基于遥感图像分析的城市森林景观退化趋势测量技术

田鹏

摘 要： 为全面反映城市生态平衡建设情况，弥补当前城市森林景观退化趋势测量方法的缺陷，提出基于遥感图像分析的城市森林景观退化趋势测量方法。使用Vgtextract软件对城市森林景观遥感图像的长时序数据进行去噪和提取，并分波段提取图像分辨率数据。通过分析地理分区相似性，对提取出的图像数据进行边缘分割，获取图像中的城市森林景观，计算城市森林景观指数并集成。将城市不同时期的集成指数相减得到退化数据，用来描述城市森林景观退化趋势。实验结果表明，所提测量方法对遥感图像中城市森林景观的分割效果好，测量偏差小。

关键词： 遥感图像； 城市森林景观； 退化趋势； 测量偏差； 图像分割； 边缘分割

中图分类号： TN911.73?34； S823 文献标识码： A 文章编号： 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

城市森林景观是内陆生态环境的主要成分，是城市物质能量平衡的基本保障，对城市大气资源与水资源具有调节能力。随着民众环保理念的提升，民众对城市生态平衡格外重视。人口的增加大幅度減少了城市土地资源，工业、科技的发展致使植被、土壤被破坏，土地利用率进一步下降[1]。因而，正确测量城市森林景观退化趋势是把握城市生态情况、评估城市发展、响应科学发展观的重要手段，能够为未来城市规划指引方向。

国外对城市森林景观退化趋势测量技术的研究较早，比如通过傅里叶变换[2]分析卫星数据，监控城市森林景观变化情况，优点是效率高，但傅里叶变换对噪声的变化不敏感，测量偏差大。使用动态调和技术在时间序列上分类城市森林地与非森林地，按照四季分别分析城市森林景观退化趋势，测量偏差小，但效率低且不能表征整体退化趋势。

考虑到以上两种测量技术的局限性，为了能够全面反应城市生态平衡建设情况，提出基于遥感图像分析的城市森林景观退化趋势测量方法。实验结果表明，该方法对遥感图像中城市森林景观的分割效果好，测量偏差小。

1 城市森林景观遥感图像数据分析

1.1 城市森林景观遥感图像数据提取

遥感技术是在远程观测物质状态时提取物质属性数据的一种感知技术，这种技术依附于自然界内所有物质均能在自身表面反射或者发出电磁波这一性质，根据电磁波波长不同和遥感观测距离、电磁波传播干扰等情况，随时随地获取物质光波属性，辨识物质类别。实际应用中，一般将遥感技术与传感技术结合起来，比如在城市森林景观的测量中，需要先通过遥感技术观测地理信息，再使用传感技术获取城市森林景观遥感图像。遥感技术的数据处理效率高、远程观测范围大，但城市森林景观遥感图像中含有大量噪音，提取图像数据时必须将噪音水平降至最低[3]。城市森林景观遥感图像内与城市森林景观有关的数据种类可分为两种：长时序数据以及分辨率数据。

1.1.1 长时序数据的去噪与提取endprint

长时序数据以归一化森林景观指数、红波、类红波、蓝波和短红波为主[4]，处理这种数据噪音时先使用几何光波校准遥感光波，再按照城市经纬度精确剪辑出长时序数据。处理软件使用的是Vgtextract，它能够处理掉等值噪音，具有数据合成功能，遥感数据中的大气状态和地形结构均可被用作进行噪声辅助处理，适合处理大范围遥感数据。Vgtextract软件通过将遥感图像内城市森林景观归一化指数NDVI的数值范围控制在[-0.1，0.1]内，集成量化值ND的范围控制在[0，200]之内，见式（1），从而提取到长时序数据灰度图像。NDVI在遥感图像中的使用很普遍，它能够减弱因地理因素和天气因素导致的遥感图像噪音。

[ND=0.1+NDVI0.004] （1）

1.1.2 分辨率数据的提取

随着遥感技术的进步，遥感图像分辨率逐渐增高，低等分辨率图像已经不再使用。如今，城市森林景观遥感图像的分辨率普遍在[0.8 m，6 m]之间，无需进行去噪。现以快鸟卫星[5]提供的遥感图像为例，讨论分辨率数据的提取。快鸟卫星是当今最早且惟一供给亚米级分辨率的商用卫星，卫星遥感图像的最低分辨率为0.6 m，表1介绍了快鸟卫星遥感图像的一些重要参数。从表1可知，快鸟卫星遥感图像提供红、蓝、绿、类红四种波段的光谱。绿色光谱可以用来提取城市森林景观的繁茂程度，蓝色光谱则提取景观的大致轮廓，红色光谱可辨识出森林内的植被类别。由于物质空间分辨率存在差异，因而类红色光谱的作用是对植被类别和景观繁茂程度进行校准。

1.2 城市森林景观遥感图像指数集成

1.2.1 城市森林景观指数

城市森林景观指数是评估城市生态环境的项目集合，是测量景观退化率的数据基础，包括比率指数RVI、差值指数DVI、归一化指数NDVI、抗大气指数ARVI、土壤控制指数SAVI、增益指数EVI和森林景观覆盖比率VARI[6]，各指数的计算公式如下：

[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]是类红光谱反射率；[ρr]是红色光谱反射率；[ρb]是蓝色光谱反射率；[ρg]是绿色光谱反射率；[λ]是校准参数[7]；[L]是土壤调节因子；[G]是灰度调节因子；[c1，c2]是大气校准参数。

1.2.2 指数集成

VARI，RVI和DVI是不需要集成的，可直接用来测量城市森林景观状况[8]。将NDVI融入集成量化值ND中，计算方法同遥感图像长时序数据的提取方法相同，如式（1）所示。将ARVI，SAVI，EVI依次融入集成量化值[N]中，ND的计算公式可以分别如下：

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

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

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

式中：无下角标的城市森林景观评估项目表示算术平均值；下角标min和max表示评估项目的最小值和最大值。

2 遥感图像分析的城市森林景观退化趋势测量

方法

2.1 工作流程

基于遥感图像分析的城市森林景观退化趋势测量方法的核心是进行城市森林景观遥感图像的去噪和边缘分割，图1介绍了方法流程，图像去噪是边缘分割的前提，测量城市森林景观退化趋势需从景观边缘入手，将不同阶段的景观边缘勾勒出来，描述内在植被细节，通过对比分析得出退化趋势。邊缘分割对噪声十分敏感，通过图像数据去噪与提取，仅存的微小图像噪音不会影响边缘分割结果。所提方法将根据分割结果提取城市森林景观退化数据，分析退化趋势。

2.2 边缘分割

城市森林景观遥感图像中具有明显的地理分区，结合图像灰度梯度对不同地理分区之间的相似性进行分析，实现边缘分割。

将城市森林景观遥感图像灰度当成时空内的一个曲线图形，用[N×N]表示遥感图像分辨率，图像中的所有点能够以中点为基准向外分散进行相似度计算，如图2所示的正方形块是[N×N]遥感图像边缘处的一个图像块，分辨率为[D×D，]设图像中间区域的分辨率为[E×E，][D×D]图像与[E×E]图像中的地理分区存在相似性，[E×E]图像与其相邻的图像块也具有地理分区相似性，由此可推测出：在进行边缘分割时，[N×N]图像中任意两个图像块之间灰度差的平方和应满足最小值[9]，见下式：

[C=1ki=1k（di-ei）2] （12）

式中：[k=E×E；][di，ei]分别是[D×D]图像与[E×E]图像的灰度；[C]是相似度度量。

根据式（12）遍历[N×N]图像内所有的边缘图像块，取[C]的最小值集合分割城市森林景观遥感图像边缘。将遥感图像中的森林景观准确提取出来，计算城市森林景观指数。测量城市森林景观退化趋势时，将不同时期的指数分别集成。通过进行城市森林景观遥感图像的评估指数集成处理，图像灰度范围将始终维持在[0，255]之间，此时使用简单的减法运算就能得到具体的退化数据，如式（13）所示：

[M=NDs-NDp] （13）

式中：[M]是退化数据；[NDs，NDp]分别是某一评估项目的归一化结果。endprint

3 验证性测试

基于遥感图像分析的城市森林景观退化趋势测量方法采用C语言编程平台开发，计算机系统为Windows 8，中央处理器类型为i7，硬盘为700 GB。选取2016年上海市的快鸟卫星遥感数据进行实验，统计2016年上海市真实城市森林景观面积以及全年的景观退化面积。使用ENV处理软件[10]从卫星遥感数据中训练出2 000个像素点樣本，包含城市中的建筑、水域、空地以及森林景观，如图3a）所示，图中的F、G区域各自拥有一个中型森林景观，D、E区域为空地，这四个区域是测量难点，因此给予重点标注。使用本文测量方法提取图3中的森林景观，结果如图3b）所示。同时，压缩感知测量方法以及动态调和测量方法对遥感图像中城市森林景观的分割结果如图3c），3d）所示。经分析可知，仅由本文测量方法对D、E、F、G四个难以测量区域的中型森林景观进行准确提取，而且隐藏在建筑与空地之间的小型森林景观也未与其他部分混淆，分割结果清晰、准确。三种方法中，压缩感知测量方法的分割效果最不好。

统计三种方法所测量出的城市森林景观面积，与真实值进行比对，如表2所示，本文测量方法与真实值最为贴近，测量偏差为21.92 km2，其次是动态调和测量方法，最差的依旧是压缩感知测量方法。

4 结 语

本文提出基于遥感图像分析的城市森林景观退化趋势测量方法，结合遥感图像去噪、相似度分析、灰度梯度分析、边缘分割等技术，针对城市森林景观遥感图像进行重点处理，准确提取出城市森林景观信息并分析退化趋势。整个方法的分割效果好，测量偏差小，具有很好的使用价值。

参考文献

[1] 苏腾飞，李洪玉，屈忠义.高分辨率遥感图像道路分割算法[J].国土资源遥感，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] 徐闻聪，张逸冰.地球化学勘查新技术应用研究[J].化工设计通讯，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.基于锚点建图的半监督分类在遥感图像中的应用[J].现代电子技术，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] 冯逍，肖鹏峰，李琦，等.三维Gabor滤波器与支持向量机的高光谱遥感图像分类[J].光谱学与光谱分析，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] 童凯翔，田世伟，李广侠.基于粒子滤波算法的动态协同定位系统性能研究[J].通信技术，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] 刘小丹，杨燊.基于蓝噪声理论的遥感图像森林植被纹理测量[J].国土资源遥感，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] 杨森林，万国宾，高静怀.基于分块压缩感知的遥感图像融合[J].计算机应用研究，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