基于GF-1 PMS的喀斯特城镇绿地提取研究

王玮　黄林　任金铜

摘要：绿地面积作为园林城市建设的重要指标，对于城市规划建设具有重要意义。文章基于面向对象分类算法，以位于喀斯特山区的贵州省毕节市海子街镇为研究区，利用高分一号（GF-1）PMS遥感影像进行城镇绿地提取。结果表明：绿地信息在GF-1 PMS影像上具有明显的光谱、纹理特征，通过对影像对象特征的不同选择和组合，能够很好地提取城镇绿地信息；在面向对象分类算法中，基于规则的绿地信息提取总体分类精度为79.36％，Kappa系数为0.76；基于样本的绿地信息提取总体分类精度为89.79％，Kappa系数为0.85，其提取效果比基于规则的面向对象方法更好。

关键词：高分一号；城镇绿地；面向对象；信息提取

中图分类号：TP7文献标志码：A

0 引言

随着城镇化发展，城镇绿地的空间分布、生态效益越来越受重视。然而，传统绿地信息的获取耗时费力［1］。遥感技术的发展为绿地信息提取提供了有力支撑， 利用高分辨率遥感影像进行城镇绿地规划已成为热点［2］。

近年来，已有学者将遥感技术应用到城镇绿地信息提取。李宝华［3］基于Landsat影像对开封市绿地专题信息进行提取，取得较好效果。孙雅荣［4］采用面向对象技术对城市绿地信息自动提取，以保证数据精度。王延飞等［5］分析对比了各种城市绿地提取方法的准确度和可行性。周智勇等［6］通过对比3种分割方法，对城市绿地进行面向对象规则分类并评价。陈阳等［7］介绍了一个完整的遥感工程实现过程，快速掌握城市绿地总量与分布现状。张云英等［8］利用GeoEye-1影像数据

进行绿地信息的提取实验对比，认为面向对象方法提取效果较好。王斐等［9］分析了不同影像在进行绿地信息提取中的优缺点。马鑫［10］研究了一种面向对象思想进行城市绿地信息提取的新方法。张鑫［11］利用遥感图像获得城区地面覆盖类型、结构和面积。王刚等［12］利用WorldView-2遥感影像基于面向对象方法进行绿地信息分析。然而，针对喀斯特山区的城镇绿地信息进行提取的研究较少，特别是基于国产卫星遥感影像的绿地信息提取研究不多。

本文以位于典型喀斯特山区的毕节市海子街镇为研究区，基于我国民用高分卫星高分一号（GF-1）PMS影像为数据源，利用不同面向对象遥感图像分类方法，对研究区城镇绿地信息进行提取研究，以期为典型喀斯特山区城镇绿地信息提取提供参考和借鉴。

1 研究区概况及数据来源

1.1 研究区概况

海子街镇为贵州省毕节市七星关区下辖镇，位于七星关区东北部［13］，距区中心13 km，辖38个行政村，国土面积127.4 km2，其中耕地25.7 km2，水田6.73 km2，旱地18.97 km2，是毕节市第一农业大镇，为黔西北工业园区驻地，以新能源汽车产业为支柱。海子街镇土地肥沃，自然资源丰富，具有一定的代表性。

1.2 数据来源

GF-1卫星是我国“高分辨率对地观测系统”国家科技重大专项的首发星，GF-1卫星上有4台16 m分辨率多光谱宽幅（WFV）相机和2台2 m分辨率全色/8 m分辨率多光谱（PMS）相机［14］。GF-1作为国产卫星在高空间分辨率、多光谱与宽覆盖等关键技术领域取得一定的突破，目前在自然资源部、农业农村部和生态环境部等部门得到广泛应用［15］。

本文选取GF-1遥感影像（GF1_PMS1_E105.6_N27.5_20160824_L1A0001781624、GF1_PMS2_E105.3_N27.4_20170607_L1A0002413314），获取时间为2016年8月24日和2017年6月8日，数据来自高分贵州中心。对获取的研究区原始影像数据进行预处理，包括图像融合、正射校正、大气校正、镶嵌、裁剪等。

2 基于面向对象的绿地信息提取方法

2.1 面向对象分类概念

面向对象的遥感影像分类方法是以影像对象为分类或检测的最小单元，从较高层次（对象层次）对遥感影像进行分类，充分考虑地物的特征，有效克服“椒盐效应”，减少同物异谱和同谱异物的影响［16］。

ENVI（The Environment for Visualing Images）作为功能强大的遥感图像处理专业软件，在遥感影像面向对象分类中提供了基于规则和基于样本的两种不同类型的提取方法。本文将利用两种方法对GF-1影像数据进行绿地信息提取研究。

2.2 基于规则的面向对象绿地信息提取

基于规则的面向对象信息提取类似于决策树分类，利用影像光谱、纹理、形状等特征获取分类规则，对影像对象进行分割与合并以获取影像对象，进而基于规则特征进行信息提取。

本文通过归一化植被指数（NDVI，式中记为INDV）获取面向对象分类规则。NDVI是较为常用的一种遥感图像增强方法，利用遥感影像中近红外波段与红光波段进行计算，主要用于增强遥感影像中的植被信息，可以很好地用于区分植被与非植被覆盖区，其公式为：

式中，NIR、RED分别表示遥感影像中的近红外波段和红光波段。NDVI的取值范围是-1～1，NDVI值高表明该区域植被覆盖度高［17］。

本文采用NDVI对绿地进行初步提取，在提取过程中，利用ENVI软件提供的面向对象分类工具ENVI FX，确定对象分割与合并阈值、信息提取的规则设定等。通过多次实验，获得影像理想的分类规则为：分割阈值35，合并阈值60，规则NDVI>0.5107。

2.3 基于样本的面向对象监督分类绿地信息提取

与传统基于像元的监督分类不同，基于样本的面向对象分类算法的样本是由影像对象构成的。在进行分类过程中，该方法能够充分利用影像的光谱、空间和纹理等影像特征。

2.3.1 选择样本

通过对GF-1影像目视分析，结合CJJ/T 85—2017《城市绿地分类标准》，以及研究区现状，本文将城镇绿地划分为三大类，即防护绿地、附属绿地和区域绿地（见表1）。在分类过程中，样本的选择至关重要。样本的选择一般是在研究区域中均匀分布，且能够有效表达地物类型［1］。本文利用ENVI专业遥感软件选择一定数量的样本，其中一部分用于影像分类中的训练样本，选择另一部分用于分类后的精度评价。

2.3.2 分类算法

SVM（Support Vector Machines，支持向量机）因其算法结构简单，适合处理高维特征、复杂小样本与不确定性等问题［1］，是近年来模式识别与机器学习领域新的研究热点。本文面向对象分类算法中使用较为常用的机器学习算法VM进行。

3 结果与分析

3.1 城镇绿地信息提取

利用前文中基于规则的面向对象绿地信息提取方法对研究区GF-1影像中绿地信息进行提取。通过预览得知，基于规则的绿地信息提取能够很好地提取出绿地信息，并且没有将跟绿地信息光谱信息接近的彩钢瓦混淆归为绿地。

根据研究区影像中目标地物的特点，利用影像对象的光谱、空间形状、图像纹理、植被指数等特征，选择SVM分类方法基于样本的面向对象绿地信息进行提取。通过影像目视解译结合现场勘察，基于规则的面向对象绿地信息提取结果中大部分绿地类型的分类结果正确，区域绿地分类效果最好，防护绿地错分、漏分较多。基于样本的面向对象绿地信息提取也存在部分错分、漏分现象，但总体来看效果较好。其中，防护绿地错分、漏分较多，这很可能是由于在选择训练区时，地物本身就存在不好分性。

3.2 精度评价

本文选用总体分类精度和Kappa系数进行分类精度定量评价［18］。通过选取验证样本对分类结果进行精度评价得到表2。从表2中可以看出，基于样本的面向对象分类总体分类精度和Kappa系数均高于基于规则的面向对象分类，总体分类精度为89.79％，Kappa系数为0.85；从生产者精度和用户精度来看，基于样本的面向对象分类生产者精度和用户精度也是均高于基于规则的面向对象分类；基于样本的面向对象分类防护绿地分类精度低于附属绿地和区域绿地。

4 结论与展望

本文基于GF-1 PMS影像基于规则与训练样本的面向对象方法，综合应用遥感影像光谱、纹理及空间特征进行了喀斯特山区城镇绿地信息提取，得出以下结论。

（1）在GF-1 PMS高分辨率遥感影像中，城镇绿地具有明显的光谱、纹理和空间形态特征，根据各类目标地物的特点和具体要求，综合选取不同的对象特征及特征组合，可有效提取城镇绿地信息。

（2）基于规则的绿地信息提取总体分类精度为79.36％，Kappa系数为0.76；基于样本的绿地信息提取总体分类精度为89.79％，Kappa系数为0.85；基于样本的面向对象监督分类绿地信息提取方法比基于规则的面向对象绿地信息提取方法效果好。

由于遥感影像存在同物异谱、同谱异物、混合像元等问题，在分类过程中很难进行区分，因此训练样本的数量和代表性会对分类结果有一定的影响，故本文得出的结论是否具有广泛适用性还值得深入探讨。

参考文献

［1］张宏刚，党涛.基于高分辨遥感影像城市绿地信息分类提取［J］.测绘技术装备，2018（1）：46-49.

［2］李巍，丁晨旸，李萍.基于高分一号遥感影像的绿地信息提取［J］.安徽农业科学，2017（14）：208-210.

［3］李宝华.遥感影像绿地信息提取：以开封市为例［J］.平顶山学院学报，2005（5）：69-72.

［4］孙雅荣.城市绿地信息提取及空间数据质量评价分析［D］.上海：上海师范大学，2007.

［5］王延飞，温小荣.基于NDVI再分类的城市绿地信息提取：以江苏省徐州市为例［J］.福建林业科技，2012（2）：66-69.

［6］周智勇，邢英梅，东启亮，等.基于GF-1遥感数据的城市绿地信息提取研究［J］.矿产勘查，2015（5）：635-641.

［7］陈阳，赵俊三，陈应跃.基于ENVI的高分辨率遥感影像城市绿地信息提取研究［J］.测绘工程，2015（4）：33-36.

［8］张云英，汪金花，陈晓婷，等.面向对象的高分影像城市绿地精准提取方法研究［J］.矿山测量，2016（2）：76-79.

［9］王斐，刘艳红，冯代丽，等.城市绿地信息提取的研究进展［J］.中国农学通报，2017（10）：67-71.

［10］马鑫.高分辨率遥感影像面向对象的绿地信息提取方法研究［D］.银川：宁夏大学，2017.

［11］张鑫.遥感图像处理在城市绿地提取中的应用研究［D］.西安：西安建筑科技大学，2018.

［12］王刚，高美欢，刘玉梅.基于高分辨遥感影像的城市绿地信息提取研究［J］.北京测绘，2018（2）：221-224.

［13］郗静，王鸿，陈钘.七星关区水土保持监督执法工作成效与经验［J］.黑龙江科技信息，2017（7）：283.

［14］王雪英，郭卫华.面向对象的高分一号卫星影像大棚信息提取研究［J］.湖北农业科学，2019（24）：4.

［15］罗海静，资锋，陈玲，等.高分一号卫星在国土资源领域的应用及前景［J］.卫星应用，2015（3）：41-43.

［16］贺丹.基于高分辨率遥感影像的城市绿地信息提取：以东莞市为例［J］.数字通信世界，2019（10）：80-81.

［17］王洁宁，王浩.新版《城市绿地分类标准》探析［J］.中国园林，2019（4）：92-95.

［18］姜洋.浙江省不透水面时空演变及与城市热环境的相关分析［D］.南京：南京大学，2014.

（编辑 李春燕编辑）

Research on extracting green space in Karst towns based on GF-1 PMS

WANG  Wei1， HUANG  Lin1， REN  Jintong2，3

（1.Anhui Yuntu Space Information Technology Co.， Ltd.， Hefei 230022， China; 2.Guizhou University

of Engineering Science， Bijie 551700， China; 3.Guizhou Province Key Laboratory of Ecological Protection

and Restoration of Typical Plateau Wetlands， Bijie 551700， China）

Abstract：  Green space area as an important indicator of garden city construction is of great significance for urban planning and construction. Based on object-oriented classification algorithm， the article takes Haizijie town， Bijie city， Guizhou province， located in the Karst mountainous area as the research area. The GF-1 PMS remote sensing image is used to extract urban green spaces. The results show that green space information has obvious spectral and texture features on GF-1 PMS images. By selecting and combining different image object features， urban green space information can be effectively extracted; in object-oriented classification algorithms， the overall classification accuracy of rule-based green space information extraction is 79.36%， the Kappa coefficient is 0.76; the overall classification accuracy of green space information extraction based on samples is 89.79%， the Kappa coefficient is 0.85， and its extraction performance is better than rule-based object-oriented methods.

Key words： GF-1; urban green space; object-oriented; information extraction

基金项目：喀斯特高原资源与环境遥感人才团队；项目编号：毕委人领通〔2023〕14号。智慧地理空间信息应用工程中心；项目编号：毕科联合〔2023〕8号。贵州省区域内一流建设学科“生态学”；项目编号：黔教XKTJ〔2020〕22）。

作者简介：王玮（1985— ），男，高级工程师，硕士；研究方向：空间信息应用。