浙江大学学报·农业与生命科学版杂志投稿格式参考范文：市植被遥感分类研究进展与展望

　　引言

　　城市植被是城市生态环境的重要组成部分，具有重要的生态环境效益和社会经济效益。在生态环境方面，城市植被可以调节热环境、减少空气污染、阻隔噪声传播，具有改善生态环境质量的作用。在社会生活方面，城市植被起到调节居民情绪、降低患病率、提供公共生活空间等作用，从而提高居民生活质量和城市宜居性。因此，科学规划和管理城市植被十分重要。

　　通过城市植被分类来监测植被分布和变化状况是规划城市植被的前提。相较于费时费力的传统实地调查，遥感技术已经成为城市植被分类的重要手段，它可以提供不同尺度的观测数据，并且使大范围、高精度、自动化城市植被分类成为可能。

　　在城市植被遥感分类领域，早期研究以中低分辨率光学数据为主。随着遥感技术的不断发展，城市植被遥感分类应用的数据源越来越多样，如引入了激光雷达和地面传感数据等新的数据源，另外，数据的空间分辨率、光谱分辨率和时间分辨率也不断得到提升。同时，越来越多的分类方法也被运用到城市植被遥感分类中，例如混合像元分解和神经网络等方法。

　　近年来，国内外很多学者致力于城市植被分类研究。自 2001 年起该研究领域发文量呈上升趋势，文献第一作者主要来自中美两国，研究方向主要包括植被提取、植被生物学分类、植被功能区分类。得益于高分辨率的数据源和分类方法的发展，城市植被分类精度得到很大提升，同时，分类粒度也进一步细化，分类层次从植被提取细化到树种分类等，此外，还出现了结合社会感知数据的城市植被功能分类。但城市植被分类仍面临着一些挑战。首先，不同城市间具有复杂多变的城市环境，例如城市阴影和云雾干扰，限制了分类精度的提升。其次，目前的研究大多局限在部分城市，缺乏大范围和多城市的迁移应用研究。因此，综述国内外研究成果，有助于城市植被遥感分类的探索。本文对二维城市植被遥感分类的相关文献进行了分析，对目前该领域常用的遥感数据源和分类方法进行了整理，并提出了未来的发展方向。

　　1 遥感数据源

　　遥感数据源是城市植被遥感研究的基础，不同数据源具有不同分辨率，反映了地物的不同特征。根据研究侧重点的不同，所选的数据源也复杂多样。近年来，应用于城市植被遥感分类研究的常见数据源包括光学数据、激光雷达数据和地面传感数据三大类。

　　1.1 光学数据

　　光学数据在城市植被遥感分类研究中有广泛应用，本文主要指通过搭载在卫星或无人机平台上的光学传感器获取的数据。数据源的质量主要受空间分辨率、光谱分辨率和时间分辨率的影响。由于大部分城市植被分布破碎且面积较小，因此，城市植被遥感分类一般需要较高空间分辨率的数据。

　　依据数据用途的差异，用于城市植被遥感分类的数据源可以分为中空间分辨率 (>10 m)、高空间分辨率 (1~10 m)、亚米级分辨率 (<1 m) 影像。中空间分辨率影像常用于评估城市整体的植被分布状况，并绘制城市内主要绿地斑块，但难以对植被进行精细观测。Sentinel-2 是最常用的中空间分辨率遥感影像，其空间分辨率最高可达 10 m。城市内部组成复杂多样，绿地通常以细小斑块甚至零散的树木形式存在，因此，常用较高空间分辨率的遥感影像进行分类。高空间分辨率影像是近年来应用较广泛的数据源，例如高分二号 (GF-2)、IKONOS 和 WorldView-2 影像等，不但可以对城市植被进行精细分类，还可以进一步进行全球树种分类和树冠提取。基于高空间分辨率影像提出的树草分异指数 (TGDI)，综合了纹理和光谱特征，相较于仅依靠光谱特征的传统方法，提升了城市树木和草地的分类效果。这表明高分辨率影像增强了纹理特征的效果，提高了分类精度。在其他应用中，利用 QuickBird 卫星影像进行单木提取，利用 WorldView-3 卫星影像进行树种分类。然而，随着空间分辨率的不断提高，数据获取成本和对分类方法的要求也在不断上升。亚米级分辨率影像常通过机载传感器获取，应用成本更高，应用范围更小，常用于局部高精度分类任务。

　　较高的光谱分辨率可以提供更多特征，有助于分类精度的提升。常用于城市植被分类的光学数据可以分为多光谱影像和高光谱影像。其中，多光谱影像通常包括可见光、近红外、短波红外等光谱域的 4~8 个波段，而高光谱影像则是从狭窄连续的光谱域中获取的数百个波段。研究发现，光谱中的某些波段在城市植被提取分类中发挥着更大的作用。在植被与其他地物的区分中，近红外波段发挥着重要的作用，如 GF-2 影像的近红外波段可以提高城市植被提取精度。在植被内部的分类中，利用 WorldView-2 影像对南非商业树种的分类结果表明，蓝色波段发挥了重要作用。

　　1.2 激光雷达数据

　　激光雷达数据可以获取传感器到被测物体的精确距离，已被广泛应用于植被信息提取研究，这里主要介绍通过星载和机载激光雷达获取的数据，其主要机制是向被测物体发射激光脉冲，通过记录和分析回波信号来获取植被表面和冠层的三维特征。常见的星载激光雷达数据包含 ICESat-2 和 GEDI，由于这些数据存在条带间距，难以覆盖研究区，因此更多研究选用精度更高、更加灵活的机载激光雷达数据。利用激光雷达和高光谱数据对城市树木进行了分类，并总结了激光雷达用于城市植被分类的特征指标，主要包括树冠形状 (如树冠高度与面积)、激光点分布及返回信号强度。

　　多数研究围绕激光雷达数据与光学数据的融合展开，激光雷达数据可以提供植被几何特征信息，光学数据可以提供植被反射信息。城市中的植被通常以单株或孤立群体的形式存在，并且由于周围环境和人工维护等因素的强烈影响，同一种类的不同群体可能具有不同的特征，因此，许多研究需要对不同的植被群体进行精细识别和分类。激光雷达数据不但具有较高分辨率，还能提供光学数据的互补信息，如冠层结构信息和树木几何信息，可以有效提升城市植被分类的效果。另外，激光雷达对阴影不敏感，从而可以有效减少城市阴影的干扰。将光学数据与激光雷达数据融合，有效弥补了阴影对高光谱数据的干扰。虽然激光雷达数据可以提供精确的几何特征信息，但是由于其成本高昂，获取不便，并且研究区域小、数据处理量大，难以大范围应用，因此在多数研究中光谱信息依然是城市植被分类的主要依据。

　　1.3 地面传感数据

　　前述 2 种数据源均是通过卫星和机载传感器获取的，而在城市植被分类领域，通过地面传感器获取的数据也是一种重要的数据源，可以从行人视角获取城市植被信息，在行道树分类中起到了重要作用，也使得城市环境评估结果更接近于居民感知。街景数据是较常用的地面传感数据，主要包括谷歌街景和百度街景，由于其获取便捷、数据量大，常与深度学习技术相结合，已被广泛应用于研究城市植被对居民身心健康和活动的影响。采用 FCN-8s 模型对街景数据进行图像分割，得到街道尺度的绿地感知信息，并分析了其与老年抑郁症之间的关系。利用街景影像计算天空视野因子来量化美国波士顿市中心街道树木的遮阴量，以此来衡量居民的热舒适度。然而，街景数据在城市植被分类中应用较少，主要因为其空间和时间覆盖不足，收集的数据精度低，在大范围高精度的分类任务中存在局限。例如，基于街景影像的 YOLO 模型来估计树木高度、直径和位置;提出了一种利用街景影像进行城市树木分类的技术路线，但是由于街景影像覆盖的植被有限，只能处理部分行道树。

　　2 城市植被分类方法

　　从是否有先验知识、分类数据及特征、分类方法三方面归纳了植被分类方法。将用于城市植被分类的监督分类器划分为非参数法和参数法，参数法包含最大似然分类和逻辑回归等，非参数法包含支持向量机 (SVM)、随机森林 (RF) 和深度学习等。本文选取城市植被分类领域常见的 3 种分类方法，即阈值分割、机器学习和深度学习方法，介绍城市植被分类的研究进展。

　　2.1 阈值分割

　　阈值分割是通过设定的分类特征阈值来进行分类的一种方法，尽管分类精度不高，但由于易于计算，在城市植被分类领域特别是在分类精度要求不高的效益评价研究领域有着广泛应用。植被指数常作为分类特征与阈值分割相结合，如利用植被指数作为绿化指标，评估城市环境中绿地对居民健康的影响;利用植被在红光波段反射率低而在近红外波段反射率高的特性监测植被状况;利用植被指数提取广州城市植被信息，并与其他方式对比，发现植被指数可以有效提取绿地信息，但是精度较其他方式低。城市环境复杂，植被分布破碎，城市植被分类不但受到城市阴影的影响，还受到藻类含量较高的水体和绿色屋顶的干扰，导致仅依靠植被指数的城市植被分类精度不高，因此，在植被指数的基础上增加了近红外波段辐射值作为判断条件来减少由城市阴影造成的误判。

　　归一化植被指数 (NDVI) 是最常用的植被指数，由近红外通道与可见光通道反射率的差与和的比值计算得到，可以有效区分植被与非植被区域。此外，还有改进的植被指数，包括比值植被指数 (RVI)、差值植被指数 (DVI) 及增强型植被指数 (EVI) 等。例如通过提取中国 439 个城市的 EVI 数据，分析了城市植被空间变化及其分布格局。

　　2.2 机器学习

　　由于研究区域和研究对象复杂多样，选择或适用的分类方法也各不相同，支持向量机、决策树、随机森林是城市植被遥感分类中较常见的机器学习分类方法。

　　支持向量机是一种监督分类算法，可以处理线性和非线性问题，对于小样本和高维数据也有较好的处理能力，其核心原理在于寻找一个最优超平面，以将不同类别的样本在特征空间中最大程度地分隔开，并使两侧最靠近超平面的样本点与超平面的距离最大化。基于构建的 IKONOS 影像 SVM 模型进行城市植被类型分类，取得了良好的效果;利用 WorldView-2/3 影像探索了基于对象的 SVM 和 RF 方法识别城市树种的潜力，结果表明，SVM 在城市树种分类中更有效，在处理较少数量和不平衡分布的样本时优于 RF。SVM 还需要设定惩罚系数和核函数参数，这些超参数会影响分类效果。一些学者探索了 SVM 的最优参数组合和优化方式。

　　决策树分类法的基本思想是构建一棵树状结构，通过对遥感影像中的像素特征空间进行递归划分，最大程度地降低节点内部样本的差异，从而实现对不同地物类别的有效分离。利用决策树分类法对深圳市城市植被进行分类，发现分类精度相较于阈值分割明显提高，但绿地和耕地之间的错分现象比较严重。决策树分类法易于解释和理解，但容易造成过拟合问题，可以通过剪枝或集成学习等方法提高泛化性能。随机森林则是由多个决策树组成的集成学习方法，决策结果由每个决策树的分类结果通过打分得到。在构建模型时，从训练数据集中随机有放回地抽取多个子样本，然后对每个子样本选取一部分特征构建一个决策树，最后由众多独立决策树组成随机森林模型。使用随机森林分类器结合面向对象的方法，通过高分辨率光学影像绘制城市绿度空间;使用 Sentinel-2 卫星影像，通过 RF、SVM、人工神经网络和贝叶斯分类器 4 种机器学习方法绘制绿色城市区域地图，结果发现 SVM 优于其他方法;使用 Sentinel-1 影像，通过 RF、SVM、极限梯度提升 (XGBoost)、多层感知器 (MLP) 等 6 种分类器对城市植被进行分类，结果发现 SVM 在单日期影像分析中表现出最佳性能，MLP 在多时相分类场景中获得了最高的准确率。

　　2.3 深度学习

　　深度学习是指具有大量隐藏层的神经网络模型，与需要人工提取特征的传统机器学习算法不同，深度学习模型可以直接从原始数据中自动学习数据深层特征，使深度学习具有较强的泛化能力。近年来，在城市植被分类领域，深度学习相关研究迅速发展，许多研究对比了深度学习和传统方法以及不同深度学习框架之间分类效果的区别。基于 GF-2 遥感影像，对比 PspNet、SegNet、U-Net、DeepLabv2 和 DeepLabv3 + 模型在城市植被提取上的效果，结果表明，DeepLabv3 + 的提取效果最好，能更好区分绿地和农田;利用改进的 U-Net 模型和基于 GF-2 遥感影像将城市植被分为草地、常绿树和落叶树，且其精度高于 U-Net、SegNet 和 DeepLabv3 + 模型;提出了一种基于串联残差注意力机制的 U-Net 模型，该模型结合了残差结构和通道注意力机制，并应用于高分一号 (GF-1) 遥感影像，结果显示，该模型的分割精度有所提升，在区域大比例尺制图中具有一定适用性。

　　还有一些研究针对城市植被遥感分类领域的特定问题提出深度学习框架。针对不同城市环境差异的问题，通过构建大型城市绿地数据集 (UGSet)，并引入对抗性学习思想，提出了 UGSNet 网络模型算法，提高了城市绿地的提取精度。生成了中国 31 个主要城市的细粒度城市绿地地图，通过消融实验验证了引入判别器在模型迁移能力方面的优势。针对城市植被分类领域缺乏数据集的问题，开发了一种分割城市树木的半监督深度学习方法，为巴西 472 个城市创建了 0.5 m 分辨率的精细树冠产品。针对城市植被形态复杂、大小不一的问题，提出了多尺度特征融合和变换网络 (MFFTNet) 模型，利用多尺度特征融合模块和自注意力模型网络增强绿地边缘信息。总体上，深度学习方法在很多分类问题上取得了较好效果，然而由于需要大量数据集作为样本，限制了它在许多方面的应用。除此之外，深度学习的黑箱特性也使研究者难以深入了解决策过程。

　　随着深度学习大模型的兴起，遥感领域也出现了许多应用。在图像分割领域，将应用于自然图像的视觉大模型 ViT 扩展到了遥感领域。利用生成式自监督学习思想，提出了针对复杂遥感场景中密集和小型目标的 RingMo 模型。在城市植被遥感领域，虽然城市中时刻有大量图像和文本数据产生，但大模型的应用仍然较少。依据不同的研究目的，城市植被具有不同的分类体系，包含多种生物学和功能性分类类型，这些分类体系需要不同的训练样本和分类模型，给城市绿度空间研究带来了很大障碍。因此，利用大模型探索可交互式分类，实现不同分类体系的迁移应用和快速分类是值得探索的研究方向。

　　3 展望

　　本文从遥感数据源和分类方法两方面介绍了城市植被遥感分类的研究进展。目前，该领域已经提出了许多植被提取分类、绿地功能分类及树种分类等方向的研究方法，并取得了较好的分类效果，但是仍存在一些问题和需改进的方向。

　　1、阴影对城市植被遥感分类研究造成很大干扰。城市区域的高空间分辨率影像存在许多阴影，而城市植被分类研究大多围绕高空间分辨率影像展开，导致城市植被制图的准确性降低。因此，需要进一步研究城市阴影，恢复阴影区域信息或降低阴影的影响，从而进一步提高城市植被分类的精度。

　　2、相较于其他遥感领域，城市植被分类缺乏相关数据集，导致城市绿度空间分析难以获得可靠数据，常常通过 NDVI 和阈值提取方法获取植被信息。然而，这种分类方式往往精度较低，且难以对绿地进一步进行分类，限制了分析工作的深入开展。未来需要进一步扩大研究尺度，提高分类方法的迁移性，并提出面向不同场景和不同分类标准的数据集。

　　3、多时相分类是城市植被遥感分类的重要发展方向，特别是在植被分类和树种分类中，植被的物候特征是分类的重要驱动因素。目前，许多高空间分辨率影像实现了连续数年的持续采集，未来的影像处理技术也需要从单一图像处理转变为时间序列处理。

　　4、街景数据在城市绿度空间分析中得到了广泛应用，但是由于观测条件的限制，街景数据往往存在一些没有被覆盖的空间和时间，且观测角度较为随机，限制了街景数据的进一步应用。未来的研究可以关注街景数据的采集与生成，扩大街景数据的应用范围。

孟庆岩;杜弘宇;王莉萍;张琳琳;吴嘉豪;康佳琦,中国科学院空天信息创新研究院;杭州国际城市学研究中心浙江省城市治理研究中心;海南空天信息研究院;海南省地球观测重点实验室;中国科学院大学;澳门大学智慧城市物联网国家重点实验室;桂林电子科技大学生命与环境科学学院,202402