基于遙感圖像分析的城市森林景觀退化趨勢測量技術

田鵬

摘 要： 為全面反映城市生態平衡建設情況，彌補當前城市森林景觀退化趨勢測量方法的缺陷，提出基于遙感圖像分析的城市森林景觀退化趨勢測量方法。使用Vgtextract軟件對城市森林景觀遙感圖像的長時序數據進行去噪和提取，并分波段提取圖像分辨率數據。通過分析地理分區相似性，對提取出的圖像數據進行邊緣分割，獲取圖像中的城市森林景觀，計算城市森林景觀指數并集成。將城市不同時期的集成指數相減得到退化數據，用來描述城市森林景觀退化趨勢。實驗結果表明，所提測量方法對遙感圖像中城市森林景觀的分割效果好，測量偏差小。

關鍵詞： 遙感圖像； 城市森林景觀； 退化趨勢； 測量偏差； 圖像分割； 邊緣分割

中圖分類號： TN911.73?34； S823 文獻標識碼： A 文章編號： 1004?373X（2018）01?0067?04

Abstract： In order to comprehensively reflect the construction condition of urban ecological balance， and eliminate the defects of the current measurement method for degradation trend of urban forest landscape， a measurement method based on remote sensing image analysis is proposed for degradation trend of city forest landscape. The Vgtextract software is used to denoise and extract the long time series data in remote sensing image of urban forest landscape， and also extract the image resolution data in the mode of dividing wave band. By analyzing the similarity of geographical subareas， the edge segmentation is carried out for the extracted image data to acquire the urban forest landscape in the image， and calculate the urban forest landscape index for integration. The integrated indexes of different periods of the city are subtracted to get the degradation data for description of the urban forest landscape degradation trend. The experimental results show that the proposed measurement method has good segmentation effect of urban forest landscape in remote sensing images， and small measured error.

Keywords： remote sensing image； urban forest landscape； degradation trend； measurement error； image segmentation； edge segmentation

0 引 言

城市森林景觀是內陸生態環境的主要成分，是城市物質能量平衡的基本保障，對城市大氣資源與水資源具有調節能力。隨著民眾環保理念的提升，民眾對城市生態平衡格外重視。人口的增加大幅度減少了城市土地資源，工業、科技的發展致使植被、土壤被破壞，土地利用率進一步下降[1]。因而，正確測量城市森林景觀退化趨勢是把握城市生態情況、評估城市發展、響應科學發展觀的重要手段，能夠為未來城市規劃指引方向。

國外對城市森林景觀退化趨勢測量技術的研究較早，比如通過傅里葉變換[2]分析衛星數據，監控城市森林景觀變化情況，優點是效率高，但傅里葉變換對噪聲的變化不敏感，測量偏差大。使用動態調和技術在時間序列上分類城市森林地與非森林地，按照四季分別分析城市森林景觀退化趨勢，測量偏差小，但效率低且不能表征整體退化趨勢。

考慮到以上兩種測量技術的局限性，為了能夠全面反應城市生態平衡建設情況，提出基于遙感圖像分析的城市森林景觀退化趨勢測量方法。實驗結果表明，該方法對遙感圖像中城市森林景觀的分割效果好，測量偏差小。

1 城市森林景觀遙感圖像數據分析

1.1 城市森林景觀遙感圖像數據提取

遙感技術是在遠程觀測物質狀態時提取物質屬性數據的一種感知技術，這種技術依附于自然界內所有物質均能在自身表面反射或者發出電磁波這一性質，根據電磁波波長不同和遙感觀測距離、電磁波傳播干擾等情況，隨時隨地獲取物質光波屬性，辨識物質類別。實際應用中，一般將遙感技術與傳感技術結合起來，比如在城市森林景觀的測量中，需要先通過遙感技術觀測地理信息，再使用傳感技術獲取城市森林景觀遙感圖像。遙感技術的數據處理效率高、遠程觀測范圍大，但城市森林景觀遙感圖像中含有大量噪音，提取圖像數據時必須將噪音水平降至最低[3]。城市森林景觀遙感圖像內與城市森林景觀有關的數據種類可分為兩種：長時序數據以及分辨率數據。

1.1.1 長時序數據的去噪與提取endprint

長時序數據以歸一化森林景觀指數、紅波、類紅波、藍波和短紅波為主[4]，處理這種數據噪音時先使用幾何光波校準遙感光波，再按照城市經緯度精確剪輯出長時序數據。處理軟件使用的是Vgtextract，它能夠處理掉等值噪音，具有數據合成功能，遙感數據中的大氣狀態和地形結構均可被用作進行噪聲輔助處理，適合處理大范圍遙感數據。Vgtextract軟件通過將遙感圖像內城市森林景觀歸一化指數NDVI的數值范圍控制在[-0.1，0.1]內，集成量化值ND的范圍控制在[0，200]之內，見式（1），從而提取到長時序數據灰度圖像。NDVI在遙感圖像中的使用很普遍，它能夠減弱因地理因素和天氣因素導致的遙感圖像噪音。

[ND=0.1+NDVI0.004] （1）

1.1.2 分辨率數據的提取

隨著遙感技術的進步，遙感圖像分辨率逐漸增高，低等分辨率圖像已經不再使用。如今，城市森林景觀遙感圖像的分辨率普遍在[0.8 m，6 m]之間，無需進行去噪?，F以快鳥衛星[5]提供的遙感圖像為例，討論分辨率數據的提取?？禅B衛星是當今最早且惟一供給亞米級分辨率的商用衛星，衛星遙感圖像的最低分辨率為0.6 m，表1介紹了快鳥衛星遙感圖像的一些重要參數。從表1可知，快鳥衛星遙感圖像提供紅、藍、綠、類紅四種波段的光譜。綠色光譜可以用來提取城市森林景觀的繁茂程度，藍色光譜則提取景觀的大致輪廓，紅色光譜可辨識出森林內的植被類別。由于物質空間分辨率存在差異，因而類紅色光譜的作用是對植被類別和景觀繁茂程度進行校準。

1.2 城市森林景觀遙感圖像指數集成

1.2.1 城市森林景觀指數

城市森林景觀指數是評估城市生態環境的項目集合，是測量景觀退化率的數據基礎，包括比率指數RVI、差值指數DVI、歸一化指數NDVI、抗大氣指數ARVI、土壤控制指數SAVI、增益指數EVI和森林景觀覆蓋比率VARI[6]，各指數的計算公式如下：

[RVI=ρnρr] （2）

[DVI=ρn-ρr] （3）

[NDVI=ρn-ρrρn+ρr] （4）

[ARVI=ρn-ρr+λ（ρb-ρr）ρn+ρr-λ（ρb-ρr）] （5）

[SAVI=（1+L）×ρn-ρrL+ρn+ρr] （6）

[EVI=G（1+L）（ρn-ρr）ρn+c1ρr-c2ρb+L] （7）

[VARI=ρg-ρrρg+ρr-ρb] （8）

式中：[ρn]是類紅光譜反射率；[ρr]是紅色光譜反射率；[ρb]是藍色光譜反射率；[ρg]是綠色光譜反射率；[λ]是校準參數[7]；[L]是土壤調節因子；[G]是灰度調節因子；[c1，c2]是大氣校準參數。

1.2.2 指數集成

VARI，RVI和DVI是不需要集成的，可直接用來測量城市森林景觀狀況[8]。將NDVI融入集成量化值ND中，計算方法同遙感圖像長時序數據的提取方法相同，如式（1）所示。將ARVI，SAVI，EVI依次融入集成量化值[N]中，ND的計算公式可以分別如下：

[ND1=255×ARVI-ARVIminARVImax-ARVImin] （9）

[ND2=255×SAVI-SAVIminSAVImax-SAVImin] （10）

[ND3=255×EVI-EVIminEVImax-EVImin] （11）

式中：無下角標的城市森林景觀評估項目表示算術平均值；下角標min和max表示評估項目的最小值和最大值。

2 遙感圖像分析的城市森林景觀退化趨勢測量

方法

2.1 工作流程

基于遙感圖像分析的城市森林景觀退化趨勢測量方法的核心是進行城市森林景觀遙感圖像的去噪和邊緣分割，圖1介紹了方法流程，圖像去噪是邊緣分割的前提，測量城市森林景觀退化趨勢需從景觀邊緣入手，將不同階段的景觀邊緣勾勒出來，描述內在植被細節，通過對比分析得出退化趨勢。邊緣分割對噪聲十分敏感，通過圖像數據去噪與提取，僅存的微小圖像噪音不會影響邊緣分割結果。所提方法將根據分割結果提取城市森林景觀退化數據，分析退化趨勢。

2.2 邊緣分割

城市森林景觀遙感圖像中具有明顯的地理分區，結合圖像灰度梯度對不同地理分區之間的相似性進行分析，實現邊緣分割。

將城市森林景觀遙感圖像灰度當成時空內的一個曲線圖形，用[N×N]表示遙感圖像分辨率，圖像中的所有點能夠以中點為基準向外分散進行相似度計算，如圖2所示的正方形塊是[N×N]遙感圖像邊緣處的一個圖像塊，分辨率為[D×D，]設圖像中間區域的分辨率為[E×E，][D×D]圖像與[E×E]圖像中的地理分區存在相似性，[E×E]圖像與其相鄰的圖像塊也具有地理分區相似性，由此可推測出：在進行邊緣分割時，[N×N]圖像中任意兩個圖像塊之間灰度差的平方和應滿足最小值[9]，見下式：

[C=1ki=1k（di-ei）2] （12）

式中：[k=E×E；][di，ei]分別是[D×D]圖像與[E×E]圖像的灰度；[C]是相似度度量。

根據式（12）遍歷[N×N]圖像內所有的邊緣圖像塊，取[C]的最小值集合分割城市森林景觀遙感圖像邊緣。將遙感圖像中的森林景觀準確提取出來，計算城市森林景觀指數。測量城市森林景觀退化趨勢時，將不同時期的指數分別集成。通過進行城市森林景觀遙感圖像的評估指數集成處理，圖像灰度范圍將始終維持在[0，255]之間，此時使用簡單的減法運算就能得到具體的退化數據，如式（13）所示：

[M=NDs-NDp] （13）

式中：[M]是退化數據；[NDs，NDp]分別是某一評估項目的歸一化結果。endprint

3 驗證性測試

基于遙感圖像分析的城市森林景觀退化趨勢測量方法采用C語言編程平臺開發，計算機系統為Windows 8，中央處理器類型為i7，硬盤為700 GB。選取2016年上海市的快鳥衛星遙感數據進行實驗，統計2016年上海市真實城市森林景觀面積以及全年的景觀退化面積。使用ENV處理軟件[10]從衛星遙感數據中訓練出2 000個像素點樣本，包含城市中的建筑、水域、空地以及森林景觀，如圖3a）所示，圖中的F、G區域各自擁有一個中型森林景觀，D、E區域為空地，這四個區域是測量難點，因此給予重點標注。使用本文測量方法提取圖3中的森林景觀，結果如圖3b）所示。同時，壓縮感知測量方法以及動態調和測量方法對遙感圖像中城市森林景觀的分割結果如圖3c），3d）所示。經分析可知，僅由本文測量方法對D、E、F、G四個難以測量區域的中型森林景觀進行準確提取，而且隱藏在建筑與空地之間的小型森林景觀也未與其他部分混淆，分割結果清晰、準確。三種方法中，壓縮感知測量方法的分割效果最不好。

統計三種方法所測量出的城市森林景觀面積，與真實值進行比對，如表2所示，本文測量方法與真實值最為貼近，測量偏差為21.92 km2，其次是動態調和測量方法，最差的依舊是壓縮感知測量方法。

4 結 語

本文提出基于遙感圖像分析的城市森林景觀退化趨勢測量方法，結合遙感圖像去噪、相似度分析、灰度梯度分析、邊緣分割等技術，針對城市森林景觀遙感圖像進行重點處理，準確提取出城市森林景觀信息并分析退化趨勢。整個方法的分割效果好，測量偏差小，具有很好的使用價值。

參考文獻

[1] 蘇騰飛，李洪玉，屈忠義.高分辨率遙感圖像道路分割算法[J].國土資源遙感，2015，27（3）：1?6.

SU Tengfei， LI Hongyu， QU Zhongyi. A study of road segmentation from the high resolution remote sensing image [J]. Remote sensing for land & resources， 2015， 27（3）： 1?6.

[2] 徐聞聰，張逸冰.地球化學勘查新技術應用研究[J].化工設計通訊，2016，42（1）：67.

XU Wencong， ZHANG Yibing. Application of geochemical exploration research new technologies [J]. Chemical engineering design communications， 2016， 42（1）： 67.

[3] 童佳楠.基于錨點建圖的半監督分類在遙感圖像中的應用[J].現代電子技術，2016，39（22）：92?96.

TONG Jianan. Application of anchor graph regularization based semi?supervised classification in remote sensing image [J]. Modern electronics technique， 2016， 39（22）： 92?96.

[4] 馮逍，肖鵬峰，李琦，等.三維Gabor濾波器與支持向量機的高光譜遙感圖像分類[J].光譜學與光譜分析，2014，34（8）：2218?2224.

FENG Xiao， XIAO Pengfeng， LI Qi， et al. Hyperspectral image classification based on 3?D Gabor filter and support vector machines [J]. Spectroscopy and spectral analysis， 2014， 34（8）： 2218?2224.

[5] 童凱翔，田世偉，李廣俠.基于粒子濾波算法的動態協同定位系統性能研究[J].通信技術，2016，49（2）：163?167.

TONG Kaixiang， TIAN Shiwei， LI Guangxia. Dynamic cooperative positioning system based on particle filtering [J]. Communications technology， 2016， 49（2）： 163?167.

[6] 劉小丹，楊燊.基于藍噪聲理論的遙感圖像森林植被紋理測量[J].國土資源遙感，2015，27（2）：63?68.

LIU Xiaodan， YANG Shen. Forest vegetation texture measurement of remote sensing images based on the blue noise theory [J]. Remote sensing for land & resources， 2015， 27（2）： 63?68.

[7] JAAFARI S， SAKIEH Y， SHABANI A A， et al. Landscape change assessment of reservation areas using remote sensing and landscape metrics （case study： Jajroud reservation， Iran） [J]. Environment development & sustainability， 2016， 17（5）： 1?17.

[8] SINGH M， TOKOLA T， HOU Z， et al. Remote sensing?based landscape indicators for the evaluation of threatened?bird habitats in a tropical forest [J]. Ecology & evolution， 2017， 7（13）： 4552?4557.

[9] 楊森林，萬國賓，高靜懷.基于分塊壓縮感知的遙感圖像融合[J].計算機應用研究，2015，32（1）：316?320.

YANG Senlin， WAN Guobin， GAO Jinghuai. Compressive fusion for remote?sensing images by block compressed sensing [J]. Application research of computers， 2015， 32（1）： 316?320.

[10] SINGH K K， CHEN G， MCCARTER J B， et al. Effects of LiDAR point density and landscape context on estimates of urban forest biomass [J]. Isprs journal of photogrammetry & remote sensing， 2015， 101（6）： 310?322.endprint