引言

　　城市植被是城市生態(tài)環(huán)境的重要組成部分，具有重要的生態(tài)環(huán)境效益和社會經(jīng)濟效益。在生態(tài)環(huán)境方面，城市植被可以調(diào)節(jié)熱環(huán)境、減少空氣污染、阻隔噪聲傳播，具有改善生態(tài)環(huán)境質(zhì)量的作用。在社會生活方面，城市植被起到調(diào)節(jié)居民情緒、降低患病率、提供公共生活空間等作用，從而提高居民生活質(zhì)量和城市宜居性。因此，科學(xué)規(guī)劃和管理城市植被十分重要。

　　通過城市植被分類來監(jiān)測植被分布和變化狀況是規(guī)劃城市植被的前提。相較于費時費力的傳統(tǒng)實地調(diào)查，遙感技術(shù)已經(jīng)成為城市植被分類的重要手段，它可以提供不同尺度的觀測數(shù)據(jù)，并且使大范圍、高精度、自動化城市植被分類成為可能。

　　在城市植被遙感分類領(lǐng)域，早期研究以中低分辨率光學(xué)數(shù)據(jù)為主。隨著遙感技術(shù)的不斷發(fā)展，城市植被遙感分類應(yīng)用的數(shù)據(jù)源越來越多樣，如引入了激光雷達(dá)和地面?zhèn)鞲袛?shù)據(jù)等新的數(shù)據(jù)源，另外，數(shù)據(jù)的空間分辨率、光譜分辨率和時間分辨率也不斷得到提升。同時，越來越多的分類方法也被運用到城市植被遙感分類中，例如混合像元分解和神經(jīng)網(wǎng)絡(luò)等方法。

　　近年來，國內(nèi)外很多學(xué)者致力于城市植被分類研究。自 2001 年起該研究領(lǐng)域發(fā)文量呈上升趨勢，文獻(xiàn)第一作者主要來自中美兩國，研究方向主要包括植被提取、植被生物學(xué)分類、植被功能區(qū)分類。得益于高分辨率的數(shù)據(jù)源和分類方法的發(fā)展，城市植被分類精度得到很大提升，同時，分類粒度也進(jìn)一步細(xì)化，分類層次從植被提取細(xì)化到樹種分類等，此外，還出現(xiàn)了結(jié)合社會感知數(shù)據(jù)的城市植被功能分類。但城市植被分類仍面臨著一些挑戰(zhàn)。首先，不同城市間具有復(fù)雜多變的城市環(huán)境，例如城市陰影和云霧干擾，限制了分類精度的提升。其次，目前的研究大多局限在部分城市，缺乏大范圍和多城市的遷移應(yīng)用研究。因此，綜述國內(nèi)外研究成果，有助于城市植被遙感分類的探索。本文對二維城市植被遙感分類的相關(guān)文獻(xiàn)進(jìn)行了分析，對目前該領(lǐng)域常用的遙感數(shù)據(jù)源和分類方法進(jìn)行了整理，并提出了未來的發(fā)展方向。

　　1 遙感數(shù)據(jù)源

　　遙感數(shù)據(jù)源是城市植被遙感研究的基礎(chǔ)，不同數(shù)據(jù)源具有不同分辨率，反映了地物的不同特征。根據(jù)研究側(cè)重點的不同，所選的數(shù)據(jù)源也復(fù)雜多樣。近年來，應(yīng)用于城市植被遙感分類研究的常見數(shù)據(jù)源包括光學(xué)數(shù)據(jù)、激光雷達(dá)數(shù)據(jù)和地面?zhèn)鞲袛?shù)據(jù)三大類。

　　1.1 光學(xué)數(shù)據(jù)

　　光學(xué)數(shù)據(jù)在城市植被遙感分類研究中有廣泛應(yīng)用，本文主要指通過搭載在衛(wèi)星或無人機平臺上的光學(xué)傳感器獲取的數(shù)據(jù)。數(shù)據(jù)源的質(zhì)量主要受空間分辨率、光譜分辨率和時間分辨率的影響。由于大部分城市植被分布破碎且面積較小，因此，城市植被遙感分類一般需要較高空間分辨率的數(shù)據(jù)。

　　依據(jù)數(shù)據(jù)用途的差異，用于城市植被遙感分類的數(shù)據(jù)源可以分為中空間分辨率 (>10 m)、高空間分辨率 (1~10 m)、亞米級分辨率 (<1 m) 影像。中空間分辨率影像常用于評估城市整體的植被分布狀況，并繪制城市內(nèi)主要綠地斑塊，但難以對植被進(jìn)行精細(xì)觀測。Sentinel-2 是最常用的中空間分辨率遙感影像，其空間分辨率最高可達(dá) 10 m。城市內(nèi)部組成復(fù)雜多樣，綠地通常以細(xì)小斑塊甚至零散的樹木形式存在，因此，常用較高空間分辨率的遙感影像進(jìn)行分類。高空間分辨率影像是近年來應(yīng)用較廣泛的數(shù)據(jù)源，例如高分二號 (GF-2)、IKONOS 和 WorldView-2 影像等，不但可以對城市植被進(jìn)行精細(xì)分類，還可以進(jìn)一步進(jìn)行全球樹種分類和樹冠提取。基于高空間分辨率影像提出的樹草分異指數(shù) (TGDI)，綜合了紋理和光譜特征，相較于僅依靠光譜特征的傳統(tǒng)方法，提升了城市樹木和草地的分類效果。這表明高分辨率影像增強了紋理特征的效果，提高了分類精度。在其他應(yīng)用中，利用 QuickBird 衛(wèi)星影像進(jìn)行單木提取，利用 WorldView-3 衛(wèi)星影像進(jìn)行樹種分類。然而，隨著空間分辨率的不斷提高，數(shù)據(jù)獲取成本和對分類方法的要求也在不斷上升。亞米級分辨率影像常通過機載傳感器獲取，應(yīng)用成本更高，應(yīng)用范圍更小，常用于局部高精度分類任務(wù)。

　　較高的光譜分辨率可以提供更多特征，有助于分類精度的提升。常用于城市植被分類的光學(xué)數(shù)據(jù)可以分為多光譜影像和高光譜影像。其中，多光譜影像通常包括可見光、近紅外、短波紅外等光譜域的 4~8 個波段，而高光譜影像則是從狹窄連續(xù)的光譜域中獲取的數(shù)百個波段。研究發(fā)現(xiàn)，光譜中的某些波段在城市植被提取分類中發(fā)揮著更大的作用。在植被與其他地物的區(qū)分中，近紅外波段發(fā)揮著重要的作用，如 GF-2 影像的近紅外波段可以提高城市植被提取精度。在植被內(nèi)部的分類中，利用 WorldView-2 影像對南非商業(yè)樹種的分類結(jié)果表明，藍(lán)色波段發(fā)揮了重要作用。

　　1.2 激光雷達(dá)數(shù)據(jù)

　　激光雷達(dá)數(shù)據(jù)可以獲取傳感器到被測物體的精確距離，已被廣泛應(yīng)用于植被信息提取研究，這里主要介紹通過星載和機載激光雷達(dá)獲取的數(shù)據(jù)，其主要機制是向被測物體發(fā)射激光脈沖，通過記錄和分析回波信號來獲取植被表面和冠層的三維特征。常見的星載激光雷達(dá)數(shù)據(jù)包含 ICESat-2 和 GEDI，由于這些數(shù)據(jù)存在條帶間距，難以覆蓋研究區(qū)，因此更多研究選用精度更高、更加靈活的機載激光雷達(dá)數(shù)據(jù)。利用激光雷達(dá)和高光譜數(shù)據(jù)對城市樹木進(jìn)行了分類，并總結(jié)了激光雷達(dá)用于城市植被分類的特征指標(biāo)，主要包括樹冠形狀 (如樹冠高度與面積)、激光點分布及返回信號強度。

　　多數(shù)研究圍繞激光雷達(dá)數(shù)據(jù)與光學(xué)數(shù)據(jù)的融合展開，激光雷達(dá)數(shù)據(jù)可以提供植被幾何特征信息，光學(xué)數(shù)據(jù)可以提供植被反射信息。城市中的植被通常以單株或孤立群體的形式存在，并且由于周圍環(huán)境和人工維護(hù)等因素的強烈影響，同一種類的不同群體可能具有不同的特征，因此，許多研究需要對不同的植被群體進(jìn)行精細(xì)識別和分類。激光雷達(dá)數(shù)據(jù)不但具有較高分辨率，還能提供光學(xué)數(shù)據(jù)的互補信息，如冠層結(jié)構(gòu)信息和樹木幾何信息，可以有效提升城市植被分類的效果。另外，激光雷達(dá)對陰影不敏感，從而可以有效減少城市陰影的干擾。將光學(xué)數(shù)據(jù)與激光雷達(dá)數(shù)據(jù)融合，有效彌補了陰影對高光譜數(shù)據(jù)的干擾。雖然激光雷達(dá)數(shù)據(jù)可以提供精確的幾何特征信息，但是由于其成本高昂，獲取不便，并且研究區(qū)域小、數(shù)據(jù)處理量大，難以大范圍應(yīng)用，因此在多數(shù)研究中光譜信息依然是城市植被分類的主要依據(jù)。

　　1.3 地面?zhèn)鞲袛?shù)據(jù)

　　前述 2 種數(shù)據(jù)源均是通過衛(wèi)星和機載傳感器獲取的，而在城市植被分類領(lǐng)域，通過地面?zhèn)鞲衅鳙@取的數(shù)據(jù)也是一種重要的數(shù)據(jù)源，可以從行人視角獲取城市植被信息，在行道樹分類中起到了重要作用，也使得城市環(huán)境評估結(jié)果更接近于居民感知。街景數(shù)據(jù)是較常用的地面?zhèn)鞲袛?shù)據(jù)，主要包括谷歌街景和百度街景，由于其獲取便捷、數(shù)據(jù)量大，常與深度學(xué)習(xí)技術(shù)相結(jié)合，已被廣泛應(yīng)用于研究城市植被對居民身心健康和活動的影響。采用 FCN-8s 模型對街景數(shù)據(jù)進(jìn)行圖像分割，得到街道尺度的綠地感知信息，并分析了其與老年抑郁癥之間的關(guān)系。利用街景影像計算天空視野因子來量化美國波士頓市中心街道樹木的遮陰量，以此來衡量居民的熱舒適度。然而，街景數(shù)據(jù)在城市植被分類中應(yīng)用較少，主要因為其空間和時間覆蓋不足，收集的數(shù)據(jù)精度低，在大范圍高精度的分類任務(wù)中存在局限。例如，基于街景影像的 YOLO 模型來估計樹木高度、直徑和位置;提出了一種利用街景影像進(jìn)行城市樹木分類的技術(shù)路線，但是由于街景影像覆蓋的植被有限，只能處理部分行道樹。

　　2 城市植被分類方法

　　從是否有先驗知識、分類數(shù)據(jù)及特征、分類方法三方面歸納了植被分類方法。將用于城市植被分類的監(jiān)督分類器劃分為非參數(shù)法和參數(shù)法，參數(shù)法包含最大似然分類和邏輯回歸等，非參數(shù)法包含支持向量機 (SVM)、隨機森林 (RF) 和深度學(xué)習(xí)等。本文選取城市植被分類領(lǐng)域常見的 3 種分類方法，即閾值分割、機器學(xué)習(xí)和深度學(xué)習(xí)方法，介紹城市植被分類的研究進(jìn)展。

　　2.1 閾值分割

　　閾值分割是通過設(shè)定的分類特征閾值來進(jìn)行分類的一種方法，盡管分類精度不高，但由于易于計算，在城市植被分類領(lǐng)域特別是在分類精度要求不高的效益評價研究領(lǐng)域有著廣泛應(yīng)用。植被指數(shù)常作為分類特征與閾值分割相結(jié)合，如利用植被指數(shù)作為綠化指標(biāo)，評估城市環(huán)境中綠地對居民健康的影響;利用植被在紅光波段反射率低而在近紅外波段反射率高的特性監(jiān)測植被狀況;利用植被指數(shù)提取廣州城市植被信息，并與其他方式對比，發(fā)現(xiàn)植被指數(shù)可以有效提取綠地信息，但是精度較其他方式低。城市環(huán)境復(fù)雜，植被分布破碎，城市植被分類不但受到城市陰影的影響，還受到藻類含量較高的水體和綠色屋頂?shù)母蓴_，導(dǎo)致僅依靠植被指數(shù)的城市植被分類精度不高，因此，在植被指數(shù)的基礎(chǔ)上增加了近紅外波段輻射值作為判斷條件來減少由城市陰影造成的誤判。

　　歸一化植被指數(shù) (NDVI) 是最常用的植被指數(shù)，由近紅外通道與可見光通道反射率的差與和的比值計算得到，可以有效區(qū)分植被與非植被區(qū)域。此外，還有改進(jìn)的植被指數(shù)，包括比值植被指數(shù) (RVI)、差值植被指數(shù) (DVI) 及增強型植被指數(shù) (EVI) 等。例如通過提取中國 439 個城市的 EVI 數(shù)據(jù)，分析了城市植被空間變化及其分布格局。

　　2.2 機器學(xué)習(xí)

　　由于研究區(qū)域和研究對象復(fù)雜多樣，選擇或適用的分類方法也各不相同，支持向量機、決策樹、隨機森林是城市植被遙感分類中較常見的機器學(xué)習(xí)分類方法。

　　支持向量機是一種監(jiān)督分類算法，可以處理線性和非線性問題，對于小樣本和高維數(shù)據(jù)也有較好的處理能力，其核心原理在于尋找一個最優(yōu)超平面，以將不同類別的樣本在特征空間中最大程度地分隔開，并使兩側(cè)最靠近超平面的樣本點與超平面的距離最大化。基于構(gòu)建的 IKONOS 影像 SVM 模型進(jìn)行城市植被類型分類，取得了良好的效果;利用 WorldView-2/3 影像探索了基于對象的 SVM 和 RF 方法識別城市樹種的潛力，結(jié)果表明，SVM 在城市樹種分類中更有效，在處理較少數(shù)量和不平衡分布的樣本時優(yōu)于 RF。SVM 還需要設(shè)定懲罰系數(shù)和核函數(shù)參數(shù)，這些超參數(shù)會影響分類效果。一些學(xué)者探索了 SVM 的最優(yōu)參數(shù)組合和優(yōu)化方式。

　　決策樹分類法的基本思想是構(gòu)建一棵樹狀結(jié)構(gòu)，通過對遙感影像中的像素特征空間進(jìn)行遞歸劃分，最大程度地降低節(jié)點內(nèi)部樣本的差異，從而實現(xiàn)對不同地物類別的有效分離。利用決策樹分類法對深圳市城市植被進(jìn)行分類，發(fā)現(xiàn)分類精度相較于閾值分割明顯提高，但綠地和耕地之間的錯分現(xiàn)象比較嚴(yán)重。決策樹分類法易于解釋和理解，但容易造成過擬合問題，可以通過剪枝或集成學(xué)習(xí)等方法提高泛化性能。隨機森林則是由多個決策樹組成的集成學(xué)習(xí)方法，決策結(jié)果由每個決策樹的分類結(jié)果通過打分得到。在構(gòu)建模型時，從訓(xùn)練數(shù)據(jù)集中隨機有放回地抽取多個子樣本，然后對每個子樣本選取一部分特征構(gòu)建一個決策樹，最后由眾多獨立決策樹組成隨機森林模型。使用隨機森林分類器結(jié)合面向?qū)ο蟮姆椒ǎㄟ^高分辨率光學(xué)影像繪制城市綠度空間;使用 Sentinel-2 衛(wèi)星影像，通過 RF、SVM、人工神經(jīng)網(wǎng)絡(luò)和貝葉斯分類器 4 種機器學(xué)習(xí)方法繪制綠色城市區(qū)域地圖，結(jié)果發(fā)現(xiàn) SVM 優(yōu)于其他方法;使用 Sentinel-1 影像，通過 RF、SVM、極限梯度提升 (XGBoost)、多層感知器 (MLP) 等 6 種分類器對城市植被進(jìn)行分類，結(jié)果發(fā)現(xiàn) SVM 在單日期影像分析中表現(xiàn)出最佳性能，MLP 在多時相分類場景中獲得了最高的準(zhǔn)確率。

　　2.3 深度學(xué)習(xí)

　　深度學(xué)習(xí)是指具有大量隱藏層的神經(jīng)網(wǎng)絡(luò)模型，與需要人工提取特征的傳統(tǒng)機器學(xué)習(xí)算法不同，深度學(xué)習(xí)模型可以直接從原始數(shù)據(jù)中自動學(xué)習(xí)數(shù)據(jù)深層特征，使深度學(xué)習(xí)具有較強的泛化能力。近年來，在城市植被分類領(lǐng)域，深度學(xué)習(xí)相關(guān)研究迅速發(fā)展，許多研究對比了深度學(xué)習(xí)和傳統(tǒng)方法以及不同深度學(xué)習(xí)框架之間分類效果的區(qū)別。基于 GF-2 遙感影像，對比 PspNet、SegNet、U-Net、DeepLabv2 和 DeepLabv3 + 模型在城市植被提取上的效果，結(jié)果表明，DeepLabv3 + 的提取效果最好，能更好區(qū)分綠地和農(nóng)田;利用改進(jìn)的 U-Net 模型和基于 GF-2 遙感影像將城市植被分為草地、常綠樹和落葉樹，且其精度高于 U-Net、SegNet 和 DeepLabv3 + 模型;提出了一種基于串聯(lián)殘差注意力機制的 U-Net 模型，該模型結(jié)合了殘差結(jié)構(gòu)和通道注意力機制，并應(yīng)用于高分一號 (GF-1) 遙感影像，結(jié)果顯示，該模型的分割精度有所提升，在區(qū)域大比例尺制圖中具有一定適用性。

　　還有一些研究針對城市植被遙感分類領(lǐng)域的特定問題提出深度學(xué)習(xí)框架。針對不同城市環(huán)境差異的問題，通過構(gòu)建大型城市綠地數(shù)據(jù)集 (UGSet)，并引入對抗性學(xué)習(xí)思想，提出了 UGSNet 網(wǎng)絡(luò)模型算法，提高了城市綠地的提取精度。生成了中國 31 個主要城市的細(xì)粒度城市綠地地圖，通過消融實驗驗證了引入判別器在模型遷移能力方面的優(yōu)勢。針對城市植被分類領(lǐng)域缺乏數(shù)據(jù)集的問題，開發(fā)了一種分割城市樹木的半監(jiān)督深度學(xué)習(xí)方法，為巴西 472 個城市創(chuàng)建了 0.5 m 分辨率的精細(xì)樹冠產(chǎn)品。針對城市植被形態(tài)復(fù)雜、大小不一的問題，提出了多尺度特征融合和變換網(wǎng)絡(luò) (MFFTNet) 模型，利用多尺度特征融合模塊和自注意力模型網(wǎng)絡(luò)增強綠地邊緣信息。總體上，深度學(xué)習(xí)方法在很多分類問題上取得了較好效果，然而由于需要大量數(shù)據(jù)集作為樣本，限制了它在許多方面的應(yīng)用。除此之外，深度學(xué)習(xí)的黑箱特性也使研究者難以深入了解決策過程。

　　隨著深度學(xué)習(xí)大模型的興起，遙感領(lǐng)域也出現(xiàn)了許多應(yīng)用。在圖像分割領(lǐng)域，將應(yīng)用于自然圖像的視覺大模型 ViT 擴展到了遙感領(lǐng)域。利用生成式自監(jiān)督學(xué)習(xí)思想，提出了針對復(fù)雜遙感場景中密集和小型目標(biāo)的 RingMo 模型。在城市植被遙感領(lǐng)域，雖然城市中時刻有大量圖像和文本數(shù)據(jù)產(chǎn)生，但大模型的應(yīng)用仍然較少。依據(jù)不同的研究目的，城市植被具有不同的分類體系，包含多種生物學(xué)和功能性分類類型，這些分類體系需要不同的訓(xùn)練樣本和分類模型，給城市綠度空間研究帶來了很大障礙。因此，利用大模型探索可交互式分類，實現(xiàn)不同分類體系的遷移應(yīng)用和快速分類是值得探索的研究方向。

　　3 展望

　　本文從遙感數(shù)據(jù)源和分類方法兩方面介紹了城市植被遙感分類的研究進(jìn)展。目前，該領(lǐng)域已經(jīng)提出了許多植被提取分類、綠地功能分類及樹種分類等方向的研究方法，并取得了較好的分類效果，但是仍存在一些問題和需改進(jìn)的方向。

　　1、陰影對城市植被遙感分類研究造成很大干擾。城市區(qū)域的高空間分辨率影像存在許多陰影，而城市植被分類研究大多圍繞高空間分辨率影像展開，導(dǎo)致城市植被制圖的準(zhǔn)確性降低。因此，需要進(jìn)一步研究城市陰影，恢復(fù)陰影區(qū)域信息或降低陰影的影響，從而進(jìn)一步提高城市植被分類的精度。

　　2、相較于其他遙感領(lǐng)域，城市植被分類缺乏相關(guān)數(shù)據(jù)集，導(dǎo)致城市綠度空間分析難以獲得可靠數(shù)據(jù)，常常通過 NDVI 和閾值提取方法獲取植被信息。然而，這種分類方式往往精度較低，且難以對綠地進(jìn)一步進(jìn)行分類，限制了分析工作的深入開展。未來需要進(jìn)一步擴大研究尺度，提高分類方法的遷移性，并提出面向不同場景和不同分類標(biāo)準(zhǔn)的數(shù)據(jù)集。

　　3、多時相分類是城市植被遙感分類的重要發(fā)展方向，特別是在植被分類和樹種分類中，植被的物候特征是分類的重要驅(qū)動因素。目前，許多高空間分辨率影像實現(xiàn)了連續(xù)數(shù)年的持續(xù)采集，未來的影像處理技術(shù)也需要從單一圖像處理轉(zhuǎn)變?yōu)闀r間序列處理。

　　4、街景數(shù)據(jù)在城市綠度空間分析中得到了廣泛應(yīng)用，但是由于觀測條件的限制，街景數(shù)據(jù)往往存在一些沒有被覆蓋的空間和時間，且觀測角度較為隨機，限制了街景數(shù)據(jù)的進(jìn)一步應(yīng)用。未來的研究可以關(guān)注街景數(shù)據(jù)的采集與生成，擴大街景數(shù)據(jù)的應(yīng)用范圍。

孟慶巖;杜弘宇;王莉萍;張琳琳;吳嘉豪;康佳琦,中國科學(xué)院空天信息創(chuàng)新研究院;杭州國際城市學(xué)研究中心浙江省城市治理研究中心;海南空天信息研究院;海南省地球觀測重點實驗室;中國科學(xué)院大學(xué);澳門大學(xué)智慧城市物聯(lián)網(wǎng)國家重點實驗室;桂林電子科技大學(xué)生命與環(huán)境科學(xué)學(xué)院,202402