浅谈高分辨率遥感影像在小区域绿地信息提取中的应用研究

徐强李静

摘要：高分辨率遥感影像是绿地信息提取的主要数据源。本文以IKONOS影像为数据源，综合运用测绘、遥感技术，以Erdas Imagine软件为研究平台，以山东农业大学北校区为实验区，运用非监督分类、监督分类以及目视解译等方法对影像中的绿地信息进行提取，通过精度分析对比，探索出对小区域绿地信息提取的理想方法，为区域绿化提供信息支撑。

关键词：高分辨率；遥感影像；信息提取；绿地；绿化

Abstract: The high resolution remote sensing image is the main data sources for collecting green space information. Regarding IKONOS images as data sources, by comprehensively using surveying and mapping, remote sensing technology, applying the Erdas Imagine software as the study platform, making the north campus of Shandong Agricultural University as the study area, using the methods of unsupervised classification, supervised classification and visual interpreting to collect the green space information from image, through the precision analysis contrast, this paper explores ideal methods to collect green space information of the resident area, providing information support for resideng area afforesting.

Keywords: high resolution; remote sensing image; information collecting; green space; afforesting中图分类号: S731.1 文献标识码：A文章编号：

一 引言

快速准确摸清城市绿地现状及绿化水平，是正确评价城市绿地及其生态效益，科学建立和有效管理城市绿地的工作基础［1］。遥感(RS)是一种非接触式对地观测技术，具有覆盖面广、统计速度快等特点，特别是二十世纪九十年代以来，高分辨率传感器技术进展迅猛，空间分辨率达到了1米以内［2］，这为绿地信息的提取提供了有效的数据源。

本文利用高分辨的IKONOS影像为数据源，主要运用ERDAS等软件进行研究分析，在对影像先期进行波段融合、掩膜处理、植被指数处理的基础上，运用计算机自动分类和目视解译等处理方法，实现对研究区内的绿地信息进行提取，并对提取结果进行精度检验，研究比较信息提取方法，确立基于高分辨率遥感影像针对小区域（社区）提取绿地信息的途径，及其提取的绿地信息为区域绿化服务。

二 数据准备及处理

2.1 前期数据准备

研究区域选择在山东农业大学北校区，其坐落在泰山脚下，属于温带大陆性半湿润季风气候区，四季分明，寒暑适宜，雨热同季，光温同步，正是由于这样四季分明的气候特征，造就了园林植被的多样化。山东农业大学北校区不仅具有上述有利条件，还是具有百年建校历史的农业院校，植被种类繁多，乔冠草搭配合理，绿化面积大，是理想的研究区域。

IKONOS卫星是世界上首颗提供高分辨率卫星影像的商业遥感卫星，它首次在民用领域将星载传感器的地面分辨率提高到1米以内，为小区域精确提取各类信息提供了条件。本研究所采用的数据是IKONOS（Ⅱ）卫星2008年4月获取的影像数据，数据格式为TIF，投影方式为UTM，坐标系统为WGS84，无云，成像质量良好。如图1所示。

为了精确获得研究区域面积，各绿化地块面积，以及与遥感提取信息进行精度比较，测绘了研究区域1:500地形图，投影方式和坐标系统经过变换与遥感影像一致。如图2所示。

图1 遥感影像图 图2 区域地形图

2.2 遥感影像处理

对获取的影像，为了便于绿地信息的提取，顾及信息量大，相关性小等原则［3］，在ERDAS软件下首先将4个彩色波段组合成彩色多光谱影像，进而将全色影像和多光谱影像进行分辨率融合，取得1米分辨率的彩色影像。然后对融合的影像进行几何精校正，由于研究区地势平坦，面积较小，所以选择一次多项式校正函数，6个GCP点，双线性内插法重采样，RMS均在一个像元之内，精度符合要求［4］。再应用图像掩膜技术依据区域边界图像进行裁剪，获得研究区域图像。为提高图像的识别率，对研究区影像进行空间增强、辐射增强和光谱增强处理后，图像质量大大改善，虽然混交林、灌木林及草地之间的灰度值非常接近,但根据纹理和形状已经可以目视解译［5］。

三 绿地信息提取

从遥感影像中提取信息，目前应用最广泛的主要还是传统的基于像元的非监督分类和监督分类方法，以及最基本的目视解译方法。遥感影像分类的依据是各类样本内在的相似性，因此，根据影像数据的分布规律，按其自然聚类将其进行分类，在分类结束后通过目视判读或实地调查确定类别属性。

3.1 计算机自动分类

计算机分类主要有监督分类和非监督分类两种方法。

（1）非监督分类

非监督分类在没有先验类别作为样本的条件下，主要根据像元间相似性的大小进行归类合并。由于本研究区域范围小，地物相对简单，拟按绿地、建筑、裸地、其它等4类进行分类，但区域内有一运动场，场内草坪是人造草坪，在彩色影像上也是绿色，与天然绿地颜色相近，非监督分类无法区分，因此，在分类前首先进行了植被指数运算，根据影像波段设置，以及多次实验结果，采用比值植被指数计算，如式（1）。

式中，RVI－比值植被指数；NIR－红外波段的反射值；R－红波段反射值。

经过植被指数运算处理后非监督分类结果精度明显提高。

（2）监督分类

监督分类是根据训练样本选择特征参数，建立判别函数，然后对待分类像元进行分类。与非监督分类一样，仍将地物分为4类，其中绿地主要有乔木、灌木和草地，在ERDAS支持下，每类分别以AOI的方式选择若干个样本，取样本特征值的平均值，建立分类模板，执行监督分类，并对分类精度进行评价。

3.2 目视解译

目视解译是指通过直接观察或借助判读仪器在遥感图像上获取特定目标地物信息的过程。在ERDAS的支持下，建立矢量图层文件，精确解译每一块绿地，共解译大小绿地65块，总绿地面积为106521.9m2。目视解译结果如图3所示。

图3 目视解译结果图

3.3 精度分析

基于像元的计算机分类方法，分类面积与实际地物面积之间总存在误差，所以必须进行精度分析［6］。非监督分类的精度评价主要是通过目视判读，将分出的各个类别设定地物属性，分析可知非监督分类的精度并不高，许多并非绿地的区域被划为绿地，而且斑点太多，此种方法提取的绿地信息只能作为参考。

对于监督分类结果，结合实地考察，采用随机抽样的方法在研究区内进行分类精度评估。随机产生10个采样点，利用ERDAS中的精度评价模块，计算分类混淆矩阵和Kappa指数。结果表明，总体分类精度0.85以上，完全达到了监督分类的分类精度要求。

为了分析目视解译结果精度，根据测绘的地形图，选取9个绿地地块区域，查询实地面积，与目视解译结果对比，得出目视解译精度为0.86。

通过以上对比可知，在高分辩率影像的绿地信息提取中，监督分类所达到的分类精度远高于非监督分类，目视解译的精度又高于监督分类。为了提高目视解译的精确度，还需要具有丰富的专家知识，而此可以通过专业人员的野外调查获得。由此我们可以得出，目视解译与人工野外调查相结合是遥感影像提取绿地信息的理想手段。

四 绿地信息及绿化应用

从上述研究得出，研究区绿地面积为106521.9m2，绿化覆盖率为36.9%。通过实地调查得出，其中乔木为93345.7m2，占87.6%；灌木为 2076.0m2，占2.0%；人工草地为11100.3m2，占10.4% 。木本植物总共五十八个科，草本植物十个科。可知，研究区绿化面积大，绿化层次高，植物种类繁多，乔灌草搭配合理。绿地管理系统正在编写中，完成后将为校园绿化工作提供信息和技术支持。

综上研究，利用遥感影像目视解译与实地调查相结合的方法，可以迅速获得研究区的绿化面积、覆盖率，可以分清各种植被类型的具体分布方位、面积，可以评价研究区绿化体系，对其绿化建设做出建议。

参考文献

[1]罗扬帆，冯仲科．基于高分辨率影像的城市绿地快速提取方法[J]．北京林业大学学报，2007,29（S2）：164-167．

[2]陈春林，刘继生．基于TM影像的哈尔滨老城区城市绿地信息提取研究[J]．产业与科技论坛，2010,9（5）：85-88．

[3]何海鹏，何国金. IKONOS高分辨率遥感影像融合方法比较研究[J]．科学导报，2009,27（5）：33-37．

[4]党安荣．ERDAS IMAGINE遥感图像处理教程[M]．北京：清华大学出版社，2010.4.

[5]齐建国，李尊建. CBERS－2B数据在泰山森林资源调查中的应用研究［J］.测绘科学，2010,35(S1),155－157.

[6]胡启中，祁建勇．遥感影像中水面及水体信息提取方法的研究[J]．工程勘察，2009,（S2）：475-481．