基于多源遙感的聊城市綠地空間特征研究

姜 杰，于泉洲*，張貴民，杜忠元，李彩虹,4，張保華

（1.聊城大學環境與規劃學院，山東 聊城252059；2.聊城市田莊苗圃，山東 聊城252000；3.聊城市自然資源和規劃局，山東 聊城252000；4.中國地質大學（北京）地球科學與資源學院，北京100083）

城市綠地，作為城市生態平衡的調節器，是反映城市宜居性的重要指標，近年來已上升為城市基礎設施建設的重點內容。城市綠地主要是指以自然綠地和人工綠地為主的城市用地，包含兩個方面：一是城市規劃建設區域內的綠化用地；二是在城市建設區域之外，有利于城市的生態環境、景觀和居民生活的綠化用地[1]。它不僅具有不可替代的生態和環境效益，而且具有一定的經濟效益[2,3]。在城市的空氣中，含有大量的煙灰和粉塵，會降低太陽輻射強度及削弱紫外線，不利于人體健康。城市綠地對灰塵等污染物具有過濾和吸附作用，植物的根系能吸收有害物質從而凈化土壤。城市綠地的空間特征是城市規劃和管理的基本信息。因此，準確高效地提取城市綠地空間特征，對于提高居民的生活質量、規劃建設宜居城市具有重要意義。

傳統的城市綠地調查主要靠基層單位的實地抽樣考察，不僅費時、費力，采集的結果由于受人為因素干擾，誤差也較大，準確性較低。隨著衛星遙感技術的普及，越來越多的遙感數據被用于城市綠地的調查[4,5]。如郭程軒等[6]基于Landsat TM 影像的分析，準確描述了城市綠地生態格局的宏觀和微觀特征；王飛紅[7]基于Landsat TM 遙感數據，采用決策樹法、混合像元分解法兩種方法提取出太原市的綠地信息，并將其進行分類，分為草地、針葉林綠地和闊葉綠地。當前，歐洲空間局Sentinel-2 數據的出現，為城市綠地的提取提供了新的數據源，戰勝等[8]對比Sentinel-2 和Landsat-8 OLI 數據，發現Sentinel-2 數據能更好地提取城市綠地分布狀況。鐘華瀚等[9]基于Sentinel-2 和Landsat 數據分析了南京市各城區的綠化差異。基于遙感像元的方法提取的城市綠地特征存在椒鹽現象，準確率較低，而面向對象的方法可以避免這些缺點。

因此，本文以聊城市東昌府區城區為研究對象，選取時間匹配的Sentinel-2 和Landsat-8 數據，采用ENVI、SNAP、Sen2Cor 等遙感平臺，基于面向對象的圖像分類技術，提取了聊城市城區綠地，并分析兩種遙感數據在提取城市綠地中的差異，最后選用較優的分類結果分析評價了聊城市的城市綠地特征，以期為聊城城市綠地建設規劃和管理提供科學依據，提高城市的宜居性。

1 研究區概況與數據源

1.1 研究區概況

聊城市位于山東省西部平原區，屬溫帶大陸性季風氣候，具有良好的綠化條件。聊城是國家歷史文化名城，京杭大運河和黃河在此交匯，有“江北水城”之美譽。其交通優勢明顯，擁有完善的基礎設施，資源豐富，為綠地建設提供了先天條件。2019年，聊城市被認定為山東省新型智慧城市建設試點城市，自身經濟不斷發展的同時，也在輻射和帶動整個魯西地區的經濟發展。近年來，聊城市的城市發展和綠地建設也備受關注[10,11]。本文的研究區定為聊城市東昌府區外環路以內，包含了聊城主城區，地理范圍大致在115°14″—116°06″E、36°16—36°42″N 之間（圖1）。

圖1 研究區真彩色遙感數據影像圖Figure 1 True color image of remote sensing data of the study area

1.2 數據源

Sentinel-2 數據由2019年6月14日及2019年7月2日的兩景相鄰影像拼接而成，該影像的顯著特點是具有高分辨率的較為豐富的綠地信息，地物清晰可見，喬木、灌叢和草地的特征較明顯。Landsat-8 影像數據成像時間為2019年6月14日。選取數據的研究區云量少，大氣透明度良好。在數據獲取之后，利用Sen2Cor 遙感平臺及ENVI 遙感平臺的FLAASH 模型進行大氣校正，得到地表反射率。

2 綠地空間特征提取

2.1 面向對象的信息提取

遙感影像中地物的分類不僅體現在顏色上，還體現在地物的形狀、紋理等特征上。當目標地物的光譜特征相似時，會有光譜相互影響的現象，這對傳統的分類方法提出了一種挑戰，而紋理特征在目標的識別過程中可以起到積極的作用，即面向對象的信息提取方法。面向對象的圖像分類技術將遙感圖像判讀從傳統的人工判讀中解放出來，實現了高質量、高可靠性的自動信息獲取過程[12]。本文采用基于樣本的面向對象分類方法，充分利用了高分辨率的多光譜數據的形狀、紋理等特征進行信息提取，有利于避免同物異譜和同譜異物的現象以及消除椒鹽噪聲現象，得到高精度的分類結果。主要分為兩個部分：發現對象和特征提取。

2.2 影像分割與合并

面向對象分類的重要參數之一為影像分割尺度，它將會對影像對象的大小和數量以及最終的分類精度產生直接影響[13]。本文采用多尺度的分割方法，找到最佳的分割尺度，使分割后的影像破碎和模糊程度適中。通過在多個分割尺度上反復嘗試，得出Sentinel-2 數據對不同地物的表現更清晰且形變較分類前的實際地物范圍小，在分割尺度下，Landsat-8 影像區域相對模糊，與分類前的實際地物范圍相比有一定變化。在此基礎上，考慮到需對兩幅影像進行對比，因此將最佳分割尺度均設置為40。在圖像分割中，由于閾值較低，一些特征可能會被錯誤分類，一個特征可能被分成多個部分。因此通過合并來解決這些問題，本文設置的閾值為60。

2.3 遙感影像分類

與傳統的遙感影像監督分類方法不同的是，面向對象分類方法速度快、精度高，對于分辨率高的遙感影像分類是最佳選擇。混合像元在影像分類中是一種普遍存在的現象，利用支持向量機(Support Vector Machine,SVM) 分類器可以有效改善這種現象。SVM 是一種新的機器學習方法，在傳統的監督分類中也可使用這種方法，具有可靠的理論基礎和良好的試驗性能，近年來在遙感圖像分類研究中得到了廣泛應用[14]。研究表明，在小樣本等情況的識別及學習規律問題時，支持向量機算法具有獨特優勢[8]。因此，本文選取SVM 分類器進行提取分析，圖2為影像分割效果圖。本研究將城市地類分為林草地、道路綠地、耕地、水體和非綠地，其中林草地多為城市公園和校園綠地。

圖2 遙感影像分割后矢量結果圖（局部）Figure 2 Partial vector result map of remote sensing image segmentation

3 結果與分析

3.1 分類結果

由分類結果(圖3)可知，兩種遙感影像的分類結果在空間格局上基本一致，聊城市綠地空間格局整體呈現：林草地主要分布在城區的東南部，以聊城大學、九州洼濕地公園、鳳凰苑公園、東昌湖環湖公園和徒駭河沿河公園最為集中；道路綠地主要分布于城區各大主干道兩側；耕地則多分布于城市西南部。差異方面，在西南部，由于兩幅影像的成像時間及云層干擾等原因，導致Sentinel-2 數據把少量耕地誤分為水體。另外，在中部兩種遙感數據分類效果也有不同。通過Google Earth 和實地調查驗證，Sentinel-2 數據整體分類結果與聊城市城區綠地實際分布狀況一致，能夠較準確地提取道路綠地的線性特征，可區分出道路與其兩側的綠地。而Landsat-8將一些道路綠地誤分為非綠地，存在較大的誤分類問題，因此可以判斷在此區域Sentinel-2 的分類效果要優于Landsat-8。

圖3 遙感影像分類結果圖Figure 3 Remote sensing image classification results

3.2 分類精度評價

利用ENVI 計算混淆矩陣進行驗證,由5 種分類地物精度評價和Kappa 系數的計算結果(表1)可以看出，面向對象分類方法下Sentinel-2 影像數據分類的總精度達到96.48%，Kappa 系數為0.94，整體的分類效果較好。其中，道路綠地分類精度最低，制圖精度為85.05%，水體分類精度最高，制圖精度為100%，用戶精度為99.98%；Landsat-8 影像分類的總精度為90.58%，Kappa 系數為0.87，分類效果較Sentinel-2 數據欠佳，有錯分、漏分等問題的存在。其中道路綠地的制圖精度僅為58.69%，用戶精度為70.22%。相較于Sentinel-2 影像，Landsat-8 影像對于道路綠地的分類不敏感，精度較低，但對于水體、耕地的分類精度則較高。這可能是因為水體和耕地具有清晰的紋理特征，而面向對象技術可以根據紋理特征很好地區分地物，但是道路綠地紋理不清晰，容易與其他地物混淆[15]。

表1 兩種數據源分類精度結果Table 1 Classification accuracy results of two data sources

總之，這兩種數據的分類結果在視覺上克服了傳統的現象方法無法克服的 “椒鹽” 噪聲的缺點；Sentinel-2 數據具有更高的數據精度，城市綠地提取效果更好。

3.3 聊城市城區綠地空間特征

結合景觀生態學的分析方法，選取景觀多樣性指標、景觀聚散性指標、密度大小及差異性指數、鄰近度指數等4 類評價因子，共7 個評價指數：Shannon 多樣性（SHDI）、Shannon 均勻度（SHEI）、景觀聚集指數（AI）、景觀凝聚度指數（COHESION）、歐式最鄰近距離分布（ENN_MN）、斑塊密度（PD）及斑塊數量（NP）等，指數含義可見文獻[16]。利用Fragstats4.2軟件，計算分析聊城市城區綠地的空間特征。

3.3.1 面積特征

根據Sentinel-2 的分類結果，聊城市城區（外環路以內區域）總面積約為198.15 km2，其中城市綠地面積約為125.30 km2，占研究區總面積的63.23%。若去除耕地，城市綠地面積約為81.08 km2，占城市總面積的40.92%。由表2可看出，城市綠地中的林草地占比較大，面積大約為42.54 km2，占城市總面積的21.47%，占城市綠地總面積（不含耕地）的52.47%。道路綠地面積大約為38.54 km2，占城市總面積的19.45%，占城市綠地總面積（不含耕地）的47.53%。經過在Google Earth 和實地驗證，基于Landsat-8 影像的分類對面積狹窄的區域不敏感，如道路綠地及草地，分類結果與Sentinel-2 數據有較大差異，精度較低導致其相對誤差較大。

3.3.2 綠地景觀空間特征

由Landsat-8 和Sentinel-2 影像分類結果計算出以下7 個指數(見表3)。結果表明，兩種遙感數據源對個別指數的計算結果在數量大小方面有所不同，尤其是歐式最鄰近距離分布、斑塊密度大小及差異性指數等方面數值差異較大。

以Sentinel-2 影像計算的城市景觀指數結果為例，聊城市的城市綠地景觀分布相對集中，景觀間的連通性較強，景觀的破碎化程度較低，且景觀均勻性和多樣性均不低，綠地分布特征比較合理。

具體而言，景觀聚散性指數AI 及凝聚度指數COHESION 表明，整個研究區綠地景觀分布較集中，連通性較強;景觀多樣性指數SHDI 及SHEI 顯示，城市綠地類型布局相對較均衡，景觀多樣性較高;密度大小及差異性指數PD 及NP 顯示出綠地總體景觀破碎程度適中，由于兩種遙感數據影像分辨率的差異導致Sentinel-2 影像所計算的NP 及PD普遍高于Landsat-8 影像的計算值;歐式最鄰近距離分布ENN_MN 表明聊城市城區綠地景觀最鄰近距離適中，說明景觀破碎程度適中。

4 聊城市城區綠地建設的建議

聊城市城市綠地分布特征較合理，城區的綠地覆蓋率相對較高約為40.9%，但如果以市區常住人口100 萬人計算，人均城市綠地面積只有8.1 m2/人，相比2018年濟南市人均公園綠地面積12.7 m2，還有待提高。而且聊城市公園林草地占比還較少，分布比較集中，可服務的區域較小。因此，相關部門在制定新的規劃時應全面規劃城市的綠化建設，特別是中心城區的綠化面積較低的區域，不利于提高居民的生活質量，綠化建設應加強。由于空間有限，大型的綠地規劃建設不易開展，因此可以將公園林草地作為“點”，以道路交通綠地為“線”，以居民區綠地為“面”，構建城市綠地“網”，相應加強城市中心區的生態廊道和小面積的道路交通綠地建設。這樣不僅可以靈活地補充城市綠地景觀的不足，還可以改善城市環境質量和提高城市景觀的視覺功能，建成有序完整的城市綠地體系，美化城市環境[17]。此外，公園綠地的規劃應統籌考慮城區人口分布，合理布局，避免過度集中。

綠地物種組成方面，應增加植物種類，使喬木、灌叢、草地高效有機結合，提高人工生態系統功能性。根據不同物種的功能采取不同的配置形式，如在面積較大的區域增大喬木的數量，形成樹林；在工業區或居民區可引入抗風、防塵效果較好的垂柳，使綠地更好地發揮各項功能。在綠化建設過程中，可以適當引入耐活力強、觀賞價值高的常綠樹種，既可以營造四季常青的植物景觀，減少落葉闊葉類植物的季節性限制，又可以增加綠地面積，改善城市的生態環境和城市宜居性，提高城市生態環境的自我調節能力。

表2 各城市綠地類型面積Table 2 Area of urban green space types

表3 聊城市城區景觀指數表Table 3 Urban landscape index table of Liaocheng city

5 結語

本文基于Sentinel-2 和Landsat-8 數據，采用面向對象的提取方法提取了聊城市的城區綠地并進行高精度的分類，同時運用景觀生態學方法，對聊城市城區綠地的景觀特征進行了評估。得出以下結論：

（1）在利用傳統的綠地信息提取的方法時，存在著效率低、速度慢、精度低、信息不完整等問題，需要用到更加高效和精準的遙感影像處理和分類的方法。面向對象的分類方法在一定程度上符合以上要求，通過選取最佳的分割尺度和合并閾值，得到精確的分類結果。

（2）兩種遙感數據源提取城市綠地的精度有較明顯差異。Sentinel-2 影像的總體分類精度達到96.48%，而Landsat-8 為90.58%。Sentinel-2 在城市道路綠地提取方面效果更好。

（3）Sentinel-2 影像的分類結果顯示，聊城市城區綠地面積(含耕地)約占總面積的63.23%。去掉耕地后，城市綠地面積大約為81.08 km2，占城市總面積的40.92%。城市綠化總體較佳,但人均綠地占有量有待提高。

（4）兩種遙感數據源計算的綠地景觀差異性指數和鄰近度指數差異明顯，但景觀間連通性較強，景觀破碎程度適中，景觀多樣性和均勻性較高，具有較合理的綠地分布特征。同時要注意到，聊城城區的人均綠地覆蓋率還有待提高，尤其是公園綠地（林草地）的占比還比較少，且分布較集中，需進一步優化。