城市植被遥感分类研究进展与展望
城市植被遥感分类研究进展与展望
1.
2.
3.
4.
5.
6.
Research progress and prospects of remote sensing classification of urban vegetation
MENG Qingyan , ,1,2,3,4, DU Hongyu1,3,4, WANG Liping2, ZHANG Linlin , ,1,2,3, WU Jiahao1,5, KANG Jiaqi1,6
1.
2.
3.
4.
5.
6.
Abstract
Urban vegetation is an important part of the urban environment, and remote sensing classification of urban vegetation is an important way to monitor and analyze urban green space. By sorting the research progress of remote sensing classification of urban vegetation at home and abroad, we started from two aspects of remote sensing data sources and classification methods, and analyzed the current problems and development trends in this field, in order to provide references for urban green space research. First, the applications of optical data, light detection and ranging (LiDAR) data and ground sensing data in the remote sensing classification of urban vegetation were summarized, and the advantages and disadvantages of different data sources were analyzed in depth. Second, the characteristics of classification methods applied in the remote sensing classification of urban vegetation were summarized through the study of three classification methods, including threshold segmentation, machine learning, and deep learning. Finally, the existing problems and future development directions in the remote sensing classification of urban vegetation were proposed.
Keywords：urban vegetation;urban remote sensing;image classification
本文引用格式
孟庆岩, 杜弘宇, 王莉萍, 张琳琳, 吴嘉豪, 康佳琦.
MENG Qingyan, DU Hongyu, WANG Liping, ZHANG Linlin, WU Jiahao, KANG Jiaqi. Research progress and prospects of remote sensing classification of urban vegetation. Journal of Zhejiang University （Agriculture & Life Sciences）[J]. 2024, 50(2): 190-199 doi:10.3785/j.issn.1008-9209.2023.10.071
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[1]。在生态环境方面，城市植被可以调节热环境[2]、减少空气污染[3]、阻隔噪声传播[4]，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[5-6]。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[7]。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[8-9]。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[10-12]，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[13]。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[14-15]。
近年来，国内外很多学者致力于城市植被分类研究。如图1所示，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（图2A），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（图2B）。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，如WANG等[16]利用高分辨率遥感影像和多尺度注意力特征聚合网络（multi-scale attention feature aggregation network, MAFANet）实现了精确的城市绿地制图。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，例如NININAHAZWE等[17]绘制了加拿大魁北克省城市群的3种外来入侵植物分布，总体精度可达91%。此外，还出现了结合社会感知数据的城市植被功能分类[18-19]。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[20]和云雾[21]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[22]。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。
图1
图1 城市植被分类研究年发文量（2001—2023年）
Fig. 1 Numbers of annual published papers of urban vegetation classification research (2001—2023)
图2
图2 文献第一作者所属国家（A）及文献研究方向（B）
Fig. 2 Countries of papers’ first author (A) and research directions of papers (B)
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（表1）。
表1 城市植被遥感提取分类数据源对比
Table 1
数据源
Data source
优势
Advantage
不足
Disadvantage
主要应用
Main application
光学数据
Optical data
中空间分辨率
（＞10 m）
遥感数据监测时序长空间分辨率低，难以满足要求植被提取高空间分辨率
（1～10 m）
空间分辨率满足城市植被
提取分类的要求；
空间分辨率越高，纹理特
征的作用越明显
随着空间分辨率的提高，数据
处理的难度也增大
植被提取；植被分类；树冠提取亚米级分辨率
（＜1 m）
空间分辨率满足精细化分
类的要求
获取成本较高，大多依赖机载
平台，所受限制较多
植被分类；树冠分割激光雷达数据
LiDAR data
提供树冠形态信息；
减少城市阴影的干扰
获取成本较高；
受城市其他地物影响较大
植被分类；树冠分割地面传感数据
Ground sensing
data
观测树木垂直结构；
从行人视角感知城市绿地
数据空间覆盖范围有限，局限在
道路周围的绿地；
光谱波段有限，缺乏红外等波段
居民感知；植被分类新窗口打开|下载CSV
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[23]。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。JU等[24]以Sentinel-2卫星影像和OpenStreetMap地图作为样本，制作了拉丁美洲371个主要城市群10 m空间分辨率城市植被地图。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[25]，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。QIAN等[26]基于高空间分辨率影像提出了树草分异指数（tree-grass differentiation index, TGDI），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，ARDILA等[27]利用QuickBird卫星影像进行单木提取，CHOUDHURY等[28]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[29-30]。
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[31]。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WANG等[32]发现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，PEERBHAY等[33]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[34]，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[35]，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[36-37]。LIU等[38]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[39]。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[40]。另外，TOOKE等[41]研究发现，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。DEGERICKX等[36]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[42]，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[43]。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[44]，由于其获取便捷、数据量大，常与深度学习技术相结合[45]，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[46]。HELBICH等[47]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。LI等[48]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，CHOI等[49]基于街景影像的YOLO模型来估计树木高度、直径和位置；CAPECCHI等[50]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
杨超等[14]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。NEYNS等[8]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（support vector machine, SVM）、随机森林（random forest, 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[51]，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[52]。植被指数常作为分类特征与阈值分割相结合，如，GASCON等[53]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；PETTORELLI等[54]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；张杰夫[55]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，汪雪淼等[56]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（normalized difference vegetation index, 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（ratio vegetation index, RVI）、差值植被指数（difference vegetation index, DVI）及增强型植被指数（enhanced vegetation index, EVI）等。例如HE等[57]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[58]。张友静等[59]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；LI等[60]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，例如：KRANJČIĆ等[61]提供了一种最适合从哥白尼卫星影像中提取绿色城市区域的SVM参数组合；HOANG等[62]构建并验证了一个融合元启发式算法和支持向量机的智能模型，发现元启发式算法可以优化SVM的超参数集合。
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[63]。陈利等[64]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[65]。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。PUISSANT等[66]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；KRANJČIĆ等[67]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；GAŠPAROVIĆ等[68]使用Sentinel-1影像，通过RF、SVM、极限梯度提升（extreme gradient boosting, XGBoost）、多层感知器（multilayer perceptron, 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。DU等[69]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；徐知宇等[70]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；MEN等[71]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，LIU等[72]通过构建大型城市绿地数据集（urban green space dataset, 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。SHI等[22]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，GUO等[15]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，CHENG等[73]提出了多尺度特征融合和变换网络（multi-scale feature fusion and transformer network, 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[74]。
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，WANG等[75]将应用于自然图像的视觉大模型ViT扩展到了遥感领域。SUN等[76]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。
参考文献
[1]
HE M W, YUAN C, ZHANG X, et al.
Impacts of green-blue-grey infrastructures on high-density urban thermal environment at multiple spatial scales: a case study in Wuhan
[J]. Urban Climate, 2023, 52: 101714. DOI: 10.1016/j.uclim.2023.101714[本文引用: 1]
[2]
HUANG Q Y, XU C, HAASE D, et al.
Heterogeneous effects of the availability and spatial configuration of urban green spaces on their cooling effects in China
[J]. Environment International, 2024, 183: 108385. DOI: 10.1016/j.envint.2023.108385[本文引用: 1]
[3]
WANG M L, QIN M, XU P J, et al.
Atmospheric particulate matter retention capacity of bark and leaves of urban tree species
[J]. Environmental Pollution, 2024, 342: 123109. DOI: 10.1016/j.envpol.2023.123109[本文引用: 1]
[4]
REY-GOZALO G, BARRIGÓN MORILLAS J M, MONTES GONZÁLEZ D, et al.
Influence of green areas on the urban sound environment
[J]. Current Pollution Reports, 2023, 9(4): 746-759. DOI: 10.1007/s40726-023-00284-5[本文引用: 1]
[5]
OLSZEWSKA-GUIZZO A, SIA A, FOGEL A, et al.
Features of urban green spaces associated with positive emotions, mindfulness and relaxation
[J]. Scientific Reports, 2022, 12(1): 20695. DOI: 10.1038/s41598-022-24637-0[本文引用: 1]
[6]
孟庆岩.城市绿度空间遥感[M].
北京:
科学出版社,2020.
[本文引用: 1]
MENG Q Y. Remote Sensing of Urban Green Space[M].
Beijing:
Science Press, 2020. (in Chinese)
[本文引用: 1]
[7]
BAI Y K, SUN G M, LI Y, et al.
Comprehensively analyzing optical and polarimetric SAR features for land-use/land-cover classification and urban vegetation extraction in highly-dense urban area
[J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 103: 102496. DOI: 10.1016/j.jag.2021.102496[本文引用: 1]
[8]
NEYNS R, CANTERS F.
Mapping of urban vegetation with high-resolution remote sensing: a review
[J]. Remote Sensing, 2022, 14(4): 1031. DOI: 10.3390/rs14041031[本文引用: 2]
[9]
SCHNEIDER A, FRIEDL M A, POTERE D.
Mapping global urban areas using MODIS 500-m data: new methods and datasets based on “urban ecoregions”
[J]. Remote Sensing of Environment, 2010, 114(8): 1733-1746. DOI: 10.1016/j.rse.2010.03.003[本文引用: 1]
[10]
SHAHTAHMASSEBI A R, LI C L, FAN Y F, et al.
Remote sensing of urban green spaces: a review
[J]. Urban Forestry & Urban Greening, 2021, 57: 126946. DOI: 10.1016/j.ufug.2020.126946[本文引用: 1]
[11]
HÖFLE B, HOLLAUS M, HAGENAUER J.
Urban vegetation detection using radiometrically calibrated small-footprint full-waveform airborne LiDAR data
[J]. ISPRS Journal of Photo-grammetry and Remote Sensing, 2012, 67: 134-147. DOI: 10.1016/j.isprsjprs.2011.12.003[12]
HORVAT D, ŽALIK B, MONGUS D.
Context-dependent detection of non-linearly distributed points for vegetation classification in airborne LiDAR
[J]. ISPRS Journal of Photo-grammetry and Remote Sensing, 2016, 116: 1-14. DOI: 10.1016/j.isprsjprs.2016.02.011[本文引用: 1]
[13]
YANG M X, ZHOU X L, LIU Z L, et al.
A review of general methods for quantifying and estimating urban trees and biomass
[J]. Forests, 2022, 13(4): 616. DOI: 10.3390/f13040616[本文引用: 1]
[15]
GUO J H, XU Q S, ZENG Y, et al.
Nationwide urban tree canopy mapping and coverage assessment in Brazil from high-resolution remote sensing images using deep learning
[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2023, 198: 1-15. DOI: 10.1016/j.isprsjprs.2023.02.007[本文引用: 2]
[16]
WANG W, CHENG Y, REN Z P, et al.
A novel hybrid method for urban green space segmentation from high-resolution remote sensing images
[J]. Remote Sensing, 2023, 15(23): 5472. DOI: 10.3390/rs15235472[本文引用: 1]
[17]
NININAHAZWE F, THÉAU J, MARC ANTOINE G, et al.
Mapping invasive alien plant species with very high spatial resolution and multi-date satellite imagery using object-based and machine learning techniques: a comparative study
[J]. GIScience & Remote Sensing, 2023, 60(1): 2190203. DOI: 10.1080/15481603.2023.2190203[本文引用: 1]
[18]
WANG Y Q, HUANG H P, YANG G, et al.
Ecosystem service function supply-demand evaluation of urban functional green space based on multi-source data fusion
[J]. Remote Sensing, 2022, 15(1): 118. DOI: 10.3390/rs15010118[本文引用: 1]
[19]
KAYMAZ I, ARSLAN E S, ÖRÜCÜ Ö K, et al.
Exploring the relation between urban landscape service values and different infrastructures through crowdsourced data
[J]. International Journal of Sustainable Development & World Ecology, 2024.URL [本文引用: 1]
[20]
ALAVIPANAH S K, KARIMI FIROZJAEI M, SEDIGHI A, et al.
The shadow effect on surface biophysical variables derived from remote sensing: a review
[J]. Land, 2022, 11(11): 2025. DOI: 10.3390/land11112025[本文引用: 1]
[21]
YU W K, ZHANG X K, PUN M O.
Cloud removal in optical remote sensing imagery using multiscale distortion-aware networks
[J]. IEEE Geoscience and Remote Sensing Letters, 2022, 19: 1-5. DOI: 10.1109/lgrs.2022.3144686[本文引用: 1]
[22]
SHI Q, LIU M X, MARINONI A, et al.
UGS-1m: fine-grained urban green space mapping of 31 major cities in China based on the deep learning framework
[J]. Earth System Science Data, 2023, 15(2): 555-577. DOI: 10.5194/essd-15-555-2023[本文引用: 2]
[23]
VAN DE VOORDE T, VLAEMINCK J, CANTERS F.
Comparing different approaches for mapping urban vegetation cover from Landsat ETM+ data: a case study on Brussels
[J]. Sensors, 2008, 8(6): 3880-3902. DOI: 10.3390/s8063880[本文引用: 1]
[24]
JU Y, DRONOVA I, DELCLÒS-ALIÓ X.
A 10 m resolution urban green space map for major Latin American cities from Sentinel-2 remote sensing images and OpenStreetMap
[J]. Scientific Data, 2022, 9: 586. DOI: 10.1038/s41597-022-01701-y[本文引用: 1]
[25]
GONG C F, YU S X, JOESTING H, et al.
Determining socioeconomic drivers of urban forest fragmentation with historical remote sensing images
[J]. Landscape and Urban Planning, 2013, 117: 57-65. DOI: 10.1016/j.landurbplan.2013.04.009[本文引用: 1]
[26]
QIAN Y G, ZHOU W Q, NYTCH C J, et al.
A new index to differentiate tree and grass based on high resolution image and object-based methods
[J]. Urban Forestry & Urban Greening, 2020, 53: 126661. DOI: 10.1016/j.ufug.2020.126661[本文引用: 1]
[27]
ARDILA J P, TOLPEKIN V A, BIJKER W.
Context-sensitive extraction of tree crown objects in urban areas using VHR satellite images
[C]. Proceedings of the Conference on Geographic Object-Based Image Analysis (GEOBIA), Ghent, BELGIUM, June 29—July 02, 2010.Gottingen:
Copernicus Gesellschaft MBH, 2010.
[本文引用: 1]
[28]
CHOUDHURY M A M, MARCHEGGIANI E, DESPINI F, et al.
Urban tree species identification and carbon stock mapping for urban green planning and management
[J]. Forests, 2020, 11(11): 1226. DOI: 10.3390/f11111226[本文引用: 1]
[29]
MARTINS G B, LA ROSA L E C, HAPP P N, et al.
Deep learning-based tree species mapping in a highly diverse tropical urban setting
[J]. Urban Forestry & Urban Greening, 2021, 64: 127241. DOI: 10.1016/j.ufug.2021.127241[本文引用: 1]
[30]
LOBO TORRES D, QUEIROZ FEITOSA R, NIGRI HAPP P, et al.
Applying fully convolutional architectures for semantic segmentation of a single tree species in urban environment on high resolution UAV optical imagery
[J]. Sensors, 2020, 20(2): 563. DOI: 10.3390/s20020563[本文引用: 1]
[31]
FASSNACHT F E, LATIFI H, STEREŃCZAK K, et al.
Review of studies on tree species classification from remotely sensed data
[J]. Remote Sensing of Environment, 2016, 186: 64-87. DOI: 10.1016/j.rse.2016.08.013[本文引用: 1]
[32]
WANG X M, MENG Q Y, ZHANG L L, et al.
Evaluation of urban green space in terms of thermal environmental benefits using geographical detector analysis
[J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 105: 102610. DOI: 10.1016/j.jag.2021.102610[本文引用: 1]
[33]
PEERBHAY K Y, MUTANGA O, ISMAIL R.
Investigating the capability of few strategically placed worldView-2 multispectral bands to discriminate forest species in KwaZulu-Natal, South Africa
[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(1): 307-316. DOI: 10.1109/jstars.2013.2262634[本文引用: 1]
[34]
LEFSKY M A, COHEN W B, PARKER G G, et al.
Lidar remote sensing for ecosystem studies
[J]. BioScience, 2002, 52(1): 19-30. DOI: 10.1641/0006-3568(2002)052 [0019:Lrsfes]2.0.Co;2[本文引用: 1]
[35]
[本文引用: 1]
LIU D, CHEN S J, LIU Q, et al.
Spaceborne environmental detection LiDAR and its key techniques
[J].Acta Optica Sinica, 2022, 42(17): 1701001. (in Chinese with English abstract)DOI:10.3788/aos202242.1701001 [本文引用: 1]
[36]
DEGERICKX J, HERMY M, SOMERS B.
Mapping functional urban green types using high resolution remote sensing data
[J]. Sustainability, 2020, 12(5): 2144. DOI: 10.3390/su12052144[本文引用: 2]
[37]
BAINES O, WILKES P, DISNEY M.
Quantifying urban forest structure with open-access remote sensing data sets
[J]. Urban Forestry & Urban Greening, 2020, 50: 126653. DOI: 10.1016/j.ufug.2020.126653[本文引用: 1]
[38]
LIU L X, COOPS N C, AVEN N W, et al.
Mapping urban tree species using integrated airborne hyperspectral and LiDAR remote sensing data
[J]. Remote Sensing of Environment, 2017, 200: 170-182. DOI: 10.1016/j.rse.2017.08.010[本文引用: 1]
[39]
MACFADEN S W, O’NEIL-DUNNE J P M, ROYAR A R, et al.
High-resolution tree canopy mapping for New York City using LiDAR and object-based image analysis
[J]. Journal of Applied Remote Sensing, 2012, 6(1): 063567. DOI: 10.1117/1.JRS.6.063567[本文引用: 1]
[40]
WANG K P, WANG T J, LIU X H.
A review: individual tree species classification using integrated airborne LiDAR and optical imagery with a focus on the urban environment
[J]. Forests, 2018, 10(1): 1. DOI: 10.3390/f10010001[本文引用: 1]
[41]
TOOKE T R, COOPS N C, GOODWIN N R, et al.
Extracting urban vegetation characteristics using spectral mixture analysis and decision tree classifications
[J]. Remote Sensing of Environ-ment, 2009, 113(2): 398-407. DOI: 10.1016/j.rse.2008.10.005[本文引用: 1]
[42]
CIESIELSKI M, STERENCZAK K.
Accuracy of determining specific parameters of the urban forest using remote sensing
[J]. iForest-Biogeosciences and Forestry, 2019, 12(6): 498-510. DOI: 10.3832/ifor3024-012[本文引用: 1]
[43]
LESLIE E, SUGIYAMA T, IERODIACONOU D, et al.
Perceived and objectively measured greenness of neighbour-hoods: Are they measuring the same thing?
[J]. Landscape and Urban Planning, 2010, 95(1/2): 28-33. DOI: 10.1016/j.landurbplan.2009.11.002[本文引用: 1]
[45]
GONG F Y, ZENG Z C, ZHANG F, et al.
Mapping sky, tree, and building view factors of street canyons in a high-density urban environment
[J]. Building and Environment, 2018, 134: 155-167. DOI: 10.1016/j.buildenv.2018.02.042[本文引用: 1]
[46]
LU Y Z, FERRANTI E J S, CHAPMAN L, et al.
Assessing urban greenery by harvesting street view data: a review
[J]. Urban Forestry & Urban Greening, 2023, 83: 127917. DOI: 10.1016/j.ufug.2023.127917[本文引用: 1]
[47]
HELBICH M, YAO Y, LIU Y, et al.
Using deep learning to examine street view green and blue spaces and their associa-tions with geriatric depression in Beijing, China
[J]. Environment International, 2019, 126: 107-117. DOI: 10.1016/j.envint.2019.02.013[本文引用: 1]
[48]
LI X J, RATTI C, SEIFERLING I.
Quantifying the shade provision of street trees in urban landscape: a case study in Boston, USA, using Google street view
[J]. Landscape and Urban Planning, 2018, 169: 81-91. DOI: 10.1016/j.landurbplan.2017.08.011[本文引用: 1]
[49]
CHOI K, LIM W, CHANG B, et al.
An automatic approach for tree species detection and profile estimation of urban street trees using deep learning and Google street view images
[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2022, 190: 165-180. DOI: 10.1016/j.isprsjprs.2022.06.004[本文引用: 1]
[50]
CAPECCHI I, BORGHINI T, BERNETTI I.
Automated urban tree survey using remote sensing data, Google street view images, and plant species recognition apps
[J]. European Journal of Remote Sensing, 2023, 56(1): 2162441. DOI: 10.1080/22797254.2022.2162441[本文引用: 1]
[51]
[本文引用: 1]
JIN Z H, ZHAO A Z, XIANG K Z, et al.
Temporal and spatial evolution and driving factors of vegetation index in Guanzhong Plain urban agglomeration based on GEE
[J]. Bulletin of Soil and Water Conservation, 2023, 43(2): 164-172. (in Chinese with English abstract)DOI:10.13961/j.cnki.stbctb.2023.02.020 [本文引用: 1]
[52]
SHISHIR S, TSUYUZAKI S.
Hierarchical classification of land use types using multiple vegetation indices to measure the effects of urbanization
[J]. Environmental Monitoring and Assessment, 2018, 190(6): 342. DOI: 10.1007/s10661-018-6714-3[本文引用: 1]
[53]
GASCON M, CIRACH M, MARTÍNEZ D, et al.
Normalized difference vegetation index (NDVI) as a marker of surrounding greenness in epidemiological studies: the case of Barcelona City
[J]. Urban Forestry & Urban Greening, 2016, 19: 88-94. DOI: 10.1016/j.ufug.2016.07.001[本文引用: 1]
[54]
PETTORELLI N, VIK J O, MYSTERUD A, et al.
Using the satellite-derived NDVI to assess ecological responses to environmental change
[J]. Trends in Ecology & Evolution, 2005, 20(9): 503-510. DOI: 10.1016/j.tree.2005.05.011[本文引用: 1]
[56]
[本文引用: 1]
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. (in Chinese with English abstract)DOI:10.12082/dqxxkx.2020.200122 [本文引用: 1]
[57]
HE B, HUANG D, KONG B, et al.
Spatial variations in vegetation greening in 439 Chinese cities from 2001 to 2020 based on moderate resolution imaging spectroradiometer enhanced vegetation index data
[J]. Frontiers in Ecology and Evolution, 2022, 10: 859542. DOI: 10.3389/fevo.2022.859542[本文引用: 1]
[58]
MOUNTRAKIS G, IM J, OGOLE C.
Support vector machines in remote sensing: a review
[J]. ISPRS Journal of Photo-grammetry and Remote Sensing, 2011, 66(3): 247-259. DOI: 10.1016/j.isprsjprs.2010.11.001[本文引用: 1]
[59]
[本文引用: 1]
ZHANG Y J, GAO Y X, HUANG H, et al.
Research on remote sensing classification of urban vegetation species based on SVM decision-making tree
[J]. National Remote Sensing Bulletin, 2006(2): 191-196. (in Chinese with English abstract)DOI:10.11834/jrs.20060229 [本文引用: 1]
[60]
LI D, KE Y H, GONG H L, et al.
Object-based urban tree species classification using bi-temporal WorldView-2 and WorldView-3 images
[J]. Remote Sensing, 2015, 7(12): 16917-16937. DOI: 10.3390/rs71215861[本文引用: 1]
[61]
KRANJČIĆ N, MEDAK D, ŽUPAN R, et al.
Support vector machine accuracy assessment for extracting green urban areas in towns
[J]. Remote Sensing, 2019, 11(6): 655. DOI: 10.3390/rs11060655[本文引用: 1]
[62]
HOANG N D, TRAN X L.
Remote sensing-based urban green space detection using marine predators algorithm optimized machine learning approach
[J]. Mathematical Problems in Engineering, 2021, 2021: 5586913. DOI: 10.1155/2021/5586913[本文引用: 1]
[63]
[本文引用: 1]
PAN C, DU P J, ZHANG H R.
Decision tree classification and its application in processing of remote sensing images
[J]. Science of Surveying and Mapping, 2008, 33(1): 208-211. (in Chinese with English abstract)DOI:10.3771/j.issn.1009-2307.2008.01.065 [本文引用: 1]
[65]
BELGIU M, DRĂGUŢ L.
Random forest in remote sensing: a review of applications and future directions
[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 114: 24-31. DOI: 10.1016/j.isprsjprs.2016.01.011[本文引用: 1]
[66]
PUISSANT A, ROUGIER S, STUMPF A.
Object-oriented mapping of urban trees using random forest classifiers
[J]. International Journal of Applied Earth Observation and Geoinformation, 2014, 26: 235-245. DOI: 10.1016/j.jag.2013.07.002[本文引用: 1]
[67]
KRANJČIĆ N, MEDAK D, ŽUPAN R, et al.
Machine learning methods for classification of the green infrastructure in city areas
[J]. ISPRS International Journal of Geo-Information, 2019, 8(10): 463. DOI: 10.3390/ijgi8100463[本文引用: 1]
[68]
GAŠPAROVIĆ M, DOBRINIĆ D.
Comparative assessment of machine learning methods for urban vegetation mapping using multitemporal Sentinel-1 imagery
[J]. Remote Sensing, 2020, 12(12): 1952. DOI: 10.3390/rs12121952[本文引用: 1]
[69]
DU Z R, YANG J Y, OU C, et al.
Smallholder crop area mapped with a semantic segmentation deep learning method
[J]. Remote Sensing, 2019, 11(7): 888. DOI: 10.3390/rs11070888[本文引用: 1]
[70]
[本文引用: 1]
XU Z Y, ZHOU Y, WANG S X, et al.
U-Net for urban green space classification in Gaofen-2 remote sensing images
[J]. Journal of Image and Graphics, 2021, 26(3): 700-713. (in Chinese with English abstract)DOI:10.11834/jig.200052 [本文引用: 1]
[71]
MEN G Q, HE G J, WANG G Z.
Concatenated residual attention U-Net for semantic segmentation of urban green space
[J]. Forests, 2021, 12(11): 1441. DOI: 10.3390/f12111441[本文引用: 1]
[72]
LIU M X, LI J L, LI Z T, et al.
A deep learning method for fined-grained urban green space mapping
[C]//Proceedings of the IEEE International Geoscience and Remote Sensing Symposium (IGARSS). July 17—22, 2022.Kuala Lumpur:
IEEE, 2022.
[本文引用: 1]
[73]
CHENG Y, WANG W, REN Z P, et al.
Multi-scale feature fusion and transformer network for urban green space segmentation from high-resolution remote sensing images
[J]. International Journal of Applied Earth Observation and Geoinformation, 2023, 124: 103514. DOI: 10.1016/j.jag.2023.103514[本文引用: 1]
[74]
KATTENBORN T, LEITLOFF J, SCHIEFER F, et al.
Review on convolutional neural networks (CNN) in vegetation remote sensing
[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2021, 173: 24-49. DOI: 10.1016/j.isprsjprs.2020.12.010[本文引用: 1]
[75]
WANG D, ZHANG Q M, XU Y F, et al.
Advancing plain vision transformer toward remote sensing foundation model
[J]. IEEE Transactions on Geoscience and Remote Sensing, 2023, 61: 5607315. DOI: 10.1109/TGRS.2022.3222818[本文引用: 1]
[76]
SUN X, WANG P J, LU W X, et al.
RingMo: a remote sensing foundation model with masked image modeling
[J]. IEEE Transactions on Geoscience and Remote Sensing, 2023, 61: 5612822. DOI: 10.1109/TGRS.2022.3194732[本文引用: 1]
相关知识
城市植被遥感分类研究进展与展望
农作物病虫害遥感监测关键技术研究进展与展望
作物病虫害高光谱遥感进展与展望
融合多源遥感数据的高分辨率城市植被覆盖度估算
中国首部遥感技术研究城市植被专著出版—新闻—科学网
无人机遥感监测作物病虫害胁迫方法与最新研究进展
广州市城市植被景观多样性分析
森林病虫害高光谱遥感监测的研究进展
空天院发布植被病虫害遥感监测与预测系统升级版
林下植被对遥感估算马尾松LAI的影响
网址: 城市植被遥感分类研究进展与展望 https://m.huajiangbk.com/newsview140456.html
| 上一篇: SA |
下一篇: 城市植被与空气污染 |
