融合GF－2与开放地图数据的城市绿地精细化分类研究

黄 芳，曹芳洁，王潜心

（中国矿业大学 环境与测绘学院，江苏 徐州 221116）

0 引言

城市绿地空间是城市生态系统的重要组成部分，具有调节气候、净化空气、涵养水源、消减噪声和美化环境等功能，也发挥着景观文化、居民休闲等作用［1］。目前，对城市绿地的研究主要是从绿地分类［2，3］、绿地固碳作用［4］、绿地格局与城市形态的相互作用［5，6］、城市绿地景观网格构建［7］等方面开展。作为城市绿地研究的核心基础，对城市绿地现状信息进行实时、高效、精细化监测，可为优化城市生态空间结构、维护城市生态平衡以及建设“碳中和”城市提供基础数据支撑。

城市绿地监测的手段从早期的实地调研、人工绘制草图，到后期初步利用遥感影像进行分类，均存在效率低、过程繁琐的问题，不适用于遥感影像信息的批量快速获取［8］。为了提升遥感影像绿地分类获取速度，有学者提出采用像元二分法［9］、非监督分类［10］和监督分类［11］等方法对中、低分辨率遥感影像上的城市绿地信息提取，基本解决了绿地批量识别的需求，但相应的方法仍存在容易将绿地同其他地物错分的问题。

随着城市的发展建设，城市绿地开始呈现类型多样、形态不规则以及空间异质性较高的特征，中、低分辨率的遥感影像难以满足精准识别的需求［12］。由于表征能力不足，传统算法无法充分挖掘具有复杂背景的高分辨率遥感图像中蕴含的语义信息［13］。近年来深度学习等新兴技术的发展，为遥感绿地信息提取提供了先进的模型算法支撑，也在很大程度上避免了图像像元分类的“椒盐噪声”［14］问题。姚艳清等提出一种多分辨率特征融合的遥感图像目标检测方法，较好地克服了错检、漏检等问题，适用于密集目标、多尺度目标检测［15］；Yan 等在对北京植被功能类型分类时，将面向对象分类与植被物候相结合，将整体分类精度提高了8.8%［16］；徐知宇等通过对比多种主流算法对于城市绿地总体分类的精度，认为U－Net卷积神经网络模型在城市绿地遥感自动分类方面具备一定的优势［17］。

虽然遥感图像目标检测领域已经取得了长足的进步，但是由于遥感影像仅依赖纹理与光谱特征对地物进行划分，难以满足园林从业者和城市规划者对绿地功能精细化分类的需求。近年来，随着互联网、云计算等技术的崛起，网络数据也成为了定量城市研究的重要数据源之一，并在城市公园绿地相关研究领域得到了应用。郑权一等基于POI混合度的城市公园体力活动类型多样性，探究了公园周边POI混合度对公园DPAT 的影响机制［18］；李坤洋等构建缓解热岛效应、游憩娱乐、应急避险3 种城市绿地服务半径计算方法，将POI 密度分布与绿地服务空间进行空间叠加，分析城市绿色服务空间分布特征［19］；Cao等对POI 数据进行重新分类，建立城市公园绿地类型和POI 之间的联系，然后将其与UFZ数据进行融合，进行城市公园分析［20］。但是已有研究的关注点多集中于将城市公园绿地视作点状要素进行分类或分析其功能特征、服务范围等［21，22］，忽略了地理要素的面状范围［23，24］。

针对现有方法遥感影像识别城市绿地边缘误判率高以及难以通过遥感纹理特征判别绿地社会属性特征的问题，本文提出了一种基于深度学习先进模型算法的高分辨率遥感影像城市绿地分类方法。在此基础上，本文引入开源地理数据POI、OSM进行多维度绿地特征分类，进一步将绿地划分为功能分类、类型特征、服务范围和形态特征4 个子类。

1 研究区域与数据来源

1.1 研究区域

深圳是一座人口高度集中、空间高度集约、功能活动高度集聚的高密度超大城市。其绿地系统规划结合城市生态格局评估，从区域衔接、内部微完善、组团均衡角度，确立了“三带、八片、多廊、多核”的绿地系统结构；立足地域资源，营山活水，凸显山水自然的景观格局；以塑造精品为导向，搭建以生态景观林带和景观大道为骨架，以特色公园为节点的特色景观系统，提升城市景观形象。

本文以深圳市城市绿地为研究对象，根据城市区域定位及绿地分布情况，选取了中央商务区所在的福田区以及有着“一半山水一半楼”美誉的罗湖区交界处的矩形区域（图1 方框内区域，面积25km2）。研究区经纬度为114°4′—114°7′E、22°32′—22°36′N。研究区内人口密度高，公园绿地资源丰富，拥有包含森林公园、综合公园和社区公园在内的多类型城市公园绿地系统。

图1 研究区位图Figure 1 Study area map

1.2 数据来源及预处理

本文主要研究目标是为实现城市绿地自动精细化分类提供精度高、可复用的方法，以深圳市福田区和罗湖区交界处25km2的区域进行实例验证，主要研究内容包括绿地的矢量边界识别及类型、功能、形态的精细化分类。因此，需要以下三类数据：GF－2遥感影像、兴趣点数据以及交通路网矢量数据。

1.2.1 遥感影像与样本制作

遥感影像使用的是GF－2 高分辨率遥感影像数据（分辨率1m），经过辐射定标、大气校正与正射校正等预处理，以保证像元点空间位置的准确性。本文采用2000 国家大地坐标系，1985 国家高程基准，UTM投影6°分带。结合目前国土空间规划实践中常用的遥感基础数据情况，进行了波段融合处理，保留R－G－B 3 个波段信息。通过对研究区域绿地情况的实际调查，采用分层随机方案采集研究区域的样本点，训练样本和测试样本比例为6∶ 4。实验使用Labelme工具进行数据集准备工作，标注完成后输入类别标签以存储json 格式的数据。为了丰富样本特征，数据集标注采用两种方式，其中一种是勾勒绿地边缘，考虑边界特征（图2b）；另一种则是在绿地范围内勾勒矩形范围（图2d）。最后，将标注后的数据集进行二值化处理。

图2 数据集制作示意图Figure 2 Schematic diagram of dataset production

1.2.2 兴趣点数据

兴趣点（Point of Interest，POI），泛指一切可被抽象为点的地理实体，是导航地图的衍生数据，主要用于表征城市空间内各类服务型设施。高德地图提供千万级别的POI数据，所有数据均按三级分类，且层次清晰、精度较高。因此，本文所使用的POI数据基于高德API 开放接口（https：／ ／lbs.amap.com／），运用Python编程语言编写网络爬取工具，采取周边检索中的多边形检索方法，以格网形式获取数据并输出。经过去重、纠偏和空间坐标转换等预处理工作，共计获取POI数据68 511 条（图3a）。

图3 研究数据空间分布图Figure 3 The spatial distribution map of research data

1.2.3 交通路网矢量数据

本文使用的交通路网矢量数据是通过全球公开地图协作项目OpenStreetMap（OSM，https：／ ／www.openhistoricalmap.org／）获得，OSM 道路数据包括空中航线（Aeroway）、陆路（Highway）、水路（Waterway）及铁路（Railway）4 类，本文主要关注的是道路数据的陆路数据，即Highway 标签下的数据。对研究区的OSM道路网数据进行道路化简、拓扑重建处理后［25］，得到研究区交通路网矢量数据（图3b）。

2 研究方法

本文总结深度学习常用且有效的改进方法，将空洞空间卷积池化金字塔模块（Atrous Spatial Pyramid Pooling，ASPP）［26］和尺度特征聚合模块（Scale－wise Feature Aggregation Module，SFAM）［27］融入U－Net网络中，进行遥感影像绿地分类。引入以POI和OSM为代表的网络地理数据，进一步将城市绿地从功能分类、类型特征、服务范围和形态特征4个维度进行精细化分类。技术路线如图4 所示。

图4 技术路线Figure 4 Technical route

2.1 基于改进的U－Net算法的遥感图像绿地提取

U－ Net 网络结构［28］为Encoder－Decoder 结构，其整体结构类似英文字母U，是经典的编码器－解码器结构之一。U－Net 是较早的使用全卷积网络进行语义分割的算法之一，是通过使用语义边界监督边界网络训练，得到准确的语义边界，特别是在遥感影像植被提取方面得到了专家的青睐。

然而，高分辨率遥感影像数据的遥感地物存在类内不一致与类间无差别的问题，而经典U－Net模型并没有很好的解决这一问题。因此，本文提出一种基于改进U－Net架构的遥感图像语义分割模型（图5），将U－Net网络的特征融合模块与M2Det网络中尺度特征聚合模块SFAM 融合，从而提升分类精确度和模糊边界的检测效率。本文从以下3 方面进行了改进：①为了能够对多尺度的城市绿地特征进行提取，在U－Net 网络中加入ASPP 模块，实现低层阶段得到目标像素精确的分割定位和高层阶段获取有效的城市绿地特征［29］；②在解码过程的上采样中使用双线性插值，使得图像间的转换不通过像素匹配来完成，并为像素分配适当的亮度值，提高了被阴影遮挡部分的城市绿地的检测效率；③通过在U－Net 中加入SFAM 模块，将U－Net 中的多级多尺度特征进行有效聚合，从而获得多级特征金字塔，以丰富图像纹理、颜色和目标类别所包含的特征信息，使得结果更精确。

图5 网络结构图Figure 5 Network structure diagram

2.1.1 空洞空间卷积池化金字塔

为了能够对遥感图像进行不同尺度的特征提取，在改进的U－Net网络中加入了空洞空间卷积池化金字塔（Atrous Spatial Pyramid Pooling，ASPP）。输入所给定的特征图（Feature Map），以不同采样率的空洞卷积并进行采样。然后，对ASPP 各层叠加后的输出进行卷积操作，将得到的结果融合到一起，扩大通道数。为了加叠ASPP模块中产生的输入输出，在模块中利用了shortcut。这样仅增接了微量的网络计算量，却提高了训练模型的效率。不仅如此，对所训练出来的结果也有一定程度上的优化。最后，通过1 ×1 的卷积将通道数降低到给定的数值。当模型参数不断深入时，这个结构还能有效处理退化问题。计算公式如下：

式中：Concat（）为拼接操作第一维度的特征图；Gr，n表示r 采样率的带孔卷积与n 尺寸卷积核；Impooling表示为图上image pooling分支中所有图像级输入特征图的平均池化特征。

2.1.2 双线性插值

在解码过程中，双线性插值可以在图像缩放时，使得目标图像与原图像的像素值有所对应。在图像处理中，为了生成更加逼真的图片，将屏幕的像素点的位置映射到纹理图中对应的点。然后，计算该映射点的4 个邻近纹元属性（颜色、透明度等）的加权平均值作为该屏幕像素的属性值。从而实现在解码过程中，无需裁剪Feature Map 便可进行融合，并赋予适当的亮度值。

2.1.3 SFAM模块

SFAM模块能有效地聚合多级多尺度特征，形成多级特征金字塔。具体方法为：首先，将金字塔各比例包含多级深度特征聚合，把目标特征沿着信道维度进行有效衔接；其次，将SENet的区块引入使得特征都包含在最有益的区间里，所引入的区块就是一个基于通道域的注意力机制，用来激励特征聚焦对检测帮助最大的通道；最后，在SENet 的区块后，利用全局平均池化来生成通道统计数据。此外，为了实现准确捕获对通道依赖性的目的，聚合模块可以根据实际情况进行适当的调整。SFAM 模块对特征融合的激励步骤是通过两个全连接层来学习注意机制，这是为了衔接信道维度和存在等效比例特征，并让目标特征能够被SE 注意机制更好地适应。计算公式如下：

式中：xj＝［，，…，］表示聚合后的特征金字塔；表示第j个最大尺度的特征。

2.2 基于POI和OSM数据的城市绿地精细化分类

城市绿地的规划行业应用而言，仅仅进行城市绿地空间位置识别难以满足要求，还需进行多维度的特征分类。因此，本文结合城市绿地的功能特点，利用POI数据包含的属性信息、城市绿地与交通路网的拓扑关系以及景观形态指数，从功能分类、类型特征、服务范围与形态特征4 个方面进行城市绿地的精细化分类。

2.2.1 功能分类

依据中华人民共和国住房和城乡建设部2018年颁布实施的《城市绿地分类标准》进行分类，将城市绿地分为公园绿地、附属绿地、防护绿地和其他绿地四类（由于研究区位于深圳市中心城区，因此未考虑生产绿地这一分类）。首先，利用前文提出的改进的U－Net算法识别出的城市绿地；其次，引入POI数据，将城市绿地范围内落入“公园广场”的斑块，归类为公园绿地，将城市绿地范围落入“小区”、“住宅”的斑块，归类为“附属绿地”；再次，计算城市绿地与城市道路的临近关系，将剩余的斑块中，与交通路网存在拓扑相邻关系的绿地划归为“防护绿地”；最终，其他城市绿地纳入“其他绿地”分类。

2.2.2 类型特征

统计主题模型是目前文本领域的热点之一，在舆情分析［30，31］、地理热点挖掘［32］等领域有着良好的应用。相比较于LSTM、BERT 等模型，统计主题模型具有轻量化，处理极短文本速度快等优势，在POI文本处理方面有良好的性能。因此，本文根据绿地内所包含的POI字段的属性信息，利用LDA主题模型［33］，将公园绿地这一子类进一步细分为综合公园、社区公园、城市公园、山地公园、市政公园、主题公园、山体公园和体育公园8 小类。每个文档所对应的密度函数为：

式中：θ 和z 表示隐含变量；w 为唯一性词汇即可观察值，给定文档集合中每个子文档d 包含N个词，对文档中的每个词wn（1 ＜n ＜N）：生成一个主题词zn服从参数分布为θ的多项式分布，进而根据特定的主题比例β，对wn生成P（Wn｜Zn，β）。

2.2.3 服务范围

本文通过量化城市绿地与交通路网的拓扑关系以及与周围邻里的渗透关系［34］，根据服务范围分为市级绿地、区级绿地、社区级绿地和街旁绿地［35］（图6）。首先，将仅与交通道路拓扑临接且面积极小的城市绿地，全部归类为街旁绿地；其次，计算城市绿地覆盖范围与周围POI 的渗透关系，将与居住类POI所形成的单一组团渗透度高的城市绿地归纳为社区级绿地，将与居住类POI所形成的多个组团、与商业类POI所形成的单一组团所渗透度高的城市绿地归纳为区级绿地；最后，将面积范围最大、与交通道路网拓扑关系复杂、与商业类POI 所形成的多个组团所渗透度高的城市绿地归纳为市级绿地。

图6 POI的两种邻域效应Figure 6 Two neighborhood effects of POI

2.2.4 形态特征

景观形状指数，指的是景观格局中斑块的形状指数，是通过计算区域内某斑块形状与相同面积的圆或正方形之间的偏离程度来测量形状复杂程度的［36］。本文引入景观形状指数，比较提取的绿地斑块与相同面积的圆的偏离指数，并结合绿地面积特征，将偏离指数较小且面积小的城市绿地定义为点状绿地；将偏离指数较大且面积较小的城市绿地定义为带状绿地；将偏离指数较小且面积较大的城市绿地，定义为块状绿地。其中，景观形状指数计算公式如下：

式中：LSIx为绿地x 的景观形态指数；Mx为绿地x的斑块边界长度；Ax为绿地x的景观面积。

3 结果及分析

3.1 城市绿地识别结果分析

实验平台同时使用Windows环境下2 块型号为GTX－1080Ti的GPU，每张GPU上同时进行2 张图片的训练，从而提高算法的泛化能力。基于PyTorch框架实现图5 的网络结构，整个网络是端到端的结构，输入图片的尺寸均是256 ×256。在模型训练过程中，考虑到迭代次数对分类精度的影响，实验最佳的迭代次数为1 000，学习率为0.006 5。

实验通过“编码—分割—分类—解码”的过程，完成研究区绿地遥感分类，对语义分割结果以平均交并比（Mean Intersection over Union，MIoU）、总体分类精度（Overall Accuracy，OA）、Kappa 系数3 个评价指标进行精度评价。最终，本文模型在数据集上取得了95.41%的MIoU以及90.87%的OA，Kappa系数为0.97（图7）。同时，采用相同的学习效率与训练次数，将本文提出的方法与传统U－Net和UNet3 ＋网络进行了对比。

图7 城市绿地提取结果Figure 7 Urban green space extraction results

从提取的结果来看，本文所使用的模型的OA为90.87%，在城市绿地识别中取得了较高的效率，且最终提取的城市绿地的完整程度也更高，模型总体分类精度比U－Net 和U－Net3 ＋模型分别提高了11.13%和7.39%。具体表现为图像中小尺度的城市绿地的错分和漏分的情况有所改善，在小型建筑物与大范围城市绿地相连的部分也得到精细的提取，特别的，部分城市道路绿地受建筑物阴影影响时提取的结果也较为准确。总体来看，实验所提取的城市绿地范围边界与真实绿地更吻合。

3.2 城市绿地精细化分类结果分析

本文选定的研究区在深圳市中心城区，因此，POI和OSM等开源地图数据覆盖度良好，基本满足城市绿地精细化分类的需求。整体来看，研究区内城市绿地面积占比较大，功能完备、类型丰富、服务范围层次分明，且形态特征多样化。

从功能角度来看（图8a），研究区的城市绿地大部分为城市公园且占地面积广泛，符合目前深圳城市建设“从城市里的公园到公园里的城市”的这一理念。同时，在城市中心区域（研究区中心为深圳市中央商务区）附近的区域，防护绿地分布较为密集，对于城市功能混合度高、交通路网密集且人群分布集中的城市核心区域，能够做到降低城市噪声污染以及固碳的良好作用。结合居住类POI分布特征来看，居住生活圈内基本都配备了相应的附属绿地，同时满足了城市建设和居民生活的需求。

图8 城市绿地精细化分类Figure 8 Fine classification of urban green space

进一步地将城市公园进行类型的细分，可以看 出，深圳市的城市公园呈现多样化特征（图8b）。同时，研究区内具备规模较大的综合公园、山地公园和体育公园，充分利用了自然优势，打造了中心城区的特色景观与旅游新格局。

从服务范围来看（图8c），深圳市中心城区大部分绿地为市级绿地，大部分绿地围绕深圳市地标性建筑深圳市民中心打造。深圳市民中心是集多功能为一体的综合性建筑，是深圳的行政中心、市政府主要办公机构，同时也是市民娱乐活动的场所，成为了深圳市政府的形象代言、深圳最具有标志性的建筑物。围绕其打造多样化市级城市绿地，有助于提升城市形象，丰富城市功能。同时，结合城市公园的类型特征来看，市级绿地包含各类主题公园，为市民及游客提供了不同的选择。从整体来看，中心城区的绿地呈现“市级—区级—社区级”的层次特征，满足了不同人群出行目的需求，同时，主干道附近具备大体量的街旁绿地，从视觉与环境角度，均做出了良好的贡献。

本文利用景观形态指数来量化城市绿地的形态特征，从形态特征来看（图8d），研究区内大面积的块状绿地呈现集中分布的特征，分散的带状绿地和点状绿地能够作为研究区域内大面积块状绿地斑块的补充，作为生态踏脚石的功能，最大化渗透城市硬质空间，缓解城市的生态负效应。

然而，仍然有以下问题需要关注：①尽管研究区内各级交通路网完善，道路交叉密度较大，但街旁绿地分布不均，且有异形建筑遮挡；②研究区内东部地区的街道绿地并没有将洪湖附近的块状绿地、各道路的带状绿地以及建筑周围的点状绿地构成一个完整的网络化绿地景观；③梨园路与浦城路、梨园路与宝岗路和深南中路与华强路的交界处以及宝安南路和宝岗路的部分路段出现了绿色缺口，这可能会导致附近空气质量的下降，也会让人的感官上感觉死气沉沉，缺乏生活气息。

4 结论与讨论

本文构建了一种改进的U－Net模型，对深圳市福田区和罗湖区的矩形区域进行了城市绿地的提取。同时，本文基于POI 和OSM 等开源数据，并引入景观生态学的基础理论，进行了研究区城市绿地的精细化分类。主要结论如下：①本文提出的方法能自适应地将大图像分割成小的处理单元，以保持城市空间分布模式的完整性。总体分类精度相较于经典U－Net和U－Net3 ＋网络有所提高，且识别的城市绿地边界和真实城市绿地边界更吻合，有效地提高了城市绿地识别的准确率。②针对目前绿地遥感分类依赖影像纹理特征的问题，引入景观生态学的基础理论，并使用POI、OSM 等网络地理数据，进行功能分类、类型特征、服务范围和形态特征4 个维度的城市绿地精细化分类。③本文选定深圳市福田区、罗湖区交界处的矩形区域为研究区，利用提出的方法进行了实例分析，其中，绿地遥感分类总体精度为90.87%，比U－Net 和U－Net3 ＋模型分别提高了11.13%和7.39%，Kappa 系数为0.97，同时在4个精细化分类维度上也取得了结果。

在后续的研究中，可考虑引入新的处理模块。如利用多光谱遥感影像，进行植被类型的二次分类，从而计算不同类型的城市绿地的固碳潜力。