黃 芳，曹芳潔，王潛心

（中國礦業(yè)大學(xué) 環(huán)境與測繪學(xué)院，江蘇 徐州 221116）

0 引言

城市綠地空間是城市生態(tài)系統(tǒng)的重要組成部分，具有調(diào)節(jié)氣候、凈化空氣、涵養(yǎng)水源、消減噪聲和美化環(huán)境等功能，也發(fā)揮著景觀文化、居民休閑等作用［1］。目前，對城市綠地的研究主要是從綠地分類［2，3］、綠地固碳作用［4］、綠地格局與城市形態(tài)的相互作用［5，6］、城市綠地景觀網(wǎng)格構(gòu)建［7］等方面開展。作為城市綠地研究的核心基礎(chǔ)，對城市綠地現(xiàn)狀信息進(jìn)行實(shí)時(shí)、高效、精細(xì)化監(jiān)測，可為優(yōu)化城市生態(tài)空間結(jié)構(gòu)、維護(hù)城市生態(tài)平衡以及建設(shè)“碳中和”城市提供基礎(chǔ)數(shù)據(jù)支撐。

城市綠地監(jiān)測的手段從早期的實(shí)地調(diào)研、人工繪制草圖，到后期初步利用遙感影像進(jìn)行分類，均存在效率低、過程繁瑣的問題，不適用于遙感影像信息的批量快速獲?。?］。為了提升遙感影像綠地分類獲取速度，有學(xué)者提出采用像元二分法［9］、非監(jiān)督分類［10］和監(jiān)督分類［11］等方法對中、低分辨率遙感影像上的城市綠地信息提取，基本解決了綠地批量識別的需求，但相應(yīng)的方法仍存在容易將綠地同其他地物錯(cuò)分的問題。

隨著城市的發(fā)展建設(shè)，城市綠地開始呈現(xiàn)類型多樣、形態(tài)不規(guī)則以及空間異質(zhì)性較高的特征，中、低分辨率的遙感影像難以滿足精準(zhǔn)識別的需求［12］。由于表征能力不足，傳統(tǒng)算法無法充分挖掘具有復(fù)雜背景的高分辨率遙感圖像中蘊(yùn)含的語義信息［13］。近年來深度學(xué)習(xí)等新興技術(shù)的發(fā)展，為遙感綠地信息提取提供了先進(jìn)的模型算法支撐，也在很大程度上避免了圖像像元分類的“椒鹽噪聲”［14］問題。姚艷清等提出一種多分辨率特征融合的遙感圖像目標(biāo)檢測方法，較好地克服了錯(cuò)檢、漏檢等問題，適用于密集目標(biāo)、多尺度目標(biāo)檢測［15］；Yan 等在對北京植被功能類型分類時(shí)，將面向?qū)ο蠓诸惻c植被物候相結(jié)合，將整體分類精度提高了8.8%［16］；徐知宇等通過對比多種主流算法對于城市綠地總體分類的精度，認(rèn)為U－Net卷積神經(jīng)網(wǎng)絡(luò)模型在城市綠地遙感自動分類方面具備一定的優(yōu)勢［17］。

雖然遙感圖像目標(biāo)檢測領(lǐng)域已經(jīng)取得了長足的進(jìn)步，但是由于遙感影像僅依賴紋理與光譜特征對地物進(jìn)行劃分，難以滿足園林從業(yè)者和城市規(guī)劃者對綠地功能精細(xì)化分類的需求。近年來，隨著互聯(lián)網(wǎng)、云計(jì)算等技術(shù)的崛起，網(wǎng)絡(luò)數(shù)據(jù)也成為了定量城市研究的重要數(shù)據(jù)源之一，并在城市公園綠地相關(guān)研究領(lǐng)域得到了應(yīng)用。鄭權(quán)一等基于POI混合度的城市公園體力活動類型多樣性，探究了公園周邊POI混合度對公園DPAT 的影響機(jī)制［18］；李坤洋等構(gòu)建緩解熱島效應(yīng)、游憩娛樂、應(yīng)急避險(xiǎn)3 種城市綠地服務(wù)半徑計(jì)算方法，將POI 密度分布與綠地服務(wù)空間進(jìn)行空間疊加，分析城市綠色服務(wù)空間分布特征［19］；Cao等對POI 數(shù)據(jù)進(jìn)行重新分類，建立城市公園綠地類型和POI 之間的聯(lián)系，然后將其與UFZ數(shù)據(jù)進(jìn)行融合，進(jìn)行城市公園分析［20］。但是已有研究的關(guān)注點(diǎn)多集中于將城市公園綠地視作點(diǎn)狀要素進(jìn)行分類或分析其功能特征、服務(wù)范圍等［21，22］，忽略了地理要素的面狀范圍［23，24］。

針對現(xiàn)有方法遙感影像識別城市綠地邊緣誤判率高以及難以通過遙感紋理特征判別綠地社會屬性特征的問題，本文提出了一種基于深度學(xué)習(xí)先進(jìn)模型算法的高分辨率遙感影像城市綠地分類方法。在此基礎(chǔ)上，本文引入開源地理數(shù)據(jù)POI、OSM進(jìn)行多維度綠地特征分類，進(jìn)一步將綠地劃分為功能分類、類型特征、服務(wù)范圍和形態(tài)特征4 個(gè)子類。

1 研究區(qū)域與數(shù)據(jù)來源

1.1 研究區(qū)域

深圳是一座人口高度集中、空間高度集約、功能活動高度集聚的高密度超大城市。其綠地系統(tǒng)規(guī)劃結(jié)合城市生態(tài)格局評估，從區(qū)域銜接、內(nèi)部微完善、組團(tuán)均衡角度，確立了“三帶、八片、多廊、多核”的綠地系統(tǒng)結(jié)構(gòu)；立足地域資源，營山活水，凸顯山水自然的景觀格局；以塑造精品為導(dǎo)向，搭建以生態(tài)景觀林帶和景觀大道為骨架，以特色公園為節(jié)點(diǎn)的特色景觀系統(tǒng)，提升城市景觀形象。

本文以深圳市城市綠地為研究對象，根據(jù)城市區(qū)域定位及綠地分布情況，選取了中央商務(wù)區(qū)所在的福田區(qū)以及有著“一半山水一半樓”美譽(yù)的羅湖區(qū)交界處的矩形區(qū)域（圖1 方框內(nèi)區(qū)域，面積25km2）。研究區(qū)經(jīng)緯度為114°4′—114°7′E、22°32′—22°36′N。研究區(qū)內(nèi)人口密度高，公園綠地資源豐富，擁有包含森林公園、綜合公園和社區(qū)公園在內(nèi)的多類型城市公園綠地系統(tǒng)。

圖1 研究區(qū)位圖Figure 1 Study area map

1.2 數(shù)據(jù)來源及預(yù)處理

本文主要研究目標(biāo)是為實(shí)現(xiàn)城市綠地自動精細(xì)化分類提供精度高、可復(fù)用的方法，以深圳市福田區(qū)和羅湖區(qū)交界處25km2的區(qū)域進(jìn)行實(shí)例驗(yàn)證，主要研究內(nèi)容包括綠地的矢量邊界識別及類型、功能、形態(tài)的精細(xì)化分類。因此，需要以下三類數(shù)據(jù)：GF－2遙感影像、興趣點(diǎn)數(shù)據(jù)以及交通路網(wǎng)矢量數(shù)據(jù)。

1.2.1 遙感影像與樣本制作

遙感影像使用的是GF－2 高分辨率遙感影像數(shù)據(jù)（分辨率1m），經(jīng)過輻射定標(biāo)、大氣校正與正射校正等預(yù)處理，以保證像元點(diǎn)空間位置的準(zhǔn)確性。本文采用2000 國家大地坐標(biāo)系，1985 國家高程基準(zhǔn)，UTM投影6°分帶。結(jié)合目前國土空間規(guī)劃實(shí)踐中常用的遙感基礎(chǔ)數(shù)據(jù)情況，進(jìn)行了波段融合處理，保留R－G－B 3 個(gè)波段信息。通過對研究區(qū)域綠地情況的實(shí)際調(diào)查，采用分層隨機(jī)方案采集研究區(qū)域的樣本點(diǎn)，訓(xùn)練樣本和測試樣本比例為6∶ 4。實(shí)驗(yàn)使用Labelme工具進(jìn)行數(shù)據(jù)集準(zhǔn)備工作，標(biāo)注完成后輸入類別標(biāo)簽以存儲json 格式的數(shù)據(jù)。為了豐富樣本特征，數(shù)據(jù)集標(biāo)注采用兩種方式，其中一種是勾勒綠地邊緣，考慮邊界特征（圖2b）；另一種則是在綠地范圍內(nèi)勾勒矩形范圍（圖2d）。最后，將標(biāo)注后的數(shù)據(jù)集進(jìn)行二值化處理。

圖2 數(shù)據(jù)集制作示意圖Figure 2 Schematic diagram of dataset production

1.2.2 興趣點(diǎn)數(shù)據(jù)

興趣點(diǎn)（Point of Interest，POI），泛指一切可被抽象為點(diǎn)的地理實(shí)體，是導(dǎo)航地圖的衍生數(shù)據(jù)，主要用于表征城市空間內(nèi)各類服務(wù)型設(shè)施。高德地圖提供千萬級別的POI數(shù)據(jù)，所有數(shù)據(jù)均按三級分類，且層次清晰、精度較高。因此，本文所使用的POI數(shù)據(jù)基于高德API 開放接口（https：／ ／lbs.amap.com／），運(yùn)用Python編程語言編寫網(wǎng)絡(luò)爬取工具，采取周邊檢索中的多邊形檢索方法，以格網(wǎng)形式獲取數(shù)據(jù)并輸出。經(jīng)過去重、糾偏和空間坐標(biāo)轉(zhuǎn)換等預(yù)處理工作，共計(jì)獲取POI數(shù)據(jù)68 511 條（圖3a）。

圖3 研究數(shù)據(jù)空間分布圖Figure 3 The spatial distribution map of research data

1.2.3 交通路網(wǎng)矢量數(shù)據(jù)

本文使用的交通路網(wǎng)矢量數(shù)據(jù)是通過全球公開地圖協(xié)作項(xiàng)目OpenStreetMap（OSM，https：／ ／www.openhistoricalmap.org／）獲得，OSM 道路數(shù)據(jù)包括空中航線（Aeroway）、陸路（Highway）、水路（Waterway）及鐵路（Railway）4 類，本文主要關(guān)注的是道路數(shù)據(jù)的陸路數(shù)據(jù)，即Highway 標(biāo)簽下的數(shù)據(jù)。對研究區(qū)的OSM道路網(wǎng)數(shù)據(jù)進(jìn)行道路化簡、拓?fù)渲亟ㄌ幚砗螅?5］，得到研究區(qū)交通路網(wǎng)矢量數(shù)據(jù)（圖3b）。

2 研究方法

本文總結(jié)深度學(xué)習(xí)常用且有效的改進(jìn)方法，將空洞空間卷積池化金字塔模塊（Atrous Spatial Pyramid Pooling，ASPP）［26］和尺度特征聚合模塊（Scale－wise Feature Aggregation Module，SFAM）［27］融入U(xiǎn)－Net網(wǎng)絡(luò)中，進(jìn)行遙感影像綠地分類。引入以POI和OSM為代表的網(wǎng)絡(luò)地理數(shù)據(jù)，進(jìn)一步將城市綠地從功能分類、類型特征、服務(wù)范圍和形態(tài)特征4個(gè)維度進(jìn)行精細(xì)化分類。技術(shù)路線如圖4 所示。

圖4 技術(shù)路線Figure 4 Technical route

2.1 基于改進(jìn)的U－Net算法的遙感圖像綠地提取

U－ Net 網(wǎng)絡(luò)結(jié)構(gòu)［28］為Encoder－Decoder 結(jié)構(gòu)，其整體結(jié)構(gòu)類似英文字母U，是經(jīng)典的編碼器－解碼器結(jié)構(gòu)之一。U－Net 是較早的使用全卷積網(wǎng)絡(luò)進(jìn)行語義分割的算法之一，是通過使用語義邊界監(jiān)督邊界網(wǎng)絡(luò)訓(xùn)練，得到準(zhǔn)確的語義邊界，特別是在遙感影像植被提取方面得到了專家的青睞。

然而，高分辨率遙感影像數(shù)據(jù)的遙感地物存在類內(nèi)不一致與類間無差別的問題，而經(jīng)典U－Net模型并沒有很好的解決這一問題。因此，本文提出一種基于改進(jìn)U－Net架構(gòu)的遙感圖像語義分割模型（圖5），將U－Net網(wǎng)絡(luò)的特征融合模塊與M2Det網(wǎng)絡(luò)中尺度特征聚合模塊SFAM 融合，從而提升分類精確度和模糊邊界的檢測效率。本文從以下3 方面進(jìn)行了改進(jìn)：①為了能夠?qū)Χ喑叨鹊某鞘芯G地特征進(jìn)行提取，在U－Net 網(wǎng)絡(luò)中加入ASPP 模塊，實(shí)現(xiàn)低層階段得到目標(biāo)像素精確的分割定位和高層階段獲取有效的城市綠地特征［29］；②在解碼過程的上采樣中使用雙線性插值，使得圖像間的轉(zhuǎn)換不通過像素匹配來完成，并為像素分配適當(dāng)?shù)牧炼戎?，提高了被陰影遮擋部分的城市綠地的檢測效率；③通過在U－Net 中加入SFAM 模塊，將U－Net 中的多級多尺度特征進(jìn)行有效聚合，從而獲得多級特征金字塔，以豐富圖像紋理、顏色和目標(biāo)類別所包含的特征信息，使得結(jié)果更精確。

圖5 網(wǎng)絡(luò)結(jié)構(gòu)圖Figure 5 Network structure diagram

2.1.1 空洞空間卷積池化金字塔

為了能夠?qū)b感圖像進(jìn)行不同尺度的特征提取，在改進(jìn)的U－Net網(wǎng)絡(luò)中加入了空洞空間卷積池化金字塔（Atrous Spatial Pyramid Pooling，ASPP）。輸入所給定的特征圖（Feature Map），以不同采樣率的空洞卷積并進(jìn)行采樣。然后，對ASPP 各層疊加后的輸出進(jìn)行卷積操作，將得到的結(jié)果融合到一起，擴(kuò)大通道數(shù)。為了加疊ASPP模塊中產(chǎn)生的輸入輸出，在模塊中利用了shortcut。這樣僅增接了微量的網(wǎng)絡(luò)計(jì)算量，卻提高了訓(xùn)練模型的效率。不僅如此，對所訓(xùn)練出來的結(jié)果也有一定程度上的優(yōu)化。最后，通過1 ×1 的卷積將通道數(shù)降低到給定的數(shù)值。當(dāng)模型參數(shù)不斷深入時(shí)，這個(gè)結(jié)構(gòu)還能有效處理退化問題。計(jì)算公式如下：

式中：Concat（）為拼接操作第一維度的特征圖；Gr，n表示r 采樣率的帶孔卷積與n 尺寸卷積核；Impooling表示為圖上image pooling分支中所有圖像級輸入特征圖的平均池化特征。

2.1.2 雙線性插值

在解碼過程中，雙線性插值可以在圖像縮放時(shí)，使得目標(biāo)圖像與原圖像的像素值有所對應(yīng)。在圖像處理中，為了生成更加逼真的圖片，將屏幕的像素點(diǎn)的位置映射到紋理圖中對應(yīng)的點(diǎn)。然后，計(jì)算該映射點(diǎn)的4 個(gè)鄰近紋元屬性（顏色、透明度等）的加權(quán)平均值作為該屏幕像素的屬性值。從而實(shí)現(xiàn)在解碼過程中，無需裁剪Feature Map 便可進(jìn)行融合，并賦予適當(dāng)?shù)牧炼戎怠?/p>

2.1.3 SFAM模塊

SFAM模塊能有效地聚合多級多尺度特征，形成多級特征金字塔。具體方法為：首先，將金字塔各比例包含多級深度特征聚合，把目標(biāo)特征沿著信道維度進(jìn)行有效銜接；其次，將SENet的區(qū)塊引入使得特征都包含在最有益的區(qū)間里，所引入的區(qū)塊就是一個(gè)基于通道域的注意力機(jī)制，用來激勵特征聚焦對檢測幫助最大的通道；最后，在SENet 的區(qū)塊后，利用全局平均池化來生成通道統(tǒng)計(jì)數(shù)據(jù)。此外，為了實(shí)現(xiàn)準(zhǔn)確捕獲對通道依賴性的目的，聚合模塊可以根據(jù)實(shí)際情況進(jìn)行適當(dāng)?shù)恼{(diào)整。SFAM 模塊對特征融合的激勵步驟是通過兩個(gè)全連接層來學(xué)習(xí)注意機(jī)制，這是為了銜接信道維度和存在等效比例特征，并讓目標(biāo)特征能夠被SE 注意機(jī)制更好地適應(yīng)。計(jì)算公式如下：

式中：xj＝［，，…，］表示聚合后的特征金字塔；表示第j個(gè)最大尺度的特征。

2.2 基于POI和OSM數(shù)據(jù)的城市綠地精細(xì)化分類

城市綠地的規(guī)劃行業(yè)應(yīng)用而言，僅僅進(jìn)行城市綠地空間位置識別難以滿足要求，還需進(jìn)行多維度的特征分類。因此，本文結(jié)合城市綠地的功能特點(diǎn)，利用POI數(shù)據(jù)包含的屬性信息、城市綠地與交通路網(wǎng)的拓?fù)潢P(guān)系以及景觀形態(tài)指數(shù)，從功能分類、類型特征、服務(wù)范圍與形態(tài)特征4 個(gè)方面進(jìn)行城市綠地的精細(xì)化分類。

2.2.1 功能分類

依據(jù)中華人民共和國住房和城鄉(xiāng)建設(shè)部2018年頒布實(shí)施的《城市綠地分類標(biāo)準(zhǔn)》進(jìn)行分類，將城市綠地分為公園綠地、附屬綠地、防護(hù)綠地和其他綠地四類（由于研究區(qū)位于深圳市中心城區(qū)，因此未考慮生產(chǎn)綠地這一分類）。首先，利用前文提出的改進(jìn)的U－Net算法識別出的城市綠地；其次，引入POI數(shù)據(jù)，將城市綠地范圍內(nèi)落入“公園廣場”的斑塊，歸類為公園綠地，將城市綠地范圍落入“小區(qū)”、“住宅”的斑塊，歸類為“附屬綠地”；再次，計(jì)算城市綠地與城市道路的臨近關(guān)系，將剩余的斑塊中，與交通路網(wǎng)存在拓?fù)湎噜応P(guān)系的綠地劃歸為“防護(hù)綠地”；最終，其他城市綠地納入“其他綠地”分類。

2.2.2 類型特征

統(tǒng)計(jì)主題模型是目前文本領(lǐng)域的熱點(diǎn)之一，在輿情分析［30，31］、地理熱點(diǎn)挖掘［32］等領(lǐng)域有著良好的應(yīng)用。相比較于LSTM、BERT 等模型，統(tǒng)計(jì)主題模型具有輕量化，處理極短文本速度快等優(yōu)勢，在POI文本處理方面有良好的性能。因此，本文根據(jù)綠地內(nèi)所包含的POI字段的屬性信息，利用LDA主題模型［33］，將公園綠地這一子類進(jìn)一步細(xì)分為綜合公園、社區(qū)公園、城市公園、山地公園、市政公園、主題公園、山體公園和體育公園8 小類。每個(gè)文檔所對應(yīng)的密度函數(shù)為：

式中：θ 和z 表示隱含變量；w 為唯一性詞匯即可觀察值，給定文檔集合中每個(gè)子文檔d 包含N個(gè)詞，對文檔中的每個(gè)詞wn（1 ＜n ＜N）：生成一個(gè)主題詞zn服從參數(shù)分布為θ的多項(xiàng)式分布，進(jìn)而根據(jù)特定的主題比例β，對wn生成P（Wn｜Zn，β）。

2.2.3 服務(wù)范圍

本文通過量化城市綠地與交通路網(wǎng)的拓?fù)潢P(guān)系以及與周圍鄰里的滲透關(guān)系［34］，根據(jù)服務(wù)范圍分為市級綠地、區(qū)級綠地、社區(qū)級綠地和街旁綠地［35］（圖6）。首先，將僅與交通道路拓?fù)渑R接且面積極小的城市綠地，全部歸類為街旁綠地；其次，計(jì)算城市綠地覆蓋范圍與周圍POI 的滲透關(guān)系，將與居住類POI所形成的單一組團(tuán)滲透度高的城市綠地歸納為社區(qū)級綠地，將與居住類POI所形成的多個(gè)組團(tuán)、與商業(yè)類POI所形成的單一組團(tuán)所滲透度高的城市綠地歸納為區(qū)級綠地；最后，將面積范圍最大、與交通道路網(wǎng)拓?fù)潢P(guān)系復(fù)雜、與商業(yè)類POI 所形成的多個(gè)組團(tuán)所滲透度高的城市綠地歸納為市級綠地。

圖6 POI的兩種鄰域效應(yīng)Figure 6 Two neighborhood effects of POI

2.2.4 形態(tài)特征

景觀形狀指數(shù)，指的是景觀格局中斑塊的形狀指數(shù)，是通過計(jì)算區(qū)域內(nèi)某斑塊形狀與相同面積的圓或正方形之間的偏離程度來測量形狀復(fù)雜程度的［36］。本文引入景觀形狀指數(shù)，比較提取的綠地斑塊與相同面積的圓的偏離指數(shù)，并結(jié)合綠地面積特征，將偏離指數(shù)較小且面積小的城市綠地定義為點(diǎn)狀綠地；將偏離指數(shù)較大且面積較小的城市綠地定義為帶狀綠地；將偏離指數(shù)較小且面積較大的城市綠地，定義為塊狀綠地。其中，景觀形狀指數(shù)計(jì)算公式如下：

式中：LSIx為綠地x 的景觀形態(tài)指數(shù)；Mx為綠地x的斑塊邊界長度；Ax為綠地x的景觀面積。

3 結(jié)果及分析

3.1 城市綠地識別結(jié)果分析

實(shí)驗(yàn)平臺同時(shí)使用Windows環(huán)境下2 塊型號為GTX－1080Ti的GPU，每張GPU上同時(shí)進(jìn)行2 張圖片的訓(xùn)練，從而提高算法的泛化能力?；赑yTorch框架實(shí)現(xiàn)圖5 的網(wǎng)絡(luò)結(jié)構(gòu)，整個(gè)網(wǎng)絡(luò)是端到端的結(jié)構(gòu)，輸入圖片的尺寸均是256 ×256。在模型訓(xùn)練過程中，考慮到迭代次數(shù)對分類精度的影響，實(shí)驗(yàn)最佳的迭代次數(shù)為1 000，學(xué)習(xí)率為0.006 5。

實(shí)驗(yàn)通過“編碼—分割—分類—解碼”的過程，完成研究區(qū)綠地遙感分類，對語義分割結(jié)果以平均交并比（Mean Intersection over Union，MIoU）、總體分類精度（Overall Accuracy，OA）、Kappa 系數(shù)3 個(gè)評價(jià)指標(biāo)進(jìn)行精度評價(jià)。最終，本文模型在數(shù)據(jù)集上取得了95.41%的MIoU以及90.87%的OA，Kappa系數(shù)為0.97（圖7）。同時(shí)，采用相同的學(xué)習(xí)效率與訓(xùn)練次數(shù)，將本文提出的方法與傳統(tǒng)U－Net和UNet3 ＋網(wǎng)絡(luò)進(jìn)行了對比。

圖7 城市綠地提取結(jié)果Figure 7 Urban green space extraction results

從提取的結(jié)果來看，本文所使用的模型的OA為90.87%，在城市綠地識別中取得了較高的效率，且最終提取的城市綠地的完整程度也更高，模型總體分類精度比U－Net 和U－Net3 ＋模型分別提高了11.13%和7.39%。具體表現(xiàn)為圖像中小尺度的城市綠地的錯(cuò)分和漏分的情況有所改善，在小型建筑物與大范圍城市綠地相連的部分也得到精細(xì)的提取，特別的，部分城市道路綠地受建筑物陰影影響時(shí)提取的結(jié)果也較為準(zhǔn)確?？傮w來看，實(shí)驗(yàn)所提取的城市綠地范圍邊界與真實(shí)綠地更吻合。

3.2 城市綠地精細(xì)化分類結(jié)果分析

本文選定的研究區(qū)在深圳市中心城區(qū)，因此，POI和OSM等開源地圖數(shù)據(jù)覆蓋度良好，基本滿足城市綠地精細(xì)化分類的需求。整體來看，研究區(qū)內(nèi)城市綠地面積占比較大，功能完備、類型豐富、服務(wù)范圍層次分明，且形態(tài)特征多樣化。

從功能角度來看（圖8a），研究區(qū)的城市綠地大部分為城市公園且占地面積廣泛，符合目前深圳城市建設(shè)“從城市里的公園到公園里的城市”的這一理念。同時(shí)，在城市中心區(qū)域（研究區(qū)中心為深圳市中央商務(wù)區(qū)）附近的區(qū)域，防護(hù)綠地分布較為密集，對于城市功能混合度高、交通路網(wǎng)密集且人群分布集中的城市核心區(qū)域，能夠做到降低城市噪聲污染以及固碳的良好作用。結(jié)合居住類POI分布特征來看，居住生活圈內(nèi)基本都配備了相應(yīng)的附屬綠地，同時(shí)滿足了城市建設(shè)和居民生活的需求。

圖8 城市綠地精細(xì)化分類Figure 8 Fine classification of urban green space

進(jìn)一步地將城市公園進(jìn)行類型的細(xì)分，可以看 出，深圳市的城市公園呈現(xiàn)多樣化特征（圖8b）。同時(shí)，研究區(qū)內(nèi)具備規(guī)模較大的綜合公園、山地公園和體育公園，充分利用了自然優(yōu)勢，打造了中心城區(qū)的特色景觀與旅游新格局。

從服務(wù)范圍來看（圖8c），深圳市中心城區(qū)大部分綠地為市級綠地，大部分綠地圍繞深圳市地標(biāo)性建筑深圳市民中心打造。深圳市民中心是集多功能為一體的綜合性建筑，是深圳的行政中心、市政府主要辦公機(jī)構(gòu)，同時(shí)也是市民娛樂活動的場所，成為了深圳市政府的形象代言、深圳最具有標(biāo)志性的建筑物。圍繞其打造多樣化市級城市綠地，有助于提升城市形象，豐富城市功能。同時(shí)，結(jié)合城市公園的類型特征來看，市級綠地包含各類主題公園，為市民及游客提供了不同的選擇。從整體來看，中心城區(qū)的綠地呈現(xiàn)“市級—區(qū)級—社區(qū)級”的層次特征，滿足了不同人群出行目的需求，同時(shí)，主干道附近具備大體量的街旁綠地，從視覺與環(huán)境角度，均做出了良好的貢獻(xiàn)。

本文利用景觀形態(tài)指數(shù)來量化城市綠地的形態(tài)特征，從形態(tài)特征來看（圖8d），研究區(qū)內(nèi)大面積的塊狀綠地呈現(xiàn)集中分布的特征，分散的帶狀綠地和點(diǎn)狀綠地能夠作為研究區(qū)域內(nèi)大面積塊狀綠地斑塊的補(bǔ)充，作為生態(tài)踏腳石的功能，最大化滲透城市硬質(zhì)空間，緩解城市的生態(tài)負(fù)效應(yīng)。

然而，仍然有以下問題需要關(guān)注：①盡管研究區(qū)內(nèi)各級交通路網(wǎng)完善，道路交叉密度較大，但街旁綠地分布不均，且有異形建筑遮擋；②研究區(qū)內(nèi)東部地區(qū)的街道綠地并沒有將洪湖附近的塊狀綠地、各道路的帶狀綠地以及建筑周圍的點(diǎn)狀綠地構(gòu)成一個(gè)完整的網(wǎng)絡(luò)化綠地景觀；③梨園路與浦城路、梨園路與寶崗路和深南中路與華強(qiáng)路的交界處以及寶安南路和寶崗路的部分路段出現(xiàn)了綠色缺口，這可能會導(dǎo)致附近空氣質(zhì)量的下降，也會讓人的感官上感覺死氣沉沉，缺乏生活氣息。

4 結(jié)論與討論

本文構(gòu)建了一種改進(jìn)的U－Net模型，對深圳市福田區(qū)和羅湖區(qū)的矩形區(qū)域進(jìn)行了城市綠地的提取。同時(shí)，本文基于POI 和OSM 等開源數(shù)據(jù)，并引入景觀生態(tài)學(xué)的基礎(chǔ)理論，進(jìn)行了研究區(qū)城市綠地的精細(xì)化分類。主要結(jié)論如下：①本文提出的方法能自適應(yīng)地將大圖像分割成小的處理單元，以保持城市空間分布模式的完整性?？傮w分類精度相較于經(jīng)典U－Net和U－Net3 ＋網(wǎng)絡(luò)有所提高，且識別的城市綠地邊界和真實(shí)城市綠地邊界更吻合，有效地提高了城市綠地識別的準(zhǔn)確率。②針對目前綠地遙感分類依賴影像紋理特征的問題，引入景觀生態(tài)學(xué)的基礎(chǔ)理論，并使用POI、OSM 等網(wǎng)絡(luò)地理數(shù)據(jù)，進(jìn)行功能分類、類型特征、服務(wù)范圍和形態(tài)特征4 個(gè)維度的城市綠地精細(xì)化分類。③本文選定深圳市福田區(qū)、羅湖區(qū)交界處的矩形區(qū)域?yàn)檠芯繀^(qū)，利用提出的方法進(jìn)行了實(shí)例分析，其中，綠地遙感分類總體精度為90.87%，比U－Net 和U－Net3 ＋模型分別提高了11.13%和7.39%，Kappa 系數(shù)為0.97，同時(shí)在4個(gè)精細(xì)化分類維度上也取得了結(jié)果。

在后續(xù)的研究中，可考慮引入新的處理模塊。如利用多光譜遙感影像，進(jìn)行植被類型的二次分類，從而計(jì)算不同類型的城市綠地的固碳潛力。