基于Sentinel-2A的云南省城市绿地分类研究

doi:10.13466/j.cnki.lczyyj.2024.02.017

摘要/Abstract

摘要：

为了解云南省主要城市绿地的空间分布和构成情况,以文山、景洪、芒市、香格里拉、玉溪等5个代表性的主城区为研究区,基于Sentinel-2A卫星遥感影像提取光谱、纹理、植被指数和地形特征,采用随机森林算法对公园绿地、防护绿地、附属绿地、生产绿地4类绿地进行分类。结果表明:1)参与4种城市绿地分类的因子重要性排名中,海拔(Elevation)的贡献度最高;2)5个主城区绿地分类的制图精度(PA)与用户精度(UA)均高于非绿地的精度,且总体精度(OA)和调和平均值F1精度都在84%以上,Kappa系数为0.75;3)景洪市主城区和香格里拉主城区的4种绿地分类精度优于芒市主城区、文山主城区和玉溪主城区;4)文山、景洪、芒市、香格里拉、玉溪5个主城区的绿地总面积分别达到6.22、20.81、2.52、6.65、8.58 km²。采用随机森林算法进行城市绿地分类,具有较高的准确率,为云南省绿地资源的规划、生态环境保护管理等提供了有力的技术支撑。

关键词: Sentinel-2A, 城市绿地, 分类, 随机森林

Abstract:

In order to understand the spatial distribution and composition of green spaces in major cities of Yunnan Province,the Wenshan,Jinghong,Mangshi,Shangri-La,and Yuxi are selected as the study areas.Based on Sentinel-2A satellite remote sensing images,features including spectrum,texture,vegetation index and terrain characteristics are extracted and.The random forest algorithm is used to classify the four types of green spaces:park green space,protective green space,affiliated green space,and production green space.The results show:1)Among the factors participating in the classification of four urban green spaces types,elevation exhibits the highest contribution.2)The mapping accuracy(PA)and user accuracy(UA)of green space classification in the five main urban areas surpass the accuracy of non-green space,with an overall accuracy(OA)and harmonic average F1 accuracy both exceeding 84%,and a Kappa value of 0.75.3)The classification accuracy of the four green spaces types in Jinghong City main urban area and Shangri-La main urban area is superior to that of Mangshi Main urban area,Wenshan main urban area and Yuxi main urban area.4)The total green space area in the five main urban areas of Wenshan,Jinghong,Mangshi,Shangri-La and Yuxi amounts to 6.22,20.81,2.52,6.65 and 8.58 km²,respectively.The random forest algorithm effectively classifies urban green spaces with high accuracy,thereby providing substantial technical support for green space resources planning and ecological environment protection management in Yunnan Province.

Key words: Sentinel-2A, urban green space, classification, random forest

中图分类号:

TU986

胥晓, 张加龙. 基于Sentinel-2A的云南省城市绿地分类研究[J]. 林草资源研究, 2024,(2): 141-148.

XU Xiao, ZHANG Jialong. Classification of Urban Green Space in Yunnan Province Based on Sentinel-2A[J]. Forest and Grassland Resources Research, 2024,(2): 141-148.

图/表 9

图1

表1

图2

图3

表2

图4

表3

表4

图5

参考文献 26

[1]	陈红顺, 贺辉, 肖红玉. 基于高空间分辨率遥感影像的城市绿地提取方法研究[J]. 环境科学与管理, 2016, 41(10):25-27.
[2]	戴一华, 刘志锋, 王一航, 等. 基于大数据的城市土地利用分类研究:以西宁市为例[J]. 北京师范大学学报(自然科学版), 2021, 57(3):399-410.
[3]	吴琳琳, 李晓燕, 毛德华, 等. 基于遥感和多源地理数据的城市土地利用分类[J]. 自然资源遥感, 2022, 34(1):127-134.
[4]	付发群. 基于Sentinel-1A与Sentinel-2A数据的城市绿地提取研究[D]. 金华: 浙江师范大学, 2020.
[5]	程素娜, 张永彬, 汪金花. 基于遥感影像的城市绿地覆盖信息提取方法[J]. 天津农业科学, 2015, 21 (1):48-51.
[6]	WANG Xi, CHEN Bin, LI Xuecao, et al. Grid-based essential urban land use classification:A data and model driven mapping framework in Xiamen City[J]. Remote Sensing, 2022, 14(23):6143-6143.
[7]	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]. 青岛: 中国石油大学(华东), 2012.
[8]	苏伟, 李京, 陈云浩, 等. 基于多尺度影像分割的面向对象城市土地覆被分类研究:以马来西亚吉隆坡市城市中心区为例[J]. 遥感学报, 2007, 11(4):521-530.
[9]	MYINT S W, GOBER P, BRAZEL A, et al. Per-pixel VS object-based classification of urban land cover extraction using high spatial resolution imagery[J]. Remote Sensing of Environment, 2011, 11(5):1145-1161.
[10]	钱军朝, 徐丽华, 邱步步, 等. 基于Word View-2影像数据对杭州西湖区绿地信息提取研究[J]. 西南林业大学学报, 2017, 37 (4):156-166.
[11]	WANG Jie, HONG Zihan, XU Shuang, et al. Extraction of urban green space in shadow area from IKONOS image[C]. Urban Remote Sensing Event.IEEE,2009:1-9.
[12]	陈旭, 郝震寰. 哨兵卫星Sentinel-2A数据特性及应用潜力分析[J]. 科学视界, 2018,(16):48-50.
[13]	刘彬. 基于Sentinel-2A的成都市绿地生态系统服务评估及生态安全格局要素识别[D]. 成都: 四川农业大学, 2022.
[14]	战胜, 于泉洲, 田立征, 等. Sentinel-2A和Landsat-8 OLI的济南市城市绿地提取差异研究[J]. 测绘与空间地理信息, 2020, 43(4):45-49.
[15]	云南省统计局. 云南统计年鉴2017[M]. 北京: 中国统计出版社, 2017.
[16]	岳桢干. 欧洲 Sentinel-2A 卫星即将大显身手:“哥白尼” 对地观测计划简介 (上)[J]. 红外, 2015, 36(8):34-48.
[17]	刘灵, 张加龙, 韩雪莲, 等. 基于GEE和Sentinel时序影像的优势树种识别研究[J]. 森林工程, 2023, 39(1):63-72,81.
[18]	全国自然资源与国土空间规划标准化技术委员会. 土地利用现状分类:GB/T 21010—2017[S]. 北京: 中华人民共和国国家质量监督检验检疫总局、中国国家标准化管理委员会, 2017.
[19]	中华人民共和国住房和城乡建设部. 城市绿地分类标准:CJJ/T85—2017[S]. 北京: 中华人民共和国住房和城乡建设部, 2017.
[20]	秦海超, 骆焕成, 王笑. 基于GEE和Sentinel-2影像的临沂市土地利用/覆被分类信息提取[J]. 工程勘察, 2021, 49 (8):69-73.
[21]	BREIMAN L. Random forests[J]. Machine Learning, 2001,45:5-32.
[22]	陈逊龙, 孙一铭, 郭仕杰, 等. 应用无人机可见光影像和面向对象的随机森林模型对城市树种分类[J]. 东北林业大学学报, 2024, 52 (3):48-59.
[23]	任晓琦, 侯鹏, 陈妍. 森林地上生物量遥感反演研究进展[J]. 林草资源研究, 2023(6):146-158.
[24]	马望, 房磊, 方国飞, 等. 基于最大熵模型的神农架林区华山松大小蠹灾害遥感监测[J]. 生态学杂志, 2016, 35 (8):2122-2131.
[25]	肖庆琳, 张加龙, 曹军, 等. 耦合多特征多时相的普洱市优势树种分类研究[J]. 森林工程, 2024, 40(2):117-126.
[26]	霍轩琳, 牛振国, 张波, 等. 高寒湿地分类的遥感特征优选研究[J]. 遥感学报, 2023, 27 (4):1045-1060.

分类层次	类型	训练样本	验证样本	合计
第1层	城市绿地	196	84	280
	非城市绿地	119	51	170
第2层	公园绿地	224	96	320
	防护绿地	112	48	160
	附属绿地	213	91	304
	生产绿地	118	50	168

主城区	绿地		非绿地		OA/%	Kappa系数	F1/%
主城区	UA/%	PA/%	UA/%	PA/%	OA/%	Kappa系数	F1/%
文山主城区	90.47	82.60	86.20	92.59	89.47	0.820 0	86.36
景洪主城区	81.73	89.49	85.13	78.75	84.50	0.758 0	85.42
芒市主城区	99.99	87.50	83.33	88.88	94.11	0.909 0	93.33
香格里拉主城区	88.88	98.65	98.98	50.00	92.30	0.848 8	94.11
玉溪主城区	88.73	84.00	82.81	85.48	85.91	0.754 3	86.30

主城区	公园绿地		防护绿地		生产绿地		附属绿地		OA/%	Kappa 系数	F1/%
主城区	UA/%	PA/%	UA/%	PA/%	UA/%	PA/%	UA/%	PA/%	OA/%	Kappa 系数	F1/%
文山主城区	86.95	99.99	96.29	81.25	99.99	99.99	84.21	94.11	91.02	0.874 6	93.02
景洪市主城区	93.65	80.82	97.74	97.30	88.80	99.10	99.26	97.82	95.60	0.937 9	86.76
芒市主城区	97.29	78.26	88.11	97.67	95.23	90.90	88.88	77.41	90.35	0.840 0	86.74
香格里拉主城区	76.92	62.50	96.56	98.50	84.61	99.90	84.00	84.00	94.50	0.848 8	91.66
玉溪主城区	87.03	97.91	94.28	89.18	88.88	80.00	99.99	43.75	89.30	0.798 5	92.15

主城区	公园绿地		防护绿地		生产绿地		附属绿地		面积合计/ km²
主城区	面积/km²	占比/%	面积/km²	占比/%	面积/km²	占比/%	面积/km²	占比/%	面积合计/ km²
文山主城区	1.45	23.3	1.07	17.2	1.05	16.9	2.65	42.6	6.22
景洪主城区	2.56	12.4	12.89	61.9	1.90	9.1	3.46	16.6	20.81
芒市主城区	0.44	17.4	1.41	56.0	0.22	8.7	0.45	17.9	2.52
香格里拉主城区	0.44	6.6	3.77	56.7	0.75	11.3	1.69	25.4	6.65
玉溪主城区	3.44	40.0	3.07	35.8	0.82	9.6	1.25	14.6	8.58