1. 引言
随着我国现代化进程的加快，人们不仅仅局限于享受城市化带给我们的各种便利，对于其他的更多的是对城市化发展的各种需求，对于城市环境的改善以及美化的要求也越来越高。这个城市是否宜居，它未来的规模、数量和面貌的变化，都与城市绿地的覆盖率相关，而且是其中非常重要的指标。
城市园林是在传统园林的基础之上，紧密结合城市的各种发展而诞生的。城市绿地是生态文明建设的重要组成部分，且绿地信息的提取是城市园林绿地规划和建设的基础和前提，对城市的生态文明建设起着决定性的作用，同时也是我国可持续发展总体战略的必不可少的一部分[1]。一直以来，我国大部分的城市绿地的统计，一般采用人工统计的方法，人工统计客观性差、十分耗时、准确率低、现实因素考虑不充分，非常耗费人力物力。随着国内外信息技术和遥感技术的发展，越来越多的城市影像处理技术也开始被发现，不仅获取的影像越来越清晰，处理影像的技术也飞速发展，每一个绿地信息的提取也逐渐省时省力。
遥感技术是城市绿地提取的重要处理技术，具有成本低、效率高的特点，而且遥感技术的宏观性、多波段、多时相、高效高精度的特点，为城市绿地信息提取的统计与分析提供了简便有效的技术支持[2]。高分辨率遥感影像也是城市绿地提取的重要数据源，高分辨率的遥感影像具有高清晰度、高空间分辨率、更新速度快、多维度且信息量十分丰富精准的特点，为信息提取提供了重要保障。
随着航天技术的发展与通感器性能的不断改进，尤其是商用小卫星的快速发展，高分辨率遥感卫星已经发展到了一个崭新水平。目前世界各国竞相研究开发高分辨率遥感卫星，如法国SPOTS的可见光传感器HRV的地面分辨率由10 m提高到2.5 m，德国SAR-RUPE计划中的空间分辨率达到1 m，以色列于1979年发射的ERO 2B的分辨率为1 m等。此外，南非、西班牙、韩国等国家和地区都已经计划发射各自的高空间分辨率系列小卫星。
大连市中心城区——中山区，是本课题研究区，是大连市重要的金融商业中心，本课题研究高分辨率影像数据处理过程，以及基于高分辨率遥感数据影像对大连市中山区城区绿地进行数据提取分析，推演出研究区城市绿地的分析变化规律，大连市中山区城市绿化发展变化规律对大连市中山区未来的发展有着十分重要的影响。
2. 简介
2.1. 研究区简介
大连市中心城区——中山区是大连市的金融和商业中心，当时为了纪念中山先生的精神而命名，主要景点有海之韵公园、老虎滩海洋公园、中山广场、海军广场、劳动公园等。位于大连市东部，东南北三面临海，西部与西岗区接壤，中心位置位于东经121.64511˚，北纬38.91864˚。截止至2018年统计，中山区陆地面积47.41平方千米，海域面积1443平方千米，海岸线和岛岸线总长42.53米。中山区内中部、南部山岗蜿蜒，丘陵起伏，全区西北平坦、东南为低山丘陵，冬无严寒、夏无酷热、四季分明，属于海洋性暖温带大陆季风气候[3]。根据第七次全国人口普查数据，截止至2020年11月1日零时，中山区常住人口388564人。中山区正着力建设城市功能国际化示范区，建设高端服务业核心聚集区，全面建设自然与人文和谐相融的宜居宜业城区。大连市中山区行政图见图1、图2。
Figure 1. Liaoning Province
图1. 辽宁省
Figure 2. Zhongshan District of Dalian City
图2. 大连市中山区
2.2. 哨兵二号卫星数据介绍
哨兵二号卫星是由两颗极地轨道卫星组成的卫星系统，位于同一太阳同步轨道上。在监测地表条件的可变性，以及其宽幅和高重访时间(在赤道用一颗卫星10天，在无云条件下用2颗卫星在5天，导致2~3天)将支持监测地球表面的变化[4]，例如土地监测和气候变化等。它的数据产品概述了可供用户使用的L1B、L1C和L2A数据产品，包括L1C切片网格。哨兵二号卫星图见图3。
Figure 3. The Sentinel-2 satellite
图3. 哨兵二号卫星
本次研究的数据是哨兵二号L2A的数据产品，L2A级数据是已经经过辐射定标和大气校正的数据，已经完成了预处理的过程。当然，L2A级数据还包含一些别的产品，如气溶胶厚度、大气水蒸气等。
2.3. 高分辨率遥感影像的特性
高分辨率的遥感卫星起初是用来获取敌对国家经济、军事情报以及地理空间数据的，直到1999年美国太空成像公司第一颗商业高分辨率遥感卫星IKONOS的发射成功，开创了商业高分辨率遥感卫星的新时代[5]。高分辨率影像具有以下特征：
2.3.1. 高空间分辨率
高分辨率遥感影像十分清晰，目标的地物形状依稀可见，相比于低分辨率的遥感影像，地物的尺寸、形状、和结构等都能得到更清晰的反映，纹理特征也是更加细致，细节信息也得到了更丰富的表征[6]。
2.3.2. 高时间分辨率
随着遥感影像的不断发展，不同地区的成像时间间隔显著缩短，使其实时动态监测都可以随时更新，并能得到丰富的地物信息。对于分析地物动态变化以及实时监测等具有十分重要的作用。目前遥感影像的时间分辨率已经可以达到从几天到几小时为周期的重复访问。
2.3.3. 光谱波段数少
高光谱影像波段数多、数据量大，给高光谱图像的分类、识别带来了很大的困难。因此，降维处理对于高分辨率影像处理十分必要！据我所知，一种方法是可采取特征提取的方式进行降维，但是这种方式算法比较困难，数据计算量大，而且，还改变了原始数据本身意义，不利于解译[7]。另一种方法便是进行了波段选择是高光谱图像，不仅能降低图像的数据维度，还能比较完整的保留研究所需的信息[8]。
2.3.4. 信息量丰富且精准
高光谱给我们提供了大量的更加精细的地物数据信息，正是由于高分辨率，我们从影像上获取的地物信息也更加的精准，从之前的30 M、15 M、10 M……到现在的亚米级，让我们能更精准地看到影像上的地物特征[9]。
3. 城市绿地
根据《辞海》中绿地的解释“配合环境创造自然条件，适合种植乔木、灌木和草本植物而形成一定范围的绿化地面或区域。”或指“凡是生长植物的土地、不论是自然植被或人工栽培的，包括农林牧生产用地及园林用地，均可称为绿地。”[10]新的《城市绿地分类标准》(CJJ/T85-2017)，自2018年6月1日起实施，本标准所称的城市绿地是指城市行政区内以自然植被和人工植被为主要存在形态的用地[11]。它分为两类，包括城市建设用地范围内用于绿化的土地，以及包括对生态、景观和居民休闲生活具有积极作用、绿化环境较好的区域。
作为城市生态系统的重要组成部分，它本身就具有自我调节的功能，调控着城市环境的生态平衡。除了净化空气、改善气候、降低噪音、减灾防灾等功能以外，同时还可以营造良好的自然环境，形成城市独具风格的自然景观和城市风貌，为城市的居民提供了良好的生产生活氛围，概括起来城市绿地的功能主要体现在生态功能、景观功能、社会功能三方面。
由于大连市中山区整个城区的临近海边属于平原，没有较大的地形起伏，土地类型较少，所以在绿地分类时只分了三种类型，包括郊区林地、城市建设用地和城市绿地。
4. 数据处理过程
对于哨兵号卫星L2A级遥感影像处理过程主要包括图像获取、图像预处理、最大似然法分类等过程。
4.1. 图像获取
选择的影像是哨兵二号卫星L2A级的遥感影像，10 M分辨率，是从欧洲航天局中获取的多光谱影像。选取的影像时间分别是2019、2020和2021年9月份左右的影像，这个时间段的城市绿地信息成熟，利于实验提取。
4.2. 图像预处理
关于哨兵2号预处理，主要是对1C级产品进行辐射定标和大气校正，转换为L2A数据，而Sen2cor是ESA发布的专用于哨兵预处理的插件。但由于哨兵二号L2A级数据是已经经过辐射定标和大气校正的大气底层反射率数据，所以无需在进行预处理。但是图像还是不能直接被利用，还需要进行影像格式转换、波段合成、图像裁剪以及图像增强的过程。
4.2.1. 影像格式转换
是指从不同来源下载的影像或者不同卫星的影像，有不同的打开方式，所以就需要将影像的格式进行转换，以便处理。
由于从欧洲航空局下载后L2A级数据十分混乱，在压缩包中分布的也十分凌乱，而且压缩包在ENVI中打不开，所以我们需要用到SNAP软件，打开数据。
哨兵二号数据转为ENV1格式步骤：首先加载数据，点击file-open product，选择需要转格式的数据。打开后不能直接用file-export-ENVI进行转换，应当先进行resampling。点击raster-geometric operations-resampling，选择resampling parameters，调节参数，点击run。完成后SNAP左侧会出现操作完成后的结果，选中它再点击file-export-ENVI即可完成，转出后的格式可以用ENVI打开。
4.2.2. 波段合成
为了获取丰富的地质信息和地表环境信息，可以采用不同波段的影像数据进行融合，波段合成后，影像清晰度高，干扰信息少，地质解译度高。例如在Landsat 8中有432 (真彩色)、543 (标准假彩色)、753 (假彩色)等的波段融合方式，可以根据不同的需要选择不同的合成方式。哨兵二号影像各波段数据信息见表1、表2 [12]：
Table 1. Data information sheets for each band of Sentinel II
表1. 哨兵二号各波段数据信息表
Sentinel 2 imagery band |
Central wavelength /nm |
Band width /am |
Resolution/m |
Band 1 Conntal scrool |
443 |
20 |
60 |
Bend 2 Blue |
490 |
65 |
10 |
Band 3-Green |
560 |
35 |
10 |
Bend 4 Red |
665 |
30 |
10 |
Bend 5 Vegetation red edge |
705 |
15 |
20 |
Bend 6 Vegetation red edge |
740 |
15 |
20 |
Bend 7-Veetstion red edge |
783 |
20 |
20 |
Bend 8-NIR |
842 |
115 |
10 |
Bend 8a-Norrow NIR |
865 |
20 |
20 |
Bend 9-Water vapour |
945 |
20 |
60 |
Bend 10-SWIR-cirrus |
1375 |
30 |
60 |
Bond 11 SWIR |
1610 |
90 |
20 |
Band 12-SWIR |
1690 |
180 |
20 |
Table 2. Description of the meaning for each band of Sentinel II
表2. 哨兵二号各个波段的意义说明表
波段 |
说明 |
Band 1 |
海岸/气溶胶波段：用来监测近岸水体和大气中的气溶胶 |
Band 2、3、4 |
可见光波段 |
Band 5、6、7 |
红边范围内波段对监测植被健康信息非常有效 |
Band 8 |
近红外波段 |
Band 9 |
水蒸气波段 |
Band 10、11、12 |
短波红外波段 |
B4 B3 B2：健康的植物是绿色的，城市特征经常出现白色和灰色，水是深蓝色的；B8 B4 B3：标准假彩色组合是为了强调健康和不健康的植被。利用近红外(B8)波段，它对叶绿素的反射效果特别好；B12 B8 B4：这种颜色合成显示出各种绿色阴影的植被。通常，较深的绿色阴影表示植被茂密，但是棕色指示着裸露的土壤和堆积的区域；B11 B8 B2：它主要用于监测农作物的健康状况，因为它使用了短波和近红外，这两个条带都特别善于突出呈现为深绿色的茂密植被。
此次波段合成是在ENVI中进行的，采用的波段是12、8、2波段。具体步骤为：打开Raster Management-IDL-Layer Stacking，然后选择B2、B8、B12三个影像波段，选择UTM投影WGS-84地理坐标系，设置参数并保存。
4.2.3. 影像的裁剪
影像裁剪时可以根据自己或实验所需，裁剪出合理的图案，例如规则地裁剪出一个矩形、圆形等，再例如根据研究区的边界进行裁剪，获得所研究区域。本次实验裁剪的是大连市中山区城区(不包含岛屿)，在ENVI5.3中导入波段合成后的哨兵二号影像，中山区.shp文件.采用工具箱中的工具Regions of Interest-subset Data form ROIS裁剪出中山区形状。见图4。
Figure 4. After cropped image
图4. 裁剪后影像
最后使用ENVI将图像进行光谱增强，突出城区内绿地现象。
4.3. 最大似然法绿地信息提取
在传统的影像分类中，应用的大多都是传统的分类方法——监督分类和非监督分类，随着现代遥感技术的迅猛发展，新的分类方法也随之出现。像监督分类和非监督分类这样的传统的分类方式，仍然占有一席之地，虽然比较容易受到影像本身以及操作误差的影响，导致最后分类的精度低下，错分、漏分的状况出现，影响实验结果，但也能很快速地进行分类处理。有时可能出现操作失误等问题，导致误差，但这些因素都可以尽量避免。监督分类包括最大似然分类方法、最小距离分类法、马式距离分类法和平行体分类方法三种分类方式，非监督分类包括K-均值分类方法、ISODATA分类方法等，本次实验采用的是监督分类中的最大似然分类方法[13]。我看来两种分类方式的各种方法都是不错的，都有些许的误差影响，但相较之下，最大似然法具有比较高的分类结果。
最大似然法是基于贝叶斯分类准则的。根据影像特征，假设每个波段的各个训练样本数据都是呈正态分布，按照正态分布规律用最大似然判别分类，得到各种特征区域的类[13]。
主要分类步骤如下：
Figure 5. To select the training sample area
图5. 选择训练样区
这种方法的优点有：首先，对于每一个像元而言，总有样本的平均值与其相近，不存在像元不能分类的情况；其次，最大似然分类法是监督分类中分类精度较高的方法等。然而缺点是，虽然等式得到了扩展，但是导致了计算量的增大和耗费处理时间增加；还存在着存在分类过度的现象；还有就是最大似然是参数形式，所以要求每一个波段都要符合正态(高斯)分布[13]。
4.4. 影像数据
2019年数据以及郊区林地、城市建设用地和城市绿地，见表3：
Table 3. Green space classification data sheet in 2019
表3. 2019年绿地分类数据表
Class Summary |
Count |
Percent |
UNCLASSIFIED |
181,755 |
27.978148 |
LD |
196,467 |
30.242814 |
CITY |
204,608 |
31.495985 |
CSLD |
66,802 |
10.283053 |
2020年数据以及郊区林地、城市建设用地和城市绿地，见表4：
Table 4. Green space classification data sheet in 2020
表4. 2020年绿地分类数据表
Class Summary |
Count |
Percent |
UNCLASSIFIED |
181,755 |
27.978148 |
LD |
206,112 |
31.727501 |
CITY |
183,412 |
28.233215 |
CSLD |
78,353 |
12.061136 |
2021年数据以及郊区林地、城市建设用地和城市绿地，见表5：
Table 5. Green space classification data sheet in 2021
表5. 2021年绿地分类数据表
Class Summary |
Count |
Percent |
UNCLASSIFIED |
181,755 |
27.978148 |
LD |
188,690 |
29.045675 |
CITY |
182,201 |
28.046802 |
CSLD |
96,986 |
14.929375 |
5. 数据分析与总结
根据遥感影像处理的数据显示，可以看出三年的三种绿地信息面积的上下起伏并不大，郊区林地面积先增加后降低；城市建设用地逐年减少；城市绿地面积逐年增加幅度越来越大，根据2018年实施的《城市绿地分类标准》(CJJ/T85-2017)可以看出，整个城市的城市绿地面积是增加的，见表6。
Table 6. Comparison of green space in three years
表6. 三年绿地占比数据对比表
Class Summary |
2019年占比 |
2020年占比 |
2021年占比 |
UNCLASSIFIED |
27.978148 |
27.978148 |
27.978148 |
LD |
30.242814 |
31.727501 |
29.045675 |
CITY |
31.495985 |
28.233215 |
28.046802 |
CSLD |
10.283053 |
12.061136 |
14.929375 |
造成这样的原因可能是：
首先林地增加后降低，波动幅度较弱。说明在实验误差的范围内，数据处理的结果较符合现实状况，可能是由于部分城市用地与林地相互转化而造成的，数据存在波动属于正常状况。可以说大连市中山区森林资源保护意识还是比较强的，“绿水青山就是金山银山”的理念深入人心，生态破坏遭到抑制，相关部门管理到位。
其次，城市建设用地逐年减少，中山区一直向着建设成为高端服务业核心聚集区发展，高端服务业越来越多，加工厂、废弃用地等一些不需要的建设用地被拆除，根据国家发布的，城市建设用地与城市绿地比例，为了平衡比例，减少建设用地、增加城市绿地。因此，建设用地不断减少。
然后，城市绿地的增加可能由于经济水平或者人口的增加，中山区一直都是人们向往的生活地方，是个宜居的城市。近些年来政策逐渐放宽，越来越多的人想要移居到中山区，不仅环境适宜，经济状况也是比较好的。还有可能是政府的调控，据了解大连市中山区一直想建设城市功能国际化示范区和高端服务业核心聚集区，需要越来越多的技术以及人才，人口越来越多，所要求的环境质量也越来越高，不仅生活的周边环境要改善，郊区的绿地面积也需改动，所以城市绿地也逐年增加。
总的来说，大连市中山区整体的绿地面积有所增加，这对于大连市未来的绿化水平的完善具有重要影响，势必影响未来的环境趋势，对于人类和生态环境安全和谐的相处具有重要意义。