CN104517024A - 一种基于建筑物尺度的城市绿度空间评价建模方法 - Google Patents

Abstract

本发明构建了一种基于建筑物尺度的城市绿度空间评价建模方法。步骤1)绘制被测城市的建筑物、绿地分布信息的基准图；步骤2)对所述基准图中的绿地、不同类型植被和建筑物平面图像区域分别进行提取，绘制绿地、不同类型植被、建筑物和高建筑物分布平面图；步骤3)基于高建筑物和建筑物分布平面图，以研究区每栋建筑物为中心在其周围划分缓冲区，绘制建筑物稀疏度分布图和高建筑物稀疏度分布图；步骤4)基于绿地、不同类型植被和建筑物分布平面图，以研究区每栋建筑物为中心在其周围划分缓冲区，绘制绿地指数分布图和绿地辐射受益度分布图；步骤5)对步骤3)、步骤4)中的共4个结果图赋权重叠加，得到建筑物邻域绿度指数作为评价指标。

Description

一种基于建筑物尺度的城市绿度空间评价建模方法

技术领域

本发明属于高分辨率卫星遥感建模领域，涉及一种基于建筑物尺度的城市绿度空间评价建模方法

背景技术

城市是人类活动最聚集、土地利用强度最高的地表区域。城市植被是城市生态系统中非常重要的组成部分，对于构建城市生态环境具有重要作用。城市绿度空间(Urban Green Space)是指城市范围内为植被覆盖且具备一定生态服务效益的区域，对城市环境有积极影响。城市植被覆盖主要包括城市森林、城市草地、街道行树、公园等。作为城市生态系统的核心组成部分，城市绿度空间对美化城市、改善城市生态自然环境功能等。许多研究表明，城市绿度空间有三大主要功能：一是城市植被是生态系统网络的一个重要要素，自然保护政策强调对建筑物密集城市的绿度空间的保护和不同区域绿度空间的互通性的提高。二是植被覆盖的城市绿度空间具有较优的空气质量。三是绿度空间方便居民的娱乐生活。在单体建筑物里的城市居民接触城市绿度空间的概率影响着城市居民生活的质量和安全感，接触的城市绿度空间越多越容易，那么居民的身心越健康，人们的沟通越加强。总体而言，城市绿度空间给城市居民的身心发展提供了良好环境。

目前，主要有两种方法评价和定量衡量城市居民享有城市绿度空间效益的大小。主观法主要是通过视觉感受和问卷调查的方式评价城市居民享有城市绿度空间的程度。然而，通过问卷调查等方式的主观法是比较耗时耗力的，而且得到的结果往往也比较主观，比如不同的人群对于公园的可达性的感受是不一样。遥感由于具有大面积的同步观测、时效性强等特点成为目前国内外研究和管理自然资源和土地利用覆盖的不可或缺的方式。客观地度量城市绿度空间一般是通过遥感的方式计算建筑物与绿地之间的距离或城市绿化覆盖率的方式实现。该方法虽然能够从宏观角度描述区域内的绿度空间的变化情况，但是并不能描述城市绿度空间的空间分布特征以及解答绿度空间是否均匀的分布在居民住宅区、居民住宅区对于城市绿度空间的需求大小等问题。因此，等将研究区域划分为相同大小的均匀网格，通过计算每个格网中的绿地面积等参量获得城市绿度空间分布图。Hofmann等使用格网法通过对格网中不同类型的植被赋以一定的权重系数并进行叠加，从而度量每个格网的绿量大小。Gupta等基于多源遥感数据对研究区进行土地利用分类及地物高度信息提取，然后利用格网法分别计算单个格网中建筑物密度、高建筑物密度和绿地的邻接程度等参量并赋权重系数，计算研究区的城市绿度空间指数。由于格网法是通过人为设定格网的大小计算格网中的绿量，格网的设定并没有实际具体意义，不能客观地指示城市居民接触绿度空间的大小。和Stefan Lang进一步改进了格网法，以研究区中每个建筑物的中心点为圆心，分别计算环绕其周围的两两之间间隔10米的所有圆环所覆盖的绿度大小，从而得到该单体建筑物的城市绿度空间大小。Ainura Nazarkulova首先基于高分辨率遥感影像获取不同土地利用类型的植被分布图，然后根据地理建模空间分析方法，分别利用格网法得到研究区城市绿度空间分布图和选取主要城市居民点进行缓冲区分析，得到特定点的城市绿度空间指数。李小江基于LiDAR数据和多光谱数据建立每个单体建筑物与其周围绿度空间的接触模型，在模型基础上，构建一系列城市绿度空间指数，用于城市绿度空间研究。格网法是通过人为设定格网的大小计算格网中的绿量，格网的设定并没有实际的具体意义。从城市居民点角度度量城市绿度空间能够避免格网法不能指示居民接触城市绿度空间概率这一缺点，更多地从居民和城市绿地之间的关系角度进行城市绿度空间度量。然而，建筑物和绿度之间的距离也会受到建筑物的高度、植被类型等因素的影响，以上方法构建的城市绿度空间指数模型往往仅考虑单体建筑物周围的绿地分布，而未对植被类型的生态效益和建筑物分布情况进行考虑。

鉴于此，本研究针对传统的城市绿度空间指数模型或基于格网法或仅考虑绿地分布单一问题，开展基于建筑物尺度综合考虑绿地指数、绿地辐射受益度、建筑物稀疏度和高建筑物稀疏度四个指标进行城市绿度空间指数模型构建研究，实现二维到三维的研究视角转换，用于评价居民接触城市绿度空间的程度。新构建的建筑物邻域绿度指数模型对于利用高分辨率遥感数据动态监测城市绿度空间分布具有重要借鉴作用。

发明内容

针对现有技术中存在的问题，本发明的目的在于提出一种全新的城市绿度空间评价方法，用于准确评价居民与城市绿度空间的接触程度。

为了实现上述目的，本发明构建了一种基于建筑物尺度的城市绿度空间遥感建模方法。该模型基于建筑物尺度综合考虑绿地指数、绿地辐射受益度、建筑物稀疏度和高建筑物稀疏度四个指标，拟突破格网法不能客观指示居民享受城市绿度空间效益的大小和就绿地而绿地研究的现状，实现城市绿度空间遥感模型构建的科学性，为今后的城市人居环境的宜居性与舒适度研究提供模型参数输入和参考依据。具体包括如下步骤：

步骤1)对被测城市的建筑物和绿地进行遥感影像分类，绘制包含建筑物分布信息和绿地分布信息的基准图；

步骤2)对被测城市的植被进行叶面积指数遥感反演，绘制不同类型植被的分布平面图；

步骤3)对所述基准图中的绿地平面图像区域进行提取，绘制绿地分布平面图；

步骤4)对所述基准图中的建筑物平面图像区域进行提取，绘制建筑物分布平面图和高建筑物分布平面图；

步骤5)基于所述建筑物分布平面图，以每栋建筑物为中心在其周围划分缓冲区，绘制建筑物稀疏度分布图；

步骤6)基于高建筑物分布平面图和建筑物分布平面图，以建筑物分布平面图中每栋建筑物为中心在其周围划分缓冲区，绘制高建筑物稀疏度分布图；

步骤7)基于绿地分布平面图和建筑物分布平面图，以建筑物分布平面图中每栋建筑物为中心在其周围划分缓冲区，绘制绿地指数分布图；

步骤8)基于不同类型植被的分布平面图和建筑物分布平面图，以建筑物分布平面图中每栋建筑物为中心在其周围划分缓冲区，绘制单体建筑物绿地辐射受益度分布图；

步骤9)对步骤5)中的建筑物稀疏度分布图、步骤6)中的高建筑物稀疏度分布图、步骤7)中的绿地指数分布图、步骤8)中的绿地辐射受益分布图赋权重叠加，得到建筑物邻域绿度指数分布图。

进一步，所述步骤5)具体方法为将单体建筑物缓冲区内建筑物的分布面积与该单体建筑物缓冲区的面积的比值定义为建筑物密度，其中，单体建筑物缓冲区的面积包括单体建筑物本身占地面积。将数值1与建筑物密度的差值定义为单体建筑物的建筑物稀疏度。

进一步，所述步骤6)具体方法为将单体建筑物缓冲区内高建筑物的分布面积与该单体建筑物缓冲区的面积的比值定义为高建筑物密度，其中，单体建筑物缓冲区的面积包括单体建筑物本身占地面积。将数值1与高建筑物密度的差值定义为单体建筑物的高建筑物稀疏度。

进一步，所述步骤7)具体方法将单体建筑物缓冲区内植被分布面积与单体建筑物缓冲区面积比值定义为绿地指数。其中，单体建筑物缓冲区的面积包括单体建筑物本身占地面积。

进一步，所述步骤8)具体方法为：

步骤a)计算研究区内的植被叶面积指数，将植被分为三个类别：类别1叶面积指数小于等于1、类别2叶面积指数大于1且小于3和类别3叶面积指数大于等于3；步骤b)对不同类型植被建立同等半径缓冲区，根据植被类型对缓冲区赋予不同权重加权作为总植被生态效益辐射区域面积；在单体建筑物缓冲区中，将不同类型植被的生态效益辐射区域面积总和与单体建筑物缓冲区的面积比值定义为单体建筑物的绿地辐射受益度。其中，单体建筑物缓冲区的面积包括单体建筑物本身占地面积。

以下结合附图与实施例对本发明作进一步的说明。

附图说明

图1研究区NDVI图像。

图2研究区植被分布图。

图3研究区建筑物分布图。

图4研究区建筑物高度图。

图5研究区建筑物稀疏度分布图。

图6研究区高建筑物分布图。

图7研究区高建筑物稀疏度分布图。

图8研究区绿地指数分布图。

图9城市植被LAI反演结果图。

图10研究区绿地辐射受益度分布图。

图11研究区建筑物邻域绿度指数分布图。

具体实施方式

下面结合附图对本发明基于建筑物尺度的城市绿度空间评价模型构建作进一步说明。

本发明使用遥感影像分类算法来进行城市建筑物和城市绿地制图。植被在近红外波段表现为强反射，而在红色波段表现强吸收，基于这一特性，一系列的植被指数被提出。其中最为著名的为归一化植被指数(NDVI)，NDVI的取值范围为-1～1，在植被区域表现为正值，且随着植被覆盖度的增加，NDVI值增大。计算公式如下：

NDVI＝(ρ_nir-ρ_red)/(ρ_nir+ρ_red)    (1)

公式中的ρ_red表示为红波段的反射率，ρ_nir表示为近红外波段的反射率。根据以上公式计算归一化植被指数得到研究NDVI图像，结果见图1。

在NDVI图像上，植被区域NDVI值较大，而非植被区域NDVI则明显较小，由于这种地物和非地物的双峰分布，使得基于NDVI图像使用阈值法来进行植被提取变得简单有效。我们使用OTSU(最大类间方差法)自动阈值算法来确定最佳阈值并进行植被的提取，图2显示研究区植被分布图。

OTSU算法又称“最大类间方差法”，是由日本学者大津提出的一种自适应的阈值确定方法，即大津算法。它是一种基于阈值的、自动的、无监督的图像分割方法。该算法原理简单且物理意义明确，被认为是图像分割中选取阈值的最佳算法，因此在数字图像处理方面得到广泛应用。

设一幅图像的灰度级为L(G＝1，2，……，L)，处在灰度级i的像素个数用n_i表示，图像总的像素个数则为：

$N=n_1+n_2+......+n_L=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{n}_i---\left(2.1\right)$

式中，p(i)表示图像中灰度级为i的像素出现的概率。将直方图归一化则有：

$p\left(i\right)=\frac{n_i}{N}---\left(2.2\right)$

显然，

$\underset{i=1}{\overset{L}{\mathrm{\Σ}}}p\left(i\right)=1---\left(2.3\right)$

用灰度级T做阈值，将图像中的像素按灰度级T划分为两类：C₁＝{1-T}和C₂＝{T+1-L}，则两类出现的概率分别为：

$w_1=P_r\left(C_1\right)=\underset{i=1}{\overset{T}{\mathrm{\Σ}}}p\left(i\right)---\left(2.4\right)$

显然，

$w_2=P_r\left(C_2\right)=\underset{i=T+1}{\overset{L}{\mathrm{\Σ}}}p\left(i\right)---\left(2.5\right)$

w₁+W₂＝1    (2.6)

两类的灰度均值分别为：

$u_1=\frac{\underset{i=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{in}}_i}{\underset{i=1}{\overset{T}{\mathrm{\Σ}}}{n}_i}=\frac{\underset{i=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{in}}_i}{\underset{i=1}{\overset{T}{\mathrm{\Σ}}}\mathrm{Np}\left(i\right)}=\frac{\underset{i=1}{\overset{T}{\mathrm{\Σ}}}\mathrm{ip}\left(i\right)}{\underset{i=1}{\overset{T}{\mathrm{\Σ}}}p\left(i\right)}=\frac{\underset{i=1}{\overset{T}{\mathrm{\Σ}}}\mathrm{ip}\left(i\right)}{w_1}---\left(2.7\right)$

$u_2=\frac{\underset{i=T+1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{in}}_i}{\underset{i=T+1}{\overset{L}{\mathrm{\Σ}}}{n}_i}=\frac{\underset{i=T+1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{in}}_i}{\underset{i=T+1}{\overset{L}{\mathrm{\Σ}}}\mathrm{Np}\left(i\right)}=\frac{\underset{i=T+1}{\overset{L}{\mathrm{\Σ}}}\mathrm{ip}\left(i\right)}{\underset{i=T+1}{\overset{L}{\mathrm{\Σ}}}p\left(i\right)}=\frac{\underset{i=T+1}{\overset{L}{\mathrm{\Σ}}}\mathrm{ip}\left(i\right)}{w_2}---\left(2.8\right)$

整幅图像的灰度均值为：

$u=\frac{\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{in}}_i}{N}=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\mathrm{ip}\left(i\right)---\left(2.9\right)$

整幅图像的灰度均方差表示为：

${\mathrm{\σ}}^2=\frac{\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{(i-u)}^2{n}_i}{N}=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{(i-u)}^{2}p\left(i\right)---\left(2.10\right)$

对于一幅影像来说，u和σ²为常量，与阈值T无关。

定义类和类的类间方差为：

σ＝w₁(u₁-u)²+w₂(u₂-u)²    (2.11)

OTSU算法的基本思想是利用图像的灰度直方图，以目标与背景的类间方差最大来动态地确定图像的最佳分割阈值，也就是类间方差取最大值时，对应的灰度值就是所要选的阈值。目标和背景之间的类间方差越大，说明两者之间的差别越大，当部分目标被错分为背景或部分背景错分为目标都会导致这两部分差别变小，因此使用类间方差最大的分割意味着错分概率越小。

城市中建筑物屋顶、道路和广场等其他地物具有相似的光谱特征，如果仅仅借助多光谱遥感影像的光谱特征很难进行建筑物信息的提取。城市建筑物具有一定的高程，因此，融合LiDAR数据能够有效提高建筑物与其它人工地物的区分能力，实现研究区建筑物信息的精确提取。本文借助多光谱数据和LiDAR数据分别获得研究区分割图像和粗建筑物分布图，利用投票法则进行建筑物信息的精确提取。研究区建筑物提取流程如下：

传统的分水岭算法对噪声敏感，而且往往会造成过度分割的现象，本文采用一种基于sobel算子的改进型分水岭算法来进行边缘特征的提取，改进型算法的主要思想是通过使用标记图像来控制过分割现象。具体步骤是，首先使用sobel算子进行影像边缘特征的提取。然后根据移动阈值的方法对边缘特征进行分割得到标记图像，算法1为标记图像的计算过程。最后再根据标记图像对sobel算子得到的边缘图像进行重建，进而在此基础上使用分水岭分割方法得到最终的分割图像。分割算法中只有一个用于控制最小分割单元大小的参数，这个参数对于大多数应用来说是固定值，在实验中通过人工反复测试来选取最优的参数。

算法1：MaxNumberRegions(minsz，G)

运用高程阈值从经过植被掩膜后的图像提取建筑物，高度阈值设置为3m，高程高于3m的像元为建筑物，最终得到粗略的建筑物提取结果。粗略提取的建筑物信息中存在大量的斑点(这些斑点显然不是建筑物)，建筑物的轮廓不清。图像分割算法很好地刻画出了城市中不同的地物类型的轮廓，并且由于多光谱影像分辨率较高，分割结果所得到的建筑物轮廓更为清晰。对图像分割结果的每个对象进行遍历，统计每个对象中建筑物像元个数占整个对象像元总个数的百分比，如果建筑物像元所占的百分比超过50％，则将该个对象划归为建筑物。这样得到的建筑物信息中建筑物的轮廓被清晰的描绘出来，而且不存在斑点噪声。将该方法应用于整个区域，得出的建筑物提取结果如图3所示。

在已提取的建筑物和DSM建立的基础上，建筑物高度模型可以直接将建筑物分布图和对应的DSM进行相乘获得。考虑到对于每个单体建筑物的不同部位其高度不同，本次实例进行简化处理，将每个单体建筑物的平均高度设置为该单体建筑物的高度，图4显示了得到的单体建筑物的高度信息。

对每个单体建筑物构建缓冲区，本次实例设定20m为缓冲距离。将单体建筑物缓冲区内建筑物的分布面积与该单体建筑物缓冲区的面积的比值定义为单体建筑物邻域绿度指数的影响因子之一即建筑物密度。其中，单体建筑物缓冲区的面积包括单体建筑物本身占地面积。由于该影响因子为负影响因子，即建筑物密度越高，则其对建筑物邻域绿度指数的贡献越消极，为此，将数值1与建筑物密度的差值定义为建筑物稀疏度，如此，建筑物密度越低，则建筑物稀疏度越高，则建筑物稀疏度对建筑物邻域绿度指数的贡献越大。建筑物稀疏度的定义如下：

建筑物稀疏度＝1.0-A_build/A_buffer

式中，A_build代表单体建筑物缓冲区内建筑物分布面积，A_buffer代表单体建筑物缓冲区面积，其中，单体建筑物缓冲区的面积包括单体建筑物本身占地面积。建筑物稀疏度分布图如图5所示。

考虑到每个单体建筑物的不同部位其高度不同，首先，根据建筑物高度图像计算研究区的单体建筑物平均高度。将建筑物高度大于平均值的建筑定义为高建筑物，将建筑物高度低于平均值的建筑定义为低矮建筑物。在单体建筑物缓冲区中，将高建筑物的分布面积与该单体建筑物缓冲区的面积的比值定义为建筑物邻域绿度指数的一个影响因子即高建筑物密度。由于该影响因子为负影响因子，即高建筑物密度越高，则其对建筑物邻域绿度指数的贡献越消极，为此将数值1与高建筑物密度的差值定义为单体建筑物的高建筑物稀疏度，如此，高建筑物密度越低，则高建筑物稀疏度越高，则高建筑物稀疏度对建筑物邻域绿度指数的贡献越大。

高建筑物稀疏度＝1.0-A_H-build/A_buffer

式中，A_H-build代表单体建筑物缓冲区内高建筑物分布面积，A_buffer代表单体建筑物缓冲区面积，其中，单体建筑物缓冲区的面积包括单体建筑物本身占地面积。图6显示了研究区高建筑物分布图，图7显示了研究区高建筑物稀疏度分布图。

绿地指数是指计算单体建筑物缓冲区内植被像元所占的比例。本次实例将二值图像即经阈值处理后的NDVI图像用于绿地指数计算。具体计算公式如下：

绿地指数＝A_green/A_buffer

式中，A_green代表单体建筑物缓冲区内植被分布面积，A_buffer代表单体建筑物缓冲区面积，其中，单体建筑物缓冲区的面积包括单体建筑物本身占地面积。。图8显示了研究区绿地指数分布图。

计算研究区内的植被叶面积指数，将植被分为三个类别：类别1叶面积指数小于等于1、类别2叶面积指数大于1且小于3、类别3叶面积指数大于等于3(图9所示)。将划分得到的不同类型植被的邻近区域定义为该植被的生态效益辐射区域，这个植被效益辐射依据不同的植被类型其产生的效益有差别。植被的辐射区域是指建立该类型植被的缓冲区，本次实例缓冲区距离设为20m。在单体建筑物缓冲区中，将不同类型植被的生态效益辐射区域面积总和与单体建筑物缓冲区的面积比值定义为单体建筑物的绿地辐射受益度。其中，类别1的植被效益辐射区域面积比例占0.1，类别2的植被效益辐射区域面积比例占0.3，类别3的植被效益辐射区域面积比例占0.6。单体建筑物的绿地辐射受益度可以定义为：

其中，P_j(j＝1，2，3)表示单体建筑物缓冲区内，不同类型植被的生态效益辐射区域面积与单体建筑物缓冲区的比值，W_j是指P_j的权重。图10显示了研究区单体建筑物绿地辐射受益度分布图。

分别给绿地指数、绿地接近程度、建筑物稀疏度和高建筑物稀疏度四个影响因子赋权重0.27，0.25，0.18和0.30。这样计算出来的建筑物邻域绿度指数的数值范围在0-1范围内(图11所示)。

$\mathrm{BNGI}=\underset{j=1\mathrm{to}4}{\overset{i=1\mathrm{ton}}{\mathrm{\Σ}}}{W}_j{\×P}_{\mathrm{ij}}$

式中，P_ij表示单体建筑物缓冲区内绿地指数、绿地接近程度、高建筑物稀疏度和建筑物稀疏度四个指标的数值，W_j是指四个影响因子P_ij的权重，分别对应0.27，0.25，0.18和0.30。j表示四个影响因子，i表示单体建筑物。

以上所述为本发明的较佳实施例而已，本发明不应该局限于该实例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改，都落入本发明保护的范围。

Claims (5)

1.一种基于建筑物尺度的城市绿度空间评价建模方法，该建模方法包括如下步骤：

步骤1)对被测城市的建筑物和绿地进行遥感影像分类，绘制包含建筑物分布信息和绿地分布信息的基准图；

步骤2)对被测城市的植被进行叶面积指数遥感反演，绘制不同类型植被的分布平面图；

步骤3)对所述基准图中的绿地平面图像区域进行提取，绘制绿地分布平面图；

步骤4)对所述基准图中的建筑物平面图像区域进行提取，绘制建筑物分布平面图和高建筑物分布平面图；

步骤5)基于所述建筑物分布平面图，以每栋建筑物为中心在其周围划分缓冲区，绘制建筑物稀疏度分布图；

步骤6)基于高建筑物分布平面图和建筑物分布平面图，以建筑物分布平面图中每栋建筑物为中心在其周围划分缓冲区，绘制高建筑物稀疏度分布图；

步骤7)基于绿地分布平面图和建筑物分布平面图，以建筑物分布平面图中每栋建筑物为中心在其周围划分缓冲区，绘制绿地指数分布图；

步骤8)基于不同类型植被的分布平面图和建筑物分布平面图，以建筑物分布平面图中每栋建筑物为中心在其周围划分缓冲区，绘制绿地辐射受益度分布图；

步骤9)对步骤5)中的建筑物稀疏度分布图、步骤6)中的高建筑物稀疏度分布图、步骤7)中的绿地指数分布图、步骤8)中的绿地辐射受益度分布图赋权重叠加，得到建筑物邻域绿度指数分布图。

2.如权利要求1所述的评价建模方法，其特征在于，所述步骤5)将单体建筑物缓冲区内建筑物的分布面积与该单体建筑物缓冲区的面积的比值定义为建筑物密度，其中，单体建筑物缓冲区的面积包括单体建筑物本身占地面积。将数值1与建筑物密度的差值定义为单体建筑物的建筑物稀疏度。

3.如权利要求1所述的评价建模方法，其特征在于，所述步骤6)将单体建筑物缓冲区内高建筑物的分布面积与该单体建筑物缓冲区的面积的比值定义为高建筑物密度，其中，单体建筑物缓冲区的面积包括单体建筑物本身占地面积。将数值1与高建筑物密度的差值定义为单体建筑物的高建筑物稀疏度。

4.如权利要求1所述的评价建模方法，其特征在于，所述步骤7)单体建筑物缓冲区内植被分布面积与单体建筑物缓冲区面积比值定义为绿地指数。其中，单体建筑物缓冲区的面积包括单体建筑物本身占地面积。

5.如权利要求1所述的评价建模方法，其特征在于，所述步骤8)具体方法为：步骤a)计算研究区内的植被叶面积指数，将植被分为三个类别：类别1叶面积指数小于等于1、类别2叶面积指数大于1且小于3和类别3叶面积指数大于等于3；步骤b)对不同类型植被建立同等半径缓冲区，根据植被类型对缓冲区赋予不同权重加权作为总植被生态效益辐射区域面积；在单体建筑物缓冲区中，将不同类型植被的生态效益辐射区域面积总和与单体建筑物缓冲区的面积比值定义为单体建筑物的绿地辐射受益度。其中，单体建筑物缓冲区的面积包括单体建筑物本身占地面积。