CN115661634A - 城市生态网络空间要素精准识别方法 - Google Patents

Abstract

本发明涉及城市生态网络空间要素精准识别方法，包括：1、进行全色影像和多光谱影像采集；2、对多光谱影像进行预处理；3、将多光谱图像利用不同波段依次计算NDVI、NDWI及NDBI，对植被、水体和建筑物区域特征进行统计；4、运用支持向量机分类器，提取出植被区域和水体区域；5、以植被区域和水体区域作为生态空间，计算其占地面积；6、提取该生态空间的形状特征；7、将生态空间的占地面积和形状特征进行叠加，获得生态廊道及由廊道交织形成的生态网络；8、计算生态网络中的三维绿量和植被覆盖度，识别城市生态网络中的生境质量。本发明可以快速和精确的计测大面积范围城市内的城市绿地植被信息，更加快速、精确、全面，时效性较高且效果更为理想。

Description

城市生态网络空间要素精准识别方法

技术领域

本发明涉及生态环境监测领域，具体涉及城市生态网络空间要素精准识别方法。

背景技术

城市生态网络是城市生态系统的重要组成部分，城市生态网络中的植被是人类赖以生存的经济、美学、生态和文化资源，起到了保护物种多样性和避免生态系统失衡的作用。同样，城市生态网络中的水域是所有营养物质的介质，营养物质的循环和水循环不可分割地联系在一起；水对物质是很好的溶剂，在生态系统中起着能量传递和利用的作用；水是地质变化的动因之一，一个地方矿质元素的流失，而另一个地方矿质元素的沉积往往要通过水循环完成。

调查测定城市环境中的生态网络空间要素，对评估、管理和营造良好公园城市绿地环境，提升城市形象、促进城市发展、改善居民生活质量有重要的作用。城市网络中的植被的生产力及水域覆盖情况直接关系到动物迁徙和生物多样性，直接和间接的影响了人类的社会生活，开展城市生态网络资源调查和空间要素识别有着非常重要的社会意义。

目前针对城市生态网络的景观组成和特征识别手段还比较欠缺，很难快速有效对生态网络组成和情况做出科学的评估，导致城市绿地植被管理存在一定的难度。目前，城市生态网络资源调查的方法主要是：

(1)一种是利用卫星遥感影像或利用无人机航拍的方式对城市生态网络的构成要素和形态特征进行识别；

(2)一种是利用传统的调查方式，采用实地调研，并结合规划图的方式，先经过调研后，然后再通过内业制图对数据进行整理和计算而获得城市生态网络信息的分布数据。

现有技术如公开号为CN114580972A的发明专利公开了一种基于多元生态源地的生态廊道构建方法和装置，获取目标区域的多波段遥感数据、下垫面数据、降水数据、统计数据和夜间灯光指数进行指标计算，得到归一化植被指数、地形起伏度、目标水源涵养因子、固碳因子和释氧因子后进行生态源地识别，得到粮食供给源地、水源涵养源地、生境维持源地、固碳释氧源地和土壤保持源地，对其进行并集运算得到综合性生态源地分布区域为源演算生态阻力耗费成本值，基于最小耗费成本值为目标计算各源地间的生态廊道。但是这种办法仅利用了归一化植被指数，没联合归一化水体指数和归一化建筑指数，导致识别过程过于冗沉复杂，不精简；同时该方法仅仅识别了生态源地，没有识别生态廊道和生态网络。

发明内容

为了解决上述技术问题，本发明提供了一种城市生态网络空间要素精准识别方法，利用无人机摄取的高分辨率全色影像、多光谱影像和热红外影像，可以快速和精确的计测大面积范围内的城市绿地植被信息。

本发明的技术目的是通过以下技术方案实现的：

城市生态网络空间要素精准识别方法，该方法包括以下步骤：

步骤1、通过规划数据，获取生态网络轮廓边界；通过卫星或无人机对目标区域进行图像采集，图像采集包括全色影像采集和多光谱影像采集；

步骤2、对获取的多光谱影像进行预处理，包括对多光谱影像进行辐射标定、大气矫正、地形矫正、几何校正、镶嵌和拼接；

步骤3、将预处理后的多光谱图像利用不同波段依次计算归一化植被指数、归一化水体指数和归一化建筑指数，将多光谱图像数据中植被、水体和建筑物区域特征进行统计；

步骤4、将全色影像的纹理特征和多光谱图像不同波段数据进行合并，运用支持向量机分类器，将目标区域进行分类，提取出植被区域和水体区域；

步骤5、以提取的植被区域和水体区域作为生态空间，计算生态空间的占地面积；

步骤6、对生态空间进行提取，提取该生态空间的形状特征；

步骤7、将生态空间的占地面积和生态空间的形状特征进行叠加，获得生态廊道及由廊道交织形成的生态网络；

步骤8、计算生态网络中的三维绿量和植被覆盖度，识别城市生态网络中的生境质量。

进一步地，在步骤1之前，在地面设定标准参照物，记录参照物的经纬度坐标及相关信息，相关信息包括面积、三位绿量、植被覆盖度、树冠投影面积和树冠投影周长，用于多光谱影像预处理中的几何校正，从而获得影像每一处的经纬度信息。

进一步地，在步骤3中，利用归一化植被指数、归一化水体指数和归一化建筑指数将多光谱图像分割为植被区域和非植被区域，获目标区域植被影像数据。

进一步地，影像数据包括目标区域中所有乔木、灌木和草地，并使用多边形几何计算，计算树冠投影的面积和周长。

进一步地，在步骤6中，基于分水岭算法对生态空间进行边缘检测，识别出生态空间的轮廓。

进一步地，在步骤7中，生态空间的面积/生态空间的周长大于α时，α为常数且α≤0.5，则生态空间的形态为长条形，则该生态空间为廊道。

进一步地，归一化植被指数为NDVI，归一化水体指数为NDWI，归一化建筑指数NDBI，其中：

NDVI＝(ρ_NIR-ρ_RED)/(ρ_NIR+ρ_RED)，

式中，ρ_NIR为近红波段的反射率，ρ_RED为红波段的反射率；

NDWI＝(ρ₂-ρ₄)/(ρ₂+ρ₄)，

式中，ρ₂为第二波段的反射率，ρ₄为第四波段的反射率；

NDBI＝(ρ_MIR-ρ_NIR)/(ρ_MIR+ρ_NIR)，

式中，ρ_MIR为第中红外波段的反射率，ρ_NIR为近红外波段的反射率。

相比与现有技术，本发明的有益效果在于：

1、本发明的城市生态网络空间要素精准识别方法通过全色影像和多光谱影像，可以快速和精确的计测大面积范围城市内的城市绿地植被信息，包括植物轮廓和物种，计算结果相比现有的基于像素和波段的遥感分类解译相比，识别精度提升了10％以上，且识别的物种更为全面，运算速度更快，相比现有的方法更加快速、精确、全面，时效性较高且效果更为理想。

2、通过本发明的方法可以获取城市绿地植物的地理位置、面积、三位绿量、植被覆盖度，还可以获取乔木和灌木的树冠投影面积和树冠投影周长，对于城市绿地植被资源调查检测具有重要意义。

3、本发明增强了对地物类别信息探测能力，结合了多种指数辅助判别，能够探测到城市中具有生态功能的用地，包括植被覆区域和水体覆盖区域，并识别其面积和形态特征，进而获得生态廊道和生态网络。

附图说明

图1是本发明实施例中的研究区概括图。

图2是本发明实施例中的NDVI识别示意图。

图3是本发明实施例中的NDBI识别示意图。

图4是本发明实施例中的NDWI识别示意图。

图5是本发明实施例中城市三维绿量计算结果图。

图6是本发明实施例中城市生态廊道和城市生态网络的示意图。

具体实施方式

下面结合具体实施方式对本发明的技术方案进行进一步描述：

本实施例提供了一种城市生态网络空间要素精准识别方法，在地面设定标准参照物，记录参照物的经纬度坐标及相关信息，相关信息包括面积、三位绿量、植被覆盖度、树冠投影面积和树冠投影周长，用于多光谱影像预处理中的几何校正，从而获得影像每一处的经纬度信息，用于多光谱影像预处理中的几何校正，以及植被要素测定的精度评价(将测量的数据与遥感解译计算的结果对比，获得精度评价)，该方法包括以下步骤：

步骤1、通过规划数据，获取生态网络轮廓边界；通过卫星或无人机对目标区域进行图像采集，图像采集包括全色影像采集和多光谱影像采集。

步骤2、对获取的多光谱影像进行预处理，包括对多光谱影像进行辐射标定、大气矫正、地形矫正、几何校正、镶嵌和拼接。

步骤3、将预处理后的多光谱图像利用不同波段依次计算归一化植被指数NDVI、归一化水体指数NDWI和归一化建筑指数NDBI；将多光谱图像数据中植被、水体和建筑物区域特征进行统计，利用归一化植被指数、归一化水体指数和归一化建筑指数将多光谱图像分割为植被区域和非植被区域，获目标区域植被影像数据，影像数据包括目标区域中所有乔木、灌木和草地。

其中：

NDVI＝(ρ_NIR-ρ_RED)/(ρ_NIR+ρ_RED)，

式中，ρ_NIR为近红波段的反射率，ρ_RED为红波段的反射率；

NDWI＝(ρ₂-ρ₄)/(ρ₂+ρ₄)，

式中，ρ₂为第二波段的反射率，ρ₄为第四波段的反射率；

NDBI＝(ρ_MIR-ρ_NIR)/(ρ_MIR+ρ_NIR)，

式中，ρ_MIR为第中红外波段的反射率，ρ_NIR为近红外波段的反射率。

步骤4、将全色影像的纹理特征和多光谱图像不同波段数据进行合并，运用支持向量机分类器，将目标区域进行分类，提取出植被区域和水体区域；

支持向量机具体过程为：

支持向量机使用核函数将原始输入空间映射到高维空间，使得样本在高维空间中可分。常用的核函数有多项式核函数、高斯核函数、Sigmoid核函数，由于高斯核函数对数据没有先验知识的要求并且计算过程相对简单，本实施例采用高斯核函数，高斯核函数的公式如下：

其中，γ是高斯核函数的参数，若γ取值选择非常小，高斯核函数可以近似为线性核函数，其将样本投影到低维空间；若γ取值选择非常大，可以将所有的数据映射为线性可分，但更容易出现过拟合现象。一般γ取值为3，在使用过程中，可进行γ参数调优，多实验几组数据，在不出现数据过拟合的情况下，进行取值大一些。

步骤5、以提取的植被区域和水体区域作为生态空间，计算生态空间的占地面积。

步骤6、对生态空间进行提取，基于分水岭算法对生态空间进行边缘检测，识别出生态空间的轮廓，提取该生态空间的形状特征；分水岭变换得到的是输入图像的集水盆图像，集水盆之间的边界点即为分水岭。分水岭表示的是输入图像极大值点，因此为了得到图像的边缘信息，通常把梯度图像作为输入图像，即

g(x,y)＝grad(f(x,y))＝{[f(x,y)-f(x-1,y)]2[f(x,y)-f(x,y-1)]2}0.5式中，f(x,y)表示原始图像，grad()表示梯度运算。

步骤7、将生态空间的占地面积和生态空间的形状特征进行叠加，获得生态廊道及由廊道交织形成的生态网络；

具体地，生态空间的面积为A，生态空间的周长为D，周长D计算公式如下：

面积A的计算公式如下：

A＝n×j²；

当D/A＞α(α为常数，一般选取0.5或0.5以下的常数)时，生态空间形态判定为长条形，即为廊道，所有廊道交织形成的空间为生态网络。

步骤8、计算生态网络中的三维绿量和植被覆盖度，识别城市生态网络中的生境质量。

三维绿量计算的几何模型如下表所示(式中

为冠幅，d为冠高)：

植被覆盖率的计算过程为：

VC＝(NDVI-NDVI_soil)/(NDVI_veg-NDVI_soil)

式中：NDVI_soil为裸土或无植被覆盖区域的NDVI值，NDVI_veg代表完全被植被所覆盖的像元的NDVI值，即纯植被像元的NDVI值。在本实施例中取累积概率为5％的NDVI值代替NDVI_soil，95％的NDVI值代替NDVI_veg。

实施例1：

以上海市闵行区为例，上海市闵行区(北纬31°12′，东经121°38′)，总面积37256ha，辖9镇、3街道、303个居委会、164个村委会，东临徐汇区，南临奉贤区，西接松江区，北靠长宁区。闵行区属于亚热带季风气候，土壤类型为水稻土，植被类型区为北亚热带常绿和落叶阔叶林。据中国气象站1981年至2010年累年数据显示，闵行区年平均气温16.5℃，年平均晴天约137d，平均降水量1180.7mm，60％集中在5～9月的汛期，年平均相对湿度78％，无明显旱季，具有明显的季风特征，风向为东北，平均风速2.8m/s。据上海市闵行区人民政府统计，2018年闵行区森林覆盖率17.14％，新建绿地150ha，城市人均公园绿地面积为10.20m²/人。研究区内常见树种主要有香樟(Cinnamomumcamphora(L.)Presl)、水杉(Metasequoiaglyptostroboides Hu et W.C.Cheng)、雪松(Cedrusdeodara(Roxburgh)G.Don)、垂柳(Salix Babylonica)、银杏(Ginkgo biloba Linn.)、槐(Sophora japonicaLinn)、广玉兰(Magnolia grandiflora L)、泡桐(Paulowinia fortune(seem.)Hemsl.)、落羽杉(Taxodiumdistichum(Linn.)Rich.)、栾树(KoelreuteriapaniculataLaxm.)等。

借助卫星影像获取闵行区的全色影像和多光谱影像。

在研究区范围内设置若干个方形样地(10×10㎡)，样地中心点坐标使用GPS(Trimble GeoXH6000)测定，GPS通过接收广域差分信号定位，精度优于0.5m，并使用设备和仪器，在样地中记录地物特征。

如图1所示，对高分辨率全色影像和多光谱影像进行预处理：借助传感器辐射定标数据对原始多光谱影像数据进行辐射定标，并利用经验线型模型结合地面实测标靶光谱数据进行大气矫正；然后利用地面实测控制点，采用二次多项式模型对多光谱影像进行几何矫正，然后进行镶嵌和拼接。

如图2-图4所示，经过预处理的多光谱影像，进行NDVI、NDWI和NDBI的计算，得到NDVI分布图，利用分水岭分割法，进行分割。

利用支持向量分类器，对地物进行分类，得到分类结果，并对全色影像进行分水岭分割，识别地物轮廓，并对生态空间(植被区域和水体区域)进行提取，提取该空间的形状特性；统计出在生态空间中呈现长条形的生态廊道以及由这些廊道交织形成的生态网络，如图6所示。

通过实地调查的数据、普通遥感解译以及本发明的方法得到的数据相比对，具体精度如下表所示，可以清楚看到本发明的方法的识别精度相比与普通遥感解译的精度相比精度大幅度提升。

方法	实际调查结果	普通遥感解译	本发明的方法
				精度(％)	100％	68.56％	80.12％

通过三维绿量、植被覆盖度等表征植被生长状况质量的指数识别城市生态网络中生境质量状况，如图5所示，图5中柱状的高低代表生境质量的高低，柱状高度越高生境质量越好；反之，柱状的高度越低，则生境质量则越差。

本实施例只是对本发明的进一步解释，并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性的修改，但是只要在本发明的权利要求范围内都受到专利法的保护。

Claims (7)

1.城市生态网络空间要素精准识别方法，其特征在于，该方法包括以下步骤：

步骤1、通过规划数据，获取生态网络轮廓边界；通过卫星或无人机对目标区域进行图像采集，图像采集包括全色影像采集和多光谱影像采集；

步骤2、对获取的多光谱影像进行预处理，包括对多光谱影像进行辐射标定、大气矫正、地形矫正、几何校正、镶嵌和拼接；

步骤3、将预处理后的多光谱图像利用不同波段依次计算归一化植被指数、归一化水体指数和归一化建筑指数，将多光谱图像数据中植被、水体和建筑物区域特征进行统计；

步骤4、将全色影像的纹理特征和多光谱图像不同波段数据进行合并，运用支持向量机分类器，将目标区域进行分类，提取出植被区域和水体区域；

步骤5、以提取的植被区域和水体区域作为生态空间，计算生态空间的占地面积；

步骤6、对生态空间进行提取，提取该生态空间的形状特征；

步骤7、将生态空间的占地面积和生态空间的形状特征进行叠加，获得生态廊道及由廊道交织形成的生态网络；

步骤8、计算生态网络中的三维绿量和植被覆盖度，识别城市生态网络中的生境质量。

2.根据权利要求1所述的城市生态网络空间要素精准识别方法，其特征在于，在步骤1之前，在地面设定标准参照物，记录参照物的经纬度坐标及相关信息，相关信息包括面积、三位绿量、植被覆盖度、树冠投影面积和树冠投影周长，用于多光谱影像预处理中的几何校正，从而获得影像每一处的经纬度信息。

3.根据权利要求1所述的城市生态网络空间要素精准识别方法，其特征在于，在所述步骤3中，利用归一化植被指数、归一化水体指数和归一化建筑指数将多光谱图像分割为植被区域和非植被区域，获目标区域植被影像数据。

4.根据权利要求3所述的城市生态网络空间要素精准识别方法，其特征在于，所述影像数据包括目标区域中所有乔木、灌木和草地。

5.根据权利要求1所述的城市生态网络空间要素精准识别方法，其特征在于，在所述步骤6中，基于分水岭算法对生态空间进行边缘检测，识别出生态空间的轮廓。

6.根据权利要求1所述的城市生态网络空间要素精准识别方法，其特征在于，在所述步骤7中，生态空间的面积/生态空间的周长大于α时，α为常数且α≤0.5，则生态空间的形态为长条形，则该生态空间为廊道。

7.根据权利要求3所述的城市生态网络空间要素精准识别方法，其特征在于，归一化植被指数为NDVI，归一化水体指数为NDWI，归一化建筑指数NDBI，其中：

NDVI＝(ρ_NIR-ρ_RED)/(ρ_NIR+ρ_RED)，

式中，ρ_NIR为近红波段的反射率，ρ_RED为红波段的反射率；

NDWI＝(ρ₂-ρ₄)/(ρ₂+ρ₄)，

式中，ρ₂为第二波段的反射率，ρ₄为第四波段的反射率；

NDBI＝(ρ_MIR-ρ_NIR(/(ρ_MIR+ρ_NIR)，

式中，ρ_MIR为第中红外波段的反射率，ρ_NIR为近红外波段的反射率。

Images