白曉瓊，王 汶，林子彥，張耀軍，王 昆

(1.自然資源部城市土地資源監(jiān)測與仿真重點(diǎn)實(shí)驗(yàn)室，深圳 518034；2.中國人民大學(xué)環(huán)境學(xué)院地理空間信息研究中心，北京 100872；3.中國人民大學(xué)人口與發(fā)展研究中心，北京 100872)

0 引言

作為城市基礎(chǔ)設(shè)施建設(shè)的必要內(nèi)容之一，城市綠地對改善人居環(huán)境具有十分重要的作用，因此城市綠化景觀設(shè)計(jì)日益受到重視[1]?！冻鞘芯G地分類標(biāo)準(zhǔn)CJJ/T85—2017》對于小區(qū)綠化標(biāo)準(zhǔn)雖然有明確的規(guī)定[2]，但仍以綠地率、綠化覆蓋率、人均公共綠地面積這3大二維綠化指標(biāo)為主要評價依據(jù)[3]，存在如下問題：首先，城市綠地生態(tài)效益不僅取決于綠色植被的覆蓋面積，還取決于植被空間結(jié)構(gòu)及其生長狀況[4-5]，但二維綠化指標(biāo)不能準(zhǔn)確地反映植物空間構(gòu)成的合理性及其生態(tài)效益水平[6]；其次，二維綠化指標(biāo)對于綠地的定義比較寬泛，不考慮植被的種類和生長情況，甚至將大致長草的地方都算作綠地，因此很容易出現(xiàn)為盡快達(dá)到規(guī)定綠化標(biāo)準(zhǔn)而選用低成本草地代替高成本景觀植被的現(xiàn)象。然而，無論是從居民對于小區(qū)宜居性的滿意度[7]方面考慮，還是從水土保持[8]、固碳釋氧[9-10]、滯塵減污[11-13]、降溫增濕[14]等生態(tài)效益[15-16]方面，特別是從景觀結(jié)構(gòu)與功能[17]、生物多樣性[18]等景觀生態(tài)學(xué)原理方面考慮，草地的價值均普遍低于灌木、喬木等高大立體的植被[19-20]，不能充分響應(yīng)人們對優(yōu)美人居環(huán)境的需求以及實(shí)現(xiàn)城市綠地的立體景觀價值。因此在城市綠地建設(shè)中亟需一個科學(xué)合理的度量指標(biāo)來反映城市綠地的立體景觀。

1995年“上海市綠化三維量遙感調(diào)查”項(xiàng)目提出了“綠化三維量(living vegetation volume,LVV)”[21]亦即“三維綠量”這一量化值來更合理地度量綠地。三維綠量指的是綠色植物所占據(jù)的空間體積，相對于平面綠量，三維綠量反映了城市綠化植被的空間結(jié)構(gòu)量值，更能體現(xiàn)綠地的立體景觀。現(xiàn)有的三維綠量測算方法主要有以下幾種：①模型模擬法[22]，即通過對植物植株進(jìn)行大量的實(shí)地測量，采用模擬方程推算城市森林主要樹種樹木綠量，來估計(jì)城市森林三維綠量，這種方法雖然精度較高，但是存在投入成本高、工作繁瑣耗時、難以大范圍應(yīng)用等缺陷；②平面量模擬立體量法，周堅(jiān)華等[23]在分樹種逐株測算的基礎(chǔ)上，建立冠徑-冠高回歸方程，再利用航空像片上量得的冠徑求取不同樹種冠高，進(jìn)而求得不同樹種樹冠的體積(樹冠綠量)，計(jì)算機(jī)及遙感技術(shù)的加入節(jié)省了大量人力物力，但在大范圍應(yīng)用航空影像成本較高，且涉及樹種過多導(dǎo)致工作量過大的問題；③遙感植被指數(shù)法[24-25]，此法利用高光譜遙感影像豐富的光譜信息構(gòu)建植被指數(shù)，直接與實(shí)地測算的三維綠量樣本之間建立回歸方程，進(jìn)而推廣到整個區(qū)域反演三維綠量，與上述第二種方法相比省去了實(shí)測樣本冠徑、冠高以及量測航片冠徑等中間步驟，但仍然需要大量野外實(shí)測數(shù)據(jù)來滿足回歸方程可靠性。上述3種方法在三維綠量計(jì)算過程中均需要大量實(shí)測數(shù)據(jù)，在城市尺度大范圍應(yīng)用時成本過高，因此，需要一個快速度量城市尺度大范圍綠地空間景觀的方法，以及一個科學(xué)合理的三維綠化指標(biāo)，以用于城市綠地規(guī)劃和管理。

本文針對上述三維綠量度量及傳統(tǒng)綠化指標(biāo)用于規(guī)劃存在的問題，以高空間分辨率遙感影像為數(shù)據(jù)源，采用面向?qū)ο蟮姆诸惙椒ㄌ崛≈脖魂幱?，?jié)省了大量實(shí)地測量的時間、人力、物力等成本；應(yīng)用植被高度和陰影長度的幾何關(guān)系模型[26]快速反演植被高度，在此基礎(chǔ)上構(gòu)建三維綠度指數(shù)(three-dimensional green index，TGI)作為綠地規(guī)劃建設(shè)新指標(biāo)，并將其與傳統(tǒng)的二維指標(biāo)綠化覆蓋率進(jìn)行比較分析。結(jié)果表明，三維綠度指數(shù)不僅獲取快速方便、成本較低，而且更能實(shí)際反映綠化植被的立體景觀與城市綠地建設(shè)質(zhì)量，因此可用于大范圍城市三維綠地度量，為城市綠化規(guī)劃、決策、管理提供科學(xué)依據(jù)。

1 數(shù)據(jù)和方法

1.1 研究區(qū)概況

本研究選取深圳市西南部福田區(qū)沙頭街道為研究區(qū)(圖1)。該區(qū)位于E114°0′～ 114°2′，N22°31′～22°33′之間，面積約為7.89 km2。研究區(qū)東北部和西南部分別為深圳高爾夫球俱樂部和濱海濕地，植被資源較為豐富；東南部和西北部均為居民區(qū)，西部為商業(yè)區(qū)，植被資源較少，主要為行道樹(灌木、喬木等)和小型綠地(草地、小灌木等)。

圖1 研究區(qū)示意圖(GF-2 RGB影像)Fig.1 The study area (RGB image of GF-2)

1.2 數(shù)據(jù)源及其預(yù)處理

本研究選取深圳市西福田區(qū)沙頭街道2015年1月高分二號(GF-2)PMS2數(shù)據(jù)，1月份太陽高度角較小，陰影信息比較明顯，有利于植被陰影的提取。該影像包括一個1 m空間分辨率的全色波段和4個4 m空間分辨率的多光譜波段，其中，多光譜波段包括3個可見光波段和1個近紅外波段[27]。在對原始遙感影像進(jìn)行預(yù)處理(包括正射校正、輻射定標(biāo)、大氣校正、圖像融合)后，獲得1 m空間分辨率遙感融合影像，充分利用了原始影像的光譜信息并保留了高空間分辨率的優(yōu)勢，提高了利用數(shù)據(jù)解析地物的能力。

1.3 研究方法

以經(jīng)過預(yù)處理的高分辨率遙感影像為基礎(chǔ)，運(yùn)用面向?qū)ο蠓诸惣夹g(shù)提取植被及其對應(yīng)的陰影信息；然后根據(jù)二者的幾何關(guān)系模型，利用陰影的長度反演植被高度；最后基于植被高度構(gòu)建三維綠度指數(shù)模型，并將該模型的計(jì)算結(jié)果與傳統(tǒng)二維綠化指標(biāo)計(jì)算結(jié)果進(jìn)行對比分析。TGI構(gòu)建的具體技術(shù)流程如圖2。

圖2 技術(shù)流程圖Fig.2 Technology roadmap

1.3.1 三維綠度指數(shù)

本研究將TGI定義為一定區(qū)域內(nèi)等效基礎(chǔ)綠化植被面積所占的比例。其中，基礎(chǔ)綠化植被泛指在城市綠化建設(shè)中普遍采用的草坪植物與地被植物，其高度一般在1 m以下，這樣的植被成本低、成活率高，能更迅速地達(dá)到相關(guān)綠化標(biāo)準(zhǔn)中規(guī)定的數(shù)量指標(biāo)，因而在城市基礎(chǔ)綠化中被廣泛使用；將不同高度的植被面積依照一定規(guī)則統(tǒng)一換算為基礎(chǔ)綠化植被所占的面積即為等效基礎(chǔ)綠化植被面積。TGI的具體計(jì)算公式為

(1)

式中，S為研究區(qū)域面積，m2；Ci為研究區(qū)域內(nèi)的第i個植被像元對應(yīng)的高度等級，均為整數(shù)，植被高度及其等級對應(yīng)關(guān)系見表1；Si為第i個植被像元的對應(yīng)的實(shí)地面積，m2；∑CiSi為等效基礎(chǔ)綠化植被面積。

表1 植被高度等級表Tab.1 Vegetation height grades

1.3.2 面向?qū)ο蟮挠跋穹诸?/p>

TGI是基于植被高度等級的計(jì)算結(jié)果，其中植被高度的反演是三維綠度指數(shù)計(jì)算的關(guān)鍵，而準(zhǔn)確提取植被與陰影信息又是植被高度反演的前提。由于在高空間分辨率遙感影像中，面向?qū)ο蟮倪b感影像分類方法比傳統(tǒng)基于像元的分類方法具有更高的精度[28-29]，因此本文利用面向?qū)ο蠓诸愜浖Cognition9.0[30]，基于多尺度分割算法和光譜差異算法，對陰影信息、植被信息以及水體信息進(jìn)行提取。首先選擇尺度為300的分割層對粗尺度陰影(即建筑物陰影)和水體進(jìn)行提取，再進(jìn)一步根據(jù)亮度、面積以及NDWI值等特征將二者區(qū)分開；在排除建筑物陰影和水體后，選擇像素層對細(xì)尺度陰影進(jìn)行提取；最后選擇尺度為50的分割層對草地和林地進(jìn)行提取，并根據(jù)空間同質(zhì)性及NDVI值將二者區(qū)分開。具體分割尺度及分類規(guī)則見表2，其中分割的形狀權(quán)重為0.2，顏色權(quán)重為0.8，緊致度和光滑度權(quán)重分別設(shè)置為0.1和0.9。

表2 分類規(guī)則Tab.2 Classification rules

1.3.3 植被高度提取

在準(zhǔn)確提取植被和陰影的基礎(chǔ)上，用ArcGIS的鄰域分析功能將屬于植被的陰影從細(xì)尺度陰影中提取出來，接著通過太陽、衛(wèi)星和樹木陰影成像時的相對幾何位置關(guān)系即可求得植被對應(yīng)的陰影長度。最后仿照根據(jù)建筑物陰影提取建筑物高度的方法[31-32]，利用陰影在太陽高度角方向上的長度，反演其對應(yīng)植被的高度。太陽高度角和方位角、衛(wèi)星高度角和方位角與樹木高度及陰影的幾何關(guān)系如圖3所示。

圖3 考慮方位角時，太陽、衛(wèi)星與陰影的幾何關(guān)系Fig.3 The geometrical relationship between sun,satellite and shadow when azimuth is taken into account

(2)

當(dāng)衛(wèi)星和太陽位于目標(biāo)地物的兩側(cè)的時候，幾何位置模型可以簡化為一種只需要利用太陽高度角、陰影長度即可計(jì)算高度的簡單投影模型，即

H=A·tanβ，

(3)

式中：H為樹木高度；β為太陽高度角。參照高分二號數(shù)據(jù)自帶的參數(shù)信息文件(擴(kuò)展名為*.xml)中提供的太陽方位角和衛(wèi)星方位角信息，二者作差求其交角γ；若0°≤γ<180°，則認(rèn)為衛(wèi)星和太陽位于目標(biāo)地物的同側(cè)，若180°≤γ<360°，則認(rèn)為衛(wèi)星和太陽位于目標(biāo)地物的兩側(cè)。根據(jù)以上原則確定，判斷本文采用的遙感影像屬于衛(wèi)星與太陽位于目標(biāo)地物兩側(cè)的情況，故應(yīng)用公式(3)計(jì)算植被高度?；谥脖?、陰影分布提取結(jié)果，結(jié)合太陽方位角，對林地邊緣像元沿太陽方位角方向的陰影長度進(jìn)行計(jì)算，再將得到的陰影長度按照影像空間分辨率轉(zhuǎn)換為實(shí)際地面長度；最后利用公式(3)求出樹木高度。此外，對于成片林地中內(nèi)部的樹木由于受其他樹木的遮擋，難以在水平地面形成有效陰影的情況，本文采用普通克里金(ordinary Kriging)插值法對林地邊緣高度進(jìn)行空間插值來獲得林地內(nèi)部的樹木高度。

2 結(jié)果與分析

2.1 影像分類結(jié)果

基于面向?qū)ο蟮姆诸惙椒?，結(jié)合多尺度分割算法和光譜差異算法提取的目標(biāo)地物信息如圖4所示。從圖4中可以看出細(xì)尺度陰影與植被在空間分布上對應(yīng)關(guān)系較為顯著，即保證在植被高度計(jì)算時所依據(jù)的是植被陰影而非建筑物陰影或者水體。

(a)綠地 (b)陰影與水體

圖4 提取結(jié)果

Fig.4Extractionresult

針對分類結(jié)果，本文采用分層抽樣的方法，按照常數(shù)分配法將80個樣點(diǎn)分配給林地、草地、水體、陰影4個不同的類別，在ArcGIS中參照影像分別在4種類別范圍內(nèi)隨機(jī)創(chuàng)建20個樣本點(diǎn)，利用基于像素的混淆矩陣(error matrix based on TTA mask)進(jìn)行精度檢驗(yàn)，用生產(chǎn)者精度 (producer accuracy,PA)、用戶精度 (user accuracy,UA )、總體精度 (overall accuracy,OA)和Kappa系數(shù)4個精度[33]評價指標(biāo)定量評價分類精度?；煜仃嚰跋鄳?yīng)精度評價指標(biāo)見表3。結(jié)果顯示，本方法的總體精度在85%以上，Kappa系數(shù)大于0.8，分類效果良好，精度滿足要求。

表3 地物分類混淆矩陣及分類精度Tab.3 The confusion matrix and summary of the classification accuracies

2.2 植被高度提取結(jié)果

研究區(qū)植被最終估算高度如圖5所示。由于草地類型的植被高度較低，在當(dāng)前空間分辨率下不能形成有效陰影信息，所以粗略地將草地高度視為0.2 m。植被高度提取結(jié)果顯示，該區(qū)域植被最高不超過30 m，而在這些植被中，超過1/4為低成本地被植物，其中草地面積約占17.66%，小灌木(高度3 m以下)面積約占10.03%。利用百度街景地圖，采用分層抽樣的方法，按照高度等級分層，小灌木層樣本量為5株，大灌木及喬木層樣本量為35株，與植被高度提取結(jié)果比較，平均絕對誤差小于1 m，在植被高度分級的允許誤差范圍內(nèi)，故此植被高度提取結(jié)果可用于TGI的計(jì)算。

圖5 植被高度分布圖Fig.5 Distribution of the green space height

2.3 三維綠度指數(shù)結(jié)果

基于上述植被分布及植被高度提取結(jié)果，以20 m×20 m為標(biāo)準(zhǔn)格網(wǎng)，通過三維綠度指數(shù)模型計(jì)算得到TGI空間分布圖(圖6)。研究區(qū)TGI指數(shù)呈現(xiàn)出東北、西南較高，東南、西北以及西部較低的空間分布特征。其中，TGI>2的區(qū)域?yàn)閱棠据^多的區(qū)域，集中于東北區(qū)域；1≤TGI≤2的區(qū)域?yàn)楣嗄据^多的區(qū)域，集中于道路兩側(cè)的行道樹附近；TGI<1的區(qū)域?yàn)椴莸丶械膮^(qū)域，主要位于城市公園或綠地中的草坪區(qū)域；TGI=0表示沒有植被分布。TGI結(jié)果與前面計(jì)算的植被高度分布較為吻合：即植被高的區(qū)域TGI明顯較高，植被高度較低的地方則TGI偏低，能夠在定性(植被的有無)的基礎(chǔ)上定量地(植被量的多少)評價綠化水平。

圖6 TGI分布Fig.6 Distribution of TGI

2.4 三維綠度指數(shù)分析

傳統(tǒng)的城市綠地規(guī)劃多采用綠化覆蓋率這個二維綠化指標(biāo)。本文以深圳市福田區(qū)沙頭街道為研究區(qū)，比較了上述公式(1)所構(gòu)建的三維綠化指標(biāo)TGI(如圖6)與傳統(tǒng)二維綠化指標(biāo)綠化覆蓋率(如圖7)結(jié)果在空間分布及結(jié)果細(xì)節(jié)上的異同。對比圖6與圖7可以看出，二者的空間總體分布基本一致；但在二者的結(jié)果細(xì)節(jié)上，TGI的數(shù)值區(qū)間(0～2.69)要比綠化覆蓋率的數(shù)值區(qū)間(0～1)大，這是因?yàn)門GI考慮了與植被高度有關(guān)的等效基礎(chǔ)綠化面積，而綠化覆蓋率依據(jù)的是研究區(qū)域內(nèi)植被的垂直投影面積，TGI比綠化覆蓋率多包含了“植被高度”這一維度的信息，不僅反映了遙感像元對應(yīng)區(qū)域植被的“有”或“無”，還反映了該區(qū)域內(nèi)植被景觀的“量”的特征，體現(xiàn)了植被的綠化的立體景觀效應(yīng)。此外，從人類認(rèn)知感受角度，相同面積的喬木和草地景觀感受是不同的，但是在二維綠化覆蓋率指標(biāo)中不能反映這種差異，三維綠度指數(shù)TGI則可以很好地反映這種不同，所以TGI更接近居民的實(shí)際體驗(yàn)和綠度認(rèn)知，更能夠體現(xiàn)植被立體景觀的細(xì)節(jié)以及城市環(huán)境的宜居性，可以為城市綠地規(guī)劃和綠化建設(shè)質(zhì)量評估等提供科學(xué)依據(jù)。

圖7 綠化覆蓋率分布圖Fig.7 Distribution of the green coverage ratio

3 結(jié)論

1)本文基于高分二號遙感影像數(shù)據(jù)，利用植被的陰影長度來反演植被高度，構(gòu)建了一個新的三維綠度度量指標(biāo)——TGI，用來度量綠地的立體景觀以及綠化建設(shè)的質(zhì)量。

2)與傳統(tǒng)二維綠化指標(biāo)綠化覆蓋度相比，TGI更能反映植被空間結(jié)構(gòu)的實(shí)際情況，并且改善了以往三維綠量的研究中數(shù)據(jù)成本高、工序繁瑣、難以大范圍推廣等不足，能夠用于城市綠地規(guī)劃管理，提高城市綠地景觀建設(shè)的合理性。

3)通過遙感提取植被陰影的方法，比較適用于大尺度城市綠地三維綠度度量。未來的小尺度城市三維綠量研究當(dāng)中，在獲得飛行許可的區(qū)域，可以采用無人機(jī)激光雷達(dá)提取植被高度，推算城市綠地三維綠量，其結(jié)果將會更加準(zhǔn)確可靠。