI,比值居民地指數(shù)RRI、RMI),紋理特征主要通過灰度共生矩陣法計算方差、熵、同質(zhì)性、異質(zhì)性等[5](方差GLCM _StdDe、同質(zhì)性GLCM_Homog、對比度GLCM_Contr、非相似性GLCM_Dissi、角二階矩GLCM_Ang、熵值GLCM_Entro)。結(jié)果顯示,建設(shè)用地與綠地在多個紋理特征指數(shù)上的特征曲線相近,難以區(qū)分,但在植被指數(shù)方面的差異顯著；在光譜及紋理特征指數(shù)統(tǒng)計值上,建設(shè)用地與裸地較為相似；建筑物與道路在光譜和紋理特征上相似度較高,較難區(qū)分,需采用其他特征加以區(qū)分。因此,選擇NDWI、NDVI、亮度指數(shù)初步區(qū)分水體、植被和建筑物,GLCM _StdDe區(qū)分水體和陰影時效果不佳,且計算耗時較高；考慮到建筑物與道路在形狀類特征上的特點,增加密度(Density)、長寬比(Length/width)和面積(Area)區(qū)分道路與建筑物；陰影與水體在光譜和紋理特征上都沒有明顯區(qū)別,但建筑物陰影的形狀較為方正,故采用矩形度區(qū)分陰影與水體。

圖2 各地類樣本特征統(tǒng)計圖Fig.2 land coverage type sample characteristic value line chartsMean_Red:紅波段均值 Mean of red band; Mean_Green:綠波段均值 Mean of green band; Mean_Blue:藍波段均值 Mean of blue band; Mean_Nir:近紅外波段均值 Mean of near infrared band; Max_diff:最大差分值 the value of max difference; NDVI:歸一化植被指數(shù) Normalized difference vegetation index; NDWI:歸一化水體指數(shù) Normalized difference water index; RRI:比值居民地指數(shù) Ratio resident-area index; RMI:比值水分指數(shù) Ratio moisture index; GLCM_StdDe: 灰度共生矩陣的標準差 Standard deviation of gray-level co-occurrence matrix; GLCM_Dissi: 灰度共生矩陣的異質(zhì)性Dissimilarity of gray-level co-occurrence matrix; GLCM_Entro: 灰度共生矩陣的熵Entroy of gray-level co-occurrence matrix;GLCM_Homog: 灰度共生矩陣的同質(zhì)性Homogeneity of gray-level co-occurrence matrix; GLCM_Corre: 灰度共生矩陣的相似性 Correlation of gray-level co-occurrence matrix; GLCM_Ang: 灰度共生矩陣的角二階矩Angular second moment of gray-level co-occurrence matrix

1.1.2 全局最優(yōu)算法

分割后影像對象特征值均呈現(xiàn)連續(xù)分布特點,基本上符合數(shù)值的正態(tài)分布,故可通過確定直方圖獲得分類閾值。本研究利用全局最優(yōu)算法,基于迭代的方式將兩個或兩個以上正態(tài)分布的概率密度函數(shù)做近似表示,每次都取其中最顯著的波峰來劃分區(qū)域,然后依據(jù)各個區(qū)域的平均值選擇合適閾值,重復(fù)該過程直到閾值收斂[6]。算法實現(xiàn)如下：

遍歷對象讀取特征值,獲得最小特征值T1以及最大特征值T2,設(shè)定初始閾值T(0),T(l) = (T1+T2) / 2；根據(jù)閾值T(k),統(tǒng)計大于或小于該閾值的所有對象特征值,再次計算出此區(qū)間內(nèi)的最大值和最小值,再計算均值T(k+1),計算△T,迭代上述過程,直到△T為0。公式如下：

T1=Min(T)

(1)

T2=Max(T)

(2)

T(k)=(T1+T2)/2

(3)

△T=T(k+1)-T(k)

(4)

式中,T1為最小特征值；T為指定類別對象的特征值集合；T2為最大特征值；T(k)為本次特征閾值；△T為相鄰兩次閾值偏差值。

1.1.3 區(qū)域生長算法

建筑物的提取一直是高分辨率遙感影像提取的熱點,高精度、自動化獲取其分布也是遙感產(chǎn)業(yè)應(yīng)用的難點。目前,利用遙感數(shù)據(jù)進行建筑物信息提取的研究眾多,主要分為兩類：一是以數(shù)據(jù)或特征驅(qū)動的方法,例如：基于幾何邊界的方法[7-9]、基于區(qū)域分割的方法[10-11]和基于輔助特征或輔助信息的方法[12-15]；二是從建筑物模型驅(qū)動的方法,例如：基于語義模型分類的方法[16-17]、基于先驗知識模型的方法[18-19]和基于視覺認知模型的方法[20]。建筑物模型驅(qū)動方法在面對先驗知識不足情況下的多樣性人工建筑物目標識別方面精度無法達到預(yù)期,成為其發(fā)展的主要問題；數(shù)據(jù)或特征驅(qū)動是目前研究最多且獲得較好結(jié)果的方法,尤其是基于區(qū)域分割理論,結(jié)合特征、上下文語義關(guān)系的面向?qū)ο笞R別,成為工程化、專業(yè)化遙感信息提取的發(fā)展方向。因此,本研究提出利用面向?qū)ο髤^(qū)域生長算法,實現(xiàn)自動化、工程化的提取城市建筑物,并結(jié)合POI信息,提高識別精度,增加建筑物的使用屬性。

區(qū)域生長算法最早由Levine等學(xué)者提出[11],該方法由于其速度快、針對性強、可交互等特點得到了廣泛應(yīng)用[22]。算法的核心是種子的選取、相似區(qū)域的判定準則和終止條件,種子的選擇可以人工和自動兩種方式實現(xiàn),但其準確度對結(jié)果影響較大；相似區(qū)域的判定準則一般通過特征值小于某個閾值來表示。針對對象的區(qū)域生長,是在影像分割的基礎(chǔ)上,依據(jù)同一目標物體的同質(zhì)性來依次歸并對象[23],以某個對象區(qū)域為初始種子區(qū)域(x0,y0),從鄰域?qū)ο?x,y)顏色、平均灰度值、紋理等信息上度量相鄰對象的相似性,本研究采用歐幾里得距離(見公式(5)(6))計算相似度,將種子區(qū)域與目標區(qū)域之間滿足相似度條件的對象合并,再以合并后的對象為新的種子區(qū)域,重復(fù)上述操作,進行8鄰域生長,最終形成具有相似特征對象的最大連通集合,完成區(qū)域增長,達到目標地物識別提取的目的。

區(qū)域生長從初始種子點開始,按照生長準則查找與之相符的像素點歸并到初始種子點,直至滿足條件。本研究通過POI獲取初始種子對象,保證所有的種子對象都為建筑物本體或周圍一定范圍內(nèi),建筑物樣本生長終止條件是道路。主要分為6個步驟：

(1)對所有對象特征向量中特征值標準化Xi；

(5)

(2)對對象集順序掃描,找到第i個還沒有歸屬的對象,設(shè)該對象為X0；

(3)以X0為中心,計算它與鄰域?qū)ο筇卣飨蛄縓的距離Di,如果距離滿足生長準則,就將他們合并在同一區(qū)域內(nèi),同時將其壓入堆棧；

(6)

(4)在堆棧中取出一個對象,把它作為X0,返回到步驟3；

(5)當(dāng)堆棧為空時,返回到步驟2；

(6)重復(fù)步驟2—5直到所有對象都有歸屬,生長結(jié)束。

1.2 人居環(huán)境監(jiān)測指標計算

人居環(huán)境質(zhì)量監(jiān)測指標主要通過地理分析的方法獲得[24],從地理分析方法層面,將指標分為密度類、距離類指標計算。

據(jù)《中國儲運》記者查到的更多的披露信息顯示，阿里將設(shè)立一家控股公司，作為本地生活服務(wù)的旗艦公司，并已收到來自阿里集團和軟銀集團等投資者的超過30億美元投資承諾。

1.2.1 密度計算

自然環(huán)境類指標主要通過密度計算實現(xiàn),對空間上各類地表覆蓋物占比,或其他社會經(jīng)濟屬性占地表覆蓋范圍的比例。包括：綠地覆蓋率、建筑密度、容積率、人均綠地占有率和人均土地使用率等,該類指標的快速監(jiān)測有利于對社區(qū)的自然資源改造和生態(tài)環(huán)境建設(shè)評估與規(guī)劃。其計算公式為：

(7)

式中,Gi為某類指標占比結(jié)果,Si為第i個區(qū)域的占地總和；Sij為第i個住區(qū)內(nèi)的建筑物面積或社會經(jīng)濟統(tǒng)計結(jié)果。

1.2.2 距離計算

社會服務(wù)類指標主要通過距離計算獲得,例如服務(wù)類建筑物對住宅小區(qū)居住人群的生活、教育、醫(yī)療等的滿足程度,主要通過空間緩沖區(qū)分析,來反映各實體對其鄰近住宅的影響程度,依據(jù)緩沖主體的幾何形態(tài),分為點、線、面緩沖區(qū)分析。實際指標計算中,應(yīng)首先建立等級,進而根據(jù)等級科學(xué)的計算不同形態(tài)主體的影響度。以醫(yī)療設(shè)施影響度為例,社區(qū)內(nèi)的醫(yī)院,將按照醫(yī)院等級進行劃分。根據(jù)不同等級設(shè)施面積中位數(shù),利用最大標準化方法確定設(shè)施綜合規(guī)模指數(shù)?，F(xiàn)實生活中,影響度隨著距離中心越遠,影響度衰減,因此,本研究選擇指數(shù)模型進行緩沖區(qū)分析[25]。公式為：

(8)

(9)

式中,Fi為主體對鄰近實體的實際影響程度；f0為主體自身的綜合規(guī)模指數(shù)；di為鄰近對象離開主體的實際距離(歐式距離)；dmax為主體對鄰近實體的最大影響距離。

(10)

式中,最大影響距離依研究區(qū)面積S,研究區(qū)內(nèi)及周邊的j等級以及以上等級的基礎(chǔ)設(shè)施數(shù)量n,計算j等級基礎(chǔ)設(shè)施的最大影響距離dmaxj。

2 結(jié)果與精度評價

2.1 實驗區(qū)與數(shù)據(jù)

本研究選取北京市北部的回龍觀社區(qū)作為實驗區(qū),回龍觀社區(qū)是一個具有850萬m2的超大規(guī)模社區(qū),常駐人口達到30萬人,被公認為亞洲第一大社區(qū),可以作為一個居住環(huán)境監(jiān)測的典型。

針對社區(qū)級監(jiān)測,建議采用高分辨率遙感影像進行信息提取,本研究選用北京二號遙感數(shù)據(jù)。北京二號衛(wèi)星星座,于2015年7月11日搭載印度極軌衛(wèi)星運載火箭發(fā)射升空,星座由3顆第三代災(zāi)害監(jiān)測星組成,衛(wèi)星運行高度647 km,傾角97.8°的太陽同步軌道,搭載1 m全色與4 m多光譜成像儀。對數(shù)據(jù)進行了“配準、融合、正射糾正、增強”處理。其中,配準采用自動配準；融合采用Pansharp法對全色和多光譜波段進行融合；正射糾正通過讀取rpc文件、選擇有理函數(shù)模型、借助數(shù)字高程模型,選擇控制點進行正射糾正,完成數(shù)據(jù)處理。

2.2 結(jié)果與精度

利用北京市回龍觀社區(qū)的北京二號遙感數(shù)據(jù)和POI點數(shù)據(jù)(如圖3),首先通過POI點聚類,提取服務(wù)類建筑物分布區(qū)域以及重新生成聚類中心點(FOI)；將遙感數(shù)據(jù)、服務(wù)類建筑物分布矢量、聚類中心點(FOI)參與數(shù)據(jù)分割；基于本研究所構(gòu)建的模型,選取分割尺度30,形狀參數(shù)0.1,緊致度參數(shù)0.5,構(gòu)建NDVI、NDWI、亮度、面積等特征空間,自動確定閾值,提取大型社區(qū)的建筑物、道路,以及綠地和地表水體(如圖4)。

圖3 2018年4月2日北京二號遙感影像和感興趣點數(shù)據(jù) Fig.3 Beijing-2 remote sensing image and Point of interest (POI) data April 2, 2018

圖4 回龍觀社區(qū)地表覆蓋自動提取結(jié)果圖 Fig.4 The result of automated land coverage extraction of Huilongguan community

為了檢驗該方法提取結(jié)果的精度以及提取效率,隨機選取每個地類的100個圖斑,與實際地物邊界對比,建立混淆矩陣,計算提取精度(表1)。本研究對比人工目視解譯上述四類要素需要4 h,而本文方法分割過程2 min,分類、聚類等處理需要10 min,人工修訂1 h。

表1 回龍觀社區(qū)信息自動提取結(jié)果精度評價表/%

由結(jié)果精度可知,本研究所用方法的用戶精度和制圖精度均高于85%,總體精度超過95%,kappa系數(shù)超過92%,說明識別精度很高而且可信,從效率角度分析,提升了2.3倍。綜合上述信息提取結(jié)果,認為該方法適合工程化、區(qū)域化監(jiān)測使用。

3 人居環(huán)境指標監(jiān)測分析

社區(qū)的人居環(huán)境監(jiān)測、評價重點圍繞物質(zhì)環(huán)境的舒適度、健康度、便利度以及非物質(zhì)環(huán)境的人文性、社會性等方面,這些指標的監(jiān)測可通過居住地周邊的服務(wù)設(shè)施、自然環(huán)境以及配套環(huán)境的計算獲得,北方地區(qū)受季節(jié)影響,生態(tài)環(huán)境變化顯著,因此通過高頻的地表覆蓋信息計算居住環(huán)境質(zhì)量指標,為社區(qū)的自然資源改造和生態(tài)環(huán)境建設(shè)評估與規(guī)劃提供依據(jù)。從服務(wù)類行業(yè)的影響度分析,增加互聯(lián)網(wǎng)數(shù)據(jù)提供的信息,可以明顯提高監(jiān)測頻率與正確性,使人居環(huán)境質(zhì)量監(jiān)測更有時效性,有利于指導(dǎo)人們選購房產(chǎn),也為政府的社區(qū)規(guī)劃與管理提供幫助。本研究以回龍觀社區(qū)的部分小區(qū)為例,將前述的空間信息與POI點信息結(jié)合,利用地理分析方法,對自然環(huán)境類與社會服務(wù)類指標進行計算,為人居環(huán)境監(jiān)測的常態(tài)化提供依據(jù)。

比較回龍觀15個小區(qū)的綠地覆蓋率、建筑密度和容積率(表2)可知,綠地覆蓋率高、建筑物密度低和容積率低的小區(qū)是北店嘉園小區(qū),而且從數(shù)據(jù)可知,回龍觀社區(qū)中大部分小區(qū)的建筑物高度相近,而且內(nèi)部生態(tài)系統(tǒng)以植物環(huán)境為主,缺少水環(huán)境,生物多樣性不足,從舒適度、自然環(huán)境角度,整體設(shè)計缺乏個性化和生態(tài)化。

比較回龍觀社區(qū)各小區(qū)受周邊服務(wù)類影響程度(表2),各小區(qū)差異性較大,龍禧苑二區(qū)距離周邊的大型綜合性商場較近,綜合得分最高；社區(qū)醫(yī)療水平總體偏低,各社區(qū)得分均不高,相較而言,龍騰苑二、三區(qū)距離稍近；社區(qū)公立中小學(xué)共有四所,從整個社區(qū)分析,主體教育資源也相對缺乏,龍躍苑周邊的中小學(xué)相對較近。通過計算各輻射類行業(yè)對小區(qū)的影響度認為,回龍觀地區(qū)的商業(yè)發(fā)展比較快,包括大型商場、超市、餐飲、娛樂等,使各小區(qū)居民的生活便利性和舒適性較高,但是教育和醫(yī)療資源相對缺乏,尤其是大型的、公立的教育和醫(yī)療資源比較匱乏,有待提高。

表2 回龍觀15個小區(qū)的人居環(huán)境監(jiān)測指標值

4 結(jié)論與討論

(1)本文構(gòu)建了城市人居環(huán)境監(jiān)測模型,該模型包括兩個關(guān)鍵環(huán)節(jié),一是構(gòu)建自動化提取建筑物算法,該算法通過建立地物特征集,以POI點對應(yīng)樣本為種子,利用全局最優(yōu)和區(qū)域生長算法,自動提取城市建筑物,再利用全局最優(yōu)算法確定其他地類的閾值；二是人居環(huán)境指標計算,將建筑物、綠地、水體信息提取結(jié)果與POI數(shù)據(jù)結(jié)合,利用密度類與距離類空間分析算法,分別計算自然、社會經(jīng)濟類指標。

(2)以北京北部回龍觀社區(qū)為例,利用2018年4月的北京二號遙感影像和POI點數(shù)據(jù)進行實驗驗證,總體精度超過95%,Kappa系數(shù)超過92%,效率提高2倍多,認為該方法精度和效率高,適合推廣應(yīng)用。監(jiān)測人居環(huán)境質(zhì)量,根據(jù)計算結(jié)果分析,認為回龍觀社區(qū)大部分小區(qū)的建筑物密度不高、服務(wù)設(shè)施齊全基本滿足居民生活需求,但是也存在缺少水環(huán)境、教育和醫(yī)療設(shè)施的問題。

(3)本文在信息的自動獲取方面顯著提高了效率和精度,但評價指標方面,只選取了部分客觀指標進行了監(jiān)測,缺少空氣、聲環(huán)境質(zhì)量乃至社會性環(huán)境要素,沒有形成綜合評價分析,下一步將擴展互聯(lián)網(wǎng)數(shù)據(jù)在空氣質(zhì)量、聲環(huán)境、人文、社科類的評價應(yīng)用,并結(jié)合多種互聯(lián)網(wǎng)數(shù)據(jù)進行滿意度評價,增加主觀評價數(shù)據(jù)獲取方法,完善整體人居環(huán)境質(zhì)量監(jiān)測業(yè)務(wù)化技術(shù)體系。