基于遥感影像的城市绿地信息提取

王 斐

(山西农业大学，山西 太谷 030801)



基于遥感影像的城市绿地信息提取

王 斐

(山西农业大学，山西 太谷 030801)

介绍了太原市的基本情况，通过选取某遥感影像，分析了数据预处理技术，并探讨了基于遥感影像的城市绿地信息提取方法，指出遥感技术能够快速准确地提取城市绿地信息。

遥感影像，城市绿地信息，数据源，决策树

0 引言

城市绿地不仅具有改善城市生态环境和文教游憩功能，而且具有景观功能。传统的绿地资源调查方法不仅投入的人力、物力大，而且调查的数据准确性低，耗时，也不便于综合分析评价。遥感技术能够快速、准确地提取城市绿地信息，为城市绿地的规划建设提供基础资料。

1 研究区概况及数据源

1.1 研究区概况

太原市是山西省省会城市，整体地形北高南低，东西横跨为144 km，南北纵跨约为107 km。全市区辖古交、清徐、阳曲、娄烦四个县及万柏林区、迎泽区、杏花岭区、尖草坪区、小店区和晋源区六个主城区，全市区总面积为6 959 km2，总人口425.65万人(2012年)。太原地区于2010年获“全国优秀旅游城市”“国家园林城市”称号。太原市绿地面积为6 434 m2，其中公共绿地面积约2 270 m2。

1.2 数据源

本研究选用2013年5月28日的TM5影像。多光谱波段的分辨率为30 m，热红外波段的分辨率为120 m。太原市第18级Google地图、太原市AutoCAD图。

2 数据预处理

2.1 影像的几何校正与配准

利用ENVI4.8对TM影像几何校正与配准。受传感器高度和运行姿态的变化、地球曲率、地形起伏、大气折光以及传感器介质的均匀程度等因素影响，在获取遥感影像信息时会使得获取的遥感信息变形。本研究采用2008年TM影像图为基准影像对2013年TM影像进行几何配准。选取明显地物特征点作为地面控制点。依据选好的控制点，对2013年遥感影像进行空间数据变换。

2.2 辐射大气校正

本研究采用遥感数据处理软件ENVI4.8中的FLAASH功能进行大气校正。经大气校正后，很好地消除大气对影像数据的影响。

2.3 影像增强

原始影像的清晰度不是很好，我们可以通过一些技术措施来提高清晰度。比如对比度拉伸、波段组合等。

1)对比度拉伸。

影像的清晰度影响着解译的效果。线性、非线性拉伸是提高对比度的两种方法，本研究用线性拉伸[1]。

2)波段组合。

多光谱遥感数据最佳波段选择是色彩增强的重要部分，波段组合应选择信息量大的，波段间相关性小，使地物之间容易区分。研究表明145波段组合信息量最为丰富，其波段间相关性小，可以把它作为提取绿地信息的波段组合[2]。

2.4 研究数据的裁剪

在ENVI4.8中利用太原市的矢量边界图切割影像数据，首先要将矢量边界作为感兴区域，然后切割影像图。

3 城市绿地信息提取

3.1 非监督与监督分类

非监督分类是不需要先验理论，通过计算机对图像进行集聚统计分析的方法，把有相似性的像元归为一类。其中比较成熟的是K-means和ISODATA算法。它们的优点是聚类比其他方法准确、客观[3]。

监督分类事先需要样本训练区。即根据训练区的特征，计算机自己建立判别规则，然后对影像进行分类。这就要求训练区清晰可辨。比较常用的算法有最大相似法等。

3.2 主成分分变换

遥感多光谱影像的波段多信息量大，图像处理时，常常耗费大量内存,实际上存在很多冗余信息。主成分分析法就是要去除多余的信息。主成分分变换(PCA)是一种线性变换，是建立在统计特征基础上的变换。主成分分变换是利用坐标轴的旋转使得数据的方差达到最大，通过变换矩阵进行线性组合，进而输出互不相关的波段，即重新产生具有相同波段的多光谱影像[4]。变换的表达式如下：

Y=A×X。

其中，X为原始影像的DN值；Y为新生成的影像DN值；A为n×n阶的变换矩阵。

3.3 缨帽变换

缨帽变换也被称为K-T变换。其变换公式如下：

Y=A×X。

其中，X为原始多光谱空间的像元值；Y为新坐标空间的像元值；A为变换矩阵。

3.4 归一化差异水体指数

归一化差异水体指数MNDWI能很好的将水体提取出来，其表达式为MNDWI=(GREEN-MIR)/(Green+MIR)。其中，MIR为中红外波段的灰度值[5]。

3.5 归一化植被指数

归一化植被指数能很好的提取出植被信息。研究表明可以利用影像波段计算来提取信息，其表达式如下：NDVI=(band4-band3)/(band4+band3)。其中band3，band4分别为对应TM影像的第三波段和第四波段。

3.6 归一化差异建筑指数

归一化差异建筑指数NDBI是以杨山提出的归一化植被指数为基础，硬化建筑与指数之间有密切联系。计算公式如下：NDBI=(band5-band4)/(band5+band4)。其中，band5为TM影像第五波段；band4为影像的第四波段。

3.7 决策树

决策树算法可以处理不同空间尺度的数据，被广泛应用于遥感影像的分类中。决策树方法建立在对训练样本进行归纳学习的基础上。根据训练样本进行决策学习建立决策树，然后依据属性的取值对样本进行分类[4]。

3.8 城市绿地分类及遥感特征

城市中的绿地被分为六大类，分别为公园绿地、生产绿地、防护绿地、居住区绿地、附属绿地、生态景观绿地，其中每类大类中又包括许多小类[6]。在遥感影像中，公园绿地的颜色主要为棕绿色，种植植物集中的绿地颜色呈绿色，居住区、附属绿地等一般是碎片化的点状。从纹理特征来说，公园绿地纹理较复杂，因为植被比较复杂；纹理均匀的是防护绿地、生产绿地，因为它们结构比较单一[7]。

3.9 各类用地特征分析

在ENVI中利用位置、纹理特征提取各类用地的特征，然后绘制了图1的波段信息曲线。从图1中可以看出PC1,PC2,PC3可以很好的将各类地物区别开来。

3.10 提取绿地信息

1)非监督提取绿地。用非监督分类把绿地和非绿地区分开来。王延飞研究表明对遥感影像进行归一化植被指数后，通过无监分类后提取绿地信息是一种有效而快速的方法。

2)决策树分类法提取绿地。依据地物光谱曲线图构建决策树规则，然后执行决策树，将提取出的绿地信息导入gis中，绘制城市绿地信息。

4 结语

利用基于归一化植被指数的非监督分类法和决策树分类法分别提取了太原市的城市绿地信息。前者比较简单、易操作，后者花费的时间较长，但准确度较好。后者提取的绿地占整个用地30.70%，最接近2008年的城市绿地率。从空间分布上来说，也更能体现城市绿地格局的水平。

[1] 赵鹏祥.基于RS的绿地信息提取方法的研究——以延安市及环城地区为例[J].西北林学院学报，2003，18(2)：91-94.

[2] 郭 娜.TM遥感影像植被信息提取的最佳波段组合选择——以福建省松溪至建瓯高速公路为例[J].福建师范大学学报(自然科学版)，2012，28(1)：103-107.

[3] 赵春霞.遥感影像监督分类与非监督分类的比较[J].河南大学学报(自然科学版)，2004，34(3)：90-93.

[4] 王飞红.基于决策树和混合像元分解的城市绿地信息的提取[D].太原：中北大学，2014：64.

[5] 徐涵秋.利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究[J].遥感学报,2005(5):589-595.

[6] Wang, X..城市园林绿地规划[M].北京：气象出版社，2009.

[7] 王少鹏.基于高分辨率遥感影像的城市绿地信息提取方法研究进展[J].现代农业科技,2013(1):151，153.

On urban green land information extraction based on remote-sensing images

Wang Fei

(ShanxiAgriculturalUniversity,Taigu030801,China)

The paper introduces the basic circumstances in Taiyuan, analyzes the data pre-procesing technique from selecting some remote-sensing image, explores the urban green land information extraction methods based on remote-sensing images, and points out the technique can obtain the information in an accurate and speedy way.

remote-sensing image, urban green land information, data source, decision-making tree

1009-6825(2016)22-0196-02

2016-05-23

王 斐(1989- )，男，在读硕士

TU198

A