EN中文

Journal of Geo-information Science >

2024 , Vol. 26 >Issue 12: 2818 - 2830

DOI: https://doi.org/10.12082/dqxxkx.2024.230504

High-Precision Identification and Spatial Feature Analysis of Green Space in a Mega-City Based on Street View and High-Resolution Remote Sensing Images

  • CHEN Hong , 1, 2 ,
  • TANG Jun 1 ,
  • GONG Yangchun 3 ,
  • CHEN Zhijie 4 ,
  • WANG Wenda 1, 5 ,
  • WANG Shaohua , 6, *
Expand
  • 1. Faculty of Geomatics, Lanzhou Jiaotong University, Lanzhou 730070, China
  • 2. National- Local Joint Engineering Research Center of Technologies and Applications for National Geographic State Monitoring, Lanzhou 730070, China
  • 3. College of Architecture and Urban Planning, Beijing University of Technology, Beijing 100124, China
  • 4. School of Architecture and Urban Planning, Lanzhou Jiaotong University, Lanzhou 730070, China
  • 5. Gansu Provincial Engineering Laboratory for National Geographic State Monitoring, Lanzhou 730070, China
  • 6. Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China
* WANG Shaohua, E-mail:

Received date: 2023-08-29

  Revised date: 2024-10-09

  Online published: 2024-11-28

Supported by

National Key Research and Development Program of China(2023YFF0805904)

Talent introduction Program Youth Project of the Chinese Academy of Sciences(E43302020D)

Talent introduction Program Youth Project of the Chinese Academy of Sciences(E2Z105010F)

Natural Science Foundation of Gansu Province(24JRRA250)

Fold

Abstract

Urban green spaces are critical components of urban ecosystems, playing an irreplaceable role in improving the ecological environment and enhancing quality of life. High-precision identification of urban green spaces is fundamental for urban renewal and optimizing green infrastructure. However, research on the identification and spatial heterogeneity of green spaces in megacities remains relatively limited. This study, taking Xi'an as an example, integrates urban street view images and GF-2 (Gaofen-2) satellite imagery, employing methods such as ISODATA classification, K-Means classification, and convolutional neural networks to achieve multi-dimensional, downscaled, and high-precision identification and analysis of green spaces. The results indicate the following: (1) The K-Means classification method demonstrates significantly higher accuracy (84.5%) compared to the ISODATA classification method (62.4%) and more accurately maps the spatial characteristics and heterogeneity patterns of green spaces. The green space coverage identified by the K-Means method is 0.277 0, which is lower than the 0.360 7 identified by ISODATA. (2) The average Green View Index (GVI) of streets in Xi'an's main urban area is 0.156 0, indicating a generally good level of street greening. However, there is notable polarization across different roads, with 30% of sampling points having a GVI below 0.080 0. Overall, the GVI of higher-grade roads is greater than that of lower-grade roads, following the trend: primary roads > secondary roads > trunk roads > tertiary roads. (3) There is a positive correlation between the GVI of streets and the vegetation coverage in their surrounding areas in Xi'an's main urban area. However, this correlation weakens in certain road sections, reflecting differences between vertical cross-sections and overhead views of the streets. Combining these perspectives provides a more accurate assessment and quantification of urban green spaces. This study provides a reference for green space planning, green infrastructure construction, and smart management in Xi'an, as well as technical guidance for high-precision identification and spatial analysis of urban green spaces in other cities.

Key words： urban green space; high-resolution remote sensing images; street view images; remote sensing image classification; Xi'an

Cite this article

CHEN Hong , TANG Jun , GONG Yangchun , CHEN Zhijie , WANG Wenda , WANG Shaohua . High-Precision Identification and Spatial Feature Analysis of Green Space in a Mega-City Based on Street View and High-Resolution Remote Sensing Images[J]. Journal of Geo-information Science, 2024 , 26(12) : 2818 -2830 . DOI: 10.12082/dqxxkx.2024.230504

1 引言

城市绿地的持续建设和优化是实现联合国可持续发展目标SDG11的重要一环[1-2]。2022年联合国环境规划署（UNEP）发布的绿动联合国报告（Greening the Blue Report 2022）以及欧洲环境 政策研究所（IEEP）发布的欧洲绿色新政晴雨表（European Green Deal Barometer）均表明绿色空间等资源环境可持续发展是全球化的城市热点问题。“十四五”期间全国国土绿化规划完成造林种草等国土绿化3 335万hm2，城市建成区绿化覆盖率达到43%，为城市绿地建设带来机遇与挑战。城市绿地是指城市范围内被植被覆盖且具备一定生态服务效益，具有较高的可达性并对城市环境有着积极影响的区域[3]，主要包括城市森林、城市草地、行道树、公园及湿地等。城市绿地不仅可以改善城市居民生活福祉，提供多种环境正效应与生态服务价值[4]，如缓解城市热岛效应[5]、调蓄雨水径流、改善城市生态环境[6-7]、隔离城市噪音[8]等，还可以满足人们户外游憩、观赏、休闲、娱乐以及保持身心健康需求[9-10]。城市绿地作为城市结构中主要元素，是一种“以自然为基础的解决方案”，可以有效增强城市韧性[11]，其高精度识别研究对城市绿地规划、空间优化、韧性城市建设和街区尺度微观决策具有重要意义。
街景图像（Street View Images, SVI）作为表征城市环境的一种新型大数据源，可以捕捉到建筑环境和行人互动最为频繁的城市场景，提供了近距离、立体剖面视角来描绘城市物质空间环境[12]。街景图像能够最大限度模拟行人视觉，且能高效、高精度地对绿视率提取和空间透视。高分辨率遥感卫星使得影像分辨率与精度得到有效提高，遥感影像具有更加丰富的空间纹理特征和语义信息，利用高分辨率影像数据获取高精度城市绿地信息，可及时准确映射城市绿植的分布和覆盖情况，为城市发展规划和环境评估提供重要的数据支撑[13-14]。城市绿地识别与空间异质性分析作为国内外绿地研究的重要议题之一，国外学者主要围绕绿视率、城市行道树提取和识别展开探索，如Seiferling等[15]借助谷歌街景图像将计算机视觉算法应用到的行道树提取中，提高了城市树木覆盖率估算精度；Yang等[16]使用彩色图片和目视解译方法得到植被立面形态，并计算该面积占背景总面积的比例作为绿视率；Branson等[17]通过结合谷歌遥感影像和街景图像，采用卷积神经网络技术实现了行道树检测和物种的自动化识别。与此同时，国内学者研究更侧重以下3个方面： ① 基于遥感影像的城市绿地提取，如张友水等对IKONOS影像中的绿地信息分级分类提取进行研究[18]，聂敏莉[19]基于Quickbird卫星影像对城市绿地提取与分类研究； ② 结合多源数据对城市绿地识别量化，如陈亚萍等[20]基于街景和遥感影像对郴州市的城市绿地进行多维度量化；田晓磊[21]基于无人机激光雷达数据、无人机多光谱数据、Sentinel-2数据，结合野外实际调查数据测算银川市城市绿量； ③ 对比分析多种方法下影像融合和绿地提取的精度，如王旻烨等[22]利用GS变换、主成分分析、Ehlers变换、Wavelet分析、HIS变换5种方法对城区World View-2和PL-1A影像进行融合，并从影像融合质量和绿地信息提取精度两方面对融合方法的有效性进行了评价；张金营[23]以SPOT5遥感影像作为数据源，分析对比ISODATA分类方法、最大似然分类方法和面向对象3种分类方法对青岛市绿地信息进行提取的精度。
综上所述，城市绿地识别研究多使用IKONOS、TM、Quickbird、WorldView等系列卫星数据，国产卫星数据的应用研究较少，而高分二号（GF-2）作为中国高分辨率对地观测系统重大专项首批启动研制的卫星，具有亚米级分辨率，是城市绿地识别研究的理想数据源[24]。此外，结合遥感影像与街景图像的绿地高精度识别与对比研究较少。因此，本研究主要集中如下3个研究问题：① 基于GF-2遥感影像的城市植被覆盖率为多少?ISODATA分类和K-Means分类哪种方法识别绿地精度更高?② 基于街景图像的城市不同道路绿视率有何差异?③ 量化城市绿化的植被覆盖率与街道绿视率二者存在何种关系和差异?针对以上3个现实问题，选取西安为研究区，利用GF-2遥感影像和城市街景图像数据，借助监督分类（最大似然法）、非监督分类（ISODATA分类，K-Means分类）方法与卷积神经网络模型对西安市主城区城市绿地进行识别提取、精度评定与空间解析，结合西安市街道绿视率和高分影像处理结果，对比分析西安市绿地空间异质性特征，为城市林业、城市规划等部门进行城市绿地调查研究提供技术方法与手段。

2 研究数据与方法

2.1 研究区

西安市位于中国西北地区陕西省中部（图1），是关中平原的核心城市，属暖温带半湿润大陆性季风气候，年均气温13.0~13.7 ℃，年均降水量为522.4~719.5 mm。作为历史悠久的六朝古都，西安在丝绸之路经济带沿线城市中具有承东启西、连接南北的关键战略地位。城市整体地势较为平坦，北濒渭河、南依秦岭，东、西、北三面与渭南、宝鸡、咸阳等地相邻。2010—2020年西安建成区面积增加了约114.6%，城市人口增长了约87.9%，2020年城市常住人口达1 218.33万人，成为中国西北人口规模最大的城市。快速的城市化进程带来了城市热岛效应加剧、环境污染、雾霾等一系列生态环境问题，并且现有城市绿色基础设施的覆盖率不足。“一带一路”倡议的落实、关中平原城市群和大西安建设促使西安市人口及城市用地将进一步快速扩张，对城市绿色空间规划和生态环境保护提出了更高要求。优化和构建绿地空间格局对建设宜居城市、保障城区生态安全尤为迫切，西安城市绿地压力较大，且集中体现在主城区开发与建设上，因此探讨其主城区绿地高精度识别与空间解析具有重要实践意义。
图1 西安主城区建筑物高度布局

Fig. 1 Layout of building heights within the main urban area of Xi'an

2.2 研究数据

研究数据包括西安市的高分辨率遥感影像数据、基础地理信息数据、西安市街景影像数据3类。① 高分辨率遥感影像数据来源于中华人民共和国住房和城乡建设部（https://www.mohurd.gov.cn/），由GF-2遥感影像卫星拍摄，成像时间为2018年，影像全色分辨率1 m，多光谱分辨率4 m。对大气校正后的多光谱影像以及定标后的全色影像做正射校正及融合处理，再通过研究区域的矢量范围对影像数据进行裁剪，得到西安主城区遥感影像数据。 ② 基础地理信息数据来自国家基础地理信息中心（http://www.ngcc.cn/）和OSM（Open Street Map, OSM）数据库，包括城市、城镇的行政边界，交通路网数据及河流数据； ③ 城市街景图像数据是通过百度地图API爬取，时间为2021年，共7 982张（表1）。
表1 数据源及特征

Tab. 1 Data sources and features

类别 数据 时间/年 分辨率 数据来源
遥感影像数据 GF-2遥感影像 2018 4 m 国家住房和城乡建设部
基础地理信息数据 行政边界 2017
2018		 - 中国2017年1:100万全国基础地理数据库
Open Street Map矢量数据
路网 -
河流 -
城市街景数据 街景图像 2021 1 024像素×512像素 百度地图

2.3 研究方法

2.3.1 遥感图像分类

监督分类和非监督分类是遥感影像分类中最常用的2种方式。监督分类常用的方法有最小距离分类、马氏距离（Mahalanobis Distance）和最大似然分类等。研究采用最大似然分类[25]是一种典型的基于统计分析的监督分类器，其考虑因素较其他分类方法较多，在样本判定函数符合正态分布时，最大似然分类的精确度比其他方法高。非监督分类常用方法有ISODATA分类与K-Means分类。ISODATA分类法[26]即迭代自组织数据分析技术，被广泛应用于图像的处理过程中，用随机生成的初始类别作为首次迭代的规则进行自动迭代，直至超过最大迭代次数或者满足分类参数（阈值），完成分类过程[27]。 K-Means分类又称为K均值分类，对影像像元进行随机选取，作为聚类中心，把每个对象分配给距离最近的聚类中心，对像元进行迭代聚合后计算新的类别均值，最后用新的均值对像元进行再分类。

2.3.2 街景图像处理

路网数据简化和采样点坐标获取是提取和计算街景图像中绿视率的前提。研究保留了高速公路、主要道路、次要道路、三级道路和干道5种类型的路段，将相邻街景采样点的间距设定为100 m，以确保街景图像覆盖所有街道，并通过ArcGIS生成采样点。最终，共获取了7 982个街景图像坐标点（图2）。街景图像处理是提高绿视率计算精度和反映行人真实感观的关键环节。通过百度地图提供的全景静态图API服务以URL的形式对全景静态图进行调用，根据获取的坐标点批量下载大小为 1 024像素×512像素的街景影像，获取观测角度为0°、90°、180°、270°，水平视角为东、南、西、北4个方向的街景图片，将图像进行拼接，得到采样点对应的静态全景图[28]。街景图像覆盖范围过大，而绿视率的计算是在行人视觉下对街道绿化量的统计占比[29-30]，所以对图片进行人眼视觉仿真尤为重要。本研究对人眼视觉进行多场景模拟，发现在45°~135°情景最符合行人视觉，因此对全景图进行批量裁剪后，得到4 096像素×768像素的街景图像（图3）。将处理前后的图片进行对比，发现处理后的图片更符合行人视觉下的街景图像，更能反映行人的真实体验，该处理将使得研究结果更加符合真实情况，可为下一步提取绿视率提高精度奠定基础。
图2 采样点分布

Fig. 2 Distribution of sampling points

图3 街景图像处理前后效果对比

Fig. 3 Comparison of street view image processing effects before and after

2.3.3 绿视率获取

绿视率为衡量公共空间绿化视觉效果提供了一种新视角，定义为街道绿化面积在行人正常视野中所占的比例，能够反映行人对周围绿色环境的感知程度[31]。街景图像的多样化采集方式和分辨率提升促使其在城市发展研究中的应用日益广泛。传统的街道绿化评估方法难以对大尺度、大范围的街道绿视率进行精确测量[32]。街景图像覆盖范围大、分辨率高，其静态图可以提供街道尺度的城市绿地图像，而不用考虑现场采集的繁琐和安全风险。在对街景图像进行批量处理时，自动化算法模型比传 统的网格计算法效率、精度高。基于全卷积网络（Fully Convolutional Network，FCN）的语义分割模型能将所提取的图片像元在卷积层中存储，进而对图像进行识别与分类。该方法特点为：精度高，具备强大的图像语义识别功能，依赖于丰富的深度学习训练样本数据库；可复用性强，适当调整可适用于各种应用场景；实现全自动识别，无需人为干预。

3 结果分析

3.1 城市绿地信息提取

研究将地物类型划分为绿地、建筑、水体和其他用地4种，在多次对影像训练样本选取评价后，样本间可分离性难以达到分类精度要求。因此，选取具有代表性的大明宫遗址作为监督分类的典型示例，主要评价训练样本的可分离性（表2）。各个样本类型之间的可分离性用Jeffries-Matusita和Transformed Divergence参数表示，这2个参数的值在 0~2.0之间，当可分性参数大于1.900 0时，所选取的训练样本之间可分离性强；1.800 0~1.900 0之间属于合格样本；低于1.800 0时，说明样本可分离性小，需要对训练样本进行重新选择[33]。样本可分离性报告中除其他用地与水体可分性参数，其他均大于1.800 0，表明所选训练样本整体可分离性合格。依据选取训练样本得到的分类模板，对图像的像元进行类别判定，结果表明K-Means分类精度高于ISODATA分类。ISODATA分类结果精度为62.4%，统计绿地覆盖率为0.360 7。K-Means分类结果精度为84.5%，统计绿地覆盖率为0.277 0。
表2 样本可分离性分析结果

Tab. 2 Analysis results of sample separability

感兴趣区 绿地 建筑 水体 其他用地
绿地 1.965 3 1.990 7 1.805 5 1.945 5
建筑 1.864 8 1.846 8 1.857 5 1.984 7
水体 1.857 2 1.954 6 1.835 5 1.842 4
其他用地 1.963 5 1.945 8 1.246 8 1.845 4
监督分类后选取局部分类结果进行目视解译，将K-Means分类结果与ISODATA分类结果进行对比（表3），结果同样表明K-Means分类的精度比ISODATA分类高。ISODATA分类获取的西安市绿地信息与实际绿地误差较大，而K-Means分类结果更能反映西安市主城区内的绿地分布情况。在所选取的西安市大明宫遗址、大唐芙蓉园和钟楼遥感影像分类结果中，对比分类前后影像发现两种非监督分类的方式对西安市主城区内的绿地提取结果都出现部分共性问题，例如将部分水体、阴影，或者空地识别成城市绿地，而在遥感影像上表现不佳的绿地却被分类为建筑或空地等其他类型。整体而言，ISODATA分类获取到的绿地精度较低，会出现较多的失误分类，而K-Means分类得到的绿地分布，与大明宫遗址、大唐芙蓉园、钟楼内的绿植覆盖情况基本吻合，表明K-Means分类结果比ISODATA分类更加精细，能较好地映射绿地空间特征与异质性规律。
表3 K-Means与ISODATA分类对比

Tab. 3 Comparison between K-Means and ISODATA classification

地区 高分影像 K-Means分类结果 ISODATA分类结果
大明宫遗址
大唐芙蓉园
钟楼

3.2 街道绿视率评估

3.2.1 绿视率计算结果

街景图像自动识别模型为基于全卷积网络（FCN）的语义分割模型[34]，通过大量开源街景图像分割数据集进行训练，精度可达0.814 4，表明分类准确度较高。通过语义分割模型可得到对天空、绿地、建筑、道路、植被等150个地物特征属性分类结果（图4）。选取太原路、大庆路、钟楼南大街、北关正街，对比分析原图与图像分割结果，可知通过语义分割模型得到的分类结果能很好反映街道实际情况，可用于街道绿视率的计算分析。
图4 不同道路图像分割结果与原图对比

Fig. 4 Comparison of image segmentation results of different roads with the original image

利用语义分割模型进行图像分割，绿视率提取的结果会受部分因素的影响。由于百度地图的街景图片并不包含时间属性，街景图片获取的时间、季节、天气等因素都会影响处理结果。本研究获取到的街景图片含有秋冬季街景图像，图像语义识别时植被将无法被识别，一定程度上降低了街道的绿视率，如友谊西路相邻点由于获取到的街景图像季节不同，绿视率相差较大（图5），图5（a）为秋冬季街景图像，其绿视率为0.106 0，而图5（b）绿视率为0.496 0，比秋冬季街景图像高了39.0%。此外，从百度街景图像中准确提取绿色植被也存在困难，图片的成像质量、视角过于开阔、图片阴影过多或者背光等都会影响绿色空间的提取，如大庆路的图像分割将部分有阴影的汽车识别成植物（图4）。
图5 友谊西路相邻点不同季节街景图像及绿视率

Fig. 5 Street view images and green vision rate in different seasons at adjacent points of Youyi Road West

绿色空间面积占整幅街景图像的比例即为绿视率，图片识别处理结果得到150类地物占比，在语义分割后得到的像元分类标签中，统计像元为5（树）、10（草）、18（植物）、67（花）的面积占比总和得到绿视率（表4）。由表4可知，绿视率的高低主要取决于像元为5（树）的占比大小，10（草）、18（植物）、67（花）的面积占比相对较小，如采样点2和采样点6等，采样点2的绿视率为0.219 4，其中5（树）的面积占比就达0.213 1，而10（草）和18（植物）的面积占比分别为0.0060和0.0003；采样点6的绿视率为0.087 3，其中5（树）的面积占比就达8.41%，18（植物）的面积占比仅为0.11%，此外，67（花卉）在很多采样点中的占比为0。结果表明西安市主城区街道绿化的植物配置较为单一，缺乏具有生态性与多样性的“乔木、灌木、花草”多层复合绿化的植物种植与绿地规划。
表4 绿视率计算结果

Tab. 4 Calculation results of green view index

类别 面积占比 绿视率
5(树) 10(草) 18(植物) 67(花)
0 0.011 2 0 0 0 0.011 2
1 0.029 2 0 0 0 0.029 2
2 0.213 1 0.006 0 0.000 3 0 0.219 4
3 0.172 0 0.019 8 0.005 9 0 0.197 7
4 0.319 0 0.030 1 0 0 0.349 1
5 0.179 0 0.036 3 0 0 0.215 3
… … … … … …
7976 0.023 7 0 0.006 9 0 0.030 6
7977 0.161 7 0.003 9 0 0 0.165 6
7978 0.133 3 0.000 7 0.000 6 0 0.134 6
7979 0.182 0 0.002 8 0.014 7 0 0.199 4
7980 0.225 2 0.000 7 0.009 7 0 0.235 7

3.2.2 绿视率分析

图像分割处理得到的有效绿视率采样点总数为7 822个。其中，30%采样点绿视率低于0.080 0，而43%的绿视率高于0.150 0。通过对所有采样点绿视率的统计分析，发现西安市主城区街道总体平均绿视率为0.156 0，高于0.150 0，表明西安市主城区内道路绿化水平较好。然而，30%采样点绿视率表现较差，而且绿视率较低的采样点比较分布较为集中，很少出现零散的绿视率较低的采样点（图6），如一环路较多采样点的绿视率低于0.080 0，而二环路大多采样点的绿视率高于0.150 0，表明西安市在城市规划过程中，注重单一街道绿视率的连续性，但对主城区内的道路绿化建设并不均衡，不同道路间绿视率的差距较大。
图6 采样点绿视率分布情况

Fig. 6 Distribution of green vision rate at sampling points

将采样点的绿视率匹配到对应的街道中计算得到街道绿视率的平均值[35]（图7）。结果可知，西安市绕城高速内（含绕城高速）共计308条道路，道路平均绿视率为0.141 0。其中104条道路平均绿视率大于0.150 0，占总道路的43.5%； 59条道路平均绿视率低于0.080 0，占总道路的19.1%，表明西安市道路整体绿化水平较为良好，但不同道路呈现两极分化的趋势。绿视率低的道路大多分布在一些建筑施工地段、城中村或是老旧小区周围。
图7 不同道路平均绿视率

Fig. 7 Average green vision rate of different roads

此外，主城区路网数据经筛选后，保留主要道路、次要道路、三级道路、高速公路、干道这5类城市道路类型，对西安市主城区内不同等级道路绿视率进行统计分析（图8），可知所有类型道路的平均绿视率均超过0.10，主要道路的平均绿视率超过0.15，绿视率表现良好。除高速公路外，西安市整体呈现出高等级道路平均绿视率要高于低等级道路的趋势，即主要道路>次要道路>干道>三级道路，表明道路等级越高，道路整体绿化水平越好。
图8 道路分级平均绿视率

Fig. 8 Average green vision rate of road classification

3.3 植被覆盖率与街道绿视率对比

西安市绕城高速内植被覆盖率为0.277 0，街道平均绿视率为0.156 0。整体而言，植被覆盖率高的片区，街道绿视率也相对更高，但两者又有差异（图9）。植被覆盖率反映的是地域植物垂直投影面积与该地域面积之比[36]。街道绿视率突出的是行人视野范围内的绿色面积，更能突出街道绿化环境，比植被覆盖率能更准确地表示市民接受绿化环境的程度。对比卫星遥感尺度下的植被覆盖率与街景视角尺度下的街道绿视率，对较大差异地区分析发现，一些地区植被覆盖率很低，但其绿视率较高，包括： ① 自然风景区附近部分路段，植被覆盖度低但街道绿视率高，如世博大道绿视率为0.289 0，但附近植被覆盖却比较少； ② 河流水系附近路段，河流水系的沿岸绿化使绿视率变高，如灞柳西路为绿视率0.159 0； ③ 周边绿地面积少，绿化覆盖率低，但街道绿化较好，如丰景路绿视率为0.225 0，如图10所示。
图9 绿地覆盖率与绿视率空间分布

Fig. 9 Spatial distribution of green coverage ratio and green view index

图10 典型路段街景与遥感影像

Fig. 10 Street view and remote sensing images of typical road sections

相反部分植被覆盖率较高地块的街道绿视率却比较低，主要包括： ① 有高差的路段，高架桥或周边是下沉式的公园绿化，如二环南路西段，其绿视率为0.129 0； ② 建设施工路段，一般其周边环境较好，但道路的建设施工降低了观测点的绿视率，如昆明路，其绿视率为0.048 0； ③ 在郊外视野开阔的道路，虽然植被覆盖率高，但绿视率低，如绕城高速，采样点绿视率为0.052 0； ④ 隧道，周边绿化覆盖率高而绿视率低，如和平门-文昌门隧道。植被覆盖率和街道绿视率的不匹配，在某种程度上可以解释为街道上地面的纵剖面图和天空俯视图之间的差异，纵剖面图与建筑物局部和植被树木的大小、树木的垂直结构以及树木与观赏者之间距离密切相关，遥感影像提供的俯视图并不包括这些因素，行人在街道上的视线范围也不能覆盖远离街道或被建筑物遮挡的绿地，而从高空观察到较大的植被覆盖率并不意味着在街道上能得到更高的绿视率。这表明仅根据植被覆盖图中的绿地信息来衡量城市绿化是不够的，而仅仅依靠街道绿视率也不能反映整个城市的绿化水平。二者结合，可以更准确地评估或量化城市绿化。

4 结论与讨论

4.1 结论

绿地作为城市绿色基础设施的重要组成部分，对绿地信息进行高精度识别与空间解析能够为城市规划提供决策支持，进而促进城市绿色、韧性和可持续发展。研究结合高分影像数据与街景图像数据，多维度对西安市主城区城市绿地空间进行精细识别并展开空间特征解析，得到了以下主要结论：
（1）K-Means分类结果比ISODATA分类结果更加精细，能更好地映射绿地空间特征与异质性规律。ISODATA分类结果精度为62.4%，统计绿地覆盖率为0.360 7； K-Means分类结果精度为84.5%，统计绿地覆盖率为0.277 0；
（2）西安主城区内街道平均绿视率为0.156 0，表明街道绿化水平良好，但不同道路两极分化严重，30%采样点的绿视率不到0.080 0；主城区整体呈现出高等级道路平均绿视率高于低等级道路的趋势，即主要道路>次要道路>干道>三级道路；
（3）西安主城区内街道绿视率与片区植被覆盖率整体呈现正相关，即在西安植被覆盖率高的片区街道绿视率也相对较高，但在部分路段关联性较小，这与街道地面纵剖面图和天空俯视图之间的差异相关，二者结合可以更准确地评估和量化城市绿地。

4.2 讨论

城市绿地高精度识别是准确评价和科学规划城市绿化建设的基础，以往研究多使用IKONOS、TM、Quickbird、WorldView等系列卫星数据[18-19,37-38]，国产卫星数据的应用研究较少。本研究基于GF-2遥感影像和街景图像对西安主城区绿地进行识别，GF-2具有亚米级分辨率，相比其他高分辨率遥感数据更具优势。植被覆盖率和绿视率各自反映了城市绿地的不同维度：覆盖率强调从上而下的视角，而绿视率则更注重地面行人视角。GF-2影像与街景图像结合可以更全面评估城市绿地的质量，为城市绿地识别与提取提供了新的方法。研究也存在以下不足：
（1）由于GF-2影像数据覆盖整个西安市，数据量大，处理过程耗时，非监督分类方法（如ISODATA分类与K-Means分类）在参数调试上存在一定的局限性[19]，影响了结果的适用范围和精确度；
（2）街景图像收集过程中，顾及路网合并对采样点坐标精确度的干扰，部分道路未进行合并，导致在一条街道中会出现坐标相近的2个采样点分布在道路两侧，从而对绿视率统计产生一定偏差；
（3）百度地图采集街景的时间、季节、天气等因素都会影响处理结果。本研究所用少部分街景图片采自秋冬季，导致植被在图像语义识别时难以被正确识别，进而降低了街道绿视率统计结果的准确性。主城区街区尺度下的植被高精度识别与提取将显著提升城市绿地研究的深度与精度，未来研究还需要更深入的调查以弥补不足，如利用无人机中低空航拍和实地调查，以补充和优化数据来源。城市街景图像采集和处理流程趋向标准化和统一化，将使得研究结果精度得到有效提升。此外，研究还可以用以识别城市空间要素[39]，如结合更多景观指标以评估城市景观结构[40]，为有效提升城市街道景观和改善城市生态环境提供更多支撑。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Massaro E, Schifanella R, Piccardo M, et al. Spatially-optimized urban greening for reduction of population exposure to land surface temperature extremes[J]. Nature Communications, 2023, 14(1):2903. DOI:10.1038/s41467-023-38596-1

PMID

[2]
周亮, 车磊, 周成虎. 中国城市绿色发展效率时空演变特征及影响因素[J]. 地理学报, 2019, 74(10):2027-2044.

DOI

[Zhou L, Che L, Zhou C H. Spatio-temporal evolution and influencing factors of urban green development efficiency in China[J]. Acta Geographica Sinica, 2019, 74(10):2027-2044.] DOI:10.11821/dlxb201910006

[3]
Suligowski R, Ciupa T, Cudny W. Quantity assessment of urban green, blue, and grey spaces in Poland[J]. Urban Forestry & Urban Greening, 2021, 64:127276. DOI:10.1016/j.ufug.2021.127276

[4]
欧阳晓, 贺清云, 朱翔. 多情景下模拟城市群土地利用变化对生态系统服务价值的影响——以长株潭城市群为例[J]. 经济地理, 2020, 40(1):93-102.

[Ouyang X, He Q Y, Zhu X. Simulation of impacts of urban agglomeration land use change on ecosystem services value under multi-scenarios: Case study in Changsha-Zhuzhou-Xiangtan Urban Agglomeration[J]. Economic geography, 2020, 40(1):93-102.] DOI:10.15957/j.cnki.jjdl.2020.01.011

[5]
Liu J, Zhang L, Zhang Q, et al. Predicting the surface urban heat island intensity of future urban green space development using a multi-scenario simulation[J]. Sustainable Cities and Society, 2021, 66:102698. DOI:10.1016/j.scs.2020.102698

[6]
韩晔, 周忠学. 西安市绿地景观吸收雾霾生态系统服务测算及空间格局[J]. 地理研究, 2015, 34(7):1247-1258.

DOI

[Han Y, Zhou Z X. Evaluation on ecosystem services in haze absorption by urban green land and its spatial patern analysis in Xi'an[J]. Geographical Research, 2015, 34(7):1247-1258.] DOI:10.11821/dlyj201507005

[7]
Derkzen M L, Van Teeffelen A J A, Verburg P H. REVIEW: Quantifying urban ecosystem services based on high-resolution data of urban green space: an assessment for Rotterdam, the Netherlands[J]. Journal of Applied Ecology, 2015, 52(4): 1020-1032. DOI: 10.1111/1365-2664.12469

[8]
Dzhambov A M, Dimitrova D D. Green spaces and env- ironmental noise perception[J]. Urban Forestry & Urb- an Greening, 2015, 14(4):1000-1008. DOI:10.1016/j.ufug.2015.09.006

[9]
Van Herzele A, De Vries S. Linking green space to health: a comparative study of two urban neighbourhoods in Ghent, Belgium[J]. Population and Environment, 2012, 34(2):171-193. DOI:10.1007/s11111-011-0153-1

[10]
Akpinar A. How is quality of urban green spaces associated with physical activity and health?[J]. Urban Forestry & Urban Greening, 2016, 16:76-83. DOI:0.1016/j.ufug.2016.01.011

[11]
Rutt R L, Gulsrud N M. Green justice in the city: A new agenda for urban green space research in Europe[J]. Urban Forestry & Urban Greening, 2016, 19:123-127. DOI: 10.1016/j.ufug.2016.07.004

[12]
万江琴, 费腾. 基于街景图像的“三生空间”识别方法研究[J]. 地球信息科学学报, 2023, 25(4): 838-851.

DOI

[Wan J Q, Fei T. "Production-Living-Ecological Spaces" recognition methods based on street view Images[J]. Journal of Geo-information Science, 2023, 25(4):838-851.] DOI: 10.12082/dqxxkx.2023.220534

[13]
BADAWI(巴达卫) R. 基于高分辨率遥感影像的南京典型城区绿地信息提取[D]. 南京: 南京大学, 2012.

[Rami Badawi. Extracting urban green land from high resolution remotely sensed image in typical area of Nanjing[D]. Nanjing: Nanjing University, 2012.]

[14]
余东行, 张保明, 赵传, 等. 联合卷积神经网络与集成学习的遥感影像场景分类[J]. 遥感学报, 2020, 24(6):717-727.

[Yu D H, Zhang B M, Zhao C, et al. Scene classification of remote sensing image using ensemble convolutional neural network[J]. Journal of Remote Sensing(Chinese), 2020, 24(6):717-727.] DOI:10.11834/jrs.20208273

[15]
Yang J, Zhao L, Mcbride J, et al. Can you see green? Assessing the visibility of urban forests in cities[J]. Landscape and Urban Planning, 2009, 91(2):97-104. DOI:10.1016/j.landurbplan.2008.12.004

[16]
Seiferling I, Naik N, Ratti C, et al. Green streets-Quantifying and mapping urban trees with street-level imagery and computer vision[J]. Landscape and Urban Planning, 2017, 165: 93-101. DOI:10.1016/j.landurbplan.2017.05.010

[17]
Branson S, Wegner J D, Hall D, et al. From Google Maps to a fine-grained catalog of street trees[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, 135:13-30. DOI:10.1016/j.isprsjprs.2017.11.008

[18]
张友水, 冯学智, 都金康, 等. IKONOS影像在城市绿地提取中的应用[J]. 地理研究, 2004, 23(2):274-280,284.

[Zhang Y S, Feng X Z, Du J K, et al. Study on extraction of urban green space from IKONOS remote sensing images[J]. Geographical Research, 2004, 23(2):274-280.] DOI:10.11821/yj2004020016

[19]
聂敏莉. 基于Quickbird卫星影像的城市绿地提取与分类研究[D]. 北京: 北京林业大学, 2010.

[Nie M L. The research of urban green space abstraction and classification based on QuickBird image[D]. Beijing: Beijing Forestry University, 2010.]

[20]
陈亚萍, 郑伯红, 曾祥平. 基于街景和遥感影像的城市绿地多维度量化研究——以郴州市为例[J]. 经济地理, 2019, 39(12):80-87.

[Chen Y P, Zheng B H, Zeng X P. Multidimensional Quantization of urban green space based on street view and remote sensing image: A case study of Chenzhou[J]. Economic geography, 2019, 39(12):80-87.] DOI:10.15957/j.cnki.jjdl.2019.12.009

[21]
田晓磊. 基于多源遥感数据的城市绿量测算[D]. 兰州: 兰州大学, 2022.

[Tian X L. Calculation of urban green quantity based on multi-source remote sensing data[D]. Lanzhou: Lanzhou University, 2022.] DOI:10.27204/d.cnki.glzhu.2022.000300

[22]
王旻烨, 费鲜芸, 谢宏全, 等. 城市绿地信息提取中高分辨率卫星影像融合方法研究[J]. 测绘通报, 2017(8):36-40.

DOI

[Wang M Y, Fei X Y, Xie H Q, et al. Research on fusion method of high-resolution satellite images in urban green space information extraction[J]. Bulletin of Surveying and Mapping, 2017(8):36-40.] DOI:10.13474/j.cnki.11-2246.2017.0250

[23]
张金营. 基于高分辨率遥感影像提取城市绿地信息的方法研究[D]. 东营: 中国石油大学(华东), 2012.

[Zhang J Y. Study on the method of extracting urban green space information based on high-resolution remote sensing images[D]. Dongying: China University of Petroleum (East China), 2012.]

[24]
汪雪淼, 孟庆岩, 赵少华, 等. GF-2在城市绿地分类及景观格局度量中的应用[J]. 地球信息科学学报, 2020, 22(10):1971-1982.

DOI

[Wang X M, Meng Q Y, Zhao S H, et al. Urban green space classification and landscape pattern measurement based on GF-2 image[J]. Journal of Geo-information Science, 2020, 22(10):1971-1982.] DOI:10.12082/dqxxkx.2020.200122

[25]
刘良云, 王纪华, 赵春江, 等. 基于地物空间信息的浮动先验概率最大似然分类研究[J]. 遥感学报, 2006, 10(2):227-235.

[Liu L Y, Wang J H, Zhao C J, et al. Research on maximum likelihood classification of floating prior probability based on spatial information of ground objects[J]. National Remote Sensing Bulletin, 2006, 10(2):227-235.] DOI:10.11834/jrs.20060234

[26]
刘丽雅. 基于国产GF-1的高寒山区土地利用/覆盖分类研究[D]. 杭州: 浙江大学, 2016.

[Liu L Y. Study on Land Use/Cover Classification in Alpine Mountainous Areas Based on GF-1 Made in China[D]. Hangzhou: Zhejiang University, 2016.]

[27]
吕杰. 基于Hyperion高光谱遥感数据的城市绿地信息提取方法的研究[D]. 北京: 中国地质大学(北京), 2009.

[Lv J. Research on extraction method of urban green space information based on Hyperion hyperspectral remote sensing data[D]. Beijing: China University of Geosciences (Beijing), 2009.]

[28]
黄慧萍, 吴炳方, 李苗苗, 等. 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, 8(1):68-74.

[Huang H P, Wu B F, Li M M, et al. Detecting urban vegetation efficiently with high resolution remote sensing data[J]. National Remote Sensing Bulletin, 2004, 8(1):68-74.] DOI:10.11834/jrs.20040111

[29]
刘智谦, 吕建军, 姚尧, 等. 基于街景图像的可解释性城市感知模型研究方法[J]. 地球信息科学学报, 2022, 24(10):2045-2057.

DOI

[Liu Z Q, Lv J J, Yao Y, et al. Research method of interpretable urban perception model based on street view imagery[J]. Journal of Geo-information Science, 2022, 24(10):2045-2057.] DOI:10.12082/dqxxkx.2022.210712

[30]
Zhu H Z, Nan X G, Yang F, et al. Utilizing the green view index to improve the urban street greenery index system: A statistical study using road patterns and vegetation structures as entry points[J]. Landscape and Urban Planning, 2023, 237:104780. DOI:10.1016/j.landurbplan.2023.104780

[31]
Berland A, Lange D A. Google Street View shows pro mise for virtual street tree surveys[J]. Urban Forestry & Urban Greening, 2017, 21:11-15. DOI:10.1016/j.ufug.2016.11.006

[32]
肖希, 韦怡凯, 李敏. 日本城市绿视率计量方法与评价应用[J]. 国际城市规划, 2018, 33(2):98-103.

[Xiao X, Wei Y K, Li M. The method of measurement and applications of visible green index in Japan[J]. Urban Planning International, 2018, 33(2):98-103.] DOI:10.22217/upi.2015.547

[33]
Li T, Zheng X Y, Wu J H, et al. Spatial relationship between green view index and normalized differential vegetation index within the Sixth Ring Road of Beijing[J]. Urban Forestry & Urban Greening, 2021, 62:127153. DOI:10.1016/j.ufug.2021.127153

[34]
邵振峰, 孙悦鸣, 席江波, 等. 智能优化学习的高空间分辨率遥感影像语义分割[J]. 武汉大学学报(信息科学版), 2022, 47(2):234-241.

[Shao Z F, Sun Y M, Xi J B, et al. Intelligent optimization learning for semantic segmentation of high spatial resolution remote sensing images[J]. Geomatics and Information Science of Wuhan University, 2022, 47(2):234-241.] DOI:10.13203/j.whugis20200640

[35]
吴立蕾. 基于绿视率的城市道路绿地设计研究[D]. 上海: 上海交通大学, 2008.

[Wu L L. Research on urban road green space design based on green visibility[D]. Shanghai: Shanghai Jiao Tong University, 2008.]

[36]
陈晋, 陈云浩, 何春阳, 等. 基于土地覆盖分类的植被覆盖率估算亚像元模型与应用[J]. 遥感学报, 2001, 5(6):416-422.

[Chen J, Chen Y H, He C Y, et al. Sub-pixel model for vegetation fraction estimation based on land cover classification[J]. National Remote Sensing Bulletin, 2001, 5(6): 416-422.] DOI:10.11834/jrs.20010603

[37]
袁德宝, 王子林, 李雪莹, 等. 基于改进U-Net的遥感影像城镇绿地提取[J]. 遥感信息, 2023, 38(1):33-39.

[Yuan D B, Wang Z L, Li X Y, et al. Extraction of urban green space from remote sensing images based on improved U-Net[J]. Remote Sensing Information, 2023, 38(1):33-39.] DOI:10.20091/j.cnki.1000-3177.2023.01.005

[38]
陈周, 费鲜芸, 高祥伟, 等. 高分辨率遥感影像分割的城市绿地提取研究[J]. 测绘通报, 2020(12):17-20.

DOI

[Chen Z, Fei X Y, Gao X W, et al. Study on urban green space extraction based on high resolution remote sensing image segmentation[J]. Bulletin of Surveying and Mapping, 2020(12):17-20.] DOI:10.13474/j.cnki.11-2246.2020.0382

[39]
徐智邦, 焦利民, 贾琦琪, 等. 标度律视角的城市效能测度及中国城市多维要素效能分析[J]. 地理研究, 2021, 40(6):1596-1609.

DOI

[Xu Z B, Jiao L M, Jia Q Q, et al. Measurement of urban efficiency from the perspective of scaling law and efficiency analysis of multi-dimensional elements in China city[J]. Geographical Research, 2021, 40(6):1596-1609.] DOI:10.11821/dlyj020200537

[40]
Dang H, Li J. The integration of urban streetscapes provides the possibility to fully quantify the ecological landscape of urban green spaces: A case study of Xi'an city[J]. Ecological Indicators, 2021, 133:108388. DOI:10.1016/j.ecolind.2021.108388

Options
Outlines

/

〈 〉