融合GF－2與開放地圖數據的城市綠地精細化分類研究

黃 芳，曹芳潔，王潛心

（中國礦業大學 環境與測繪學院，江蘇 徐州 221116）

0 引言

城市綠地空間是城市生態系統的重要組成部分，具有調節氣候、凈化空氣、涵養水源、消減噪聲和美化環境等功能，也發揮著景觀文化、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的相互作用［5，6］、城市綠地景觀網格構建［7］等方面開展。作為城市綠地研究的核心基礎，對城市綠地現狀信息進行實時、高效、精細化監測，可為優化城市生態空間結構、維護城市生態平衡以及建設“碳中和”城市提供基礎數據支撐。

城市綠地監測的手段從早期的實地調研、人工繪制草圖，到后期初步利用遙感影像進行分類，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取［8］。為了提升遙感影像綠地分類獲取速度，有學者提出采用像元二分法［9］、非監督分類［10］和監督分類［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，但相應的方法仍存在容易將綠地同其他地物錯分的問題。

隨著城市的發展建設，城市綠地開始呈現類型多樣、形態不規則以及空間異質性較高的特征，中、低分辨率的遙感影像難以滿足精準識別的需求［12］。由于表征能力不足，傳統算法無法充分挖掘具有復雜背景的高分辨率遙感圖像中蘊含的語義信息［13］。近年來深度學習等新興技術的發展，為遙感綠地信息提取提供了先進的模型算法支撐，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檢測方法，較好地克服了錯檢、漏檢等問題，適用于密集目標、多尺度目標檢測［15］；Yan 等在對北京植被功能類型分類時，將面向對象分類與植被物候相結合，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，認為U－Net卷積神經網絡模型在城市綠地遙感自動分類方面具備一定的優勢［17］。

雖然遙感圖像目標檢測領域已經取得了長足的進步，但是由于遙感影像僅依賴紋理與光譜特征對地物進行劃分，難以滿足園林從業者和城市規劃者對綠地功能精細化分類的需求。近年來，隨著互聯網、云計算等技術的崛起，網絡數據也成為了定量城市研究的重要數據源之一，并在城市公園綠地相關研究領域得到了應用。鄭權一等基于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 的影響機制［18］；李坤洋等構建緩解熱島效應、游憩娛樂、應急避險3 種城市綠地服務半徑計算方法，將POI 密度分布與綠地服務空間進行空間疊加，分析城市綠色服務空間分布特征［19］；Cao等對POI 數據進行重新分類，建立城市公園綠地類型和POI 之間的聯系，然后將其與UFZ數據進行融合，進行城市公園分析［20］。但是已有研究的關注點多集中于將城市公園綠地視作點狀要素進行分類或分析其功能特征、服務范圍等［21，22］，忽略了地理要素的面狀范圍［23，24］。

針對現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習先進模型算法的高分辨率遙感影像城市綠地分類方法。在此基礎上，本文引入開源地理數據POI、OSM進行多維度綠地特征分類，進一步將綠地劃分為功能分類、類型特征、服務范圍和形態特征4 個子類。

1 研究區域與數據來源

1.1 研究區域

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。其綠地系統規劃結合城市生態格局評估，從區域銜接、內部微完善、組團均衡角度，確立了“三帶、八片、多廊、多核”的綠地系統結構；立足地域資源，營山活水，凸顯山水自然的景觀格局；以塑造精品為導向，搭建以生態景觀林帶和景觀大道為骨架，以特色公園為節點的特色景觀系統，提升城市景觀形象。

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

圖1 研究區位圖Figure 1 Study area map

1.2 數據來源及預處理

本文主要研究目標是為實現城市綠地自動精細化分類提供精度高、可復用的方法，以深圳市福田區和羅湖區交界處25km2的區域進行實例驗證，主要研究內容包括綠地的矢量邊界識別及類型、功能、形態的精細化分類。因此，需要以下三類數據：GF－2遙感影像、興趣點數據以及交通路網矢量數據。

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據（分辨率1m），經過輻射定標、大氣校正與正射校正等預處理，以保證像元點空間位置的準確性。本文采用2000 國家大地坐標系，1985 國家高程基準，UTM投影6°分帶。結合目前國土空間規劃實踐中常用的遙感基礎數據情況，進行了波段融合處理，保留R－G－B 3 個波段信息。通過對研究區域綠地情況的實際調查，采用分層隨機方案采集研究區域的樣本點，訓練樣本和測試樣本比例為6∶ 4。實驗使用Labelme工具進行數據集準備工作，標注完成后輸入類別標簽以存儲json 格式的數據。為了豐富樣本特征，數據集標注采用兩種方式，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勾勒矩形范圍（圖2d）。最后，將標注后的數據集進行二值化處理。

圖2 數據集制作示意圖Figure 2 Schematic diagram of dataset production

1.2.2 興趣點數據

興趣點（Point of Interest，POI），泛指一切可被抽象為點的地理實體，是導航地圖的衍生數據，主要用于表征城市空間內各類服務型設施。高德地圖提供千萬級別的POI數據，所有數據均按三級分類，且層次清晰、精度較高。因此，本文所使用的POI數據基于高德API 開放接口（https：／ ／lbs.amap.com／），運用Python編程語言編寫網絡爬取工具，采取周邊檢索中的多邊形檢索方法，以格網形式獲取數據并輸出。經過去重、糾偏和空間坐標轉換等預處理工作，共計獲取POI數據68 511 條（圖3a）。

圖3 研究數據空間分布圖Figure 3 The spatial distribution map of research data

1.2.3 交通路網矢量數據

本文使用的交通路網矢量數據是通過全球公開地圖協作項目OpenStreetMap（OSM，https：／ ／www.openhistoricalmap.org／）獲得，OSM 道路數據包括空中航線（Aeroway）、陸路（Highway）、水路（Waterway）及鐵路（Railway）4 類，本文主要關注的是道路數據的陸路數據，即Highway 標簽下的數據。對研究區的OSM道路網數據進行道路化簡、拓撲重建處理后［25］，得到研究區交通路網矢量數據（圖3b）。

2 研究方法

本文總結深度學習常用且有效的改進方法，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－Net網絡中，進行遙感影像綠地分類。引入以POI和OSM為代表的網絡地理數據，進一步將城市綠地從功能分類、類型特征、服務范圍和形態特征4個維度進行精細化分類。技術路線如圖4 所示。

圖4 技術路線Figure 4 Technical route

2.1 基于改進的U－Net算法的遙感圖像綠地提取

U－ Net 網絡結構［28］為Encoder－Decoder 結構，其整體結構類似英文字母U，是經典的編碼器－解碼器結構之一。U－Net 是較早的使用全卷積網絡進行語義分割的算法之一，是通過使用語義邊界監督邊界網絡訓練，得到準確的語義邊界，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據的遙感地物存在類內不一致與類間無差別的問題，而經典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U－Net架構的遙感圖像語義分割模型（圖5），將U－Net網絡的特征融合模塊與M2Det網絡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 方面進行了改進：①為了能夠對多尺度的城市綠地特征進行提取，在U－Net 網絡中加入ASPP 模塊，實現低層階段得到目標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，使得圖像間的轉換不通過像素匹配來完成，并為像素分配適當的亮度值，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、顏色和目標類別所包含的特征信息，使得結果更精確。

圖5 網絡結構圖Figure 5 Network structure diagram

2.1.1 空洞空間卷積池化金字塔

為了能夠對遙感圖像進行不同尺度的特征提取，在改進的U－Net網絡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行采樣。然后，對ASPP 各層疊加后的輸出進行卷積操作，將得到的結果融合到一起，擴大通道數。為了加疊ASPP模塊中產生的輸入輸出，在模塊中利用了shortcut。這樣僅增接了微量的網絡計算量，卻提高了訓練模型的效率。不僅如此，對所訓練出來的結果也有一定程度上的優化。最后，通過1 ×1 的卷積將通道數降低到給定的數值。當模型參數不斷深入時，這個結構還能有效處理退化問題。計算公式如下：

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，使得目標圖像與原圖像的像素值有所對應。在圖像處理中，為了生成更加逼真的圖片，將屏幕的像素點的位置映射到紋理圖中對應的點。然后，計算該映射點的4 個鄰近紋元屬性（顏色、透明度等）的加權平均值作為該屏幕像素的屬性值。從而實現在解碼過程中，無需裁剪Feature Map 便可進行融合，并賦予適當的亮度值。

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，把目標特征沿著信道維度進行有效銜接；其次，將SENet的區塊引入使得特征都包含在最有益的區間里，所引入的區塊就是一個基于通道域的注意力機制，用來激勵特征聚焦對檢測幫助最大的通道；最后，在SENet 的區塊后，利用全局平均池化來生成通道統計數據。此外，為了實現準確捕獲對通道依賴性的目的，聚合模塊可以根據實際情況進行適當的調整。SFAM 模塊對特征融合的激勵步驟是通過兩個全連接層來學習注意機制，這是為了銜接信道維度和存在等效比例特征，并讓目標特征能夠被SE 注意機制更好地適應。計算公式如下：

式中：xj＝［，，…，］表示聚合后的特征金字塔；表示第j個最大尺度的特征。

2.2 基于POI和OSM數據的城市綠地精細化分類

城市綠地的規劃行業應用而言，僅僅進行城市綠地空間位置識別難以滿足要求，還需進行多維度的特征分類。因此，本文結合城市綠地的功能特點，利用POI數據包含的屬性信息、城市綠地與交通路網的拓撲關系以及景觀形態指數，從功能分類、類型特征、服務范圍與形態特征4 個方面進行城市綠地的精細化分類。

2.2.1 功能分類

依據中華人民共和國住房和城鄉建設部2018年頒布實施的《城市綠地分類標準》進行分類，將城市綠地分為公園綠地、附屬綠地、防護綠地和其他綠地四類（由于研究區位于深圳市中心城區，因此未考慮生產綠地這一分類）。首先，利用前文提出的改進的U－Net算法識別出的城市綠地；其次，引入POI數據，將城市綠地范圍內落入“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”、“住宅”的斑塊，歸類為“附屬綠地”；再次，計算城市綠地與城市道路的臨近關系，將剩余的斑塊中，與交通路網存在拓撲相鄰關系的綠地劃歸為“防護綠地”；最終，其他城市綠地納入“其他綠地”分類。

2.2.2 類型特征

統計主題模型是目前文本領域的熱點之一，在輿情分析［30，31］、地理熱點挖掘［32］等領域有著良好的應用。相比較于LSTM、BERT 等模型，統計主題模型具有輕量化，處理極短文本速度快等優勢，在POI文本處理方面有良好的性能。因此，本文根據綠地內所包含的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一步細分為綜合公園、社區公園、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。每個文檔所對應的密度函數為：

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子文檔d 包含N個詞，對文檔中的每個詞wn（1 ＜n ＜N）：生成一個主題詞zn服從參數分布為θ的多項式分布，進而根據特定的主題比例β，對wn生成P（Wn｜Zn，β）。

2.2.3 服務范圍

本文通過量化城市綠地與交通路網的拓撲關系以及與周圍鄰里的滲透關系［34］，根據服務范圍分為市級綠地、區級綠地、社區級綠地和街旁綠地［35］（圖6）。首先，將僅與交通道路拓撲臨接且面積極小的城市綠地，全部歸類為街旁綠地；其次，計算城市綠地覆蓋范圍與周圍POI 的滲透關系，將與居住類POI所形成的單一組團滲透度高的城市綠地歸納為社區級綠地，將與居住類POI所形成的多個組團、與商業類POI所形成的單一組團所滲透度高的城市綠地歸納為區級綠地；最后，將面積范圍最大、與交通道路網拓撲關系復雜、與商業類POI 所形成的多個組團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Figure 6 Two neighborhood effects of POI

2.2.4 形態特征

景觀形狀指數，指的是景觀格局中斑塊的形狀指數，是通過計算區域內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雜程度的［36］。本文引入景觀形狀指數，比較提取的綠地斑塊與相同面積的圓的偏離指數，并結合綠地面積特征，將偏離指數較小且面積小的城市綠地定義為點狀綠地；將偏離指數較大且面積較小的城市綠地定義為帶狀綠地；將偏離指數較小且面積較大的城市綠地，定義為塊狀綠地。其中，景觀形狀指數計算公式如下：

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

3 結果及分析

3.1 城市綠地識別結果分析

實驗平臺同時使用Windows環境下2 塊型號為GTX－1080Ti的GPU，每張GPU上同時進行2 張圖片的訓練，從而提高算法的泛化能力。基于PyTorch框架實現圖5 的網絡結構，整個網絡是端到端的結構，輸入圖片的尺寸均是256 ×256。在模型訓練過程中，考慮到迭代次數對分類精度的影響，實驗最佳的迭代次數為1 000，學習率為0.006 5。

實驗通過“編碼—分割—分類—解碼”的過程，完成研究區綠地遙感分類，對語義分割結果以平均交并比（Mean Intersection over Union，MIoU）、總體分類精度（Overall Accuracy，OA）、Kappa 系數3 個評價指標進行精度評價。最終，本文模型在數據集上取得了95.41%的MIoU以及90.87%的OA，Kappa系數為0.97（圖7）。同時，采用相同的學習效率與訓練次數，將本文提出的方法與傳統U－Net和UNet3 ＋網絡進行了對比。

圖7 城市綠地提取結果Figure 7 Urban green space extraction results

從提取的結果來看，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%。具體表現為圖像中小尺度的城市綠地的錯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的提取，特別的，部分城市道路綠地受建筑物陰影影響時提取的結果也較為準確。總體來看，實驗所提取的城市綠地范圍邊界與真實綠地更吻合。

3.2 城市綠地精細化分類結果分析

本文選定的研究區在深圳市中心城區，因此，POI和OSM等開源地圖數據覆蓋度良好，基本滿足城市綠地精細化分類的需求。整體來看，研究區內城市綠地面積占比較大，功能完備、類型豐富、服務范圍層次分明，且形態特征多樣化。

從功能角度來看（圖8a），研究區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“從城市里的公園到公園里的城市”的這一理念。同時，在城市中心區域（研究區中心為深圳市中央商務區）附近的區域，防護綠地分布較為密集，對于城市功能混合度高、交通路網密集且人群分布集中的城市核心區域，能夠做到降低城市噪聲污染以及固碳的良好作用。結合居住類POI分布特征來看，居住生活圈內基本都配備了相應的附屬綠地，同時滿足了城市建設和居民生活的需求。

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

進一步地將城市公園進行類型的細分，可以看 出，深圳市的城市公園呈現多樣化特征（圖8b）。同時，研究區內具備規模較大的綜合公園、山地公園和體育公園，充分利用了自然優勢，打造了中心城區的特色景觀與旅游新格局。

從服務范圍來看（圖8c），深圳市中心城區大部分綠地為市級綠地，大部分綠地圍繞深圳市地標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、市政府主要辦公機構，同時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，結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，中心城區的綠地呈現“市級—區級—社區級”的層次特征，滿足了不同人群出行目的需求，同時，主干道附近具備大體量的街旁綠地，從視覺與環境角度，均做出了良好的貢獻。

本文利用景觀形態指數來量化城市綠地的形態特征，從形態特征來看（圖8d），研究區內大面積的塊狀綠地呈現集中分布的特征，分散的帶狀綠地和點狀綠地能夠作為研究區域內大面積塊狀綠地斑塊的補充，作為生態踏腳石的功能，最大化滲透城市硬質空間，緩解城市的生態負效應。

然而，仍然有以下問題需要關注：①盡管研究區內各級交通路網完善，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研究區內東部地區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狀綠地構成一個完整的網絡化綠地景觀；③梨園路與浦城路、梨園路與寶崗路和深南中路與華強路的交界處以及寶安南路和寶崗路的部分路段出現了綠色缺口，這可能會導致附近空氣質量的下降，也會讓人的感官上感覺死氣沉沉，缺乏生活氣息。

4 結論與討論

本文構建了一種改進的U－Net模型，對深圳市福田區和羅湖區的矩形區域進行了城市綠地的提取。同時，本文基于POI 和OSM 等開源數據，并引入景觀生態學的基礎理論，進行了研究區城市綠地的精細化分類。主要結論如下：①本文提出的方法能自適應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。總體分類精度相較于經典U－Net和U－Net3 ＋網絡有所提高，且識別的城市綠地邊界和真實城市綠地邊界更吻合，有效地提高了城市綠地識別的準確率。②針對目前綠地遙感分類依賴影像紋理特征的問題，引入景觀生態學的基礎理論，并使用POI、OSM 等網絡地理數據，進行功能分類、類型特征、服務范圍和形態特征4 個維度的城市綠地精細化分類。③本文選定深圳市福田區、羅湖區交界處的矩形區域為研究區，利用提出的方法進行了實例分析，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 系數為0.97，同時在4個精細化分類維度上也取得了結果。

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