基于遥感与GIS的城市绿地信息提取方法_遥感信息提取
时间：2019-04-01 03:17:22 来源：雅意学习网 本文已影响 人 
摘要：城市绿地是城市中唯一有生命的基础设施，必须客观、准确地掌握城市绿地信息及其变化情况。遥感技术给城市绿地信息调查提供了更为有效而便捷的手段，植被有其特殊的光谱响应，使得其有别于其他物质。城市绿地的遥感提取方法有监督分类、决策树分类、面向对象分类等方法，每一种方法都有它的适用条件。利用GIS的空间叠加分析可以为遥感绿地信息的属性赋值，增强遥感绿地信息的可利用性。
关键字：城市绿地，遥感技术，高分辨率影像，ENVI，GIS
Abstract: The city green space is the only living infrastructure in the city, we must objectively and accurately grasp the city green land information and its changes. The remote sensing technology provides a more effective and convenient means for the city green land information investigation, the vegetation has its special spectral response, which is different from other substances. The remote sensing extraction method of the city green extraction is the supervised classification, decision tree classification and object-oriented classification method, and each method has its applicable conditions. Using the GIS spatial overlay analysis can assigns for the remote sensing vegetation information attribute, and enhance the remote sensing vegetation information availability. Keywords: city green space; remote sensing technology; high resolution images; ENVI; GIS
中图分类号：S731.2 文献标识码：A
0 引言
城市绿地是城市中唯一有生命的基础设施，它在改善城市生态环境和人居环境起着积极的作用，城市绿地含量逐渐成为衡量城市生活质量的1个重要指标。此外，城市绿地的空间分布格局与其生态效应有着密切的关系。因此，必须客观、准确地掌握城市绿地信息及其变化情况。
高分辨率遥感影像的出现，给城市绿地信息调查提供了更为有效而便捷的手段。植被特殊的光谱响应，使其有别于其他物质，可以利用光谱参数（如，植被指数等）和遥感信息提取方法自动提取城市绿地信息。利用GIS的空间分析方法对矢量格式的城市绿地信息，参照CJJ/T 85—2002 城市绿地分类标准进一步属性赋值。
1 绿地信息的遥感提取方法
1.1 植被波谱特征与植被指数
植被跟太阳辐射的相互关系有别于其他物质，如裸土、水体等，比如植被的“红边”现象，即在＜700 nm附近强吸收，＞700 nm高反射。一般健康绿色植物的光谱曲线总是呈现明显的“峰和谷”特征[1]，其反射光谱特征规律明显而独特。从图1可以看出，植物在蓝光波段和红光波段的波谱曲线呈吸收谷，在绿光波段操作小的反射峰，在近红外波段则呈高反射状态。在多光谱卫星遥感图像中，植被信息主要体现为红色波段和蓝色波段的灰度值偏小，近红外波段的灰度值偏高，以及绿色波段的灰度值也会偏高。
植被指数（VI）通过是2个或多个波长范围内的地物反射率进行组合运算，以增强植被某一特性或者细节，常用多光谱遥感数据经分析运算（加、减、乘、除等线性或非线性组合方式）得到。常选用对绿色植物强吸收的红波段（0.6 μm～0.7 μm）和高反射的近红外波段（0.7μm～1.1μm）数据，进行归一化植被指数（NDVI）计算。其计算式见式（1），
， （1）
其值域范围为[-1,1]，一般情况下处于(0.2,0.8)。
图1 健康绿色植被光谱曲线图
1.2 监督分类方法
监督分类法，又称训练分类法，是用被确认类别的样本像元特征为依据去识别其他未知类别像元的过程。在分类之前通过目视判读和野外调查，对遥感图像上某些样区中图像地物的类别属性有了先验知识，对每1种类别选取一定数量的训练样本，利用计算机统计每种训练样区的特征或其他信息，再用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类精度的要求。 最后，再用训练好的判决函数去对其他待分类数据的类别进行判定。通过每个像元与训练样本特征的比较，按预定的规则将其划分到和其最相似的样本类中，以此完成对整个图像的分类。具体方法见表1。
1.3 基于专家知识的决策树分类方法
基于专家知识的决策树分类是基于遥感图像数据及其他空间数据，通过专家经验总结、简单的数学统计和归纳方法等，获得分类规则并进行遥感图像分类[2]。分类规则易于理解，分类过程也符合人的认知过程。
专家知识的决策树分类的一般流程如下：
1.3.1 构建多元空间数据库
遥感数据经过几何校正、辐射校正处理后，进行波段运算，得到植被指数，连同影像一起输入空间数据库。其他空间数据经过矢量化、格式转换、地理配准，输入空间数据库；
1.3.2 提取样本构建样本库
在遥感图像处理软件或者GIS软件支持下，选取合适的图层，采用计算机自动选点、人工解译影像选点等方法采集样本。将样本以条件属性、对象集、地物类型和分类属性的结构输入样本库；
1.3.3 分类规则挖掘与评价
在构建样本库的基础上，采用适当的数据挖掘方法挖掘分类规则，再基于评价样本集对分类规则进行评价，并对分类规则做出适当的调整和筛选。
1.3.4 遥感影像分类与精度评价
基于分类规则构建决策树，利用专家分类器对遥感影像进行分类，并评价分类结果。
表1 常见监督分类方法
分类器 说 明
平行六面体分离器 根据训练样本的亮度值形成一个n维的平行六面体数据空间，其他像元的光谱值如果落在平行六面体任何一个训练样本所对应的区域，就被划分其对应的类别中。平行六面体的尺度是由标准差阈值所确定的，而该标准差阈值则是根据所选类的均值求出。
最小距离分离器 利用训练样本数据计算出每一类的均值向量和标准差向量，然后以均值向量作为该类在特征空间中的中心位置，计算输入图像中每个像元到各类中心的距离，到哪一类中心的距离最小，该像元就归入到哪一类。
马氏距离分离器 计算输入图像到各训练样本的马氏距离（一种有效的计算两个未知样本集的相似度的方法），最终统计马氏距离最小的，即为此类别。
最大似然分离器 假设每一个波段的每一类统计都呈正态分布，计算给定像元属于某一训练样本的似然度，像元最终被归并到似然度最大的一类当中。
