PAGEI摘要隨著城市生態(tài)建設(shè)需求的增長，精準提取城市綠地現(xiàn)已成為成為城市規(guī)劃與環(huán)境監(jiān)測的重要基礎(chǔ)。本文基于高分遙感影像，系統(tǒng)研究城市綠地提取方法。詳細探討面向?qū)ο蠓ê捅O(jiān)督分類法等傳統(tǒng)提取技術(shù)，分析發(fā)現(xiàn)其在復(fù)雜城市環(huán)境下存在的精度不足、適應(yīng)性差等弊端，尤其是面對建筑物陰影、混合植被覆蓋區(qū)域時易出現(xiàn)誤分與漏分問題。針對上述問題，創(chuàng)新性提出TLD-FusionNet（TraditionalandDeepLearningFusionNetwork），該網(wǎng)絡(luò)將傳統(tǒng)方法的先驗知識與深度學(xué)習(xí)的自適應(yīng)特征提取能力相結(jié)合，通過“傳統(tǒng)方法奠基-深度學(xué)習(xí)提升-反饋優(yōu)化”三層融合體系，實現(xiàn)對城市綠地的高效提取。研究以高分遙感影像為數(shù)據(jù)源，分別運用面向?qū)ο蠓ā⒈O(jiān)督分類法及TLD-FusionNet進行實驗，并基于混淆矩陣計算各項精度指標，對提取結(jié)果進行精度對比。實驗結(jié)果表明，TLD-FusionNet在復(fù)雜城區(qū)場景下的總體精度達到92.3%，較傳統(tǒng)方法提升12%-18%，Kappa系數(shù)為0.90，顯著優(yōu)于單一方法。該研究驗證了TLD-FusionNet在城市綠地提取中的可行性與優(yōu)越性，為城市綠地動態(tài)監(jiān)測和生態(tài)評估提供了高精度、強適應(yīng)性的技術(shù)方案。關(guān)鍵詞：高分遙感，深度學(xué)習(xí)，TLD-FusionNet，城市綠地提取

AbstractAsthedemandforurbanecologicalconstructiongrows,accuratelyextractingurbangreenspaceshasbecomeacrucialfoundationforurbanplanningandenvironmentalmonitoring.Thispapersystematicallystudiesmethodsforextractingurbangreenspacesbasedonhigh-resolutionremotesensingimages.Itthoroughlyexaminestraditionalextractiontechniquessuchasobject-basedmethodsandsupervisedclassification,analyzingtheirshortcomingsincomplexurbanenvironments,particularlyissuesofaccuracyandadaptability.Theseproblems,especiallywhendealingwithbuildingshadowsandmixedvegetationcoverareas,oftenleadtomisclassificationandomissions.Inresponsetotheaforementionedissues,aninnovativeTLD-FusionNet(TraditionalandDeepLearningFusionNetwork)networkisproposed.Thisnetworkcombinesthepriorknowledgeoftraditionalmethodswiththeadaptivefeatureextractioncapabilitiesofdeeplearning,achievingefficienturbangreenspaceextractionthroughathree-tierfusionsystem:"traditionalmethodfoundation-deeplearningenhancement-feedbackoptimization."Thestudyuseshigh-resolutionremotesensingimagesasdatasourcesandemploysobject-orientedmethods,supervisedclassification,andTLD-FusionNetforgreenspaceextractionexperiments.Precisionmetricsarecalculatedbasedonconfusionmatricestocomparetheaccuracyoftheextractionresults.ExperimentalresultsshowthatTLD-FusionNetachievesanoverallaccuracyof92.3%incomplexurbanscenarios,improvingby12%-18%comparedtotraditionalmethods,withaKappacoefficientof0.90,significantlyoutperforminganysinglemethod.ThestudyverifiedthefeasibilityandsuperiorityofTLD-FusionNetinurbangreenspaceextraction,andprovidedahighprecisionandstrongadaptabilitytechnicalschemefordynamicmonitoringandecologicalassessmentofurbangreenspace.Keywords：Highresolutionremotesensing,deeplearning,ST-UNet,urbangreenspaceextraction

目錄TOC\o"1-3"\h\u1006前言 1286281緒論 2309721.1研究背景與意義 2122651.2國內(nèi)外研究現(xiàn)狀 2105341.3研究內(nèi)容 3255531.3.1研究目標 3326081.3.2研究內(nèi)容 3199521.4研究方法與技術(shù)路線 3129792城市綠地提取原理 4139572.1高分遙感影像用于城市綠地提取的原理 4272492.2面向?qū)ο蠹夹g(shù)原理 5203392.2.1影像分割原理 685222.2.2特征提取原理 7244852.3監(jiān)督分類方法原理 896372.3.1特征空間構(gòu)建 9149442.3.2分類器訓(xùn)練 9189912.3.3決策規(guī)則制定 9271872.4深度學(xué)習(xí)方法原理 10121622.4.1卷積層 10298062.4.2池化層 1162192.4.3全連接層 123252.4.4激活函數(shù) 138573城市綠地提取 15220203.1遙感影像及其預(yù)處理 15254713.1.1遙感影像 15148573.1.2遙感影像預(yù)處理 16192483.2面向?qū)ο蠓ㄌ崛〕鞘芯G地 18256883.2.1城市綠地影像提取 18210483.2.2分類與提取? 19161343.3監(jiān)督分類法提取城市綠地 24281603.3.1樣本選取 24304203.3.2分類算法選擇與執(zhí)行 2419389第四章TLD-FusionNet：傳統(tǒng)與深度學(xué)習(xí)融合的城市綠地提取網(wǎng)絡(luò) 27117474.1優(yōu)化設(shè)計 27202074.2優(yōu)化設(shè)計流程 28194584.3制作樣本集 28205024.3.1制作樣本集數(shù)據(jù) 29159054.3.2增強樣本集數(shù)據(jù) 291524.4TLD-FusionNet網(wǎng)絡(luò)成果 30248614.5精度評估與迭代優(yōu)化 3278745城市綠地提取的精度評價與對比分析 338685.1精度指標 3328765.2精度評定與對比分 3426410結(jié)論 3731466參考文獻 4012521致謝 41PAGEPAGEI前言城市綠地作為城市生態(tài)系統(tǒng)的核心組成部分，在調(diào)節(jié)氣候、凈化空氣、提升人居環(huán)境質(zhì)量等方面具有不可替代的作用，其精準提取是城市生態(tài)規(guī)劃、環(huán)境評估與可持續(xù)發(fā)展的重要基礎(chǔ)。高分遙感技術(shù)憑借高空間分辨率與多光譜觀測能力，為城市綠地精細化監(jiān)測提供了關(guān)鍵手段，但城市環(huán)境中密集建筑群陰影、植被類型多樣、地物混合分布等復(fù)雜場景，導(dǎo)致綠地光譜特征與空間形態(tài)呈現(xiàn)高度異質(zhì)性，對提取方法的精度與適應(yīng)性提出了嚴峻挑戰(zhàn)。傳統(tǒng)的城市綠地提取方法REF_Ref6496\r\h[1]，如監(jiān)督分類法和面向?qū)ο蠓诸惙?，基于地物光譜特征與簡單空間規(guī)則構(gòu)建分類模型，具有原理清晰、操作便捷的優(yōu)勢，曾在城市綠地監(jiān)測中廣泛應(yīng)用。然而，這類方法依賴人工設(shè)定的固定特征閾值（如NDVI臨界值、形狀指數(shù)參數(shù)），難以適應(yīng)植被季節(jié)變化、傳感器差異及復(fù)雜地物交互帶來的特征波動，在建筑陰影覆蓋的綠地、碎片化植被區(qū)域及屋頂綠化等場景中，常因混合像元問題導(dǎo)致顯著的誤分與漏分，平均提取精度普遍低于80%，尤其對面積小于200㎡的小目標綠地漏分率超過40%，無法滿足城市微生態(tài)評估的精細化需求。近年來，深度學(xué)習(xí)技術(shù)的興起為遙感地物提取帶來突破，U-Net等語義分割模型通過自動學(xué)習(xí)影像的深層光譜-空間特征，在復(fù)雜城區(qū)綠地提取中精度較傳統(tǒng)方法提升15%-20%REF_Ref8651\r\h[3]，有效改善了陰影區(qū)和邊界模糊區(qū)域的識別效果。但此類方法高度依賴大規(guī)模標注數(shù)據(jù)（通常需萬級以上精細標注樣本），而城市遙感數(shù)據(jù)標注需結(jié)合實地調(diào)研與高分辨率影像解譯，人力成本高昂，在中小城市或數(shù)據(jù)稀缺區(qū)域難以推廣。同時，模型的“黑箱”特性導(dǎo)致地理先驗知識（如綠地與建筑的空間布局規(guī)則、植被生態(tài)特征）難以有效融入特征提取過程，限制了技術(shù)的可解釋性與跨場景遷移能力。針對傳統(tǒng)方法特征表達能力不足與深度學(xué)習(xí)數(shù)據(jù)依賴的雙重瓶頸，本研究提出一種融合創(chuàng)新方法——TLD-FusionNet（TraditionalandDeepLearningFusionNetwork），通過構(gòu)建“傳統(tǒng)方法奠基-深度學(xué)習(xí)提升-反饋優(yōu)化”的三層技術(shù)體系，實現(xiàn)專家知識顯性表達與數(shù)據(jù)驅(qū)動隱性學(xué)習(xí)的有機結(jié)合。該體系首先利用面向?qū)ο蠓诸悩?gòu)建綠地空間先驗規(guī)則，快速劃定高置信度候選區(qū)域，為深度學(xué)習(xí)提供語義約束，繼而通過引入輕量級語義分割網(wǎng)絡(luò)并結(jié)合遷移學(xué)習(xí)，針對復(fù)雜場景進行特征強化學(xué)習(xí)，彌補傳統(tǒng)方法的細節(jié)提取缺陷，最終通過誤差分析驅(qū)動規(guī)則與模型的雙向優(yōu)化，形成“粗提取-精修正-再迭代”的閉環(huán)流程。研究以高分遙感影像為數(shù)據(jù)基礎(chǔ)，系統(tǒng)對比不同方法的提取效能，驗證融合體系在精度、效率及泛化能力上的綜合優(yōu)勢，旨在為城市綠地動態(tài)監(jiān)測提供兼具科學(xué)性與工程實用性的解決方案，推動遙感技術(shù)在城市復(fù)雜地物提取中的深度應(yīng)用與范式創(chuàng)新。1緒論1.1研究背景與意義隨著城市化進程的加速，城市規(guī)模不斷擴張，人口持續(xù)增長，城市生態(tài)環(huán)境面臨著嚴峻的挑戰(zhàn)。城市綠地具有凈化空氣、降低噪音、美化環(huán)境、保護生物多樣性等多種生態(tài)服務(wù)功能，對改善居民的生活質(zhì)量和促進城市可持續(xù)發(fā)展具有不可替代的作用。在傳統(tǒng)的城市綠地提取方法中，實地調(diào)查耗費大量的人力、物力，效率低下，且難以實現(xiàn)對大面積城市綠地的快速監(jiān)測和更新。人工繪制地圖存在主觀性強、精度低等問題，無法滿足現(xiàn)代城市規(guī)劃對綠地信息的高精度、實時性需求。且隨著城市的快速發(fā)展，城市綠地的分布和變化日益復(fù)雜。高分遙感影像具有高空間分辨率、高時間分辨率和多光譜信息等優(yōu)勢，能夠提供豐富的地表細節(jié)信息，使得對城市綠地的準確識別和分類成為可能。通過對高分遙感影像的分析，可以快速、全面地獲取城市綠地的分布、面積等信息，為城市綠地的規(guī)劃、管理和保護提供科學(xué)依據(jù)REF_Ref8916\r\h[2]。綜上，基于高分遙感影像的城市綠地提取研究具有重要的現(xiàn)實意義。它不僅能夠彌補傳統(tǒng)綠地提取方法的不足，提高綠地信息獲取的效率和精度，還能為城市生態(tài)環(huán)境保護、城市規(guī)劃和可持續(xù)發(fā)展提供有力的技術(shù)支持，對于提升城市的生態(tài)品質(zhì)和居民的生活質(zhì)量具有深遠的影響。1.2國內(nèi)外研究現(xiàn)狀在國外，高分遙感影像技術(shù)在城市綠地提取領(lǐng)域的應(yīng)用較早。20世紀末，國外學(xué)者便開始利用遙感數(shù)據(jù)進行城市綠地信息的提取研究，通過監(jiān)督分類的方法對城市綠地進行分類提取，初步實現(xiàn)了對城市綠地分布的宏觀把握REF_Ref8975\r\h[15]。21世紀，隨著遙感技術(shù)的不斷發(fā)展，基于面向?qū)ο蟮姆诸惙椒ǔ浞掷酶叻钟跋竦母呖臻g分辨率優(yōu)勢，考慮地物的光譜、形狀、紋理等多種特征，有效提高了城市綠地提取的精度。近年來，深度學(xué)習(xí)模型被廣泛應(yīng)用于城市綠地提取研究中REF_Ref8952\r\h[14]。在國內(nèi)，這項研究早期主要集中在利用中低分辨率遙感影像。21世紀，隨著高分遙感衛(wèi)星的發(fā)射，國內(nèi)學(xué)者開始關(guān)注高分遙感影像在城市綠地提取中的應(yīng)用REF_Ref9030\r\h[4]。目前，國內(nèi)研究在方法創(chuàng)新和應(yīng)用拓展方面取得了顯著成果。一些學(xué)者將深度學(xué)習(xí)與傳統(tǒng)分類方法相結(jié)合，提出了改進的分類模型，進一步提高了綠地提取的精度和效率。盡管國內(nèi)外在這方面都取得了諸多成果，但仍存在問題。不同類型綠地的精細分類精度有待提高，尤其是對于一些混合綠地和特殊綠地類型的識別還存在一定困難。城市綠地提取方法的普適性和可移植性不足，不同地區(qū)的地形、氣候、植被等條件差異較大，現(xiàn)有的提取方法難以直接應(yīng)用于不同區(qū)域。此外，如何充分利用多源遙感數(shù)據(jù)，實現(xiàn)城市綠地的動態(tài)監(jiān)測和變化分析，也是未來研究的重點方向。1.3研究內(nèi)容1.3.1研究目標針對高分遙感影像城市綠地提取中傳統(tǒng)方法特征適應(yīng)性不足與深度學(xué)習(xí)模型數(shù)據(jù)依賴的核心問題，本研究旨在構(gòu)建一種融合傳統(tǒng)地物先驗知識與深度學(xué)習(xí)自適應(yīng)特征提取能力的新型技術(shù)框架，突破單一方法的性能瓶頸。1.3.2研究內(nèi)容（1）高分遙感影像處理：對獲取的高分遙感影像進行預(yù)處理，包括輻射定標、大氣校正、幾何校正等，以消除影像獲取過程中產(chǎn)生的各種誤差和干擾，提高影像質(zhì)量，為后續(xù)的綠地提取工作奠定基礎(chǔ)REF_Ref9295\r\h[11]。（2）提取方法研究：對比分析監(jiān)督分類、面向?qū)ο蠓诸?、深度學(xué)習(xí)分類等多種常見的城市綠地提取方法，結(jié)合高分遙感影像的特點，選擇合適的分類算法，并對其進行改進和優(yōu)化REF_Ref9422\r\h[5]。（3）特征提取與選擇：研究高分遙感影像中城市綠地的光譜特征、紋理特征、形狀特征等，選擇對綠地提取最有效的特征組合，提高分類的準確性和可靠性。（4）精度評估與驗證：采用混淆矩陣、Kappa系數(shù)、總體精度等指標，對提取結(jié)果進行精度評估，分析不同方法的優(yōu)缺點，并通過實地調(diào)查、高分辨率航空影像等數(shù)據(jù)進行驗證，確保提取結(jié)果的準確性。1.4研究方法與技術(shù)路線本研究綜合運用多種研究方法，以確保城市綠地提取的準確性和有效性。（1）實驗法：通過設(shè)計一系列實驗，對不同的城市綠地提取方法進行對比分析。（2）對比分析法：對不同方法提取的城市綠地結(jié)果進行詳細對比，從提取精度、分類準確性、效率等多個角度進行分析。（3）特征提取與選擇法：針對高分遙感影像，研究并提取城市綠地的光譜特征、紋理特征、形狀特征等。通過計算歸一化植被指數(shù)、比值植被指數(shù)等光譜指數(shù)，突出綠地與其他地物的光譜差異，利用灰度共生矩陣等方法，提取綠地的紋理特征，基于數(shù)學(xué)形態(tài)學(xué)等方法，提取綠地的形狀特征。然后，采用特征選擇算法，選擇對綠地提取最有效的特征組合，提高分類的準確性和可靠性REF_Ref9422\r\h[5]。（4）精度評估法：采用混淆矩陣、Kappa系數(shù)、總體精度等指標，對提取結(jié)果進行精度評估。本研究的技術(shù)路線如圖1.1所示。圖1.1技術(shù)路線圖Figure1Technologyroadmap2城市綠地提取原理2.1高分遙感影像用于城市綠地提取的原理利用高分遙感影像提取城市綠地的原理是基于地物的反射、輻射特性差異在影像上的不同表現(xiàn)來實現(xiàn)的。地球表面的各種地物，包括城市綠地，由于其物質(zhì)組成、結(jié)構(gòu)和物理性質(zhì)的不同，對電磁波的反射、吸收和發(fā)射特性存在顯著差異。在可見光和近紅外波段，綠地中的植被具有獨特的光譜特征。植被中的葉綠素對藍光和紅光有強烈的吸收作用，用于光合作用，因此在藍光和紅光波段反射率較低，僅在綠色波段附近有一個較小的反射峰稱為“綠峰”，而在近紅外波段，由于植被細胞結(jié)構(gòu)的影響，反射率較高。這種光譜特征使得綠地在遙感影像上呈現(xiàn)出與其他地物明顯不同的色調(diào)和亮度。在多光譜遙感影像中，通過對不同波段的組合和分析，可以突出綠地的光譜特征，如常見的假彩色合成影像，將近紅外波段賦予紅色、紅色波段賦予綠色、綠色波段賦予藍色，此時綠地在影像上通常呈現(xiàn)出鮮艷的紅色，與水體的藍色、建筑物的灰色等其他地物形成鮮明對比，從而實現(xiàn)對綠地的初步識別REF_Ref6496\r\h[1]。植被光譜曲線如圖2.1。圖2.1植被光譜曲線Figure2.1Vegetationspectralcurve高分遙感影像的高空間分辨率使得地物的形狀、結(jié)構(gòu)等細節(jié)信息得以清晰呈現(xiàn)。通過對影像中地物形狀的分析，可以進一步識別和區(qū)分不同類型的綠地。綠地的紋理特征也能為其提取提供重要依據(jù)。植被的生長具有一定的規(guī)律性，使得綠地在影像上呈現(xiàn)出獨特的紋理，如草坪的紋理相對細膩、均勻，而樹木較為密集的綠地則紋理較為粗糙、復(fù)雜。利用灰度共生矩陣、小波變換等方法可以提取綠地的紋理特征，以此輔助綠地的識別和分類。地物的空間關(guān)系也是城市綠地提取的重要依據(jù)。綠地通常與其他地物存在一定的空間關(guān)聯(lián)，如公園綠地周圍可能有道路、廣場等配套設(shè)施，道路綠地緊鄰道路，居住區(qū)綠地與建筑物相互依存。通過分析綠地與周圍地物的空間關(guān)系，可以進一步驗證和準確提取城市綠地信息。例如，利用地理信息系統(tǒng)（GIS）的空間分析功能，通過緩沖區(qū)分析、疊加分析等方法，確定綠地與其他地物的空間位置關(guān)系，從而更準確地提取城市綠地REF_Ref9667\r\h[13]。綜上所述，利用高分遙感影像提取城市綠地是基于地物的光譜特征、形狀特征、紋理特征以及空間關(guān)系等多方面信息，通過對這些信息的綜合分析和處理，實現(xiàn)對城市綠地的準確識別和分類。2.2面向?qū)ο蠹夹g(shù)原理在高分辨率遙感影像城市綠地信息提取中，面向?qū)ο蠓ǖ暮诵脑碓谟诖蚱苽鹘y(tǒng)像元級分析的束縛，將影像分割形成具有空間連續(xù)性和語義一致性的對象單元。該方法基于地物的光譜、紋理、形狀及空間關(guān)系等多維特征，通過影像分割構(gòu)建不同尺度的對象，利用特征提取量化對象屬性，最終借助分類器完成地物類別劃分。這種方法能夠充分捕捉綠地的空間結(jié)構(gòu)特征與整體分布規(guī)律，避免傳統(tǒng)方法中常見的“椒鹽效應(yīng)”，有效提升綠地信息提取的準確性與完整性。本小結(jié)將從影像分割算法設(shè)計，多源特征提取優(yōu)化兩方面，系統(tǒng)闡述面向?qū)ο蠓椒ㄔ诟叻直媛蔬b感影像城市綠地信息提取中的具體實現(xiàn)路徑與關(guān)鍵技術(shù)要點。圖2.2面向?qū)ο蠓ㄌ崛×鞒蘁igure2.2Object-orientedextractionprocess2.2.1影像分割原理面向?qū)ο蠓诸惖暮诵幕A(chǔ)在于影像分割，其旨在將連續(xù)的像元集合轉(zhuǎn)化為具有實際語義的對象單元。通過合理的分割算法與參數(shù)設(shè)置，能夠?qū)崿F(xiàn)對城市綠地與其他地物在空間邊界上的精準劃分，為后續(xù)的特征提取與分類識別奠定重要基礎(chǔ)。因此，如何選擇合適的分割算法與優(yōu)化參數(shù)，成為了實現(xiàn)高精度城市綠地信息提取的關(guān)鍵前提。多尺度分割算法的核心思想是通過模擬人類視覺對不同層次地物的認知過程，在單一影像上生成多組具有不同空間粒度的分割對象，從而適應(yīng)復(fù)雜地物在形狀、大小和結(jié)構(gòu)上的差異。該算法通過定義異質(zhì)性度量函數(shù)，將影像劃分為光譜、紋理和形狀特征相對均勻的區(qū)域，并通過調(diào)節(jié)尺度參數(shù)控制分割對象的大小，為后續(xù)的地物分類提供兼具細節(jié)特征與整體結(jié)構(gòu)的基本單元。以下從算法核心機制、異質(zhì)性度量、參數(shù)控制及分割流程四方面展開分析REF_Ref9833\r\h[6]。（1）算法核心機制：基于區(qū)域合并的層級分割多尺度分割以像元為初始分割單元，通過自底向上的層級合并策略，逐步將相鄰像元或區(qū)域合并為特征更均勻的對象。首先將影像中每個像元初始化為獨立對象，計算各對象的光譜均值、形狀參數(shù)等基礎(chǔ)特征，隨后對所有相鄰對象對，基于光譜差異和形狀差異計算綜合異質(zhì)性指標，其中光譜差異權(quán)重通常高于形狀差異以優(yōu)先保證同質(zhì)像元的合并，接著按照預(yù)設(shè)的尺度參數(shù)，從異質(zhì)性最小的相鄰對象對開始合并，生成新的復(fù)合對象，并重新計算其光譜與形狀特征以更新特征空間，重復(fù)上述相鄰對象異質(zhì)性評估與合并過程，直至所有相鄰對象對的異質(zhì)性均超過尺度參數(shù)設(shè)定的閾值。（2）異質(zhì)性度量：光譜與形狀特征的聯(lián)合約束多尺度分割通過異質(zhì)性函數(shù)量化區(qū)域合并的合理性，其數(shù)學(xué)表達式為：（2.1）光譜異質(zhì)性:衡量區(qū)域內(nèi)光譜特征的均勻性，通?；诟鞑ǘ畏瓷渎实木挡町愑嬎?。對于兩個相鄰區(qū)域A和B，合并后的光譜異質(zhì)性為：（2.2）其中，n為波段數(shù)，Ab、Bb為區(qū)域A、B在第b波段的均值，wb為波段權(quán)重。形狀異質(zhì)性：包括緊湊度和光滑度兩部分，用于約束區(qū)域的幾何規(guī)則性。緊湊度用于反映區(qū)域周長與面積的關(guān)系，緊湊度越高，異質(zhì)性越低。光滑度用于描述區(qū)域邊界的復(fù)雜程度，邊界越光滑，異質(zhì)性越低。通過調(diào)節(jié)光譜權(quán)重和形狀權(quán)重，算法可靈活適應(yīng)不同地物的特征差異。例如，城市綠地光譜特征明顯，可適當(dāng)提高光譜權(quán)重，對形狀規(guī)則的人工綠地，可增加形狀權(quán)重以增強分割效果。（3）尺度參數(shù)：分割粒度的核心控制變量多尺度分割的核心參數(shù)是尺度因子，它定義了合并過程中允許的最大異質(zhì)性閾值。尺度因子越大，允許的異質(zhì)性越高，生成的分割對象越大，反之，尺度因子越小，對象越精細。小尺度（ScaleFactor<50）：適用于破碎化地物（如街道綠化帶、小塊綠地），可保留樹冠邊緣、植被間隙等細節(jié)，但可能導(dǎo)致同一綠地被分割為多個對象。中尺度（50≤ScaleFactor≤150）：平衡細節(jié)與整體結(jié)構(gòu)，適用于中等面積綠地（如社區(qū)公園），確保單個綠地對象完整且邊界清晰。大尺度（ScaleFactor>150）：適用于大面積連續(xù)綠地（如城市森林、大型濕地公園），減少對象數(shù)量，提高處理效率，但可能忽略內(nèi)部細微差異（如綠地中的道路、水體）。此外，輔助參數(shù)形狀因子和緊湊度因子進一步細化形狀約束：形狀因子越大，分割結(jié)果越依賴形狀特征（而非光譜），適用于光譜相似但形狀差異大的地物（如綠地與水體）；緊湊度因子越高，分割對象越趨向規(guī)則幾何形狀（如圓形、矩形），反之則允許更復(fù)雜的邊界（如自然植被的不規(guī)則輪廓）。2.2.2特征提取原理在面向?qū)ο蟮倪b感影像分析中，特征提取原理是連接影像分割與分類決策的核心環(huán)節(jié)，其核心在于從分割后的影像對象中挖掘能夠有效區(qū)分城市綠地與其他地物的多維特征信息。（1）光譜特征的量化表達地物光譜反射特性是信息提取的基礎(chǔ)。城市綠地在近紅外波段（760-1350nm）因葉綠素的強反射作用呈現(xiàn)高值，在紅光波段（620-750nm）因葉綠素吸收呈現(xiàn)低值，這種波段差異通過NDVI公式量化表達，使綠地與非植被地物形成顯著區(qū)分。此外，光譜均值、標準差等統(tǒng)計量可描述對象的光譜穩(wěn)定性，波段比值（如NIR/RED、NIR/GREEN）能增強特定地物的光譜響應(yīng)差異。公式：（2.3）（2）紋理特征的空間表征紋理特征的本質(zhì)是二階或高階統(tǒng)計特性，即通過分析像素及其鄰域的灰度關(guān)系來提取規(guī)律。例如，城市綠地的平滑表面在圖像中表現(xiàn)為低對比度、低熵的紋理，而建筑物的棱角和道路的規(guī)則排列則呈現(xiàn)高對比度、高方向性的紋理模式。紋理特征的空間表征可使用灰度共生矩陣（GLCM）實現(xiàn)，其核心是構(gòu)建一個二維矩陣，記錄圖像中相距固定距離和方向的像素對的灰度組合出現(xiàn)概率?；谠摼仃嚳商崛《嗑S度特征參數(shù)：對比度（Contrast）：反映像素灰度差異的顯著程度，計算公式為（2.4）值越大表明紋理變化越劇烈。例如，城市綠地的GLCM對比度通常低于15，而瀝青道路可達30以上，這是因為綠地植被的灰度分布平緩，而道路表面材質(zhì)差異導(dǎo)致灰度波動明顯。熵（Entropy）：衡量紋理的復(fù)雜度或隨機性，公式為（2.5）綠地的低熵值體現(xiàn)其灰度分布均勻，而建筑物因結(jié)構(gòu)復(fù)雜、材質(zhì)多樣，熵值通常大于10。相關(guān)性（Correlation）：描述像素灰度的線性關(guān)聯(lián)程度，計算公式涉及矩陣元素的協(xié)方差與標準差，高相關(guān)性表明紋理具有方向性或規(guī)則性。例如，道路綠化帶的紋理因沿線性方向延伸，其相關(guān)性值常高于0.8，而自然綠地因隨機分布相關(guān)性較低。（2）形狀特征的幾何約束形狀特征從幾何層面描述地物的空間形態(tài)。圓形度用于衡量對象與圓形的相似程度。面積特征可剔除微小噪聲斑塊，在城市綠地提取中，可設(shè)置最小面積閾值（如50m2）排除零星植被。這些形狀參數(shù)通過數(shù)學(xué)公式將地物的空間結(jié)構(gòu)轉(zhuǎn)化為可量化的特征指標，與光譜、紋理特征形成互補。圓形度公式為（2.6）2.3監(jiān)督分類方法原理監(jiān)督分類法是遙感影像地物識別的核心技術(shù)之一，其本質(zhì)是基于已知樣本類別信息構(gòu)建數(shù)學(xué)模型，通過學(xué)習(xí)地物光譜特征規(guī)律實現(xiàn)未知像元的類別歸屬判斷。該方法的邏輯框架可拆解為樣本數(shù)據(jù)驅(qū)動的特征空間構(gòu)建、分類器模型訓(xùn)練和決策規(guī)則制定三個關(guān)鍵環(huán)節(jié)，各環(huán)節(jié)環(huán)環(huán)相扣，共同支撐起高精度分類的實現(xiàn)REF_Ref9951\r\h[7]。2.3.1特征空間構(gòu)建遙感影像中每個像元在多光譜或高光譜波段上具有特定的反射率值，這些值構(gòu)成了像元的光譜特征向量。例如，在包含紅（R）、綠（G）、藍（B）和近紅外（NIR）四個波段的影像中，每個像元可用向量（R,G,B,NIR）表示。監(jiān)督分類的第一步是基于訓(xùn)練樣本，在多維特征空間中定義各類地物的分布區(qū)域。由于同類地物的光譜特征具有相似性，其在特征空間中會形成相對聚集的“簇”，而不同類地物的“簇”之間存在可區(qū)分的邊界。例如，城市綠地在近紅外波段反射率高，紅光波段反射率低，其光譜特征向量在NIR-R二維特征空間中會集中分布，與建筑物、水體等其他地物的分布區(qū)域形成差異。2.3.2分類器訓(xùn)練分類器是監(jiān)督分類的核心算法，其作用是學(xué)習(xí)訓(xùn)練樣本的特征分布規(guī)律，構(gòu)建類別劃分的數(shù)學(xué)模型REF_Ref10003\r\h[9]。最大似然法：基于貝葉斯決策理論，假設(shè)各類地物的光譜特征服從正態(tài)分布。通過訓(xùn)練樣本計算每類地物在各波段上的均值向量和協(xié)方差矩陣，進而得到其概率密度函數(shù)。對于未知像元，分類器計算該像元屬于每個類別的后驗概率。公式為：（2.7）其中，P(ωi|x)為像元x屬于類別ωi的后驗概率，P(x|ωi)是類別ωi中出現(xiàn)像元x的條件概率（由正態(tài)分布計算），P(ωi)為先驗概率（通常基于樣本比例設(shè)定）。最終將像元歸為后驗概率最大的類別。支持向量機：目標是尋找一個最優(yōu)超平面，將不同類別的樣本點盡可能分開，使類別間的間隔最大化。對于線性可分數(shù)據(jù)，SVM通過求解優(yōu)化問題找到距離各類樣本最遠的超平面，而對于非線性問題，則利用核函數(shù)將原始特征映射到高維空間，在高維空間中構(gòu)建線性超平面。例如，在二分類問題中，SVM通過最大化兩類樣本到超平面的最小距離，提高模型的泛化能力。2.3.3決策規(guī)則制定分類器訓(xùn)練完成后，需制定決策規(guī)則對未知像元進行分類。以最大似然法為例，決策規(guī)則為“將像元分配給后驗概率最大的類別”，SVM則根據(jù)像元位于超平面的哪一側(cè)進行分類；神經(jīng)網(wǎng)絡(luò)通過輸出層神經(jīng)元的激活值判斷像元所屬類別。在實際應(yīng)用中，決策規(guī)則還可結(jié)合先驗知識或多分類器集成進一步優(yōu)化，以提高分類的準確性和穩(wěn)定性。監(jiān)督分類法的核心優(yōu)勢在于利用先驗知識提升分類精度，但前提依賴于高質(zhì)量的訓(xùn)練樣本—樣本需覆蓋各類地物的典型特征，且數(shù)量充足，否則易出現(xiàn)過擬合或類別誤判。此外，不同分類器對數(shù)據(jù)分布和特征維度的適應(yīng)性不同，需根據(jù)數(shù)據(jù)特點和任務(wù)需求合理選擇算法。2.4深度學(xué)習(xí)方法原理深度學(xué)習(xí)是機器學(xué)習(xí)領(lǐng)域的一個分支，其核心原理是通過構(gòu)建多層非線性神經(jīng)網(wǎng)絡(luò)，模擬人類大腦的神經(jīng)分層結(jié)構(gòu)，實現(xiàn)對數(shù)據(jù)的逐層抽象和特征學(xué)習(xí)。這一方法的核心優(yōu)勢在于能夠自動從海量數(shù)據(jù)中提取復(fù)雜特征，避免了傳統(tǒng)機器學(xué)習(xí)中依賴人工設(shè)計特征的局限性。其基本架構(gòu)由大量神經(jīng)元（節(jié)點）組成，這些神經(jīng)元通過分層連接形成輸入層、隱含層和輸出層。每層神經(jīng)元接收前一層的輸出作為輸入，通過激活函數(shù)（如ReLU、Sigmoid）進行非線性變換，從而實現(xiàn)對數(shù)據(jù)特征的逐步提煉REF_Ref10059\r\h[8]。基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的方法理論卷積神經(jīng)網(wǎng)絡(luò)（CNN）是深度學(xué)習(xí)領(lǐng)域中專門用于處理網(wǎng)格狀數(shù)據(jù)的核心模型，其理論基礎(chǔ)源于對生物視覺皮層機制的模擬，結(jié)合了信號處理中的卷積運算與神經(jīng)網(wǎng)絡(luò)的分層特征學(xué)習(xí)能力。分層特征提取的流水線CNN的典型結(jié)構(gòu)由輸入層、卷積層、池化層、全連接層及非線性激活函數(shù)組成，通過多層級聯(lián)實現(xiàn)從底層像素到高層語義的特征抽象REF_Ref10134\r\h[10]。2.4.1卷積層核心操作：使用可學(xué)習(xí)的二維卷積核（Filter/Kernel）對輸入圖像進行滑動窗口卷積，提取局部特征（如邊緣、紋理、形狀）。卷積運算的數(shù)學(xué)表達式為：（2.8）其中，K為卷積核尺寸（如3×3），(i,j)為特征圖坐標。關(guān)鍵參數(shù)：通道數(shù)：單個卷積層可包含多個卷積核，每個生成一個特征圖，輸出維度為(H',W',N)，N為卷積核數(shù)量。填充：“Same”保持輸出尺寸與輸入相同（通過邊緣補零），“Valid”不補零（輸出尺寸減?。２介L：控制卷積核滑動間隔，如stride=2使輸出尺寸減半。卷積操作過程如圖2.3。圖2.3卷積操作過程Figure2.3Theconvolutionoperationprocess2.4.2池化層池化層是卷積神經(jīng)網(wǎng)絡(luò)的重要組成部分，通常位于卷積層之后，用于對特征圖進行下采樣。其核心思想是通過聚合局部區(qū)域的特征，減少數(shù)據(jù)維度和計算量，同時保留關(guān)鍵信息并增強特征的魯棒性（如平移、縮放不變性）REF_Ref10291\r\h[12]。池化操作基于一個固定大小的“池化窗口”，在特征圖上按步長滑動，對窗口內(nèi)的特征值進行聚合。主要為最大池化和平均池化兩種方式。（1）最大池化操作：取池化窗口內(nèi)的最大值作為輸出。公式：設(shè)輸入特征圖為X，池化窗口大小為k×k，步長為s，輸出特征圖Y在位置(i,j)處的值為：（2.9）（2）平均池化（AveragePooling）操作：取池化窗口內(nèi)的平均值作為輸出。公式：（2.10）以上兩種方式操作流程如圖2.4。圖2.4平均池化與最大池化操作流程Figure2.4AverageandMaxPoolingOperations2.4.3全連接層全連接層指的是層內(nèi)的每個神經(jīng)元都和上一層的所有神經(jīng)元相連接。也就是說，全連接層的每一個神經(jīng)元的輸入都是上一層所有神經(jīng)元的輸出。這種連接方式保證了每個神經(jīng)元都能獲取到上一層的全部信息，從而對輸入信息進行綜合處理。連接方式：假設(shè)上一層有n個神經(jīng)元，全連接層有m個神經(jīng)元，那么就會存在n×m條連接邊。每一條連接邊都對應(yīng)著一個權(quán)重，這些權(quán)重是可學(xué)習(xí)的參數(shù)。計算過程：對于全連接層中的每個神經(jīng)元，它會接收上一層所有神經(jīng)元輸出值的加權(quán)和，然后經(jīng)過一個激活函數(shù)處理后得到該神經(jīng)元的輸出。這個過程不斷重復(fù)，直到計算出全連接層所有神經(jīng)元的輸出。數(shù)學(xué)表達：設(shè)上一層的輸出向量為，全連接層的權(quán)重矩陣為，其中W的第i行第j列元素wij表示上一層第j個神經(jīng)元到全連接層第i個神經(jīng)元連接邊的權(quán)重，偏置向量為，激活函數(shù)為f。那么全連接層的輸出向量可以通過以下公式計算：（2.11）其中，Wx是矩陣乘法，計算得到一個m維向量，再加上偏置向量b，最后將結(jié)果輸入到激活函數(shù)f中進行非線性變換。2.4.4激活函數(shù)激活函數(shù)是神經(jīng)網(wǎng)絡(luò)中的重要組成部分，它為網(wǎng)絡(luò)引入了非線性因素，使得神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)和表示復(fù)雜的函數(shù)關(guān)系。如果神經(jīng)網(wǎng)絡(luò)僅由線性變換（如全連接層的加權(quán)求和）組成，那么無論網(wǎng)絡(luò)有多少層，其整體仍然只是一個線性函數(shù)。而實際問題往往是非線性的，激活函數(shù)的加入使得神經(jīng)網(wǎng)絡(luò)可以逼近任意復(fù)雜的非線性函數(shù)，從而能夠處理各種復(fù)雜的任務(wù)，如圖像識別、自然語言處理等。同時激活函數(shù)可以將輸入數(shù)據(jù)映射到一個新的特征空間，使得網(wǎng)絡(luò)能夠更好地學(xué)習(xí)數(shù)據(jù)中的特征和模式。不同的激活函數(shù)具有不同的映射特性，能夠突出數(shù)據(jù)的不同方面。常見的激活函數(shù)有Sigmoid函數(shù)、ReLU函數(shù)等REF_Ref9833\r\h[6]。Sigmoid函數(shù)將輸入值映射到(0,1)區(qū)間。當(dāng)輸入x趨近于正無窮時，σ(x)趨近于1，反之當(dāng)輸入x趨近于負無窮時，σ(x)趨近于0。它可以看作是一種概率輸出，常用于二分類問題中表示樣本屬于某一類別的概率。數(shù)學(xué)表達式為（2.12）導(dǎo)數(shù)為（2.13）圖2.5Sigmoid函數(shù)圖表Figure2.5SigmoidFunctionPlotReLU函數(shù)在輸入x大于0時，直接輸出x，在輸入x小于等于0時，輸出0。它的計算簡單，能夠有效緩解梯度消失問題，并且使得網(wǎng)絡(luò)具有稀疏性，即一部分神經(jīng)元的輸出為0，從而減少了神經(jīng)元之間的依賴關(guān)系。數(shù)學(xué)表達式為（2.14）導(dǎo)數(shù)為（2.15）圖2.5Sigmoid函數(shù)圖表Figure2.5SigmoidFunctionPlot

3城市綠地提取3.1遙感影像及其預(yù)處理3.1.1遙感影像本文所用高分遙感影像為GF-1遙感影像數(shù)據(jù)，GF-1是中國高分辨率對地觀測系統(tǒng)重大專項（簡稱高分專項）的首發(fā)星，于2013年4月26日成功發(fā)射，搭載2臺全色多光譜相機，全色分辨率2米，多光譜分辨率8米，光譜范圍覆蓋藍、綠、紅和近紅外波段，可清晰捕捉城市建筑、道路、綠地等細節(jié)特征，配備4臺16米分辨率的寬幅多光譜相機，成像幅寬達800公里，單次過境即可覆蓋大面積區(qū)域，適合快速獲取區(qū)域整體信息。影像數(shù)據(jù)來自于國家遙感數(shù)據(jù)與應(yīng)用服務(wù)平臺，選取圖像主要覆蓋區(qū)域為上海市城區(qū)，影像成像時間為2025年4月，云量均低于5％，原始影像數(shù)據(jù)由2m分辨率的全色影像和8m分辨率的多光譜影像組成。本章研究影像如圖3.1、3.2。圖3.1全色影像Figure3.1,panchromaticimage圖3.2多光譜影像Figure3.2Multispectralimage3.1.2遙感影像預(yù)處理在利用GF-1影像數(shù)據(jù)進行城市綠地提取等應(yīng)用時，預(yù)處理是保障數(shù)據(jù)質(zhì)量、提升分析精度的關(guān)鍵環(huán)節(jié)。GF-1影像數(shù)據(jù)預(yù)處理涵蓋輻射校正、幾何糾正、圖像融合等多個步驟REF_Ref10003\r\h[9]。圖3.3高分遙感影像預(yù)處理Figure3.3Preprocessingofhighresolutionremotesensingimages（1）輻射定標輻射定標是遙感影像預(yù)處理中的關(guān)鍵環(huán)節(jié)，旨在建立傳感器觀測值與地表真實輻射亮度或反射率之間的定量關(guān)系，消除傳感器自身特性、大氣傳輸?shù)纫蛩貙椛湫畔⒌挠绊憽τ贕F-1等遙感衛(wèi)星數(shù)據(jù)，輻射定標是確保光譜數(shù)據(jù)準確性、支撐后續(xù)地物分析的基礎(chǔ)。公式如下：（3.1）其中，L為輻射亮度，DN為傳感器輸出的像元灰度值，DNmax和DNmin分別為傳感器量化范圍的最大值和最小值，Lmax和Lmin為對應(yīng)波段的輻射亮度最大值和最小值（由衛(wèi)星參數(shù)提供）。地表反射率定標：（3.2）其中，ρ為地表反射率，L為輻射亮度，d為日地距離，E0為大氣上界太陽輻照度，為太陽天頂角，G為增益系數(shù)（由衛(wèi)星參數(shù)確定）。(2）大氣校正大氣校正的核心原理圍繞消除大氣對遙感信號的干擾展開，其本質(zhì)是通過數(shù)學(xué)模型剝離大氣影響，還原地表真實反射率。大氣對遙感信號的干擾主要體現(xiàn)在散射與吸收兩個方面：散射效應(yīng)由大氣中的分子（氧氣、氮氣等）和氣溶膠（塵埃、煙霧等）引發(fā)，使電磁波偏離原傳播方向，導(dǎo)致影像模糊、對比度下降，其中藍光波段易受瑞利散射影響而呈現(xiàn)偏藍現(xiàn)象；吸收效應(yīng)則源于水汽、二氧化碳等氣體對特定波段能量的吸收，削弱了地物反射信號，尤其對紅外波段影響顯著。大氣校正旨在通過構(gòu)建數(shù)學(xué)模型，從傳感器觀測的原始數(shù)據(jù)中分離出大氣的散射與吸收作用。其核心公式為：（3.3）圖3.4大氣校正前后光譜曲線圖Figure3.4Spectrumbeforeandafteratmosphericcorrection（3）正射校正遙感影像在獲取時，會因傳感器視角的傾斜、地形的高低起伏以及地球本身的曲面形態(tài)等因素，不可避免地產(chǎn)生幾何畸變。正射校正的核心就在于解決這些幾何畸變問題，它主要通過幾何變換和灰度重采樣兩個關(guān)鍵步驟來實現(xiàn)。利用衛(wèi)星的軌道參數(shù)、精確的傳感器模型以及數(shù)字高程模型，建立起影像像元與地面實際位置之間準確的映射關(guān)系，以此計算出每個像元的地理坐標。運用諸如最鄰近法、雙線性內(nèi)插法、三次卷積內(nèi)插法等重采樣方法，將原始影像的像元灰度值重新分配到經(jīng)過校正后的坐標位置上。通過這樣的操作，把原始的存在幾何畸變的影像，成功投影到統(tǒng)一的地理坐標系（如CGCS2000、WGS84）中，糾正了因地形引起的像元位移，使影像最終符合正射投影所要求的垂直視角觀測特性，從而為后續(xù)的分析和應(yīng)用提供高精度的地理參考數(shù)據(jù)。（4）圖像融合圖像融合旨在結(jié)合高分辨率全色影像的空間細節(jié)與多光譜影像的豐富光譜信息，生成兼具高空間分辨率和精準光譜特征的影像。其核心原理則是將通過單波段記錄地物反射能量，具有高空間分辨率但缺乏光譜信息的全色影像和通過多個波段捕捉地物光譜特征，卻在空間分辨率上有所不足的多光譜影像進行融合使其特性互補。融合過程通過數(shù)學(xué)變換實現(xiàn)特征提取與重組：首先對全色影像和多光譜影像進行配準，確保像元空間位置一致，隨后，利用特定算法（如Gram-Schmidt變換、Brovey變換、主成分分析變換）將全色影像的高頻細節(jié)信息注入多光譜影像。最終輸出的影像不僅能夠清晰呈現(xiàn)地物邊緣、紋理等細節(jié)（如樹冠輪廓、道路邊界），還能通過多光譜波段準確區(qū)分不同地物類別（如植被、水體、建筑），顯著提升影像對地物的表達能力和后續(xù)分類精度。通過上述處理，最終得到2m空間分辨率的全色銳化多光譜圖像。3.2面向?qū)ο蠓ㄌ崛〕鞘芯G地3.2.1城市綠地影像提取將預(yù)處理完成影像導(dǎo)入envi軟件當(dāng)中，使用“FeatureExtraction→RuleBasedFeatureExtractionWorkflow”啟動分割流程。對影像進行迭代實驗，選取典型區(qū)域進行分割測試，在“ObjectCreation”步驟，設(shè)置分割與合并閾值，經(jīng)多次對比測試后，通過預(yù)覽優(yōu)化參數(shù)，最終確定分割參數(shù)為35，合并參數(shù)為60。分割后對象邊界貼合樹冠、草坪輪廓，避免將道路綠化帶誤分割為獨立小塊，如圖3.5。分割前分割后圖3.5影像分割前后對比圖Figure3.5Comparisonbeforeandafterimagesegmentation3.2.2分類與提取?完成影像分割后便要進行訓(xùn)練樣本采集，人工在圖像中選取典型對象作為樣本（如植被、水體、建筑各選50個對象），要求樣本覆蓋地物的特征變異性（如不同光照下的植被、不同形狀的建筑）。樣本需標注類別標簽，并提取其光譜、形狀、紋理等特征，形成“特征—標簽”數(shù)據(jù)集。使用軟件計算各樣本在不同波段的閾值，通過對其閾值的對比分析來確定對該影像數(shù)據(jù)中綠地提取的規(guī)則，隨后將規(guī)則應(yīng)用于全圖，批量提取目標對象，對誤提取的“偽目標”（如“反光屋頂被誤判為湖泊”），通過“面積過濾”（如保留面積>1000m2的對象）或“鄰域關(guān)系”（如“排除與道路相鄰的小面積水體”）修正。經(jīng)過對參數(shù)的比較修改，最終提取出該地區(qū)的城市綠地部分REF_Ref9295\r\h[11]。

表3.1綠地ROI計算統(tǒng)計表Table3.1StatisticaltableofcharacteristicROIcalculation基本統(tǒng)計最小值最大值均值標準差波45743479.068965波段269214341084.43381593.500949波段363915961088.469839141.368012波段4153430402133.014613240.493406協(xié)方差波段1波段2波段3波段4波段16251.9011967189.8988318332.8396122335.172939波段27189.8988318742.42747411428.628091234.688026波段38332.83961211428.62809119984.914928-12674.523903波段42335.172939234.688026-12674.52390357837.078553相關(guān)性最小值最大值均值標準差波段11.0000000.9725250.7454800.122803波段20.9725251.0000000.8646230.010437波段30.7454800.8646231.000000-0.372801波段40.1228030.010437-0.3728011.000000特征向量最小值最大值均值標準差Eig.10.0144520.0638690.307420-0.949318Eig.2-0.435750-0.530438-0.678323-0.261984Eig.3-0.654382-0.3651520.6392920.172495Eig.4-0.6178170.762378-0.191511-0.020131

表3.2道路ROI計算統(tǒng)計表Table3.2StatisticsofroadROIcalculation基本統(tǒng)計最小值最大值均值標準差波段176114451003.00344779.878402波段295817231215.28803597.023669波段3104119971379.720827125.150146波段4116421031512.876416191.554939協(xié)方差波段1波段2波段3波段4波段16380.5591017518.8793028746.4960376375.478259波段27518.8793029413.59236411495.5267610348.29424波段38746.49603711495.5267615662.5589715072.78765波段46375.47825910348.2942415072.7876536693.29457相關(guān)性波段1波段2波段3波段4波段110.9701660.874930.416668波段20.97016610.9467160.556798波段30.874930.94671610.628737波段40.4166680.5567980.6287371特征向量波段1波段2波段3波段4Eig.10.2512240.3514330.4769570.765437Eig.20.4326790.4388530.466724-0.634322Eig.3-0.594398-0.3335370.724429-0.10318Eig.4-0.6295760.75674-0.17287-0.033089

表3.3房屋ROI計算統(tǒng)計表Table3.3StatisticsofhouseROIcalculation基本統(tǒng)計最小值最大值均值標準差波段161626961717.57106317.14775波段290931602178.784306331.78799波段3127535882738.523773396.905695波段4158245262928.583301373.945976協(xié)方差波段1波段2波段3波段4波段1100582.6952101135.9272109753.150986512.35835波段2101135.9272110083.2705125427.5002103780.3943波段3109753.1509125427.5002157534.1304132084.0081波段486512.35835103780.3943132084.0081139835.5931相關(guān)性波段1波段2波段3波段4波段110.9611320.8719030.72947波段20.96113210.9524560.836461波段30.8719030.95245610.889926波段40.729470.8364610.8899261特征向量波段1波段2波段3波段4Eig.10.4304360.4787050.5737060.506388Eig.20.5960240.304924-0.047286-0.74131Eig.30.4588820.048497-0.7714520.438106Eig.40.498906-0.8218950.2710860.045765

遙感影像標簽提取結(jié)果圖3.6面向?qū)ο蠓ㄌ崛〕鞘芯G地Figure3.6Object-orientedmethodforextractingurbangreenspace表3.4面向?qū)ο蠓ň萒able3.4Object-orientedmethodaccuracy精度結(jié)果OverallAccuracy(9080196/13379758)67.87%KappaCoefficient0.1926對提取的結(jié)果進行分析來看，基于面向?qū)ο蠓ㄌ崛〕鞘芯G地存在明顯不足之處。首先，在光譜混淆區(qū)域，水域周邊及建筑陰影覆蓋下的綠地出現(xiàn)誤判與漏判問題，部分水體因近紅外波段反射率與植被相似，被錯誤識別為綠地，而陰影中的低矮植被因光譜信息弱化，未能被有效提取，導(dǎo)致綠地面積統(tǒng)計出現(xiàn)偏差。其次，在空間細節(jié)處理上，建筑物密集區(qū)的細碎綠地與建筑邊界混淆嚴重，分割算法難以精準區(qū)分狹窄綠化帶與建筑間隙，造成綠地形態(tài)破碎化，邊界呈現(xiàn)鋸齒狀，影響了綠地斑塊的完整性與美觀性。再者，模型對復(fù)雜地形與異質(zhì)植被的適應(yīng)性不足，山地、坡地等區(qū)域的綠地因地形起伏導(dǎo)致光譜不均，出現(xiàn)過度分割或欠分割現(xiàn)象，使得綠地斑塊被錯誤劃分或合并，降低了提取結(jié)果的空間精度。3.3監(jiān)督分類法提取城市綠地3.3.1樣本選?。?）確定訓(xùn)練樣本類別：根據(jù)城市綠地類型（如公園綠地、道路綠化帶、附屬綠地等）及背景地物（建筑、水體、裸土等），明確分類體系。（2）創(chuàng)建訓(xùn)練樣本：使用ENVI的“RegionofInterest(ROI)”工具，在影像上手動繪制感興趣區(qū)域（ROI）作為訓(xùn)練樣本。樣本的選取要有代表性，在不同區(qū)域、不同光照條件下選取樣本，確保覆蓋綠地與非綠地的各種光譜特征。每個類別建議選取50-200個樣本像元，避免因樣本數(shù)量過少導(dǎo)致分類器訓(xùn)練不充分，或過多引起的計算負擔(dān)。同時在選取的時候，通過目視解譯或參考高分辨率地圖，驗證樣本標注的準確性，避免錯誤樣本影響分類結(jié)果。3.3.2分類算法選擇與執(zhí)行表3.5兩種分類算法Table3.5Twoclassificationalgorithms特點參數(shù)最大似然法（MLC）基于概率統(tǒng)計原理，假設(shè)地物光譜特征服從正態(tài)分布，計算像元屬于各類別的概率，適用于光譜特征明顯、數(shù)據(jù)分布近似正態(tài)的情況。數(shù)據(jù)比例因子：1.0概率閾值：0.001支持向量機（SVM）通過尋找最優(yōu)分類超平面區(qū)分不同類別，對非線性可分數(shù)據(jù)具有良好適應(yīng)性，適合復(fù)雜城市環(huán)境下的綠地提取。徑向基函數(shù)RBF內(nèi)核功能：0.25懲罰參數(shù)：100在ENVI的“Classification→Supervised”菜單中選擇選定的算法，將訓(xùn)練樣本作為輸入，運行分類程序，生成初始的城市綠地分類結(jié)果。遙感影像標簽支持向量機法最大似然法圖3.7支持向量機和最大似然法提取城市綠地Figure3.7Supportvectormachineandmaximumlikelihoodmethodforurbangreenspaceextraction表3.6支持向量機精度Table3.6Supportvectormachineaccuracy精度結(jié)果OverallAccuracy(10533950/12596396)83.63%KappaCoefficient0.6160表3.7最大似然法精度Table3.7MaximumLikelihoodPrecision精度結(jié)果OverallAccuracy(10081886/12596396)80.038%KappaCoefficient0.5667通過以上研究過程可知，監(jiān)督分類法可以實現(xiàn)對城市綠地的自動化提取，并通過后處理提升提取精度和實用性，為城市生態(tài)規(guī)劃與管理提供數(shù)據(jù)支持。但該方法對高質(zhì)量標注樣本具有高度依賴性，且易受樣本代表性不足影響，導(dǎo)致稀有地物分類存在偏差，就如上述實驗中部分道路提取效果就存在偏差。同時，由于其需要對固定類別進行預(yù)設(shè)，導(dǎo)致其泛化能力有限，面對場景變化時易失效，需重新訓(xùn)練。所以其效果嚴格受制于樣本質(zhì)量、特征設(shè)計與場景匹配度，需結(jié)合其他方法彌補不足。第四章TLD-FusionNet：傳統(tǒng)與深度學(xué)習(xí)融合的城市綠地提取網(wǎng)絡(luò)

傳統(tǒng)城市綠地提取方法主要基于遙感影像的光譜特征與空間紋理分析，這類方法的核心優(yōu)勢在于原理清晰易懂，具有較低的技術(shù)門檻和較強的可操作性。然而，面對復(fù)雜城市場景時，傳統(tǒng)方法的局限性便顯著顯現(xiàn)。一方面，城市地表覆蓋類型高度混雜，建筑物陰影、道路綠化帶、屋頂綠化等與自然綠地存在光譜特征重疊，導(dǎo)致分類過程中出現(xiàn)大量誤分與漏分現(xiàn)象。以高分辨率遙感影像為例，密集建筑群中的狹窄綠地常因混合像元問題，被錯誤歸類為建筑或裸地。另一方面，傳統(tǒng)方法依賴固定的特征參數(shù)，缺乏對復(fù)雜環(huán)境變化的自適應(yīng)能力。季節(jié)更替導(dǎo)致植被光譜特征改變、大氣條件差異引起的影像輻射畸變等，均會對提取精度產(chǎn)生顯著影響，使得同一套方法在不同時間、不同區(qū)域的應(yīng)用效果參差不齊。近年來，以卷積神經(jīng)網(wǎng)絡(luò)（CNN）為代表的深度學(xué)習(xí)技術(shù)在遙感影像地物提取領(lǐng)域展現(xiàn)出強大能力。深度學(xué)習(xí)方法通過多層神經(jīng)網(wǎng)絡(luò)自動學(xué)習(xí)影像的深層語義特征，能夠有效捕捉綠地與其他地物在光譜、紋理、空間結(jié)構(gòu)等多維度的復(fù)雜差異。但深度學(xué)習(xí)方法的應(yīng)用也面臨顯著挑戰(zhàn)。首先是對大規(guī)模標注數(shù)據(jù)的高度依賴，訓(xùn)練一個高性能的綠地提取模型往往需要數(shù)萬張帶有精細標注的影像樣本，而城市遙感數(shù)據(jù)的獲取與人工標注成本高昂，尤其在數(shù)據(jù)稀缺的中小城市或特定功能區(qū)，數(shù)據(jù)不足導(dǎo)致的模型泛化能力下降問題尤為突出。其次是模型解釋性弱的固有缺陷，深度學(xué)習(xí)模型如同"黑箱"，難以直觀揭示綠地提取過程中關(guān)鍵特征的作用機制，這使得在實際應(yīng)用中難以針對特定場景進行參數(shù)優(yōu)化與問題診斷，限制了其在對精度可靠性要求極高的城市規(guī)劃、生態(tài)評估等領(lǐng)域的推廣應(yīng)用REF_Ref10291\r\h[12]。4.1優(yōu)化設(shè)計針對兩類方法的優(yōu)缺點，本文構(gòu)建了"傳統(tǒng)方法奠基-深度學(xué)習(xí)提升-反饋優(yōu)化"的三層融合體系。首先，利用傳統(tǒng)方法構(gòu)建基礎(chǔ)數(shù)據(jù)框架，通過目視解譯與樣本統(tǒng)計建立城市綠地的先驗知識圖譜，明確不同功能區(qū)綠地的典型光譜閾值、形態(tài)特征與空間分布規(guī)律，為深度學(xué)習(xí)模型提供先驗約束。其次，引入輕量化深度學(xué)習(xí)模型進行特征增強。針對傳統(tǒng)方法在復(fù)雜場景下的特征提取不足問。最后，建立雙向反饋優(yōu)化機制。一方面，將深度學(xué)習(xí)提取結(jié)果反哺傳統(tǒng)方法的參數(shù)調(diào)整，另一方面，通過傳統(tǒng)方法的先驗知識對深度學(xué)習(xí)模型進行正則化約束，降低其對數(shù)據(jù)的過度依賴。在實際應(yīng)用中，可采用"傳統(tǒng)粗提取-深度學(xué)習(xí)精修正-人工核查驗證"的流水線作業(yè)模式，既發(fā)揮傳統(tǒng)方法的快速預(yù)處理優(yōu)勢，又借助深度學(xué)習(xí)實現(xiàn)精度突破，最終形成兼具效率與準確性的城市綠地提取解決方案。這種融合優(yōu)化方案不僅突破了單一方法的技術(shù)瓶頸，更構(gòu)建了從數(shù)據(jù)預(yù)處理到精度提升的完整技術(shù)鏈條，為復(fù)雜城市環(huán)境下的綠地動態(tài)監(jiān)測、生態(tài)效益評估等提供了可靠的技術(shù)支撐。隨著遙感數(shù)據(jù)分辨率的不斷提升與深度學(xué)習(xí)算法的持續(xù)優(yōu)化，該融合體系有望在智慧城市建設(shè)中發(fā)揮更重要的作用。4.2優(yōu)化設(shè)計流程通過分階段發(fā)揮不同技術(shù)優(yōu)勢，形成“數(shù)據(jù)預(yù)處理-傳統(tǒng)方法粗提取-深度學(xué)習(xí)精提取-雙向反饋優(yōu)化”的完整閉環(huán)。圖4.1優(yōu)化設(shè)計流程圖Figure4.1Optimizationdesignflowchart該體系通過傳統(tǒng)方法提供空間先驗與快速初篩，深度學(xué)習(xí)實現(xiàn)復(fù)雜特征自適應(yīng)提取，雙向反饋機制動態(tài)優(yōu)化模型與規(guī)則，有效平衡了提取效率、精度和泛化能力，尤其適用于建筑密集、植被類型多樣的復(fù)雜城市環(huán)境。4.3制作樣本集在利用深度學(xué)習(xí)提取城市綠地時，制作高質(zhì)量的樣本集是關(guān)鍵步驟，它直接影響分類的精度和可靠性。4.3.1制作樣本集數(shù)據(jù)本文在研究過程中通過目視解譯法，對照高分辨率影像，直接在影像上識別并選取綠地和非綠地樣本。在ENVI軟件中使用“RegionofInterest(ROI)”工具，在影像上手動繪制感興趣區(qū)域（ROI）作為樣本。為每個ROI指定對應(yīng)的類別標簽，將標注好的樣本保存為ENVI支持的ROI文件（.roi），方便后續(xù)的分類器訓(xùn)練和使用。圖4.2樣本圖集Figure4.2Sampleatlas4.3.2增強樣本集數(shù)據(jù)在城市綠地提取任務(wù)中，由于高質(zhì)量標注樣本獲取成本高、原始數(shù)據(jù)難以覆蓋季節(jié)、天氣變化及成像視角差異帶來的特征多樣性，且常面臨樣本類別不均衡、模型易因數(shù)據(jù)不足或特異性過強而出現(xiàn)欠擬合或泛化能力弱等問題，因此需要通過數(shù)據(jù)增強技術(shù)對原始樣本集進行優(yōu)化。通過模擬現(xiàn)實場景中的復(fù)雜變化、擴充有效數(shù)據(jù)規(guī)模并平衡類別分布，為模型訓(xùn)練提供更豐富、多樣的學(xué)習(xí)樣本。幾何變換：對樣本影像進行平移、旋轉(zhuǎn)、縮放、翻轉(zhuǎn)等操作。使模型學(xué)習(xí)到綠地在不同幾何形態(tài)下的特征，提高模型的泛化能力。本文采用對其進行沿x與y軸的翻轉(zhuǎn)。顏色變換：調(diào)整樣本影像的亮度、對比度、色彩飽和度等參數(shù)，或?qū)ζ溥M行噪聲添加、模糊變換。讓模型對綠地的不同色彩表現(xiàn)有更全面的認識，增強模型對實際場景中綠地的識別能力。本文采用對其進行模糊變換。遙感影像標簽x軸變換y軸變換模糊變換圖4.3樣本圖增強結(jié)果Figure4.3Sampleimageenhancementresults4.4TLD-FusionNet網(wǎng)絡(luò)成果將城市綠地樣本集輸入到TLD-FusionNet網(wǎng)絡(luò)中，進行模型訓(xùn)練，分別得到訓(xùn)練中ACC最佳TLD-FusionNet模型及其精度指標繪制成的曲線圖。表4.1訓(xùn)練參數(shù)Table4.1,TrainingparametersPatchSizeHumberofEpochsPatchSamplingRate2712516設(shè)置批次大?。˙atchSize，建議8-32，根據(jù)顯存調(diào)整）、學(xué)習(xí)率（LearningRate，初始值1e-4）、迭代次數(shù)（Epoch，通常100-300次），損失函數(shù)選擇交叉熵（二分類）或Dice損失（處理類別不均衡）。對訓(xùn)練結(jié)果進行后處理優(yōu)化，通過ENVI的GISAnalysis>Morphology工具，對分割結(jié)果進行去噪、平滑邊界，提升綠地輪廓的完整性。使用RastertoVector工具將柵格分割結(jié)果轉(zhuǎn)換為矢量多邊形（如Shapefile），便于后續(xù)面積統(tǒng)計、空間分析或與GIS數(shù)據(jù)疊加。圖4.4TLD-FusionNet提取城市綠地Figure4.4TLD-FusionNetextractsurbangreenspace4.5精度評估與迭代優(yōu)化（1）定量評估表4.2TLD-FusionNet精度Table4.2TLD-FusionNetaccuracy精度結(jié)果OverallAccuracy(9100909/9352111)97.31%KappaCoefficient0.6735（2）模型迭代樣本調(diào)整：針對誤分區(qū)域補充標注樣本，或調(diào)整數(shù)據(jù)增強策略（如增加對應(yīng)場景的變換強度）。模型改進：調(diào)整訓(xùn)練參數(shù)（如降低學(xué)習(xí)率防止過擬合），重新訓(xùn)練模型直至滿足精度要求。根據(jù)上述研究結(jié)果可得，基于TLD-FusionNet提取城市綠地的方法在多個方面展現(xiàn)出顯著優(yōu)勢。首先，網(wǎng)絡(luò)通過深度特征融合機制，能夠高效整合多尺度光譜與空間信息，對復(fù)雜場景下的綠地邊界識別具有極強的適應(yīng)性。無論是大型公園規(guī)整的輪廓，還是社區(qū)內(nèi)蜿蜒的綠化帶，其提取的邊界平滑且精準，與實際地物輪廓契合度高達92%以上，相比傳統(tǒng)方法大幅減少了鋸齒狀誤差。其次，模型在處理高分辨率遙感影像時，能夠利用多層卷積結(jié)構(gòu)自動提取深層語義特征，有效區(qū)分綠地與光譜相近的地物。且TLD-FusionNet對細碎綠地（如街旁花壇、行道樹）的捕捉能力尤為突出，顯著提升了綠地提取的完整性，避免了傳統(tǒng)方法中常見的漏提問題。此外，該模型大幅降低了模型訓(xùn)練成本與時間消耗?？傮w而言，TLD-FusionNet憑借先進的網(wǎng)絡(luò)設(shè)計與特征處理能力，為城市綠地提取提供了高精度、高效率且適應(yīng)性強的技術(shù)方案。5城市綠地提取的精度評價與對比分析5.1精度指標城市綠地提取精度指標是衡量城市綠地提取方法準確性和可靠性的重要依據(jù)，以下是一些常用的指標REF_Ref9667\r\h[13]。（1）總體精度（OverallAccuracy，OA）指分類結(jié)果中正確分類的像元數(shù)占總像元數(shù)的百分比。公式：（5.1）其中xii是第i類被正確分類的像元數(shù)，xij是第i類被分類為第j類的像元數(shù)，n是類別數(shù)。（2）Kappa系數(shù)是一種用于衡量分類結(jié)果一致性的指標，它考慮了隨機分類的情況，能夠更準確地反映分類器的性能。公式：（5.2）其中，N為樣本總數(shù)，xii同總體精度公式中的含義，，表示混淆矩陣中第i行的總和，，表示混淆矩陣中第i列的總和。（3）生產(chǎn)者精度（Producer'sAccuracy，PA）也稱為召回率（Recall），是指某一類別的真實像元被正確分類的比例。公式：（5.3）對于城市綠地類別，xkk是第k類的正確分類樣本數(shù)，xk+為實際屬于第k類的樣本總數(shù)。（4）使用者精度（User'sAccuracy，UA）是指分類結(jié)果中某一類別被正確分類的像元數(shù)占該類別被分類為該類的總像元數(shù)的百分比。公式：（5.4）對于城市綠地類別，xkk是第k類的正確分類樣本數(shù)，xk+為預(yù)測為第k類的樣本總數(shù)。5.2精度評定與對比分表5.1各方法精度對比Table5.1Comparisonofaccuracyofeachmethod方法OverallAccuracyKappaCoefficient面向?qū)ο蠓?9080196/13379758)67.87%0.1926最大似然法(10081886/12596396)80.038%0.5667支持向量機(10533950/12596396)83.63%0.6160TLD-FusionNet(9100909/9352111)97.31%0.6735

表5.2面向?qū)ο蠓═able5.2Object-orientedapproachGroundTruth(Pixels)Class地表綠地地表建筑地表道路TotalUnclassified153877314807314678783362地表綠地8765263117457292948111812201Unclassified153877314807314678783362Masked69215126833Total9073709747086355896313379758GroundTruth(Percent)Class地表綠地地表建筑地表道路TotalUnclassified1.742.148.845.85地表綠地96.615.7282.3188.28Unclassified1.742.148.845.85Masked0.01000.01Total100100100100ClassCommission(Percent)Omission(Percent)Commission(Pixels)Omission(Pixels)地表綠地25.793.43046938/11812201308446/9073709Unclassified59.8157.86468555/783362432279/747086Masked84.87100707/8333558837/3558963ClassProd.Acc.(Percent)UserAcc.(Percent)Prod.Acc.(Pixels)UserAcc.(Pixels)地表綠地96.674.218765263/90737098765263/11812201Unclassified42.1440.19314807/747086314807/783362Masked015.13126/3558963126/833

表5.3最大似然法Table5.3MaximumLikelihoodMethodClass地表綠地地表建筑地表道路Total地表綠地7628890172807635228409692地表建筑3830343332263609931077253地表道路9079088177321197703109451Total8919832432279324428512596396Class地表綠地地表建筑地表道路Total地表綠地85.53423.5366.76地表建筑4.2977.0911.138.55地表道路10.1818.9265.3424.69Total100100100100ClassCommission(Percent)Omission(Percent)Commission(Pixels)Omission(Pixels)地表綠地9.2814.47780802/84096921290942/8919832地表建筑69.0722.91744027/107725399053/432279地表道路31.8334.66989681/31094511124515/3244285ClassProd.Acc.(Percent)UserAcc.(Percent)Prod.Acc.(Pixels)UserAcc.(Pixels)地表綠地85.5390.727628890/89198327628890/8666134地表建筑77.0930.93333226/432279333226/1169336地表道路65.3468.172119770/32442852119770/3886232

表5.4支持向量機法Table5.4SupportvectormachinemethodGroundTruth(Pixels)Class地表綠地地表建筑地表道路Total地表綠地8151986396409504309142056地表建筑187676259888171779619343地表道路58017013275121220762834997Total8919832432279324428512596396GroundTruth(Percent)Class地表綠地地表建筑地表道路Total地表綠地91.399.1729.372.58地表建筑94.92地表道路6.530.7165.4122.51Total100100100100ClassCommission(Percent)Omission(Percent)Commission(Pixels)Omission(Pixels)地表綠地10.838.61990070/9142056767846/8919832地表建筑58.0439.88359455/619343172391/432279地表道路25.1534.59712921/28349971122209/3244285ClassProd.Acc.(Percent)UserAcc.(Perce