篇一：遥感提取微绿地研究
浅析遥感图像地物信息提取
摘
要:自从遥感技术发明和应用于信息获取以来,人类对外部世界的认知就发生了根本的变化,人们获取信息的深度和广度得到前所未有的提高。同时,航空遥感影像处理技术作为遥感技术的重要应用方向,也得到了迅速发展。但是,面对海量遥感数据,如何自动识别和提取影像中的地物信息也成为图像处理、模式识别的难点。本文根据目前地物提取的发展方向,在道路房屋提取和阴影检测方面进行了探讨与分析。
关键词:遥感图像
道路提取
房屋提取
阴影检测
遥感即遥远感知,也就是说,不与目标接触,凭借目标发来的某些信息如电磁波(可见光、红外、微波等)感知和识别目标。但是,面对复杂的目标特征和环境背景信息,实时的目标判断和识别——遥感技术的终极目标,在短期内难以实现。因此,通过成像技术,然后进行事后遥感图像处理成为地物识别和提取的主要手段,并在军事国防、城市规划、环境监测、地理信息更新和农业调查等方面得到广泛应用。但是,由于遥感影像中地物信息的复杂性,实现对地物信息的自动判断和提取并不简单,一直是遥感图像处理、模式识别、计算机视觉等众多领域的热点和难点问题。从实际应用角度来说,实现影像中目标的自动识别能够满足数据获取与自动更新的需要,为众多领域的广泛应用打下了坚实基础;从理论研究角度出发,由于遥感影像中目标的高度多样性、复杂性以及遥感图像的判读是信息从少到多的映射,要建立成功的图像理解系统仍然相当困难。面对海量遥感数据,如何自动识别和提取影像中的地物信息也成为图像处理、模式识别、人工智能和机器视觉等领域面对的问题和难点。
近二十年来,人们不断探索更加自动化和智能化的航空遥感影像解读方法。在多光谱遥感影像中,人们关注和采用更加有效的特征提取和分类方法获取地物类别信息。因为不同地物比如水系、绿地、人工地物等有不同的光谱反射特性,基于特征的方法在一定程度上更有效。全色遥感图像则更加强调以模型来提取人工地物,比如先验知识、几何约束、人工地物的拓扑关系等被广泛用于道路和建筑物的提取。
随着计算机和信息科学的迅速发展,摄影测量与遥感数据的计算机处理更趋向自动化和智能化。航空影像的解释、分类、自动或半自动处理,并将其应用于各种空间信息系统的必要性也越来越突出。人工地物作为航空遥感影像中的重要目标,主要包括道路、建筑物、人工绿地、桥梁等,是构造城市空间信息系统的关键,也是遥感图像自动提取和识别过程中的面临的技术难题。到目前为止,虽然对地物信息的提取己经有很多研究,并取得了较大的进展,但其离自动化仍有相当差距,仍然满足不了人们的广泛需求。因此,在广泛的需求带动下,遥感图像处理技术,特别是目标的自动提取和识别是非常有意义的。
1遥感图像地物提取的发展阶段
遥感信息的提取先后经历人工目视提取、半自动化和完全自动化提取阶段。传统的遥感信息判别和提取是采用人工目视方法,为了准确理解图像信息,工作和科技人员需要深刻了解遥感图像成像原理的专业知识。遥感图像半自动化提取则是通过一定的人为干预实现地物信息的自动提取,其发展在很大程度上是计算机技术和图像处理技术发展的结果。遥感图像自动化提取是基于遥感图像本身提供的信息和特征,采用计算机和信息科学等相关技术对地物进行自动化的识别和提取。
1.1遥感影像目视判读
目视判读是利用图像的影像特征和空间特征,与多种非遥感信息资料相组合,运用生物地学相关规律,进行由此及彼、由表及里、去伪存真的综合分析和逻辑推理的思维过程。由于目视判读能综合利用地物的色调或色彩、形状、大小、阴影、纹理、图案、位置和布局等影像特征知识,以及有关地物的专家知识,并结合其它非遥感数据资料进行综合分析和逻辑推理,从而能达到较高的专题信息提取的精度,尤其是在提取具有较强纹理结构特征的地物时更是如此,与非遥感的传统方法相比,具有明显的优势。考虑到遥感图像的复杂性,目视判读不是遥感应用的初级阶段,或者是可有可无的,相反,它是遥感应用中无可替代的组成部分,它将与地学分析方法长期共存、相辅相成。然而,目视判读工作存在着一定的局限性,主要包括以下几方面:(1)要求判读者有一定的灵性和经验及各种丰富的背景知识;(2)工作效率较低;(3)主观因素作用大,容易产生误判;(4)不能完全实现定量描述,与数字时代定量化、模型化、系统化的现实情况很难适应。
1.2遥感信息的半自动提取
随着遥感手段不断地更新,遥感数据大量增加,这对遥感信息的处理和解释提出了挑战,如何更充分地利用这些数据是我们急需解决的问题。因此,计算机图像分析处理已成为一个十分活跃和富有发展前景的领域。在完全智能解译无法在短期内实现的情况下,许多学者提出采用人机交互式的解译方法来提高解译效率和解译精度。同时人工智能、图像理解、模式识别、人工神经网络、模糊集理论、生理和心理认知理论等相关理论和技术的发展进一步减少了人为参与,使遥感信息的提取更自动化、更准确。
在建筑物提取上,一般处理流程和方法主要有边缘驱动型和区域驱动型。当前图像信息提取主要依靠图像的影像特征,比如灰度、几何特征、纹理和光谱等来提取感兴趣的地物。半自动道路特征提取即利用人机交互的形式进行特征提取和识别,然后再由计算机进行处理识别,同时适当进行人机交互。相对于目视判读,半自动提取效率得到了很大提高。
1.3遥感图像人工地物自动提取
人工地物自动提取主要依赖计算机和信息科学等相关技术对地物信息自动识别和提取。全自动化地物提取作为人们追求的终极目标,一直是许多学者追求的方向。尽管当前的一些图像理解系统在自动地物提取上取得了一定成果,并产
生了一定的经济效益,但由于遥感图像的复杂性,离自动化提取仍然有相当的距离。遥感图像处理虽然有其特殊性,我们可以看到所有的遥感图像处理技术无非是运用当前的图像处理理论和技术,或者运用相关的计算机技术等来解决其具体问题。归根到底,遥感信息提取自动化的提高仍然归结于计算机视觉、人工智能和模式识别等技术的改进和提高。
2道路的提取综述
在遥感影像中,道路作为最重要的地物信息之一,有其独特之处。比如平坦,宽度一致和角度变化平滑等。另外道路的表现形式在很大程度上依赖于影像分辨率。高分辨率下,道路体现的是面结构,有两条平行边;而在低分辨率下则表现为线状结构。很多道路的提取也是基于如下的假定:
(1)道路是网状结构;
(2)道路灰度比较一致;
(3)道路和其他上下文之间有明显的拓扑关系,如房屋等;
(4)道路的角度变化平缓;
采用影像多尺度信息提取道路得到广泛应用。在高分辨率下,道路体现为宽度一致、灰度一致和边界平行的带状区域。因此许多学者采用块状结构来表示道路,并最终连接成道路网。在低分辨率下,主要基于边缘检测和连接的方法提取道路网;还有道路几何特征(道路宽度、角度等)和上下文信息也被用于道路的提取。C.Heipke,C.Steger,和R.Multhammer提出了一种基于多分辨率的自动道路提取方法。低分辨率下,建立基于强度的道路模型,并组合局部和全局域值提取道路;高分辨率下则假定道路有2条平行边,有同强度和同质纹理特性。在此基础上,S.Hinz等学者提出了分三阶段城市和郊区道路提取方法。先利用多尺度与上下文关系提取大部分的路网,再利用道路模型与全局分组来进行进一步提取,最后进一步完善路网和剔除错误部分。
3建筑物提取综述
一般房屋有明显的房屋特征,比如屋顶呈面状且灰度一致,有明显的边缘线,角点垂直,阴影和房屋的投影关系,多视角建模等。因此,建筑物的提取主要基于边缘检测、几何结构、角点特征、上下文关系和阴影等手段来获取。当前主要的两种手段:基于模型的方法和基于房屋特征的方法。由于建筑材料和其反射特性,建筑物和其他地物在颜色空间有不同的特征,因此一些学者采用基于特征的提取方法。另一方面,一些学者为建筑物建模,提供房屋模型和遥感影像的拟合来检测房屋。
一些学者提出的建筑物提取方法是把图像分成高分辨率和低分辨率的处理部分。低分辨率处理包括图像分割和后处理:首先,RGB空间被转化为HIS,并且强
度分量作为图像分割的输入参数,通过区域增长算法来获得分割后的图像。后处理主要是分割区域里的空洞处理和合并过分分割的区域。高分辨率处理主要包括特征提取和最后分割:首先,通过区域颜色进行预先提取来减少可能备选建筑物的个数。在特征提取阶段,则对每个假设的房屋,都要提取光照,几何和结构特征。最后,通过特征向量和上下文关系来分类确定假设是否为建筑物。另外,该方法也结合边缘和阴影信息来检测房屋。
最近,K.Karantzalos和N.Paragios提出了基于水平集模型的房屋提取方法。该方法在水平集能量函数中引入了房屋形状信息,并通过多个房屋形状的竞争来准确提取房屋信息。同时,平移、旋转和缩放矩阵的引入使该模型有很强的自适应能力。活动轮廓模型一方面结合了低级视觉信息(梯度、强度、纹理等信息),另一方面引入了人工先验知识,即高级视觉,因此在遥感地物信息提取和识别上更加准确,但是该模型只能识别预先设定的房屋形状。
4阴影检测综述
阴影检测一直是图像识别和计算机视觉的热门话题。一方面,阴影会影响边缘检测、目标识别和匹配的成功率。另一方面,阴影则提供了物体相关的重要信息,比如形状、大小、高度信息、表面结构特征等。因此研究阴影检测有重要的实际应用价值。阴影分两种类型:自阴影和投射阴影。当前的检测方法则分为基于模型的方法和基于特征的方法。国内外很多学者在这方面也做了很多工作。
J.MScanlan提出了基于均值图像的阴影检测方法。C.Jiang等人提出了投射阴影和自阴影的检测方法,该方法分为低级、中级和高级处理过程,并通过自适应域值来检测阴影区域。Horprasert等在RGB颜色空间,利用归一化的亮度变化和色度偏移来识别阴影。SalvadorE.等人提出了基于不变颜色模型的阴影检测方法。其检测过程分为2个层次。首先检测可能的阴影区域,其次则使用不变颜色特征来判别投射阴影和自阴影。Finlayson等人提出了一种光照不变性的阴影检测算法,该方法对于固定场景的序列图像阴影的检测效果很好。
5总结
地物在遥感图像上形成各种信息是一个复杂的过程,这个复杂过程是由人类生活的真实地表空间的复杂性、千变万化性和成像过程的复杂性共同决定的。遥感成像过程是信息从多到少的映射,是个确定过程,是把一个千变万化、形形色色的地球表面高度概括、总结、选择、压缩的过程。而通过遥感影像理解地物信息是成像逆过程,因此可以想象通过遥感图像识别地物是如何复杂。
在地物识别和提取上,人们更关心自己感兴趣的信息,比如道路、房屋等。对于道路而言,各种材质和等级道路的并存、阴影的遮挡等因素,使得很难用统一的道路模型来表示。对于房屋而言,房屋几何结构的复杂性、材质的不一致和遮挡等因素对自动房屋提取非常不利。道路的识别当前仍依靠基于边缘检测的方法来提取,由于道路等级,宽度和质地的不同,迫使道路检测出来的线不连续、不完整,相对于房屋来说道路的自动识别更加困难。完全全自动地提取道路是不太现实的,
必须结合人工引导将人类的模式认知能力与计算机的快速精确计算能力结合起来,即所谓的道路半自动提取。
完全自动化提取和识别地物一直是人们追求的目标。但是,当前的科学与学术水平离自动化提取地物仍有相当的距离。可以断言,居民地和道路的自动提取在当前和今后一段时期内仍然是遥感图像自动提取的难点。同时,更多先验知识的获取及更好的图像认知方法将是遥感图像自动提取的发展方向。
参考文献:
1.冯德俊,基于遥感的土地利用变化监测及其信息自动提取,20042.刘龙飞,陈云浩,李京,遥感影像纹理分析方法综述与展望,遥感技术与应用,20033.赵建华,杨树锋,陈汉林,基于分形纹理的遥感图像岩性识别方法,遥感信息,2004
篇二：遥感提取微绿地研究
黑龙江xx学院本科毕业设计（论文）
城市园林绿地信息提取研究
摘
要
目前，随着科学技术不断的发展，高分辨率影像成为研究的主流影像，遥感技术也在社会各层面的研究领域得到广泛的应用。近几年中，城市遥感，作为一种全新的技术手段被提出，尤其是在城市规划中发挥其重要作用。实时、正确、高质量的对城市园林绿地内容进行动态监测，是城市化拓展进程中所要面临的问题之一。高分辨率影像的发展使得基于像素级分类的方法的准确度达不到满意的效果。为此面向对象分类方法技术的提出，使得影像对象成为最小分类单元，同时结合光谱、纹理、形状等特性对信息进行提取，一定是的程度上，大大提高了高分影像分类提取研究中的准确度与效率。
本文以eCognition软件为处理平台，以哈尔滨城区部分影像为例，采用高分一号影像数据为数据源，应用面向对象多尺度分割分类技术，对城市园林草地信息展开提取工作，并结合已有成果对信息提取开始精度分析与评定。
关键词：面向对象；多尺度分割；高分辨率；eCognition；园林绿地；信息提取
I
黑龙江xx学院本科毕业设计（论文）
II
黑龙江xx学院本科毕业设计（论文）
ABSTRACT
Atpresent,withthedevelopmentofscienceandtechnologyconstantly,highresolutionimageshasbecomethemainstreamintheresearch,remotesensingtechnologyineveryaspectofthefieldalsohasbeenwidelyused.Remotesensingisputforwardthatremotesensingtechnologyinrecentyears,thecityplanningplayedanimportantroleinthecity.Real-time,accurate,highqualitytocarryonthedynamictest,theurbanlandscapegreenspaceinformationisoneoftheproblemsfacingintheprocessofurbanization.Tothebuildingofthehighresolutionimageclassificationmethodbasedonpixels,theaccuracyoflessthansatisfactoryresults,object-orientedclassificationmethodisproposedsothattheclassificationofthevideoobjectastheminimumunit,atthesametime,combinedwiththespectrum,textureandshapefeaturesforinformationextraction,greatlyimprovethehighscoretoextractimageclassificationaccuracyandefficiency.ThispaperbyeCognitionsoftwareforprocessingplatform,inHarbincitypartoftheimage,forexample,usesthehighscore1imagedataasdatesources,usingobject-orientedmulti-scalesegmentationclassificationtechniques,theurbanlandscapegreenspaceinformationisextracted,andcombiningwiththeexistingdataontheextractedinformationaccuracyanalysisandevaluation.Keywords:
object-oriented;Multi-scalesegmentation;high-resolution;eCognition;gardengreenspace;informationextraction
III
黑龙江xx学院本科毕业设计（论文）
目
录
摘
要
..............................................................................................................IABSTRACT
................................................................................................III目
录
...........................................................................................................IV第一章
绪
论.............................................................................................11.1城市遥感（现状）..............................................................................................11.1.1城市遥感发展趋势....................................................................................11.1.2国内外现状................................................................................................11.2研究内容、方法及意义......................................................................................31.2.1研究内容....................................................................................................31.2.2研究方法及意义........................................................................................31.3论文框架..............................................................................................................3第二章
城市园林绿地信息调查简析
...........................52.1城市园林绿地......................................................................................................52.1.1园林绿地及覆盖率....................................................................................52.1.2绿地分类及特征........................................................................................52.2植被光谱特性......................................................................................................62.3植被指数及其分类提取指标..............................................................................72.3.1植被指数....................................................................................................72.3.2植被指数分类............................................................................................72.4本章小结..............................................................................................................第三章
面向对象的影像分类.....................................................................93.1面向对象分类法及现状......................................................................................93.2影像分割..............................................................................................................93.2.1基于阈值的分割方法..............................................................................103.2.2基于边缘的分割方法..............................................................................103.2.3基于区域的分割方法..............................................................................113.2.4基于特定算法的分割方法......................................................................12IV
黑龙江xx学院本科毕业设计（论文）
3.3多尺度分割技术................................................................................................123.3.1多尺度分割（尺度、分割概念）..........................................................123.3.2异质性......................................................................................................143.3.3多尺度分割参数选取..............................................................................153.4自定义特征选择................................................................................................173.4.1光谱特征..................................................................................................173.4.2形状特征..................................................................................................173.4.3纹理特征..................................................................................................173.4.4拓扑特征..................................................................................................183.5本章小结............................................................................................................1第四章
面向对象城市园林绿地信息提
........................14.1数据源及提取平台............................................................................................184.1.1数据源......................................................................................................184.1.2数据提取平台..........................................................................................194.2影像的多尺度分割............................................................................................194.2.1最优分割尺度参数选取..........................................................................194.2.2同质标准选取..........................................................................................214.3分类流程............................................................................................................22图4.5分类流程图............................................................................................234.3.1分类规则方法确定..................................................................................234.4城市园林绿地信息提取....................................................................................244.5验证及精度评定................................................................................................264.6本章小结............................................................................................................2第五章
总结
..............................................28参考文献
..................................................29致
谢
....................................................31V
黑龙江xx学院本科毕业设计（论文）
第一章
绪
论
1.1城市遥感（现状）
城市化是反映一个地区进步和发展历程，也承载着一个城市的文化和文明程度。城市化的一体化体系逐渐变化，需要空间和航天技术结合遥感来对城市进行动态监测，因此，城市遥感应运而生。
1.1.1城市遥感发展趋势
城市遥感技术，就是遥感技术在城市中的实施。城市化是一个社会进行发展所要经历的过程。随着时代的发展，科技不断创新，我国城市化建成计划进程逐步加快，以及人们现在生活水平快速的上升，城市园林绿地的在生活中也慢慢增加。城市绿地覆盖率和人均绿地面积正在渐渐成为标志一个城市的进步、文明文化以及城市总体服务性能水准的重要体现之一。城市园林系统是城市化进程计划中一个重要的不可忽视的，它联系着城市内部的环境平衡，保护着城市的环境，也是城市发展过程中经济发展的一部分，还是国家对于环境所提出的可持续的发展战略部署。所以，准时、高精度、优质量地对城市园林绿地信息进行变动性的管理，是城市化发展进程中所要面临的问题之一。
1.1.2国内外现状
国内：自国家经济持续发展，城市化进程大力推进以来，城市园林绿地覆盖率不断提高。近十几年来，城市化进程不断发展，人民的生活水平不断提高，对于健康，绿色生活的追求也在日益增多。建设园林城市，绿色家园成为城市建设的重点，根据有关部门相关统计数据，自从零一年以来，在我们国家城市园林绿地面积一步一步慢慢扩大。截差不多到一一年年底，我国所拥有的城市园林绿地面积估计达到245.27万公顷，相当于2001年（94.7万公顷）的2.59倍。
图1.1绿地增长图
黑龙江xx学院本科毕业设计（论文）
我国的城市园林绿化建设一直以来没有得到足够的重视，研究工作也开展较晚,但随着城市基础建设水平的提高，园林绿化工作也日益引起人们的注意。越来越多的学者开始对绿地景观等城市内部植被建设进行考察。申广荣等学者所写的文章《基于eCognition的城镇绿地信息动态监测研究》中依据面向对象的技术并对上海奉贤南桥镇进行采取不同年份通过遥感技术所获得的图像进行各中地面信息的分类讨论，评价了该区域所含绿地信息的变动，并得出有效地实验结果。李春艳学者使用eCognition软件在不同尺度参数组合以及地面地物的这种代表特征，实时了一个分类分割的实验，得出预期结果，等等。
国外：城市园林绿地覆盖率是一个城市外衣，不仅我国对城市园林绿地建设规划高度重视，国外也在这一方面做了大量的工作。
伦敦，是人们选择出来的最适合的人们生活的地方。城市内的美化以及园林的设计都是一直被人们所关注的地方。作为“绿色城市”的伦敦市，经过调查将城市中的绿地划分了五类，他们分别是可进入的城市公共开敞空间、限制进入的城市绿地空间、提供公众参与娱乐的公共开敞地、穿越城市各区域的链状绿带和城市外围的环城绿带，其中，伦敦的住宅区的绿化面积与附属的街道的相互联系。伦敦的市政府也大力加强绿化的保护，让绿化来发挥它本身的作用。其主要特点是：1）城市绿地的数量规模大，绿地率高。2）绿地分级系统完整，绿化方式多样。3）市区大型绿地比例高，公园星罗棋布。4）非常注重古树保护。伦敦在大力发展城郊、社区森林的同时，也尽可能的增加了绿化空间。这使得伦敦能够保证城市绿地建设的永久性和总量的净增长。
东京，是一个不紧不慢的我喜欢的城市。日本这个国家园林绿地最主要分布在距离城区比较远的郊外，城区由于人口密集，少量的绿地分布在那里。七十年代末日本对其所有绿地进行一番统计，并自年末开始，日本城区公园绿地的系统以每年10%的面积平稳的逐渐的增长着。其园林绿地主要特点是：1）借鉴欧美思想；2）重视自然生态保护；3）屋顶花园建设扩展绿化空间；4）具有法律支持的园林绿化。
新加坡的园林绿地整体化分布比较均匀，园林绿化使得这个城市没有钢筋混凝土一样的无情与冷漠，是城市清爽而富有美感。其主要特点是：1）以“公园和水体”构筑绿色廊道；2）特殊区域的绿化；3）政府管理与全民尽责。
黑龙江xx学院本科毕业设计（论文）
1.2研究内容、方法及意义
1.2.1研究内容
本研究就是运用遥感处理方法结合地理信息系统，使用eCognition处理软件，利用高分辨率的遥感影像，应用遥感影像处理过程成多尺度分割技术，基于面向对象处理研究问题的方法，对城市园林绿色植被进行研究，统计城区园林绿色地区覆盖率，并对城区遥感影像中包含的信息数据进行统计、评价、精度验证实验，以便在今后城市园林绿色植被的遥感解译提供有效的规划意见。
1.2.2研究方法及意义
我们在eCognition软件的学习过程中有2种对图像对象的分类手段：一种是对比较整齐的规则的方法，就是通过对图像的光谱、形状和纹理特征等信息，组成整齐的模式来进行试验。另一种是对影像样本的方法，先选取影像中的一小块，后再分类。在此次的研究中拟采用第一种方法，在多尺度分割的基础上借助地物光谱信息、植被指数等特征进行园林绿地信息的提取。将所提取的信息进行分类，算出相应的城市园林绿化覆盖率，并在此基础上对比验证应用该面向对象分类提取信息方法精度高低。
城市绿地覆盖率和人均绿地面积正在渐渐成为标志一个城市的进步、文明文化以及城市总体服务性能水准的重要体现之一。城市绿地体系是联通与支持城市自然环境的生态基础，是有活力的城市基础体系，也是一个城市生活圈、经济能够逐渐发展的重要内容。按时、高准确率地实现对城市绿地内容的动态管理，在科学依据的理论上发展城市绿地对保护生态环境、改变人民的生活和工作周围、联系人民与生态环境相互依存关系、提高人们的生活质量，具有很大的有力条件。
1.3论文框架
本论文共分为五章。
第一章
绪论。是对遥感、遥感技术、城市遥感及其应用与发展趋势进行简单介绍，同时，介绍了论文的研究方向、研究内容、国内外发展现状、研究方法以及论文研究的意义。
第二章
城区园林绿地调查简述。本章主要介绍了有关城市园林绿地、绿地覆盖率定义和相关绿地分类、绿地特征、植被指数等，整体是对相关知识做简介，以便更好的进行研究。
第三章
面向对象，对遥感影像分类。本章主要介绍eCognition软件特有的分类法及其现状，影像分割及相关影像分割中涉及四种方法，同时对多尺度分割技术做了详细的介绍，包括多尺度分割及其参数的选择，还有影像的特征参数等，黑龙江xx学院本科毕业设计（论文）
是对是对论文研究采用技术系统的进行了介绍。
第四章
面向对象城市绿色植被特征提取。本章是基于面向对象的方法对哈尔滨南岗区进行绿地提取实验。对图像进行不同尺度的分割，得到最优分割参数，并在此基础上获取绿地特性参数，对实例实施绿地信息提取。最后所提取出来的实验结果定量分析，之后进行精度评定，得出最终结果。
第五章
总结。本章是最后对论文研究的综述与展望。
论文结构图：见图1-2.
图1.2论文结构大纲
黑龙江xx学院本科毕业设计（论文）
第二章
城市园林绿地信息调查简析
2.1城市园林绿地
近年来，城市化的进程不断扩大，越来越多的城乡为了发展开始扩建钢筋水泥的高楼大厦，生态环境为此承受着越来越大严重的破坏。社会和经济的发展必定会带有一定的“负面影响”，生态环境的失衡就是这一结果，例如厄尔尼诺现象、城市热岛效应、沙尘暴等等。绿色植被是城市环境的“净化器”，因此，在日渐急促的城市生活中，园林绿地的地位尤为重要。
2.1.1园林绿地及覆盖率
绿地就是绿色的植被所覆盖的地面，这总体来说就是绿地。也可以将他理解为不管是自然生长的绿色的植被，还是人工制造的绿色植被，只要是有各种乔灌木，和草地组合形成的大范围的绿地，或者是以农牧业的大面积的绿地，都是绿地的一部分。
到现在为止，城市真的绿色植被可以简单意译为就是用来栽培各种观赏植被和设计相关的设施，总体上是由绿色植被组成，同时赋予其某些特定的功能与能够应用的空间。
而城市绿地覆盖率，就是所谓的城区内各种绿色植被总面积占据城市面积的比率，这是评价一个城市社会生态环境质量的一项重要内容。
2.1.2绿地分类及特征
我国相关部门规定，城市中园林绿地可以大致的分为五类：
①公共绿地。就是公开的绿地，就是居民可以休息，同时有一个良好的环境、美化、防治污染等作用的，是一种具有特定内容或形式，有一定能够方便人们设施的绿地。例如人们旅游，休息时参观游玩的各种小花园、动物园、植物园、皇家墓园，中央广场，诸如这样的广场绿地。
②生产绿地。指城市园林绿化体系提供小苗木、小花、观赏草、苗圃等。
③防护绿地。指为城市提供保护的的绿地，就像隔离树、净化树，防尘除暴的园林绿地。
④附属绿地。指在各种建筑物旁边的小型绿地，增加在建筑物的美观，供人们在休息时，可以观赏等。
⑤其他绿地。影响着人们的生活，对周围环境质量、城区环境景物和各种生物复杂性有一定保护。
黑龙江xx学院本科毕业设计（论文）
总体而言，城市园林绿地对城市有着极为重大的意义，它的本质是城市的总体素质反映，它的价值是城市化健康、可持续的发展。
2.2植被光谱特性
在生活的自然环境中，所有地貌物体都是具有电磁波辐射特性。例如反射、吸收可见光、红外线、紫外线、微波波段等的光谱特性，其中仅有少数地物具有透射的特性。因此，这些光谱特性统称为地物光谱特性，由于实践中，会根据情况用波普曲线的形式来表达地貌地物的光谱特性，此曲线则为地物光谱曲线。地面物体所辐射处的电磁波的强度是跟随波长的变化而改变的。不同的物体因为其结构不同，本身发出的电磁波谱不同。所以，遥感技术可以分析传感器接收到的地物的波谱特性的差异来分类识别地物。
绿色植被的光谱特性主要的影响元素在于其本身所含有叶绿素的多少。下图1.2表示不同波段绿色植被光谱特性。如图可知，在可见光部分由于叶绿素的强吸收，植被叶子的发射特性较低，在以0.45μm至0.67μm之间，叶绿素强吸收辐射能而形成吸收波谷，在这两个吸收波谷之间的0.54μm附近，强吸收相对较少从而形成反射率为10%~20%的反射高峰，可以明显的看出在0.74μm斜率急速增加，既是反射率急速增加。这就是，我们看到的植被是绿色，而不是其他颜色的原因。
在近红外波谱段部分，植被的波谱特性在于其本身叶片本身内部的结构。由于叶片内部复杂结构导致多重反射的发生，所以在0.74~1.3μm之间形成一个反射高峰，并有相当于40%的反射率，同时在0.97μm、1.2μm处，有两个强度不大的吸收带，虽然是不显著的波谷，但是在一定程度上影响着反射率。
在短波红外波谱段部分，植被此时的波谱特性收到植被本身内部含水多少的影响，在1.4μm、1.9μm、2.2μm处的水的吸收带影响下，植物光谱曲线逐步衰减。
黑龙江xx学院本科毕业设计（论文）
图2.1植被光谱特性
2.3植被指数及其分类提取指标
2.3.1植被指数
在影像中，植被信息的提取是依据绿色植被的树叶子和冠层的光谱特性及其不同、改变时的变化。相异光谱通道所获取的植被情况与绿色植被的不一样的元素或者一些特征形态有着一定的不一样的关联性。正如2.1被光谱特征所述，在可见光波谱段部分，植被的光谱特性在于其本身叶片的所含叶绿色的多少；在近红外波谱段部分，植被的光谱特性在于其本身叶片内部结构的复杂程度；在短波红外波谱段部分，植被此时的波谱特性在一定程度上受到植被本身含水量的影响。或者说，在可见光波段中，绿光部分对植被的识别分类较为敏感；在红光波段中，对植被生长茂盛程度及生长情况较为灵敏。然而，植被遥感相对复杂，用简单的波段通过对数据的对比分析来获取植被的信息有明显的不足，因此在实践中更多的选择多光谱遥感数据处理分析，生产一定的对植被生长趋势、生物量具有某些标志意义的函数，就是被定义为的植被指数。
2.3.2植被指数分类
近年来，遥感技术在获取植被信息中有着不可估量的意义，国内外的研究学者为更好的应用植被指数，为此研究发展了不同的植被指数模型，如下：
1）比值与差值植被指数
黑龙江xx学院本科毕业设计（论文）
比值植被指数（RVI）：绿色植被的RVI指数值较高，这是区别裸地、人工的地表物体、水体等地表。比值植被指数（ratiovegetationindex）可表示为RVI=ρNIR/ρR。
差值植被指数（DVI）：差值植被指数（differencevegetationindex）就是近红外波段与可见光红外波段之间的差值。其表达式为DVI=ρNIR-ρR。
2）归一化植被指数
归一化植被指数（NDVI）：归一化植被指数是指近红外波段与可见光红外波段数值之间的差值和它们数值之间和的比值。NDVI在植被遥感中的应用是最具有代表性的，因为这个指数是绿色植被生长状况与植被覆盖面积的最合理的指标因素。
3）绿度植被指数（穗帽变换）
穗帽变换是指在三维以上光谱空间中，通过一定的线型组合、三维以上空间内的旋转变换，将植被、土地信息投影到三维以上空间的一个面上。在这个面上使得植物长势情况的时间的轨道（如光谱图）和土地亮度轴互相成为九十度直角，即，通过一系列坐标改变使植物与土地的光谱特征分离开来。
4）垂直植被指数
垂直植被指数（PVI）：就是把植物影像中的像素到土地亮度线的成为九十度的距离命名为垂直植被指数（perpendicularvegetationindex）。其表达式为：
PVI=?(?Rs??Rv)2?(?NIRs??NIRv)2?在对园林绿地信息进行提取时，根据不同植被具有不同反射光谱，以及植被指数，可以很好地将信息分类提取。
2.4本章小结
本章介绍了主要介绍了有关园林绿地的概念，指出论文所要研究的对象，同时系统的概述了植被光谱特性与植被指数，详细以植被光谱特性曲线为例来说明植被光谱特性中波长与反射率的相互影响，并分类介绍了四种常用的植被指数及其表达式。
黑龙江xx学院本科毕业设计（论文）
第三章
面向对象的影像分类
3.1面向对象分类法及现状
在近十几年中，社会经济与社会不断的发展进步，对于城市信息的提取，监督分类与非监督分类的技术达不到研究所要的精度。由于遥感技术的不断提高，高分辨率的航片也成为现在研究信息提取研究的主要对象，而高分影像本身所含有的信息量丰富，空间属性信息数据量大，地面地貌的特征较普通影像越发的明显。旧的传统遥感影像的分类方法是在像素级的层面上进行的，地物波谱特性是其主要分类途径，因为单单依据地物光谱特性来分类，缺少空间因素并且局部分类使得提取目标对象精度降低，所以一种新的处理方法——面向对象分类提取技术出现了。
面向对象分类提取技术是一种较新的处理遥感影像的分类技术，与传统素级层面上的分类技术相比，其分类对象是在对分割后所具有相似像素特征的单元，然后根据高分辨影像数据的光谱、纹理、空间等特征信息，同时联系所要分类的研究对象的基本属性，如颜色、形状、大小、纹理、结构、阴影、空间位置等分类解译特征来对影像进行处理操作，分类结果效果的准确度也是高于传统方法的。同时，对于高分影像来说其影像部分相异的特性较大，而一般像素级层面的分类技术在像素和邻近像素之间没有很好地将其划分开来，使得“椒盐”现象出现，相反面向对象分类提取的方法没有出现产生“椒盐”现象的局限性，大大降低“椒盐”现象对影像的影像，同时也避免了在像素级分类提取中“同物异谱”和“同谱异物”对影像信息划分提取的影响。
面向对象的遥感影像处理技术的成熟使得分类对象不再是像素，而是以分割后的影像对象为最小单元来进行划分或者检测，分级别分层次分类让分类后的信息更具有一定的使用意义。面向对象的分类提取技术包括2个实现过程：1）研究图像对象的单元的划分，即图像分割。图像分割是生成分类图像对象的关键，不同的分类对象有不同的分割参数，选取最佳的分割参数是的分类对象精度关键步骤。2）对分割后的影像单元分类，根据所需要提取的绿地信息特征，如光谱、形状、纹理、拓扑等多种特征，完成信息分类提取。
3.2影像分割
图像分割（imagesegmentation）是获取影像分类对象的一种方法，是根据规定的划分原则，把影像分开成为具有相同或相似特性的影像对象，并将其中所要研究的城区内部信息提取出来。可以简单地认为就是将研究区域分割为不同的对
黑龙江xx学院本科毕业设计（论文）
象单元，为影像分类做结构基础，方便影像信息的提取分类。之后，在分割后的图像区域对象中依据光谱、纹理、形状、拓扑等图像属性来对进行划分不同地物。从集合理论的角度来看，图像的分割就是将全部影像区域按照一定尺度裁切成若多数个内部具有相同或相似特性的不是空子区域的流程，子区域间互不交叠，且每个小的子区域都具有内部是可以联通的。
跟据有关部门调查表示影像分割的方法差不多会有上千种，分割手段是遥感影像处理技术中的一种处理技术，分割精度的优良影响信息提取精度的高低，所以根据不同分割算法可以将常用分割分为基于阈值的分割方法，基于边缘的分割方法，基于区域的分割方法，基于特定算法的分割算法四类。
3.2.1基于阈值的分割方法
阈值法假定图像是由具有不同灰度值的若干个区域组成，图像的灰度直方图被一定数量的峰值所分割，直方图中的每个峰值都代表着一组区域，那么在两个相邻的峰值之间的谷值即为图像分割的阈值。阈值，就是指边缘值，在这个研究领域中可以可以把它作为是影像亮度值的边缘值。基于阈值的分类方法就是基于像元灰度直方图上最高或者最低的值来选择边界值，然后根据边界值对研究影像进行划分操作。它是一种简单的分割方法，虽然计算简单，但保持了影像分割对象的精度，是在影像分割中应用范围最广，可使用性最强的一种方法。
对于分割研究的区域来说，影像亮度值差异较大时适用于阈值法，因为此时其影像直方图具有显著的极值，分割后精度像对较高。但由于分割时灰度亮度是主要分割的依据，像元的空间信息没有顾及到，从而导致结果出现噪声的现象很大，分割的结果不好。总体来说基于阈值的划分类别的方法在一定程度上有较好的应用。
基于阈值的分割方法本质是按照一个固定的准则求出最佳阈值的工程，所以，在没有先验经验的研究状态下，也一样可以进行分割提取。基于阈值的分割方法所具有的有点事操作简单，研究处理效果高的优点，更加适用于亮度具有显著差异的研究区域，因为亮度是选取阈值的标准。同时，这种方法的不足之处就在于只是考虑到研究区域的灰度亮度值，缺少了区域空间信息，是的分割所得到的结果受到噪声的影响，所以对于复杂的研究区域来说，基于阈值的分割方法分割效果差。
3.2.2基于边缘的分割方法
影像数据中包括不同的对象，而不同的对象边缘之间像素亮度具有明显的差异，边缘时一幅影像中灰度变化不连续或者突变较大而导致的结果，其中有着丰
黑龙江xx学院本科毕业设计（论文）
富的信息。因此，利用边界像素灰度不连续的特性，从而有基于边缘的划分类别方法。微分算子法及串行边缘检测法是其常用的方法。
基于边缘的分割方法是在边界的基础上进行的，所以当研究区域内部异质性小或者是研究区域之间异质性较大，研究区域的边界有显著差异时，这种方法所分割的效果明显。但是，基于边缘的分割的方法的不足之处就在于，其本省抗噪声能力与对边缘的检测相互影响。当所研究的区域之间存在显著差异，分割效果虽然达到了理想化，但是抗噪声能力差，从而在检测边缘的同时噪声也被处理，影响了分割效果；而当降低噪声的影响时，对研究区域的边界的检测不完整。这是在分割时，研究学者所要面临的问题之一，同时这种方法也是现在实际应用研究热点之一。
3.2.3基于区域的分割方法
影像中的像素亮度与不同纹理是基于区域分割的方法的关键是。不同的地物具有不同的纹理特征以及不同的亮度值，所以在分类时就可以把纹理、亮度等相似的特征分为一类，致使将地物分类提取出来。这种方法的划分实质就是将具有一定关联的像素串联起来，从而生成想要划分的区域。典型的一是为区域生长的方法，二是分裂后合并法。
区域生长的算法的本质是将把有近似的特征的对象整合起来变成研究区域。其分割流程是：1）确定生长原点，在划分对象内选取种子像素作为生长原点；2）确定生长规则，使得种子像素与具有相同特性的像素联合起来；3）将联合起来的像素看成是新的一个生长远点，等到相似像素都联系好，生长停止，划分的地方也就确定了。影响区域生长法的分割效果的重要部分就是对第一个种子点的选择和开始生长原则的确定。这种方法的优点相似于基于阈值的分割方法，在没有先验经验的情况下，也能达到合理的分割效果，同时对于复杂的遥感影像也有很好地分割效果；不足之处是在分割的进程中由于迭代的运行算法费时，占据的内存也很大。
分裂合并分割法的就是从一张全部影像出发，经过连续的分开结合从而得到特性相同的分割单元。整个分割流程的关键步骤是分裂合并原则的规定准则，不同的准则分割精度不一样，在处理复杂影像时，用该方法分割效果好。但是由于其算法复杂，准则限制，也可能使得分割对象区域边界受损。
整个来说，基于区域的分割算法，不经有较高的抵抗噪声功能。同时，经过分割处理后的实验对象的紧致度较高，但对于时间的花费和空间消耗是它的不足之处，对于研究对象种子点的挑选和制定规范确定也具有一定的困难。
11黑龙江xx学院本科毕业设计（论文）
3.2.4基于特定算法的分割方法
遥感影像的分割除了以上三种方法外，研究学者依据不同的理论和不同研究对象的差别提出了许多基于特定算法的分割方法，诸如基于数学形态学的方法、借助统计模式识别方法的分割技术、基于信息论的分割方法、基于模糊理论的分割方法以及基于特定算法的分割方法。不同的分割方法本质关键不同，所以在信息分割提起研究中，首先要确定研究本身的目的和内容，以便选取最佳的分割方法，最终得到最理想的分割效果。
3.3多尺度分割技术
所谓尺度，就是对某种物体的一种特定的度量，例如在遥感影像来说，有度量时间的时间尺度、量度空间的空间尺度以及量度光谱的光谱尺度。遥感图像面向对象分类技术里，尺度就是指结构尺度。空间结构尺度可细分为像素、对象、整体尺度三种。对于像元尺度来说，就是研究影像内单个像元或者单个像元相关区域；对于区域尺度来说，就是研究像素单元所组成的相关不规则的刚兴趣区域；对于整体尺度来说，就是代表整个实验的遥感图像。尺度的本质就是将影像细化，在不同研究对象使用不同的研究尺度，分层次的研究流程使得信息可以更高精度的提取出来。
因为科技的进步，遥感技术的拓展也是日渐成熟，高分辨率图像越来越成为研究图像的主要来源。高分辨率影像具有充分的图像内容，在图像中其光谱、纹理、形状以及拓扑信息相当显著，对地面表面信息提取就有很大的应用价值。但由于高分影像中信息量大，同类地物光谱不确定性变化的可能性也大大增加，使得高分辨率影像“同物异谱”、“异物同谱”的显现，在分割中使用固定尺度往往会出现分割不彻底的结果。分割尺度越大，通过分割所获取的研究对象就越大，相对的说，分割尺度越小，得到的结果相反。对于面积较大的对象，要是使用小一点的分割参数，就会导致分割过于不完整；而对于面积较小的对象，要是使用用较大的分割参数，则会造成分割不完全或不彻底。因此需要使用不一样的分割参数对不一样的地物信息进行提取。
3.3.1多尺度分割（尺度、分割概念）
多尺度分割（MultiresolutionSegmentation）算法是eCognition软件对图像进行不同多尺度图像分割技术，是对同一图像在不一样的指定尺度下进行好多次分割，从而将遥感影像中充分的、不是一样尺度的地物与空间体系特征信息，借利不一样的规定尺度下的分割效果来表征和描绘，从而形成了一个和地面地物差不
12黑龙江xx学院本科毕业设计（论文）
多的结构层次，它们的就够层次相差不多，同时也使得最开始像素对象的信息在能在不同的尺度空间传导。
不同尺度分割是在一个研究区域内的像元来检测与其相同或相似领域的一种自下而上的对象的结合在一起技术，在这个对象结合的操作中最佳技术可最小化异质的所占的比例。作为在面向对象技术信息划分过程中，划分是其最重要技术，因此，划分具有两个最基本的划分原则：1）将整幅研究影像分割为不规则的小块影像，其技术本质是自上而下的；2）将分割后的小块按一定的规则合并为大块的影像，其技术本质是自下而上的。所以，分割的本质目的不在于分割，而是在在相关的规则准则下进行分割，得出能够直接对研究区域进行信息提取的最小区域，只有最好的划分尺度，才可以在继续的提取研究中得到有效的信息。下图为不同尺度的影像分割：
（a）
分割尺度2（b）
分割尺度5（c）
分割尺度8（d）
分割尺度100图3.1不同尺度影像分割图
遥感影像中地貌地物具有颜色、形状、纹理、拓扑等属性信息，在对遥感影像做信息提取研究时，要将图像经过不一样尺度参数划分后形成一个面向对象的层次结构内容。在研究影像的层次结构体系中，子区域层与父区域层之间的关系是自上而下多对一的情况。如图所示，子区域与父区域之间的关系体系：
13黑龙江xx学院本科毕业设计（论文）
图3.1层次结构体系
3.3.2异质性
多尺度划分试用于自动或者半自动的影像划分中，是基于区域生长的划分算法，此时其异质性是最小。在选择不一样的分割尺度时，需要考虑地物波谱特性、空间特性和外形特性。因为当只想到地物波谱差异性时，达不到图像画分的最佳比率差异性，从而造成划分后的图像对象的临界出现差异。所以，光谱差异性、空间差异性的划分标准需要在一起来使用，才可以完成实验划分。区域生长分割的算法中，所影响的异质性的因素是：光谱因子和形状因子。光滑度异质性及紧密度异质性是形状因子的影响因素。
异质性的表达式为：f?w*hcolor?(1?w)hshape。其中个符号意义为：
wcolor：光谱信息的权重；wshape：形状信息权重；wcolor?wshape?1；
hcolor：光谱异质性值；hshape：形状异质性值。
同时，光谱差异与形成研究区域对象像元个数和影像各个波段的差异有这关连；形状差异与光滑度和紧致度两个标准有关。其中光滑度（Smoothness）是代表划分完成再合并的区域之间的边缘的平滑效果的好坏，利用这个标准用来平滑边缘美化图像对象；紧致度（Compactness）是代表在合并的区域之间的关联好坏，可利用紧致度这个标准来优化影像对象，使得影像平滑而且美观。光滑度与紧致度的表达式可分别表示如下：
hcompact?l
hsmooth?lb
n
14黑龙江xx学院本科毕业设计（论文）
例如当两个相邻的研究小对象O1、O2合并为一个区域OM，则这个合并的区域的光谱差异和形状差异可以用下面分别表示为：
光谱异质性：hcolor??wc(nM*?cM?(no1*?co1?no2*?co2))
c形状异质性：hshape?wcompact*hcompact?(1?wcompact)*hsmooth
其中：
lll光滑度：hsmooth?nM*Mb?(no1*o1b?no2*o2b)
Mo1o2紧致度：hcompact?nM*lM3.3.3多尺度分割参数选取
nM?(no1*lo1no1?no2*lo2bo2)
在多尺度分割操作流程中，需要设置一些特定的参数，其中主要是波段占据的比率、分割参数和同质性参数（即光谱因素与形状因素）。每一种参数的设定对多尺度分割结果效果都有一定的影响，所以各参数的确定在遥感影像分割提取研究中是至关重要的。
（1）波段权重
波段权重参数在分割中占据重要的位置，其参数值域是[0，1]。参数选取的好坏直接影响到影像分割精度，在分割时要根据分割目的来确定什么样的波段组合信息使用最多，以此为依据当某波段所含影像提取信息较多时，或者影像信息特征明显，就设定为较大的波段权重，当对研究区域内容的划分没有明显特征时就将此时波段比率设置为较小的比率。
（2）分割尺度
分割尺度决定研究区域被分割成小块区域形状大小的程度，尺度参数值越大，研究区域被分割成的小块越多，切生成的小块面积越大，参数值越小，分割所生成的不规则区域多且小。同波段权重一样，分割尺度同样对影像分割精度起到决定性作用。当研究目的明确时，要通过不断地设置尺度参数来选择出最优参数，这样才能在保持信息完整的同时，才能进行下一步的研究。目前，最优尺度是面向对象多尺度分割研究的重要的步骤，许多学者在确定最佳尺度做了很多实质探究。
（3）同质性参数
同质性参数在很大范围上也影响这分割精度。同质性参数即光谱因子和形状因子，在3.3.2小节中介绍了对光谱因子和形状因子做了详细的介绍。在多尺度分割中，光谱因子为研究区域主要光谱信息，形状因子参数的设置可以使得影像
15黑龙江xx学院本科毕业设计（论文）
变得整体而不是影像对象变得分离破碎。同时，可以使得“同物异谱”和“同谱异物”现象出现的概率变小，以及使得“椒盐”噪声现象降低，从而使得高分类的精度变得更高一点。
在进行不同尺度参数划分实验时，划分参数不同，得到效果具有显著的不同。当划分尺度一样，光谱影响与形状影响不同时，其划分结果不一样；当划分尺度参数不同，光谱影响与形状影响相同时，分割结果也不近相同。如下对比效果图：
图3.2分割参数表
（a）
20，0.3，0.（b）
20，0.7，0.16黑龙江xx学院本科毕业设计（论文）
（c）
30，0.3，0.（d）
30，0.7，0.（e）
50，0.3，0.（f）
50，0.7，0.7图3.3分割效果图
3.4自定义特征选择
遥感影像中，任何地物都有属于自己本身的光谱、纹理、形状、拓扑等特征，这些特征是遥感图像解译的重要因素，研究时可以通过不同的特征来确定并提取符合研究目的的地物，能够将不同地物划分出来，据此分割之后，在根据一定的原则进行同质划分，可以出现较优精度的划分效果。同时除上述分类特征外，eCognition软件还能够自定义新特征，如NDVI（归一化植被指数）和
NDWI（归一化水指数），对特定地物类型的信息提取发挥重要作用。同时发挥了高分辨率遥影像信息量丰富的特性。
3.4.1光谱特征
光谱特征反映在图像中就是与研究区域最小像素的灰度相关的特征，在面向对象多尺度分割技术中，像元是最小的处理单元，所以像元灰度就是表征地物光谱信息的载体，它包括：光谱均值、亮度、均方差、比率、与领域相关的光谱特征、与父对象相关的光谱特征等等。
3.4.2形状特征
形状的特点就是表征图像中信息对象区域的面积、周长、边长、紧密度、长宽比等特点。分割时“同物异谱”、“异物同谱”的现象的出现使得分割效果不理想，加入对形状特征的考虑，可以将这一影响因素在一定程度上避免其发生，以便提高分割精度。
3.4.3纹理特征
高分辨率影像是现在研究所应用的主要影像，其中所包含的信息极其丰富，纹理特征是其主要特征表征。纹理特征是描述影像对象中局部不规则但整体具有规律的特性，主要通过研究对象的协相关灰度共生矩阵（GLCM）来表征。常用
1黑龙江xx学院本科毕业设计（论文）
的协相关灰度共生矩阵特征变量主要有均质性（GLCMHomogeneity）、相异（GLCMDissimilarity）、相关性（GLCMCorrelation）、对比度（GLCMContrast）、熵（GLCMEntropy）及标准差（GLCMStd.dev）等。与形状特征类似，纹理特征也可以在一定程度使得“同物异谱”、“异物同谱”现象的出现概率大大降低。
3.4.4拓扑特征
拓扑特征在表示研究对象领域之间的关系，描述了一个影像对象与它旁边的位于相同影像对象层的其他影像对象的关系。与子对象的关系特征描述了一个影像对象与它旁边的一个给定类别的位于较低影像层的其他影像对象的关系。与父对象的关系特征描述了一个影像对象与它旁边的一个给定类别的位于较高影像层的其他影像对象的关系。与分类的关系特征则是用来找出一个影像对象当前或潜在分类的。
3.5本章小结
本章介绍了eCognition软件中面向对象的方法原理及流程，并将多尺度划分这一关键技术进行了细致的说明，涉及分割的四种常用方法及个方法所适用的研究对象和优缺点；同时介绍了在分割技术中异质性的影响、四种遥感影像中的特征参数，为研究做出理论基础。本研究是在基于区域分割的基础上，结合光谱特征、纹理特征等，利用植被指数对城市园林绿地信息进行提取。
第四章
面向对象城市园林绿地信息提
4.1数据源及提取平台
4.1.1数据源
本研究是城市园林绿地信息的划分实验，使用的图像是高分辨率遥感图像，实验区域是哈尔滨南岗区城区范围，图像有红、绿、蓝三个波段，其分辨率高达0.5米。在实验中方便程序运行，事先将研究影像裁剪为小块图像，以便文章中例举与做出比较。
1黑龙江xx学院本科毕业设计（论文）
4.1.2数据提取平台
eCognition软件是由德国DefiniensImaging公司开发的一款基于面向对象理论的智能化影像分析软件。
本文使用的软件平台是eCognition9.1版本软件，同时结合ENVI软件对高分影像数据进行预处理。eCognition是2009年在德国的诞生的，它是一款对遥感影像可以自动识别分析的先进软件，目前国内全景天地公司作为中国eCognition在中国的技术服务中心。在其他的遥感软件针对颜色信息进行分类方法的基础上，eCognition软件研究了一种新型的革命性的方法，即面向对象的分类技术，此技术的研发增强了对高分辨率影像的分类精度，促进了遥感事业的发展。
面向对象的方法是易康中一种分类提取的方法，它是在研究对象的平台上进行操作的，而不是在像素上，并且利用了对象信息，类间信息。
eCognition软件的优点有很多，其主要特点如下：
①面向对象的分析思路。面向对象分类方法是在研究对象的层面，相对在像素层面的分类来说，智能化更加突出。
②多尺度划分技术的使用，针对不一样的图像数据和划分内容，进行不一样同尺度的图像划分。
③特征与算法非常丰富，能够进行复杂任务的分析评定。
④将计算机自动分化和人工信息研究相结合，提取的形式以栅格或矢量的形式表现出来。
⑤能够分析处理地理学的研究问题，可以通过不同的手段利用图像的特点、图像的信息特点来处理数据相融的问题。
⑥可以分析纹理和低对比度数据，进行快速简单的监督分类。
⑦模糊逻辑的分类方法。
eCognition软件中的另一种方法就是在选择样本的基础上来分类的，其中有有知识前提的模糊分类，或者类似于监督分类的人工分类。
⑧支持使用eCognitionSDK进行二次开发。
4.2影像的多尺度分割
4.2.1最优分割尺度参数选取
划分类别将研究图像分为不规则的小块，不一样的尺度参数分割出来的结果不一样。由于研究的实验区有着差异，所选用的尺度也是因物而异。有时分割的尺度对于一种地物来事是分割效果好，分割后的不规则单元能清楚的表示所要研
1黑龙江xx学院本科毕业设计（论文）
究的地物对象，但是对另一种地物分割效果差，会将一个正体的对象分成好几份。所以研究是应该明确提取对象，通过对比选出最佳的分割尺度，最优尺度的标准就是分割所得到的不规则多边形对象能清晰表达这种地物类型边界，既不破碎，也不模糊，同时也使得其内部异质性相对较小。
本文是要对城市园林植被信息进行分类实验，所以为了在最好效果尺度下进行分割提取实验，选择10、15、30、50、70、100六种分割参数值对研究图像进行分割对比，分割对比图如下：
图4.1分割尺度参数表
（a）
分割尺度1（b）分割尺度152黑龙江xx学院本科毕业设计（论文）
（c）
分割尺度3（d）
分割尺度5（e）
分割尺度7（f）
分割尺度100图4.2多尺度分割效果图
由上图可以对比看出：当分割尺度为10和15时，影像被分为不规则的小块研究单元，其边界破碎模糊，同一地物，如草地、楼房等被分为多个对象，相邻地物没有很好地分割开来；当分割尺度为30时，对于树的提取效果较好，能够清晰的的将树与周围绿地分离开，而此时绿地因不是最佳分割而不完整；当分割尺度为50时，虽然可以将植被分开，但是同种树用于阴影的影像而分割不完整；当分割尺为70时，等额效果较好，是的草地和树都得到很好的区分；当分割尺度为100时，草地等大面积的区域可以分开，但是其中混合一些散树。
4.2.2同质标准选取
本研究是指对城市园林绿地信息的提取，在确定分割参数后，为了可以更好的对研究信息进提取，保证提取精度，需要考虑异质性等影响因素。以下就是在相同分割尺度下，对不同异质性因子作对比，以便选出最佳参数组合。对比图如下：
21黑龙江xx学院本科毕业设计（论文）
图4.3分割参数组合
（a）30，0.3，0.（b）30，0.4，0.6（c）30，0.5，0.5（d）50，0.3，0.（e）
50，0.4，0.6（f）50，0.5，0.5图4.4同质标准对比图
（g）70，0.3，0.（h）70，0.4，0.6（i）70，0.5，0.5对比不同分割参数的分割效果图可知，当分割参数组合为20，0.1，0.5时，对行道树和散树分割效果好，当分割参数组合为40，0.3，0.5时，对大片绿地等分割效果好。
4.3分类流程
通过上面的对比实验可以知道，对于一种分割参数不能满足对研究对象的信息分类提取，多尺度分割面向对象的方法可以对不同的对象分层次进行分割提取。分类的流程要结合所要提取影像信息的特征来建立，本研究只做植被的分类提取，因此光谱特征、形状特征及纹理特征也是需要考虑到的因素。分类流程图如下：
原始影像
22黑龙江xx学院本科毕业设计（论文）
影像裁剪
导入eCognition多尺度分割
分割效果
自定义特征参数与选择
园林绿地分类提取
精度评定
结果图像
图4.5分类流程图
4.3.1分类规则方法确定
分类规则可以将园林绿地的分类进一步具有准确性，此分类的方法就是通过贝叶斯分类的规则条件来表达。所谓“贝叶斯分类”是易康中一类基于贝叶斯定理的分类方法的总称。贝叶斯分类方法的基本思想是，在分割的基础上，依据研究对象的属性特征，对所要提取的信息进行分类。其本质是求解在需要分类的对象上出现各类别的概率，以便我们选取出符合分类标准的概率最大的类别。
贝叶斯分类方法分为三个阶段，即准备阶段、训练阶段及应用阶段。在前期准备阶段，需要根据所要研究的对象来确定其特征属性，然后在对每个属性进行合适的区划，然后类似监督分类一样选取训练样本，为分类做准备；在第二个阶段，是生成分类器，就是将在训练样本中出现的类别的概率做出总结，并将其属性也一同计算出概率，最后把相应的数据记录下来；第三阶段的应用阶段就是对待分类的对象进行分类，得到最终结果。
23黑龙江xx学院本科毕业设计（论文）
4.4城市园林绿地信息提取
在eCognition软件中的分类方法有两种，一种是对影像进行规则的分类，联系影像本身信息的各种特征，如光谱，纹理，形状等，然后在这个基础上开始进行分类。
在此次的研究中拟采用第一种方法，在多尺度分割的基础上借助地物光谱信息、植被指数等特征进行园林绿地信息的提取。
实验主要步骤过程如下：
（1）将影像裁剪后导入易康，并进行多尺度分割，分割尺度选择10、20、50、80四个尺度，形状因子0.1，0.3，0.7，紧致度因子0.5，0.6，0.7组合进行对比，最终确定最有分割参数是，50，0.3，0.5，（2）利用NDVI提取绿色植被。由于影像为红、绿、蓝三个光谱波段，所以NDVI的计算需要特定的波段组合公式即：
NDVI?(2*green?red?blue)?(1.4*green?red)
根据该式所提取的影像就是植被影像，提取效果图如下：
图4.6植被信息提取
24黑龙江xx学院本科毕业设计（论文）
（3）提取出的绿地信息具有不同的类别，因此需要用贝叶斯的分类方法进行进一步的分类提取，根据提取出来的绿地影像纹理特征来选取分类的对象，并将植被分类为草地和乔灌木。其分类特征参数与结果图如下：
图4.7特征参数
25黑龙江xx学院本科毕业设计（论文）
图4.分类结果图
4.5验证及精度评定
在植被提取并分类以后，需要对其进行精度评定。根据已有的野外调研情况，该区域的实测信息已经处理完毕，所以依据其绿地矢量信息进行验证。
在ArcGIS软件中将已经在eCognition软件中提取的园林绿地惊醒矢量化操作，并叠加到原有提取数据中分析结果。首先在图像中可以看出，基于eCognition软件的面向对象的绿地信息提取在将大面积绿地提取出来的同时，对于较为零散的乔灌木，也能很好地提取出来，很大程度上避免了高分辨率影像中“椒盐”现象的出现，是的信息提取精度大大提高。叠加影像图如下所示：
26黑龙江xx学院本科毕业设计（论文）
图4.叠加图像
4.6本章小结
本章是对研究哈尔滨影像进行绿地信息分类提取，研究采用面向对象分类方法，主要操作技术为多尺度分割技术以及贝叶斯分类技术。并对提取完成后的影像基于ArcGIS软件进行精度评定。
2黑龙江xx学院本科毕业设计（论文）
第五章
总结
本文以哈尔滨南岗区部分城区为研究区域，高分辨率的影像为数据源，主要采用面向对象分类提取方法对研究区域进行园林绿地的提取研究，并在多尺度分割下进行一定实验对比，选择出最优波段；根据植被光谱特性对正体植被进行提取；应用贝叶斯分类方法将提取的信息进行分类；最后进行精度评定。结果表明面向对象分类提取的方法，在对高分辨率影像进行提取时，能有效避免影响精度的因素，使得提取信息完整。在实验过程中得出的主要结论有：
（1）实验应明确研究对象，然后依此对不同尺度分割作对比，根据不同尺度下研究对象的表现形式，同时考虑不同光谱因子与形状因子的影像，通过实验对比选择出最佳的可以表征分割参数。
（2）研究影像为高分辨率影像，分辨率为0.5米，具有丰富的影像特征信息。在影像提取时，可依据地物光谱特性，纹理特征、形状特征。应为本文研究影像只具有三个波段，所以植被指数的选取因采用特殊的组合方式。
（3）面向对象有多种分类方法，本文采用贝叶斯分类方法。贝叶斯分类方法是一种较为间的分类算法，其关键技术在于应用地物特征对分类训练样本的选择，研究主要应用纹理特征进行样本的选择。
（4）对提取的绿地进行精度评价得到，面向对象方法充分发挥了高分辨率遥感影像的优势，有效地提取出城市绿地信息，并且提取的图斑更为完整，更符合实际的客观情况。因此，面向对象方法是高分辨率遥感影像进行绿地信息提取的有效方法，对城市绿地的动态遥感监测和掌握现状绿地的空间分布都起到积极作用。
2黑龙江xx学院本科毕业设计（论文）
参考文献
[1]李春艳.基于面向对象的遥感影像植被信息提取[J].科学技术与工,12012,12（8）
[2]陈济才,文学虎,李国明.基于面向对象的高分影像地表覆盖典型要素快速提取对比研究[J].遥感信息,2014（4）
[3]孙悦.基于eCognition的卫星遥感影像分析技术[J].信号与信息处理，2014[4]黄慧萍.面向对象影像分析中的尺度问题研究[D].北京:中国科学院遥感应用研究所,2003.[5]黎薇.基于遥感影像的城市绿地信息提取及分析[D].华东师范大学硕士文,2007.[6]黄慧萍,吴炳芳,李苗苗,周为峰,王忠武.高分辨率影像城市绿地快速提取技术与应用[J].遥感学报,2004(1):68-74.[7]田新光.面向对象高分辨率遥感影像信息提取[D].北京:中国测绘科学研究院,2007[8]汪求来.面向对象遥感影像分类方法及其应用研究—以深圳市福田区植被提取为例[D].南京:南京林业大学,2008.[9]陈杰,邓敏,肖鹏峰,等.基于分水岭变换与空间聚类的高分辨率遥感影像面向对象分类[J].遥感技术与应用,2010,25(5):598-602.[10]宋杨，李长辉，林鸿，陈鹏.基于eCognition的绿地利用变化监测应用研究[J].城市勘测,2011[11]邢元军，旦增.基于面向对象的高分辨率影像的森林植被变化信息提取研究[J].中南林业调查规划2010[12]申广荣，钱振华，徐敬敬，李艳.基于eCognition的城镇绿地信息动态监测研究[会议论文].上海交通大学学报2009[13]沈占峰，骆剑承，郜丽静.不同尺度下高分辨率遥感影像道路信息提取[J].四川师范大学学报(自然科学版)2009[14]刘萍，李园园.乌鲁木齐市城市绿地景观结构及其多样性分析[J].新疆农业大学学报2008[15]赵宇鸾，林爱文.基于面向对象和多尺度影像分割技术的城市用地分类研究——以武汉市城市中心区为例[J].国土资源科技管理2008[16]唐伟，书河.培法面向对象的高空分辨率遥感影像道路信息提取[J]-地球信息科学2008[17]罗扬帆，冯仲科.张雁基于高分辨率影像的城市绿地快速提取方法2002黑龙江xx学院本科毕业设计（论文）
[18]张秀英，冯学智，丁晓东，王珂.基于面向对象方法的IKONOS影像城市植被信息提取[J].浙江大学学报2007[19]孙小芳，卢健.孙小丹城市地区高分辨率遥感影像绿地提取研究2006[20]蒲智，刘萍，杨辽，葛挺进.面向对象技术在城市绿地信息提取中的应用[J].福建林业科技2006[21]宋杨，李长辉，林鸿，陈鹏.基于eCognition的绿地利用变化检测应用研究
2005[22]KennethJMaekin,EijiNunohiro,MasanoriOhsh,etal.LandCoverClassificationfromMODISSatelliteDataUsingprobabilisticallyOptimalEnsembleofArtificialNeuralNetworks[J].LectureNotesiDComputerScience,2006,4253:820-826.[23]StefanHinz,AlbertBaumgartner.Automaticextractionofurbanroadnetworksfrommulti-viewaerialimagery[J].ISPRSJournalofPhotogrammetry&RemoteSensing，2003.[24]黄亮，左小青，张晓晓.面向对象的道路信息识别提取分析[J].昆明理工大学学报（理工版）2013黑龙江xx学院本科毕业设计（论文）
致
谢
再见来不及回首，四年的大学生活就已经接近尾声，迎来了人生又一次的转折。黑龙江工程学院，这里有我四年的青春。从初出家乡来到陌生的城市，到现在的即将挥别，有太多的感慨。四年大学的学习生活是我这一生都很难忘的回忆，哭过、笑过，这里承载着太多太多。
首先，感谢我的毕业指导老师褚晓雷老师。褚老师教授我们的课是城市遥感，每一次上课都饱含热情，教学水平高超，让我受益匪浅；同时老师幽默风趣，给我们课上课下的时间也带来了许多欢笑。在完成论文选题之后，褚老师给给我们详细的做了介绍，并在论文研究中给予我许多宝贵意见。在这里，我由衷的感谢褚老师并致以崇高的敬意。
由衷的感谢大学四年里教过我的每一位老师，谢谢你们教授我宝贵的专业知识，与我共度四年的时光。感谢丁丽老师给我上了人生中最重要的一课，让我清楚地认识到社会本该有的面孔。
感谢班长在这四年里对我的照顾，让我在这样一个大集体中，体会到温暖；感谢邹玉影、唐婕、仇宏斌、闫玉琦、刘本强、刘金明等25为同窗好友对我的关心和帮助；感谢学弟黎国猛、学妹谢童瑶给我的帮助。
31
篇三：遥感提取微绿地研究
探讨卫星遥感技术在生态环境保护中的应用
近些年来，全球环境问题不断恶化，各地政府部门开始加大了对生态环境的关注度。根据相关调查研究表明，因人类对自然资源的过渡开发，再加上生产生活中大量废水、废弃物的排放，对环境质量的影响越发严重，因此做好生态环境保护刻不容缓。因遥感具有高时间、空间和光谱分辨率，可在适当的条件下对环境进行监测，进而达到保护生态环境的目的。基于此，本文重点分析卫星遥感技术在生态环境保护中的应用。
1、遥感技术概述
遥感技术就是在高空通过遥感器来探测地表或深海物质特性的技术，其工作原理是通过不同物体间的波谱和反应，对物体进行监测，并在专业软件系统的作用下分析物体反射的波谱，对其进行还原后可获取到被监测物体的形象和性能情况。在地里勘测中对遥感技术的应用较为广泛，同时还能监视植物的生长情况，该技术的便利性和形象性特点较为突出，可增强监测工作的准确率和效率。
2、卫星遥感技术在生态环境保护中的应用
2.1水环境监测保护的应用
使用卫星遥感技术对水环境监测主要包括水体富营养化、废水污染、水体热污染和泥沙污染等的监测。①水体富营养化监测：水体富营养化对水环境质量的影响较为严重，张穗等人提出了选择叶绿素浓度遥感解译方法，并将其与总氮、磷、叶绿色等的分布特征进行结合，给出了评价水体富营养化的方法；②废水污染和水体热污染监测：工厂内废气热水的排放是热污染的主要来源，严重威胁着水体生物和水体附近农作物生长发育，因此做好监测热水污染刻不容缓，针对水污染的监测主要通过红外传感器实现，可将热污染排放、温度分布、流向等信息在探测图像中清晰显示。针对废水污染监测，主要是将热红外法和基于温度差异两者进行结合，大都是选择多光谱合成图像来实现最终监测；③泥沙污染监测：泥沙污染会使水的反射率增强，进而产生红移现象，而对于波段在0.93~1.13μm范围附近的水体，其红外辐射吸收特点较为明显，会使反射通量下降，还会受水分瑞利散射效应干扰，由此不难看出该范围并不是判断悬浮泥沙浓度的最佳波段，最佳定量波段应在0.65~0.85μm之间。另外，在海洋监测中也能通过卫星遥感技术来实现，将遥感信息的仿真模拟与分析进行结合，可得出影响海洋生物和理化过程中的相关参数，如海表面、海水运动、等温线分布、叶绿素浓度等信息。在卫星遥感技术的作用下，可对海洋污染实现全天候、大范围的监测，且卫星遥感技术在海洋渔情预报和分析中也得到了广泛应用。
2.2大气环境监测中的应用
卫星遥感技术对大气环境监测包括臭氧层、有害气体、大气气溶胶、沙尘暴、城市热岛效应等的监测。①臭氧层监测：在上世纪70年代末期，相关人员利用臭氧制图光谱仪通过卫星对臭氧层进行监测。胡顺星等人对高度范围在2000~4000m之间的对流层臭氧层进行了监测，且效果较好；②大气气溶胶监测：对于传统地面气象观测来说，其在测量气溶胶时空分布特征方面有很大的缺陷存在，卫星遥感技术的使用则对该缺陷进行了完善，可将其替代地面遥感来实现大气气溶胶的监测；③有害气体监测：人们的身体健康和生活环境受有害气体的影响较大，因此实时监测自然或人为产生的有害气体具有重要作用，结合有害气体数据可间接分析大气污染状况；④沙尘暴监测：结合EOS-Terra/MODIS数据或NOAA/AVHRR数据，并选择合适的方法，可实现沙尘暴的监测；⑤城市热岛效应监测：利用热红外遥感对地物辐射温度进行测定，寻找产生热岛效应的因素，降低城市热岛效应的出现。
2.3地表监测的应用
卫星遥感技术对地表监测主要有：地面污染、土地利用变化监测和城市绿地调查。①地面污染监测：选择卫星遥感技术监测地面污染时，可圈定地面污染分布范围，并提出具有规划性的地面污染预防措施。以卫星遥感技术监测煤炭自燃隐火为例，可将红外测温仪与航空红外扫描仪进行结合，并通过细微地表温度差异来圈定隐火区域，并区分燃烧区和燃尽区，并科学分析隐火蔓延规律和具体方向，为采取科学有效的预防措施提供保障；②土地利用变化监测：在监测土地利用情况和土地覆被变化情况时也使用到了卫星遥感技术，基本满足了城市土地利用和覆被变化研究的多时段动态遥感图像资料需求。通过对同一地区不同时段的土地覆被变化和土地利用情况进行分类，可得出区域内的土地利用变化信息，为动态监测土地覆盖提供了可靠的信息支撑；③城市绿地调查：利用卫星遥感技术，可极易获取到城市绿化覆盖度信息和绿地分布情况，进而获取到城市内的绿地景观种类、布局和组成情况。
3、卫星遥感技术在生态环境保护中的发展对策
3.1加强生态环境要高技术开发
应对遥感技术加大开发和创新力度，加强卫星业务化技术研究，在生态环境管理需求的基础上，积极开发污染物遥感信息提取技术，实现大气环境、水环境等遥感监测的业务化水平；尽快建立起卫星遥感应用技术规范体系，增强卫星遥感技术的规范化和标准化水平，在环境遥感物理学的基础上，体现遥感技术的基础性和应用性。
3.2增强遥感监测卫星载荷
当前，遥感监测卫星载荷不足的现象较为突出，人们可以利用科学技术水平对环境遥感卫星载荷进行研究。为更好的开展环境保护，相关学者研发出了多种光谱仪、探测仪等，通过对遥感专用载荷形式进行创新，以实现全天候、定量化的监测大气污染、水污染等环境污染问题。
3.3建立一体化的业务监测系统
因我国开展环境监测的时间相对较晚，现有的环境监测系统发展较为滞后，应加大创新力度，将环境遥感技术与环境监测网络进行结合，将遥感技术在环境监测、环境评价等工作中的作用充分体现出来。建立一体化水环境监测网络，实现国内重点水域的动态监测；建立区域性生态环境监测网络，定期监测和评价生态质量；构建科学合理的地面监测网络，将遥感技术与城市环境监测结合起来。
结论：
综上所述，随着我国卫星遥感技术的快速发展，其在生态环境保护中的优势越发明显，未来发展前景广阔。但遥感技术并不是万能的，一些污染因子并不能通过遥感技术进行监测，需要将其与手工监测进行结合，整合各自优势，才能为生态环境保护提供服务。
参考文献：
[1]汪曦,陈仁杰,阚海东.遥感技术在大气污染物监测中的应用进展[J].环境与健康杂志,2011(10).
[2]张春鹏,郭雅芬,过仲阳.遥感技术在环境监测中的应用探讨[J].测绘与空间地理信息,2006(4).
[3]杨一鹏,韩福丽,王桥,蒋卫国.卫星遥感技术在环境保护中的应用:进展、问题及对策[J].地理与地理信息科学,2011(6).
篇四：遥感提取微绿地研究
1、KPC
和SAM目结合
lw-65基于KPCA和SAM的城市植被遥感分类研究
2、QuickBird利用监督分类、植被指数分类和目视解译等方法对
QuickBird高分辨率卫星遥感影像的绿地信息
进行提
取，并对分类精度作了比对分析。研究结果表明，监督分类方法不能得到令人满意的结果，运用植被指数
分类方法则有明显改善，其中归一化植被指数
(NDW精度最高，因此NDVI能有效地对植被进行分类与识别。
①归一化植被指数NDVI,NDV被定义为近红外波段与可见光红波段数值之差与这两个波段数值之和
的比值。
其计算公式为：
NDVI=(NIR—
R)/(NIR+R);②比值植被指数(RVI)，其计算公式为：
RVI=NIR/R;③差值植被指数(DVI)，其计算公式为：DVI:NIR—
R;④转换型植被指数(TNDVI)，其
计算公
式
lw-64高分辨率遥感影像在城市绿地信息提取中的应用研究
.pdf【不错】
3、混合像元分解结合
SVMfe与决策树法比较
lw-63利用混合像元分解结合
SVM提取城市绿地.pdf
4、车生泉等采用目视解译法提取了上海市外环线内
650km的绿地信息、黄浩利用IKONO影像采用基于KPCA勺SAM
城市植被分类模型提取了南京市玄武区的植被覆盖类型和园林绿地类型、SAVI指数；
本研究采用SAVI指数，其主要原因是：(1)NDVI的饱和值很低(LAI为2—3)，只适用于稀疏植被条件下应用，但此时土壤
辐射亮度的变化
(如由于土壤含水量的变化而引起的反射率变化)对NDVI值又有极大的影响‘，而城
市建成区恰恰多为植被覆盖率
<30%的低植被覆盖区；(2)SAVI比较适用于低植被覆盖区，其探测下限可低至
t5%，因此较适合于城市建成区的使用；
(3)SAVI较NDV具有更宽的数值动态范围，在一
1?1的区间范围里，SAVI
的数值范围较NDVI增加了
0.5左右。如将其换算(拉伸)至256个灰度级，SAV啲数值动态范围则比
NDV增加很多
数量级。
这一动态范围的增加，就使得建筑区、植被和水体这三种地类在
SAVI影像中比在NDVI影像中更容易区分
]jOLHUtt蜒1乳EIM
【密
Ri停撷址料
—…■电一」
匸…"■■
■?*gr*
「-"?——?——
一
一一2」
图1诚市绿地侑啟提取提术谎程图
IW-62CBERS-02星CCD数据在城市绿地信息提取方面的应用一一以扬州市为例
.pdf【较好】
、SVM分类法
本研究以江苏省徐州市为例，运用
TMS感数据为数据源.通过计算相关系数选取
3种最优波段进行组合，运
用SVM分"上?
类法，提取城市绿地信息，结果表明，该方法对研究区域绿地信息的提取取得了较好的效果.最后提出研究区域的绿
地规划建议
Iw-61基于TM影像的城市绿地信息提取
6较高，因此目前仍被广泛应用。
：针对遥感技
、目视解译提取城市绿地费时费力，但是精度
术提取城市绿地所存在的争论，分两步对城市绿地信息提取展开了研究：
(1)分别以三种不同的处理方法(植被指数法、KT变换法、像元线性分解)，提取了研究区域ETM影像的绿地信息。(2)针对
同一方法(植被指数),提取了三种不同分辨率遥感数据
(ETM+、SPOTQuick—
Bird)的绿地信息。
SPO影像则是所
实验结果表明：三种方法中植被指数
(NDVI)是提取城市绿地的最佳方法，有实验数据中绿地信息提取效果最好的。
lw-59基于遥感的城市绿地提取研究
7、运用遥感信息技术，以吉林市为例，在
(彩色合成法、穗帽变换，归一化植被指数
TM影像中对城市绿地进行信息提取。通过
4种绿地信息提取方案
NDVI计算、实验波段合成)的比较发现，归一化植被指数
NDvl计
r垫体的40%,算方法目视解译的效果最好，彩色合成法的分类效果最佳，研究得出吉林市的绿地面积约占
可以得到比较理想的分类结果。
多光谱遥感技术主要是根据植被指数来对植被进行研究，计算植被指数的方法很多，包括比值植被指数
(RVI)、归一化植被指数(NDVI)、垂直植被指数(PVI)等［7］。其中，归一化植被指数(NDVI)足最常见的一种［8—
9］，用于
检测植被生长状态、植被覆盖度和消除部分辐射误差等。归一化植被指数
(NDVI)是植被生长状态及植被覆盖度的NDVI=(NIR—
R)
最佳指示因子［10］，被定义为近红外波段与可见光波段数值之差和这两个波段数值之和的比值，即
/(NIR+R)(1)计算NDVI的值，负值表示地面覆盖为云、水、雪等，对可见光高反射；O表示有岩石或裸土等，NIR?R
TM
近似相等；iF值表示有植被覆盖，且随覆盖度增大而增大。由于吉林市地形起伏造成地表光照条件不一致，对
图像中波谱信息造成的影响程度较高。
本研究中采用标准绿色植被指数
地形等条件的影响［10］。见图3。
lw-58城市绿地现状自动提取.pdf
NDV做比值处理，可以消除与太阳高度角、&城市绿地是城市生态系统中的一个子系统。可以综合调节城市生态环境。本文基于遥感信息，对乌鲁木
齐市绿地格局进行研究和探讨，对城市绿地专题信息进行提取。主要通过计算TM影像及各主成分分量和归
一化植被指数NDVI的相关系数来进行波段组合，提高遥感影像的目视解译精度和分类精度，然后与其他资
料对比研究，可以发现该方法对于城市绿地信息提取能取得较好结果。研究表明乌鲁木齐市城市绿地存在
面积较少，分布状况不均匀。
S5馆嵐提取技祗沆幄图
lw-57基于遥感的乌鲁木齐市绿地资源信息提取技术研究
.pdf9、:利用植被指数从TM影像中提取植被，从技术与经济成本方面综合考虑，是一个比较好的手段。但在
城市绿地信息提取中，由于城市下垫面的特殊性和植被指数的繁多，究竟哪些植被指数最适合于城市
绿地，还仍然是一个急待解决的难点问题。通过以上海中心城区为研究靶区，利用单因
子方差分析
与多重比较对植被指数在城市绿地信息提取中的优劣进行比较研究，得到如下结论：①
经过植被指数计算处理后，植被信息确实得到了增强，但不同的植被指数也有所差别。如
分植被与非植被之间差异程度做标准，那么植被指数提取植被由优到劣则依次是
TM影像
果以区
GEM、IRDVI、NDVI、GNDV、RVI、TNDVI、DVI、EVI和TGDVI。②植被指数基本能从
TM影像提取植被，但把植被再细分
的效果不是太好。总体来看，除
EVI和TGDV以外，植被指数能较好的区分草
地与农田；而树林与农
田及草地与树林的区分则因不同的植被指数有所差异。区分草地与树林较好
的是EVI，区分草地
与农田较好的是GEM］区分树林与农田较好的是TNDV1③植被指数不但细分植被的效果不是太理想，而且也不能很好的细分非植被地物。总体来说，所有的植被指数都很难把建筑物与道路区别开，尤其
TGDVlDVI和
EVI更是如此。不过NDVI、GNDVITNDV和GEM能很好地把水体从TM影像中提取岀来，其余的植被指数则只能区分植被与非植被，不能再进一步的区分非植被地物
关键
词：植被指数；单向因子方差分析；多重比较；上海
由于内外部的原因，植被指数的影响因子比较
多，为此，国内外学者提岀了形式各异的植被指数。
自从Jordan1969年最早提岀了比值植被指数（RVI）后，目前已明确定义的植被指数有
4C多个，再加
上修正的植被指数，其数目不下百种。
繁多的植被指数在具体应用中让使用者无所适从，于城市下垫面的特殊性质，究竟哪些植被指数最适合，目前仍然是一个急待解决的难点问题。
有详细的操作步骤
lw-56植被指数在城市绿地信息提取中的比较研究
.pdf【较好】
特
别是由
10、：提岀了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。选择广州市作为
研究区，先用像元信息分解法把绿地从
TM影像中分离出来，再以分离出来的绿地作为分类掩膜，采用
BP神经网络法进行
分类。并开展野外遥感调查以提高和验证分类精度。结果表明：该方法保证了分类时绿地的纯洁度，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，提高了分类的精度。
关键词：城市绿地；遥感信息；像元信息分解；神经网络分类；广州市
lw-54城市绿地遥感信息自动提取研究——以广州市为例
.pdf11、IKONOS
本文以南京城市为例，重点讨论了基于IKONO影像的城市绿地信息分级分类提取方法，通过将IKONO多光谱数据合成，根据各类地物的不同光谱特征，采取相应的方法提取出各层信息。在此过程中，仔细分析地物间在
IKONOS4个波段中的光谱差异，非线性增强阴影区绿地的NDV值，利用光谱差异分层提取、剔除信息，最后把各分级绿地信息合并得到整
体绿地分布图。分级分类法充分考虑各类目标的不同特点，避免了通常单一分类方法中
单纯利用光谱特征所造成的地物混
分现象。
关键词：信息提取；绿地；归一化植被指数；混合像元
IKONO影像信息是大容量的、多元化的，丰富的，同时也是复杂的，单纯采用一种方法难以从影像中一次
完成各类目标信息的准确提取。根据信息源的特点与分析处理目标的不同，采用不同的处理技术和分析方
法相结合的手段，才能获取相对理想的结果。本文综合采用基于光谱特征对试验区进行绿地信息提取，结
果证明该方法非常有效。因为IKONO影像分辨率高，影像中地物几何结构和纹理信息明显，信息复杂且存
在同物异谱和异物同谱现象，该特点使得图像处理及地物分类方法在某种程度上不同于一般的遥感影像处
理分类方法。由于遥感分类对象区域及影像数据量较大且易混分，需将分类对象区域细分。分层分类法是
提高影像分类精度的一种手段，该方法通过目视解译，光谱分析及其它辅助数据等，将分类对象地区分层
细分成亚分类对象地区，对各个亚分类对象区的影像进行分类，最后将各亚分类区的分类结果合并形成最
终的分类图。本论文研究亚分类区影像信息提取的一种途径，即针对各类地物特点分别进行处理，当提取
出一层信息后，将其从原图像中剔除，避免对其它信息提取的影响，为下一步信息提取提供方便。这样每
次针对特定
目标提取，使问题相对简化，每一类信息提取的精度得到提高，最终提高了总精度。该方法处
理方便，能够分辨岀具有细微光谱差异的地物而不考虑其它已分岀来地物的光谱特征。
考虑绿地提取研究的对象是整个城市，空间相对较大，基于多光谱特征的分类提取方法对全
色波段还不适用，本文对
41T1分辨率的多光谱数据彩色合成后进行绿地提取。
IKONQS^WA何铁正、合成
■
提馭
心
鄒莎绿地
”
厂H谨合类别
_一-乂
—一..基于醴物光谄知识发厦的歸地琨瞅
￡
’
那井绿地
r_］健看类别
~”
一
山
业绿雎
lSODATAflE类根取
竦地
图左信息提取流程圉
IW-52IKONOS影像在城市绿地提取中的应用
.pdf【非常好】
12、以石家庄市为例，重点讨论了基于
QUICKBIR影像的城市绿地信息分级分类提取方法，通过将
QUICKBIR遥感图像进行波段
组合、对比度拉伸、几何纠正后将其多光谱数据合成，根据各类地物的不同光谱特征，采取相应的方法提取出各层信息。
在此过程中，仔细分析地物间的光谱差异，非线性增强阴影区绿地
NDV值，利用光谱差异分层提取、剔除信息。分级分类法充
分考虑各类目标的不同特点，避免了通常单一分类方法中仅利用光谱特征所造成的地物混分现象。
面向像元技术以像元为基本单元进行信息提取，即参与信息提取的因子是像元的光谱信息。由于
中的地物类别特性不仅表现在单纯的色彩上，还表
遥感影像
现在形状、纹理等特征上。纹理反映的是像元灰度的空间
图形，当目标的光谱特征比较接近的时候，纹理
变化特征，是分布在整个影像中某一区域内具有规律性排列的特征对于区
分目标可能会起到积极的作用
_4J。因此，波谱信息类似而形
状、纹理信息不_同的地类如：房顶
和道路路面、受污染的水体、绿色植物、农作物和林地等很难采用面向像元技术进行
区分，错分的现象十分严
和充足的野
重。目视解译方法是目前常用的高分辨率遥感影像信息提取技术方法，要求有丰富的专业经验
外实地调查资料，但目视解译的过程非常繁琐与
漫长。这种采用人工作业屏幕数字化的方法，效率低，受主
说仅凭目视解译就能达到较好的效果，但是边界
一观因素干扰大，质量难以保证，成本也相应地上升，同时，虽
易错位，地物定位精度低。由此可知，单纯采用一种方法难以从影像中次完成各类目标信息的准确提取。
IW-51QUICKBIRD影像在城市绿地提取中的应用一一以石家庄市为例
.pdf【较好】
13、lw-48—种基于植被指数的遥感影像决策树分类方法
4567的相关系数的方法来进行波段组
［）］*由于它们
14、笔者主要通过计算23影像及各主成分分量和归一化植被指数
合，由45H67、主成分变换等衍生数据参与的波段组合对于提取植被信息效果优于其余波段
的参与，不仅增强了目视判读精度，而且用它们的波段组合可以提高分类精度
督分类相结合的方法对开封市绿地信息进行提取
运用监督分类完成的遥感影像分类，其分类结果中也会不可避免地存在一些面积很小的图斑，件的聚类功能（：;<=>）对分类结果进行聚类统计，然后运用去除功能（积小于’个像元的小图斑并将它们合并到相邻的最大分类中
*然后采用非监督分类和监
利用67,89软
？；@=@ABC?）去除聚类影像中面
0处理后结果见图2lw-47遥感影像绿地信息提取以开封市为例
.pdf【非常好】
15、arcgic中应用ARCGIS软件对遥感影像进行目视解译，得到铜仁市绿地类型矢量图，并对
（如云彩遮挡）而无法准确辨；进而采用景观
遥感图像上因城市建设而变动的区域以及因图像本身质量问题
认的区域进行野外实地测量和校正；将绿地类型矢量图转化成栅格图像数据
斑块谱方法，利用Fragstats3.3软件对铜仁市城市绿地景观结构特征进行具体分析。
lw-40基于QuickBird遥感影像的铜仁市城市绿地景观结构特征分析
16、高分辨率遥感影像是城市绿地信息快速提取的主要数据源，利用传统方法处理该数据的工作量十分巨
大.该文提出利用AutoCADPhotoshop和ERDAS两种软件相结合的方法，提取包头市城市绿地覆盖信息，达
到清查城市绿地的目的.该方法信息获取周期短、精度高、成本低，实现了城市绿地信息精确获取与快速更
新.
lw-38基于高分辨率影像的城市绿地快速提取方法
.pdf【较好】
17、对2008年
8月覆盖乌鲁木齐市主城区的IKONOS遥感影像进行预处理提取植被信息，再用代表性样地法
采集主城区乔木树种的样点数据计算主城区绿量，选定归一化植被指数（NDVI）、土壤调节植被指数（SAV
：Y=44916NDV
I）、修正土壤调节指数（MSAVI）和比值植被指数（RVI）做为自变量，以实测样本数据作为应变量，采
用多元回归分析法建立基于遥感影像的乌鲁木齐市绿量遥感估算模型
步骤较详细
lw-33乌鲁木齐市主城区绿量的遥感估算
lw-31----lw65SB-25聊城市城市绿地空间结构及功能研究
.pdf【非常好】
Lw-66基于K_T变换的NDVI提取方法研究.caj【不错】
.pdf【较好】
阐述了
K-T变换的原理及其在植被信息提取方面的优点。
得到的结果图像纹理清晰、光谱保持能力强
化、荒漠化等研究具有较重要的意义。
缨帽原理：
将基于K-T变换提取的NDVI结果与
直接在TM影像上提取的NDVI结果进行比较。实验结果表明，基于K-T变换的NDVI提取方法
,对于区域植被覆盖信息提取
,进而对生态环境变
采用缨帽变换可以将
TM图像除热红外波段的6个波段压缩成
3个分量，第一分量为亮度指数，反映了地物总体反射率的综合效果
;第二分量为绿度指数，与地面植被覆盖、叶面积指数及生
物量有很大关系
;第三分量为湿度指数，反映了地面水分条件，特别是土壤的湿度状态。
其中的土壤亮度指数分量是
6个波段的加权和，反映了总体的反射值
;绿色植被指数分量反映了绿色
生物量的特征
;土壤特征分量反映了可见光和近红外与较长的红外的差值
物湿度最为敏感。这样的3个分量就是
TM数据进行缨帽变换后的新空间
是一种特殊的主成分分析，和主成分分析不同的是其转换系数是固定的个图像，不同图像产生的土壤亮度和绿度可以相互比较。随着植被生长
应用于不同区域上的不同植被和作物。同时
很好地将植被从建筑物与道路中区分开来，它对土壤湿度和植，它可以对植被、土，因此它独立于单，在绿度图像上的信息
壤等地面景物作更为细致、准确的分析，应用这种处理方法可增强影像深色区域的信息。
K-T变换增强，土壤亮度上的信息减弱
;当植被成熟和逐渐凋落时，其绿色度图像特征减少。
这种解释可
以，K-T变换对区分不同植被类型非常有效，也能
（图1是未经变
篇五：遥感提取微绿地研究
第１７卷
第５期２０１９年１０月ＪｏｕｒｎａｌｏｆＣｈｉｎｅｓｅＵｒｂａｎＦｏｒｅｓｔｒｙ中
国
城
市
林
业Ｖｏｌ??１７ Ｎｏ??５Ｏｃｔ??２０１９无人机遥感技术在城市绿地监测中的应用进展?张敏霞１?４
梅丹英１?３
高伟俊３
鲍沁星１?４
李方正２１ 浙江农林大学风景园林与建筑学院
杭州
３１１３００２ 北京林业大学园林学院
北京
１０００８３３ 日本北九州市立大学国际环境工学部
日本
８０８－０１３５４ 不列颠哥伦比亚大学
加拿大
Ｖ６Ｔ１Ｚ４摘要:快速准确掌握城市绿地信息和动态变化是正确评估城市绿地生态效益和有效规划管理城市绿地的重要基础?无人机遥感技术的运用为快速准确获取城市绿地信息提供了技术条件?成为微中观尺度上绿地监测的重要工具?文章深入研究无人机系统在城市绿地监测中的应用现状?从绿地信息提取、变化检测、生态系统服务３方面综述了国内外最新研究进展?结果表明?无人机遥感在城市绿地信息提取方面的技术已经较为成熟?且在城市绿地变化监测和评估城市绿地生态系统服务方面已经进行初步尝试?关键词:无人机?遥感技术?城市绿地?绿地监测ＤＯＩ:１０.１２１６９/ｚｇｃｓｌｙ.２０１９.０５.１２.０００５ＲｅｖｉｅｗｏｎｔｈｅＡｐｐｌｉｃａｔｉｏｎｓｏｆＵＡＶＲｅｍｏｔｅＳｅｎｓｉｎｇＴｅｃｈｎｏｌｏｇｙｔｏＵｒｂａｎＧｒｅｅｎＳｐａｃｅＭｏｎｉｔｏｒｉｎｇ(１??ＳｃｈｏｏｌｏｆＬａｎｄｓｃａｐｅａｎｄＡｒｃｈｉｔｅｃｔｕｒｅ?ＺｈｅｊｉａｎｇＡｇｒｉｃｕｌｔｕｒｅ＆ＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ?Ｈａｎｇｚｈｏｕ３１１３００?Ｃｈｉｎａ?３??ＦａｃｕｌｔｙｏｆＥｎｖｉｒｏｎｍｅｎｔａｌＥｎｇｉｎｅｅｒｉｎｇ?ＴｈｅＵｎｉｖｅｒｓｉｔｙｏｆＫｉｔａｋｙｕｓｈｕ?Ｊａｐａｎ８０８－０１３５?Ａｂｓｔｒａｃｔ:Ｒａｐｉｄａｎｄａｃｃｕｒａｔｅｕｎｄｅｒｓｔａｎｄｉｎｇｏｆｕｒｂａｎｇｒｅｅｎｓｐａｃｅｓｉｔｕａｔｉｏｎａｎｄｉｔｓｄｙｎａｍｉｃｃｈａｎｇｅｓｉｓｔｈｅｉｍｐｏｒｔａｎｔｂａｓｉｓｆｏｒｃｏｒｒｅｃｔｅｖａｌｕａｔｉｏｎｏｆｅｃｏｌｏｇｉｃａｌｂｅｎｅｆｉｔｓｏｆｕｒｂａｎｇｒｅｅｎｓｐａｃｅｓａｎｄｅｆｆｅｃｔｉｖｅｐｌａｎｎｉｎｇａｎｄｍａｎａｇｅｍｅｎｔｏｆｕｒｂａｎｇｒｅｅｎｓｐａｃｅ??ＴｈｅａｐｐｌｉｃａｔｉｏｎｏｆＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙｐｒｏｖｉｄｅｓａｔｅｃｈｎｉｃａｌａｐｐｒｏａｃｈｔｏｃｏｌｌｅｃｔｉｎｇｔｈｅｌａｎｄｍｏｎｉｔｏｒｉｎｇｉｎｍｉｃｒｏｓｃａｌｅｏｒｍｅｓｏｓｃａｌｅ??ＴｈｉｓｓｔｕｄｙｄｉｓｃｕｓｓｅｓｔｈｅａｐｐｌｉｃａｔｉｏｎｓｏｆＵＡＶｔｏｕｒｂａｎｇｒｅｅｎｓｐａｃｅｍｏｎｉｔｏｒｉｎｇ?ａｎｄｒｅｖｉｅｗｓｔｈｅｌａｔｅｓｔｒｅｓｅａｒｃｈｐｒｏｇｒｅｓｓａｔｈｏｍｅａｎｄａｂｒｏａｄｆｒｏｍｔｈｒｅｅａｓｐｅｃｔｓ?ｉ??ｅ???ｇｒｅｅｎｓｐａｃｅｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎ?ｃｈａｎｇｅｄｅｔｅｃｔｉｏｎａｎｄｅｃｏｓｙｓｔｅｍｓｅｒｖｉｃｅｓ??ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙｕｓｅｄｉｎｕｒｂａｎｇｒｅｅｎｓｐａｃｅｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎｈａｓｂｅｅｎｒｅｌａｔｉｖｅｌｙｍａｔｕｒｅａｎｄｈａｓｂｅｅｎｐｒｅｌｉｍｉｎａｒｉｌｙａｐｐｌｉｅｄｉｎｍｏｎｉｔｏｒｉｎｇａｎｄｅｖａｌｕａｔｉｎｇｕｒｂａｎｇｒｅｅｎｓｐａｃｅｃｈａｎｇｅａｎｄｕｒｂａｎｇｒｅｅｎｓｐａｃｅｅｃｏｓｙｓｔｅｍｓｅｒｖｉｃｅｓ??ｍｏｎｉｔｏｒｉｎｇＫｅｙｗｏｒｄｓ:ｕｎｍａｎｎｅｄａｅｒｉａｌｖｅｈｉｃｌｅ(ＵＡＶ)?ｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙ?ｕｒｂａｎｇｒｅｅｎｓｐａｃｅ?ｇｒｅｅｎｓｐａｃｅ４??ＵｎｉｖｅｒｓｉｔｙｏｆＢｒｉｔｉｓｈＣｏｌｕｍｂｉａ?ＶａｎｃｏｕｖｅｒＶ６Ｔ１Ｚ４?Ｃａｎａｄａ)２??ＳｃｈｏｏｌｏｆＬａｎｄｓｃａｐｅＡｒｃｈｉｔｅｃｔｕｒｅ?ＢｅｉｊｉｎｇＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ?Ｂｅｉｊｉｎｇ１０００８３?Ｃｈｉｎａ?ＺｈａｎｇＭｉｎｘｉａ１?４
ＭｅｉＤａｎｙｉｎｇ１?３
ＧａｏＷｅｉｊｕｎ３
ＢａｏＱｉｎｘｉｎｇ１?４
ＬｉＦａｎｇｚｈｅｎｇ２ｕｒｂａｎｇｒｅｅｎｓｐａｃｅｉｎｆｏｒｍａｔｉｏｎｉｎａｆａｓｔｅｒａｎｄｍｏｒｅａｃｃｕｒａｔｅｗａｙ?ｗｈｉｃｈｇｒａｄｕａｌｌｙｂｅｃｏｍｅｓａｎｉｍｐｏｒｔａｎｔｔｏｏｌｆｏｒｇｒｅｅｎ
收稿日期:２０１９－０５－１２?基金项目:教育部人文社会科学研究青年基金项目(１７ＹＪＣ７６０１１７)?国家自然科学基金项目(３１７７０７５４)?国家自然科学
基金项目(３１６７０７０４)
第一作者:张敏霞(１９８６－)?女?硕士?讲师?加拿大不列颠哥伦比亚大学访问学者?研究方向为风景园林规划设计、风
景园林工程技术?Ｅ－ｍａｉｌ:ｚｍｘ＠ｚａｆｕ??ｅｄｕ??ｃｎ
康?Ｅ－ｍａｉｌ:ｆａｎｇｚｈｅｎｇｌｉ＠ｂｊｆｕ??ｅｄｕ??ｃｎ
通信作者:李方正(１９８９－)?男?博士?讲师?研究方向为城市绿色空间生态系统服务权衡与协同、风景园林与公共健
