第1个回答 2023-01-26
0 引言 植被对于我们来说扮演着重要的角色。它不仅影响地球的各种平衡，在生化循环中还有重要作用。因此。地球植被及其变化一直被各国科学家和政府所关注。[2] 城市植被是地球植被中的一部分，对于保护城市生态环境具有不可忽视的作用。另外，城市绿地是城市生态系统不可缺少的部分，是多种因素作用的结果，更是居民生活水平和城市环境的重要标志。因此开展城市植被生态研究具有重要现实的意义。
遥感主要是根据不同的物体会产生不同的电磁波的响应，从而识别地面上各类地物。具有视域范围广、图像清晰逼真、宏观性强、重复周期短、信息量多、资料收集方便的优点。[1]因此，卫星遥感是监测植被的有效手段。
本文主要针对城市植被信息的提取，从城市遥感的原理和数据源、城市植被信息的提取方法和遥感技术等几方面对基于遥感影像对城市植被信息提取的研究的进展进行论述，并讨论了这些研究的特点和各自存在的一些不足，以及发展的趋势。
1 城市植被及遥感影像光谱特征
1.1 城市植被
城市植被指的是城市里覆盖着的生活植物，即城市内一切自然正常生长以及人工种植的各类植物类型的总称。
1.2 植被遥感影像光谱特征
在蓝色和红色波段，能量很低；在绿色波段附近，会形成一个小的峰值。而在近红外波段，叶肉海绵组织结构有很大的反射表面。
2 城市植被信息提取数据源、遥感影像预处理
2.1 信息提取数据源及其选择
1）Landsat TM影像及ETM+遥感数据。空间分辨率不是很高。
2）MODIS数据，很高的信噪比。
3）美国商业遥感卫星Quick Bird影像，能较清晰的从遥感图像判读出城市绿地。[4]
4）IKONOS遥感数据，全色波段的分辨率为1m，多光谱数据分辨率为4m。[5]
5）此外，遥感数据还有很多类型，比如SPOT影像等。
2.2 卫星影像预处理
研究中遥感影像的预处理包括：几何校正、遥感影像图像增强、截取研究区域、相关性分析等一系列处理，在处理中需根据不同类型不同特点的遥感图像进行不同的预处理。
3 城市植被信息提取的方法
3.1 人机交互方式进行植被信息提取
3.1.1 基于波段的选择进行分类法提取
步骤：
1）实验波段的选择及彩色合成
结合波段的波谱物理特征优先选择几个波段，K-L变换后的第一、第二、第三主成分波段，NDVI植被指数段和K-L变换后的第一主分量加影像的三个波段进行波段间的相关性分析，对该3种波段数据进行假彩色合成，反复比较，选出植被景观目视效果最好的合成的图像。
2）遥感影像的分类及后处理
利用非监督确定图像的最佳类别数；进行监督分类；在计算机分类的基础上，通过目视解译对错分加以纠正；进行空间滤波，消除出现频数过少的像元图斑，得出解译精度。[3]
特点：在信息提取的时候不仅考虑了7个原始的波段数据，而且还包括各主分量、NDVI比值型指数在内的 “衍生”波段数据。也可以采用波段数据组合这样的方法，提高判读和分类的精度。
不足：同物异谱和异物同谱的现象导致了分类精度的下降，所以分类的时各种客观或者主观因素会影响到分类的精度。另外，植被信息的多少随着分类数目的多少而定，也会影响准确度。
3.1.2 高分辨率影像的城市植被提取
步骤：
1）NDVI提取。首先要设NDVI的阈值，大于此阈值为绿地。将提取出来的部分绿地同原图像进行一定的逻辑运算，从原始图像中剔除绿地像元。
2）基于地物光谱响应知识及ISODATA绿地提取
根据非植被的特征，将该类信息提取并剔除，将此时的图像作为新原始图像，通过灰度拉伸后，再进行分类提取。目视解译然后选择绿地样本点，利用非监督ISODATA聚类技术，最后一次提取出绿地信息。[6]
特点：混分现象少，信息提取的精确度高。该方法针对各类地物的特点分别进行处理，当提取出一层信息后，要把它剔除，从而避免对其它信息提取的影响。该方法比较方便，能够在不考虑其他已分出来地物的光谱特征的情况下分辨出具有细微光谱差异的地物。
不足：只对于高分辨率影像效果较好。
3.2 计算机自动提取方式
3.2.1 像元信息分解和神经网络分类相结合的分类模型进行信息提取
步骤：设计出像元信息分解和神经网络分类相结合的分类模型。该模型先考虑通过像元信息分解法（像元信息分解模型认为各种典型地物在空间上是可以重叠的）把绿地从遥感影像中分离出来，再作为分类掩膜，采用BP神经网络分类对其进行分类。此模型在进行初级分类时采用像元信息分解法，在只有少数几类地物分类，有效地排除和避免了提取绿地信息时其它多余信息的干扰和影响。[7]
特点：是一种新的基于像元信息分解和神经网络分类相结合的城市绿地遥感信息自动提取方法。可开展野外遥感调查以提高和验证分类精度。保证了分类时绿地的纯洁度，提高了分类的精度。
不足：NDVI、DEM数据的精确程度会影响信息提取的精度。在进行像元信息分解时，各种典型地物的反射率采用的是标准反射率，所以如果能够测出各典型地物的实际反射率，则分类精度会得到进一步的提高。
3.2.2 基于See5的遥感影像决策树分类
步骤：
1）选择训练和检验样区，并提取图像的植被指数。
2）应用ENVI软件的Decision Tree模块实现影像分类。
3）结果分析与精度检验。利用检验样本，对分类结果进行精度检验。[8]
特点：准确地区分了植被与非植被，提取各种植被类型的信息对于分类精度起决定性作用。采用信息增益率作为评价函数选择特征，可以在多特征空间中选择更有效的特征进行分类，较好地分析出研究区景观格局类型，提高了分类精度，缩减分类所需的时间。