利用高分辨率影像计算城市绿地覆盖率
【摘 要】 计算城市的绿地覆盖率是一项繁琐的工作。高分辨率影像的出现，给这项工作提供了便捷的途径。本文以高分辨率影像为基础，结合道路和水系矢量数据，利用ecognition分类软件完成绿地的提取，并计算出绿地覆盖率。
【关键词】 绿地覆盖率 高分辨率影像 影像分类
1、引言
绿化建设是一个城市建设的重要工作，城市绿地覆盖率是衡量一个城市绿化程度的最主要的指标，那么如何来计算一个城市的绿地覆盖率呢？从方法上看，只要能够知道城市范围以及该范围内的绿地面积，绿地覆盖率的结果就可以非常简单地计算出来，问题的关键就在于绿地面积的获取。一般的作法是通过人员在实地调绘出绿地的范围，然后在地图上量算出绿地面积。由于计算的范围一般都会非常大，如果所有的绿地都是通过调绘来确定范围，那就需要花费大量的和时间，实际的工作中，通常是将城市划分为不同的区域，每个区域再取不同的样点，利用样点数据计算的绿地面积来推算一个区域的绿地面积，最后再推算出整个城市的绿地面积。
目前，随着航空遥感技术的发展，高分辨率遥感影像在国内开始得到广泛的应用，而这些影像的出现，也给城市绿地覆盖率计算提供了更为有效而便捷的手段。
2、主要思路
采用高分辨率影像来确定绿地范围，这项工作完全可以在室内完成，无需进行室外的调绘。需要注意的是，绿地覆盖率是一个跟时间密切关联的指标，绿地覆盖率应当是代表某个时间的计算的结果。由于植被的生长周期一般都比较长，绿地覆盖率突变的情况比较小，而完全采用影像来确定绿地，最直接的优点就是提高了计算结果在时间定位上的精度。
从高分辨率影像上提取绿地一般是采用人工提取，也就是作业人员在上，以影像为底图，手工勾绘绿地范围，这种方式的工作量依然很大。本文采用的作法是通过ecognition影像分类软件来完成绿地的提取。ecognition是2004年引入国内的一个影像分类软件，它采用面向对象的分类方法。该软件能方便地融入其他专题地影像信息作为分类知识，同时能够让用户灵活地建立基于知识的分类模型，简洁高效地完成分类工作。
只单纯采用高分辨率的影像，利用软件来自动提取绿地的效果并不理想，本文的作法还引入了城市的路网和水系数据作为专题信息，用来提高绿地提取的精度。
另外，考虑到城市的范围比较大，并且不同区域的地类分布会有所不同，因此需要将城市划分为不同的区域，每个区域分别进行绿地的提取，最后再汇总计算出总的绿地面积。整个计算的过程如图1所示。
图1 计算过程
Fig.1 Calculation Process
3、过程及方法描述
3.1 数据准备
3.1.1 数据情况
本篇文章所处理的主要数据为高分辨率影像，同时还利用了矢量的GIS数据，具体如下：
广西南宁市QUICKBIRD影像，2002年10月份获取，真彩色产品，包括红、绿、兰三个波段，tiff格式，空间分辨率0.61米。
城市路网和水系的矢量文件，ArcInfo的shape格式文件（如图2）。
图2 矢量数据
Fig.2 Vector Data
本文需要计算图1中所示的外环公路内绿地覆盖率。
3.1.2 区域划分
城市区域的划分主要是根据路网、水系、地势等要素，在矢量地图上，通过手工来划分，实验区域的划分情况如图3，将外环公路内分为C1、C2、C3、C4、C5、C6、C7等7个区域。
图3 工作区域
Fig.3 Work Regions
3.1.3 影像配准及数据转换
由于混合了矢量数据和影像数据的处理，为正确和方便地使用这些数据，需要统一数据的地理坐标，为此，采取将影像数据配准到矢量数据的地理坐标下的作法，影像需要根据输入的控制点，进行移动、缩放、旋转等内容的变换，并且不要对影像进行重新的采样和保存。因为需要将整个范围划分为6个区域来处理，影像数据也相应地要分割为6个部分，但影像的分割，不需要用区域的边界来分割，只要用区域的最小外接矩形来分割就可以了，在分类的过程中，利用区域的专题信息，就可以避免数据处理过程中对影像重叠部分的重复计算。
Ecognition的专题图文件是由一个栅格数据文件和一个描述栅格属性的ASCⅡ文件来组成，描述文件的后缀一般为asc，也可以是txt后缀，下面是一个asc文件的样例。
表1 asc文件格式
Tab.1 asc File Format
ID列表示栅格文件中的灰度值，R、G、B表示该灰度值在ecognition软件中显示时所使用的RGB色彩的三个分量，Value、Field1都是扩展的属性字段，用来记录更多的特征。
矢量数据中，需要将划分的区域面以及道路和水系的面数据转换为ecognition软件的专题数据文件格式，这项工作，作者是通过编写专门的程序来实现（具体作法可参考矢量数据转换为栅格数据的相关资料和文献）。
3.2 绿地提取
绿地的提取，主要是在ecognition软件中来完成。
3.2.1 建立工程
首先，需要建立一个新的影像分类工程。一个工程包括需要处理的多个影像数据和专题数据，以及分类的描述信息。这项工作需要注意一点，ecognition软件主要是基于栅格数据的分析和处理，所有的影像文件和专题文件都应当具有相同的大小，这样才能够有效地共同完成分类的推理工作。
本文实验中的数据包括quickbird影像三个波段数据，分割区域、道路和水系专题图数据。
3.2.2 影像分割
这步工作，是根据影像的光谱和几何特征，将影像划分为不同的对象（imageobject），ecognition支持多尺度的分割，“粗”的尺度下，可以分割获得比较“大”的对象，“细”的尺度是在上一个“粗”尺度的基础上分割出的“小”对象，因此，在ecognition中，可以建立对象的层次关系，并且可以针对不同的层来进行分类。
实验中建立3个层次的分割面对象，如图。
图4 影像分割
Fig.4 Image Segmentation
最“粗”的是划分的工作区域范围（level3），然后是以道路和水系的范围做约束的分割面（level2），最后是根据光谱和专题图的“精细”分割（level1）。
3.2.3 分类体系的建立及特征分析
分类的目标是提取绿地，绿地的范围和信息主要是从level3上来获取，但是专题数据中包含的一些信息对绿地提取非常有用，比如，在level2中，已经明确为道路和水系的部分，就不需要进行分类的判别了，所有在level3上，先划分为：主干水体、道路、非水体和主干道路三种类别。在“非主要道路和水体”的类别当中再细分为房屋、树木、草地、阴影、街道等，如图。
图5 影像分类
Fig.5 Image Classes
“草地”在红色波段，灰度值主要集中在绿色波段。对于同物异谱的情况，可以通过增加更细致的`分类来处理，例如房屋类别可以用房屋1、房屋2等类别来替代，每个类别的光谱特性分别描述。实验中各种类别的光谱特征描述如表。
3.2.4 获取分类结果
Ecognition采用模糊分类的机制，通过对特征的描述，计算不同对象隶属各个分类的隶属度，最后完成分类的过程。实验的结果如图6所示（局部）。
图6 分类结果
Fig.6 Classification Result
其中绿地的面积包括“树木”和“绿地”这两种类别的面积。
3.3 成