福州海绵城市建设中屋顶绿化的截水作用研究

林 璐， 许章华,2,3,4， 黄旭影， 吕福康， 王前锋,4， 林 倩

(1.福州大学环境与资源学院,福州 350116； 2．福州大学信息与通信工程博士后科研流动站，福州 350116； 3．空间数据挖掘与信息共享教育部重点实验室，福州 350116； 4.福州大学区域与城乡规划研究中心,福州 350116； 5.福州大学至诚学院, 福州 350002)

0 引言

近年来，城市内涝问题日益突出，人们开始重新思考既定的城市规划思路及其对环境、生态和社会等要素的多重影响。对此，学者们提出了“海绵城市”的规划理念，即打造具有“海绵”特性的绿色城市，既能吸纳、净化雨水，又可在缺水时将收集的雨水释放出来。Dietz[1]利用低影响开发(low impact development，LID)技术增强城市在应对气候变化时维持生态的能力； Church[2]认为雨水花园是城市水资源管理的最佳设施； 海绵城市的规划理念使人们进一步意识到城市绿地、城市湿地和雨水资源的利用潜力[3]； 俞孔坚[4-5]用“让水流慢下来”的思想对六盘水明湖湿地公园的建设进行了研究； 刘昌明等[6]则认为城市规划需要多考虑生态容纳能力等问题。

屋顶绿化能截留、净化雨水，可逐步改善城市水环境，且工程量小，与海绵城市的LID及最佳管理设施(best management facilities，BMFs)设计理念相吻合[7-8]。仇保兴[9]将屋顶绿化建设定义为改善城市环境工程中不可缺少的项目之一，认为屋顶绿化应被广泛应用于公共建筑，以使海绵城市变得更加灵动； 不仅如此，屋顶绿化还有净化城市空气、缓解热岛效应、增加生物多样性的作用[10]； 邵天然等[11]亦强调屋顶绿化能带来良好的生态效益。然而，屋顶不同于森林、草地等自然地物，其连续面积虽小，但数量庞大，且大小、形状各异，实地调查难度大。国际上对屋顶绿化的研究方法趋于多样化，如利用数学模型、计算机软件建模等方法从城市、社区和建筑区等多尺度开展相关研究[12-15]。Getter等[16]结合遥感和GIS技术调查雨水在绿色屋顶上的滞留情况； 李沛鸿等[17]指出利用遥感技术调查屋顶绿化能节约时间、降低经济成本。本文以福州市鼓楼、台江和仓山3区为例，分析海绵城市建设中屋顶绿化率对水分的影响机制，研究绿化率处于何种水平时具有明显的截水作用。

1 研究区概况及数据源

福州市为福建省省会，地处东南沿海，地理范围在E118°08′～120°31′，N25°15′～26°39′之间，属典型的河口盆地地貌，地势西高东低，森林覆盖率为57.8%； 年均气温为19～21℃，降雨充足，但四季分布不均，暴雨洪水和台风活动强烈。福州市在福建省发展与海西建设中发挥着带头作用，是国家第二批海绵城市建设试点，虽已开展了多项建设，但城市内涝问题依然严峻，不仅影响市民生活与工作，还造成重大经济损失，使城市形象受损。福州市的鼓楼区、台江区和仓山区经济繁荣，建筑物与人口密度大。本文选择此3区作为研究区。

收集的主要数据有： ①Landsat8 OLI多光谱遥感影像1景，获取时间为2015年9月27日，轨道号/行号为119/42； ②气象数据，包括温度和湿度等； ③典型小区的Google Earth高空间分辨率影像。利用ENVI对Landsat8 OLI多光谱影像进行辐射校正、融合、几何纠正及裁剪等预处理，得到覆盖研究区的基础影像(图1)。

图1预处理后的福州市3区OLI影像(OLI B4(R)，B3(G)，B2(B)假彩色合成)

Fig.1ProcessedOLIimageofthreedistrictsinFuzhouCity

2 研究方法

2.1 建筑区提取

不少学者基于遥感影像开展了建筑区提取技术研究。沈小乐等[18]基于建筑物方向性的纹理特征实现对建筑区的提取； 强永刚等[19]将数学形态学与小波变换结合，成功提取出建筑物信息； 乔伟峰等[20]则利用单景影像中的特征线实现对无参数高空间分辨率影像建筑区的快速提取； 杨山[21]发现，建筑物的短波红外与近红外波段的反射率与其他地物有明显差异，依此构建出仿归一化差值植被指数(normalized difference vegetation index，NDVI)； 查勇等[22]将其改称为归一化差值建筑指数(normalized difference building index，NDBI)； 徐涵秋[23]基于影像的土壤调节植被指数(soil adjustment vegetation index，SAVI)、改进的归一化差值水体指数(modified normalized difference water index，MNDWI)和NDBI，提出了建筑用地指数(index-based built-up index，IBI)，计算公式为

(1)

式中SAVI一般取值为0.5。本文经过多次试验与比较，采用IBI提取建筑区。

2.2 屋顶绿化率提取

崔一娇等[24]通过探究植被的光谱特征来提取绿化率； 崔天翔等[25]则通过建立植被端元模型实现绿化信息的提取。本文采用混合像元分解的思维提取屋顶绿化率。

混合像元的分解方法一般有模型法和端元提取法等。Roberts等[26]从光谱数据库中获取混合像元的端元，实现对地物信息的提取； Ichoku等[27]则用线性波谱分离法来研究混合像元。连续最大角凸锥(sequential maximum angle convex cone,SMACC)可从影像中提取纯净像元与各类地物的丰度图像，在节约时间成本的情况下得出屋顶上像元的植被丰度[28]。本文选用此法进行混合像元分解。

2.3 屋顶湿度提取

湿度反映了植被对水分的截留能力。张雪红等[29]为提高红树林的提取精度，将地物的温度与湿度信息相结合，提出温湿度指数； 徐涵秋[30]在生态评价指数构建研究中，采用缨帽变换的湿度指标； 周秉荣等[31]沿袭了K-T变换的思想，利用归一化算法辅以实地调查，从MODIS影像中提取数据，建立湿度模型； 谷松岩等[32]利用低频波段反演地表层的湿度信息； Ceccato等[33]提出全局植被湿度指数(global vegetation moisture index，GVMI)，GVMI基于比值计算，提取湿度效果好。本文采用GVMI提取屋顶湿度信息，其计算公式为

(2)

式中NIR和SWIR分别为近红外和短波红外波段反射率。

2.4 模型构建

在研究区范围内随机生成11 573个样本点，获取各样本点对应的屋顶绿化率r与GVMI。采用线性模型、对数模型、倒数模型、二次曲线模型、三次曲线模型、复合模型、成长模型以及指数模型构建屋顶湿度h与屋顶绿化率r的关系，并统计其确定性系数R2和拒绝原假设的值P，P值越小，代表模型拟合越好。

3 结果与分析

3.1 建筑区提取效果

依据式(1)，计算研究区IBI，并设置阈值，提取建筑物信息(图2)。

(a) 福州市3区IBI (b) 基于IBI提取的福州市3区建筑物信息

图2福州市3区IBI及建筑物信息提取

Fig.2IBIandbuildinginformationextractedwithIBIofthreedistrictsinFuzhouCity

利用精度评估法对提取结果进行评价，结果如表1所示。结果表明，IBI的建筑物提取精度为91.00%，Kappa系数为0.902 3。

表1 基于IBI提取的建筑物信息精度Tab.1 Accuracy assessment of building informationextracted with IBI

基于IBI建筑区提取结果，分割出福州市3区建筑区影像(图3)。

图3 福州市3区建筑区OLI影像(OLI B4(R)，B3(G)，B2(B)假彩色合成影像)

3.2 屋顶绿化率与湿度提取效果

利用SMACC方法对建筑区遥感影像进行混合像元分解，得到绿化丰度(图4)。

图4 福州市3区绿化丰度

应注意的是，由于建筑物与植被混合的情况不仅限于屋顶绿化，故在进行混合像元分解时，应尽量保证屋顶绿化信息的提取精度，并通过人机交互剔除非屋顶绿化信息。为验证绿化丰度与屋顶绿化率的对应关系，收集相近时期的Google Earth高空间分辨率遥感影像，随机选取屋顶绿化率分布范围在10%～80%的8个(片)屋顶，用CAD勾绘并计算15 m×15 m范围内的植被覆盖比例(与融合后的Landsat8 OLI影像空间分辨率一致)，将其作为屋顶的实际绿化率数据，并评价绿化丰度对屋顶绿化率的估测精度(表2)。从表2可以看出，绿化丰度与屋顶实际绿化率差异小于5.5%，平均估测精度达90.8%，表明可用混合像元分解后的绿化丰度代表屋顶绿化率。

表2 绿化丰度对屋顶绿化率的估测效果评价Tab.2 Estimation accuracy evaluation of green abundanceon roof greening rate (%)

利用式(2)提取研究区建筑物GVMI，以此作为屋顶湿度指标(图5)。

图5 福州市3区GVMI

对随机点进行统计(表3)发现，福州市3个区的平均屋顶绿化率为17.34%。将其值按[0%，20%)，[20%，50%)和[50%，80%]分为低、中和高3个等级，比例依次为66.55%，28.34%和4.93%，表明福州市3个区的屋顶绿化亟待提升。湿度代表了屋顶植被截留水分的能力，植被截水能力随着屋顶绿化率的增高而变化，当屋顶绿化率很低时，植被的截水作用不太明显； 当屋顶绿化率提升至40%时，植被的截水能力提升显著。

表3 屋顶绿化率与湿度的对应关系Tab.3 Correspondence relationship between roofgreening rate and humidity

3.3 屋顶湿度-绿化率模型建立与截水作用分析

基于11 573个随机点数据，建立屋顶湿度h与绿化率r的线性模型、对数模型、倒数模型、二次曲线模型、三次曲线模型、复合模型、成长模型及指数模型等8种模型(图6)，并统计各模型的R2和P(表4)。

图6 屋顶湿度-绿化率关系模型

模型模型拟合度模型参数R2Pcb1b2b3线性模型h=b1r+c0.2360 0.0360.234──对数模型h=b1ln r+c0.0570 0.1090.015──倒数模型h=b1/r+c0.0010.009 0.077-1.251e-5──二次曲线模型h=b2r2-b1r+c0.4340 0.081-0.3271.014─三次曲线模型h=b3r3+b2r2+b1r+c0.4260 0.080-0.3170.9730.043复合模型h=cbr10.0520 0.0355.868──成长模型h=eb1r+c0.0520-3.3471.769──指数模型h=ceb1r0.0520 0.0351.769──

分析结果表明，二次曲线模型的R2最大而P最小，拟合优度最佳。由此，本文构建的最佳屋顶湿度-绿化率模型为二次曲线模型，即

h=1.014r2-0.327r+0.081 。

(3)

经计算可知模型的极值点为(0.163，0.053)，表明当屋顶绿化率高于16.30%时，植被截水效果开始显现，亦即在截水目标下，屋顶绿化率的阈值为16.30%； 当绿化率小于16.30%时，植被对于水分的截留作用不明显甚至呈负相关，这可能是由于截留的水分不足以弥补植被蒸腾、生长消耗的水分[27]，以及自然环境中蒸发的水分。曲线斜率即湿度增长率在极值点后逐渐增大； 在绿化率从30%升至60%过程中，截水能力提高速率最快，平均可达57.9%(图7)。

图7 二次曲线模型的湿度增长速率

3.4 典型小区验证与模拟

3.4.1 屋顶湿度-绿化率模型的反验证

以凯旋花园和新农村公寓小区为例，对其屋顶绿化率与湿度的关系进行分析，反向验证模型的合理性。基于绿化丰度与GVMI，提取2个小区的屋顶绿化率和湿度； 将屋顶绿化率代入二次曲线模型，计算屋顶湿度值； 比较GVMI提取湿度与模型估测湿度的吻合度(表5)。表5显示，2个小区屋顶湿度值的差异均控制在1%左右，模型平均估测精度达79.29%，进一步证明了二次曲线模型的合理性。

表5 典型小区屋顶湿度-绿化率模型验证Tab.5 Verification of roof humidity and greeningrate mode in typical blocks (%)

3.4.2 屋顶绿化截水作用的模拟与分析

以10%为步长，模拟2个典型小区不同绿化率下的屋顶湿度。如图8所示，随着屋顶绿化率的提高，屋顶湿度亦在上升，反映屋顶绿化的截水效果更为显著。对模型的增长速率进行分析(表6)，湿度的增长速率反映了屋顶植被截水能力强弱的变化； 2个典型小区的屋顶绿化率为30%～60%时，平均增长率分别为50.63%和48.12%，与二次曲线模型计算的湿度增长率接近。

图8 典型小区屋顶绿化率模拟

新农村公寓小区凯旋花园小区屋顶绿化率湿度增长率屋顶绿化率湿度增长率 [10.67,20.67)22.70 [27.12,37.12)49.69 [20.67,30.67)34.98 [37.12,47.12)53.98 [30.67,40.67)53.21 [47.12,57.12)49.07 [40.67,50.67)52.55 [57.12,67.12)41.31 [50.67,60.67)46.13 [67.12,77.12)35.89 [60.67,70.67)39.56 [77.12,87.12)31.13 [70.67,80.67)34.07[87.12,97.12]27.34[80.67,90.67]29.69

4 结论

本文以福州市鼓楼区、台江区和仓山区为研究对象，利用遥感与GIS技术提取Landsat8 OLI影像的建筑物信息； 基于SMACC提取屋顶绿化率，建立其与湿度指标GVMI的关系模型，确定截水目标下的屋顶绿化率阈值； 选取2个典型小区对屋顶绿化率进行模拟与分析，验证了上述模型的合理性。得出如下结论：

1)利用IBI指数提取建筑物信息，提取精度为91%，Kappa为0.902 3。

2)经SMACC混合像元分解的绿化丰度与屋顶实际绿化率差异小于5.5%，平均精度达90.8%，表明可以用绿化丰度代表屋顶绿化率信息。

3)屋顶湿度反映植被的截水能力，绿化率r不同时，湿度h亦有所变化。两者的二次曲线模型的拟合优度最佳。该模型的极值点为(0.163，0.053)，表明当屋顶绿化率高于16.30%时，植被截水效果开始显现，亦即在截水目标下，屋顶绿化率的阈值为16.30%； 而在绿化率从30%升至60%过程中，截水能力提高速率最快，平均可达57.9%

4)据计算，福州市3个区的平均屋顶绿化率为17.34%，略高于16.3%； 将其值按照[0%，20%)，[20%，50%)，[50%，80%]分为低、中、高3个等级，比例依次为66.55%，28.34%和4.93%，低绿化屋顶占比过大，表明福州市屋顶绿化亟待加强。

5)选择凯旋花园和新农村公寓2个小区模拟不同屋顶绿化率下的湿度变化，得出了类似结论，并验证了屋顶湿度-绿化率二次曲线模型的合理性。

本文证实了屋顶绿化的截水能力，确定了截水目标下的屋顶绿化率阈值，对屋顶绿化建设具有指导价值； 并借此文强调，应多方面挖掘海绵城市内涵，多角度思考海绵城市建设问题，将屋顶绿化作为海绵城市建设的重要内容。本文仅研究了像元内屋顶绿化对湿度的影响机制，而对于邻近像元的影响，则可作为未来研究的方向。

参考文献(References)：

[1] Dietz M E.Low impact development practices:A review of current research and recommendations for future directions[J].Water,Air,and Soil Pollution,2007,186(1/4):351-363.

[2] Church S P.Exploring Green Streets and rain gardens as instances of small scale nature and environmental learning tools[J].Landscape and Urban Planning,2015,134:229-240.

[3] Akbari H,Rose L S,Taha H.Analyzing the land cover of an urban environment using high-resolution orthophotos[J].Landscape and Urban Planning,2013,63(1):1-14.

[4] 俞孔坚.海绵城市的三大关键策略:消纳、减速与适应[J].南方建筑,2015(3):4-7.

Yu K J.Three key strategies to achieve a sponge city:Retention,slow down and adaptation[J].South Architecture,2015(3):4-7.

[5] 俞孔坚.让水流慢下来——六盘水明湖湿地公园[J].建筑技艺,2015(2):92-101.

Yu K J.Slow down:Liupanshui Minghu wetland park[J].Architecture Technique,2015(2):92-101.

[6] 刘昌明,张永勇,王中根,等.维护良性水循环的城镇化LID模式:海绵城市规划方法与技术初步探讨[J].自然资源学报,2016,31(5):719-731.

Liu C M,Zhang Y Y,Wang Z G,et al.The LID pattern for maintaining virtuous water cyclein urbanized area:A preliminary study of planning and techniques for sponge city[J].Journal of Natural Resources,2016,31(5):719-731.

[7] 明冬萍,骆剑承,沈占锋,等.高分辨率遥感影像信息提取与目标识别技术研究[J].测绘科学,2005,30(3):18-20.

Ming D P,Luo J C,Shen Z F,et al.Research on information extraction and target recognition from high resolution remote sensing image[J].Science of Surveying and Mapping,2005,30(3):18-20.

[8] Huston R,Chan Y C,Chapman H,et al.Source apportionment of heavy metals and ionic contaminants in rainwater tanks in a subtropical urban area in Australia[J].Water Research,2012,46(4):1121-1132.

[9] 仇保兴.生态城改造分级关键技术[J].城市规划学刊,2010(3):1-13.

Qiu B X.Key techniques in classification and reconstruction of ecological cities[J].Urban Planning Forum,2010(3):1-13.

[10] Oberndorfer E,Lundholm J,Bass B,et al.Green roofs as urban ecosystems:Ecological structures,functions,and services[J].BioScience,2007,57(10):823-833.

[11] 邵天然,李超骕,曾 辉.城市屋顶绿化资源潜力评估及绿化策略分析——以深圳市福田中心区为例[J].生态学报,2012,32(3):4852-4860.

Shao T R,Li C S,Zeng H.Resource potential assessment of urban roof greening and development strategies:A case study in Futian central district,Shenzhen,China[J].Acta Ecologica Sinica,2012,32(3):4852-4860.

[12] Niu H,Clark C,Zhou J T,et al.Scaling of economic benefits from green roof implementation in Washington, DC[J].Environmental Science and Technology,2010,44(11):4302-4308.

[13] Morales-Pinzón T,Rieradevall J,Gasol C M,et al.Modelling for economic cost and environmental analysis of rainwater harvesting systems[J].Journal of Cleaner Production,2015,87:613-626.

[14] García-Montoya M,Bocanegra-Martínez A,Nápoles-Rivera F,et al.Simultaneous design of water reusing and rainwater harvesting systems in a residential complex[J].Computers and Chemical Engineering,2015,76:104-116.

[15] Ward S,Memon F A,Butler D.Performance of a large building rainwater harvesting system[J].Water Research,2012,46(16):5127-5134.

[16] Getter K L,Rowe D B,Andresen J A.Quantifying the effect of slope on extensive green roof stormwater retention[J].Ecological Engineering,2007,31(4):225-231.

[17] 李沛鸿,张晓玉.遥感在屋顶绿化调查中的应用研究[J].江西理工大学学报,2011,32(5):16-18.

Li P H,Zhang X Y.Research on remote sensing application in the investigation of green roof[J].Journal of Jiangxi University of Science and Technology,2011,32(5):16-18.

[18] 沈小乐,邵振峰,田英洁.纹理特征与视觉注意相结合的建筑区提取[J].测绘学报,2014,43(8):842-847.

Shen X L,Shao Z F,Tian Y J.Build-up areas extraction by textural feature and visual attention mechanism[J].Acta Geodaetica et Cartographica Sinica,2014,43(8):842-847.

[19] 强永刚,殷建平,祝 恩,等.基于小波变换和数学形态学的遥感图像人工建筑区提取[J].中国图象图形学报,2008,13(8):1459-1464.

Qiang Y G,Yin J P,Zhu E,et al.Extraction of building area from remote sensing images based on wavelets transformation and mathematical morphology[J].Journal of Image and Graphics,2008,13(8):1459-1464.

[20] 乔伟峰,刘彦随,项灵志,等.无参数高分辨率遥感影像的建筑高度快速提取方法[J].地球信息科学学报,2015,17(8):995-1000.

Qiao W F,Liu Y S,Xiang L Z,et al.Research on extracting building height rapidly based on high-resolution remote sensing images without parameters[J].Journal of Geo-Information Science,2015,17(8):995-1000.

[21] 杨 山.发达地区城乡聚落形态的信息提取与分形研究——以无锡市为例[J].地理学报,2000,55(6):671-678.

Yang S.On extraction and fractal of urban and rural residential spatial pattern in developed area[J].Acta Geographica Sinica,2000,55(6):671-678.

[22] 查 勇,倪绍祥,杨 山.一种利用TM图像自动提取城镇用地信息的有效方法[J].遥感学报,2003,7(1):37-40.

Zha Y,Ni S X,Yang S.An effective approach to automatically extract urban land-use from TM imagery[J].Journal of Remote Sensing,2003,7(1):37-40.

[23] 徐涵秋.一种基于指数的新型遥感建筑用地指数及其生态环境意义[J].遥感技术与应用,2007,22(3):301-308.

Xu H Q.A new index-based built-up index(IBI) and its eco-environmental significance[J].Remote Sensing Technology and Application,2007,22(3):301-308.

[24] 崔一娇,朱 琳,赵力娟.基于面向对象及光谱特征的植被信息提取与分析[J].生态学报,2013,33(3):867-875.

Cui Y J,Zhu L,Zhao L J.Abstraction and analysis of vegetation information based on object-oriented and spectra features[J].Acta Ecologica Sinica,2013,33(3):867-875.

[25] 崔天翔,宫兆宁,赵文吉,等.不同端元模型下湿地植被覆盖度的提取方法——以北京市野鸭湖湿地自然保护区为例[J].生态学报,2013,33(4):1160-1171.

Cui T X,Gong Z N,Zhao W J,et al.Research on estimating wetland vegetation abundance based on spectral mixture analysis with different endmember model:A case study in Wild Duck Lake wetland,Beijing[J].Acta Ecologica Sinica,2013,33(4):1160-1171.

[26] Roberts D A,Gardner M,Church R,et al.Mapping chaparral in the Santa Monica Mountains using multiple endmember spectral mixture models[J].Remote Sensing of Environment,1998,65(3):267-279.

[27] Ichoku C,Karnieli A.A review of mixture modeling techniques for sub-pixel land cover estimation[J].Remote Sensing Reviews,1996,13(3/4):161-186.

[28] 杨苏新,张 霞,帅 通,等.基于混合像元分解的喀斯特石漠化地物丰度估测[J].遥感技术与应用,2014,29(5):823-832.

Yang S X,Zhang X,Shuai T,et al.Estimating Karst rocky desertification feature abundance by pixel unmixing[J].Remote Sensing Technology and Application,2014,29(5):823-832.

[29] 张雪红,田庆久.利用温湿度指数提高红树林遥感识别精度[J].国土资源遥感,2012,24(3):65-70.doi:10.6046/gtzyyg.2012.03.13.

Zhang X H,Tian Q J.Application of the temperature-moisture index to the improvement of remote sensing identification accuracy of mangrove[J].Remote Sensing for Land and Resources,2012,24(3):65-70.doi:10.6046/gtzyyg.2012.03.13.

[30] 徐涵秋.区域生态环境变化的遥感评价指数[J].中国环境科学,2013,33(5):889-897.

Xu H Q.A remote sensing index for assessment of regional ecological changes[J].China Environmental Science,2013,33(5):889-897.

[31] 周秉荣,李凤霞,申双和,等.从MODIS资料提取土壤湿度信息的主成分分析方法[J].应用气象学报,2009,20(1):114-118.

Zhou B R,Li F X,Shen S H,et al.Principal component analysis method acquiring soil moisture information from MODIS data[J].Journal of Applied Meteorological Science,2009,20(1):114-118.

[32] 谷松岩,李万彪,张文建.利用TRMM/TMI资料提取地表层湿度信息试验[J].遥感学报,2005,9(2):166-175.

Gu S Y,Li W B,Zhang W J.Retrieving soil moisture from TRMM/TMI[J].Journal of Remote Sensing,2005,9(2):166-175.

[33] Ceccato P,Flasse S,Grégoire J M.Designing a spectral index to estimate vegetation water content from remote sensing data:Part 2.Validation and applications[J].Remote Sensing of Environment,2002,82(2/3):198-207.