文摘

街道绿化,城市绿色空间的一个不可或缺的元素,在美化环境发挥了重要作用,缓解城市热岛效应,改善居民的安慰。植被覆盖是一种常见的指数用于衡量街道绿化。然而,也有一些缺点在传统评价方法的植被覆盖。植被覆盖的一部分不能确定从一个二维的角度来看,如灌木和绿色的墙。摘要Sentinel-2图像被用来提取街部分植被(SFVC)和百度街景地图是用来提取绿色视图索引(GVI)。克服缺乏一个角度从街上植被覆盖率评估,上述两个指标相互融合,构建一个全面的街道绿化评价指标(CSGEI)。研究领域是深圳市龙华区在中国南部。所有三个指标分为五类使用自然断点的方法基于以往的研究经验。结果表明,百度街景地图能有效地识别灌木和绿色墙壁Sentinel-2缺乏的形象。GVI是补充街上植被覆盖率。 The SFVC and GVI were divided into five classes, from L1 to L5 implying a gradual increase in the percentage of the vegetated area. The result has shown that the SFVC was in the L1, accounting for 53.68%. After index merging, the process of accounting for the L1 decreased to 31.29%. The multiperspective integrated CSGEI could comprehensively measure the distribution information of street greening and guide the planning and management of urban green landscapes.

1。介绍

树木和无数的森林生态系统生物多样性的形式(1];城市附近的快速城市化和土地利用变化导致了森林结构和成分的变化(2]。因此,城市森林影响附近的森林城市。作为一个城市森林的重要元素,街道绿化净化空气的功能,划分交通路线,防止火灾,和美化城市3]。街道绿化提高公民的满意度是非常重要的,与他们的生活环境,促进城市可持续发展4]。城市街道绿地分为四个functions-beautification功能、生态环境功能,休闲活动功能,景观文化功能。城市街头绿地这些函数,直接或间接地提供所有有关服务(5]。城市街道绿地与心理健康有着重要的关系,空气污染,和旅游行为6- - - - - -8]。因此,从多个角度,城市街道绿化的定性和定量分析具有重要意义。

随着高分辨率遥感技术的发展,图像,包含丰富的信息在地面物体和复杂的空间关系,具有维数高,高分辨率,大量数据。因此,遥感技术已经成为一种方法提取城市街头绿地(9]。线性和非线性计算植被指数的多光谱数据通过远程传感器的组合。不同的植被指数,如比值植被指数(RVI),植被指数(DVI)和归一化微分植被指数(NDVI),通过不同的组合测量值在不同的乐队。植被指数是一个简单而有效的算法的定量和定性评价植被的活力,和生长动力学,以及其他应用程序(10]。植被指数在植被提取和监控起着重要的作用[11]。相比与传统的城市绿色空间测量方法如实地调查、问卷调查、统计分析,植被指数的特点是效率高。此外,激光雷达数据的高成本的问题和三维激光点云数据12,13)将被避免。该参数是一个更好的植被生长状况和植被覆盖指数因素,但它很容易饱和,低植被覆盖区域噪声不完备等问题。部分植被(FVC)通常被定义为植被垂直投影面积的百分比在观察地面覆盖区域。这是一个基本描述地表植被指数(14]。这是一个定量描述与归一化植被指数和像素二分法模型的结合。FVC植被监测和生态系统中起着至关重要的作用改变(15]。高分辨率遥感图像和其他地面观测数据应用于大规模的提取城市绿色空间,如城市森林和绿地公园。尽管图像的分辨率不断提高,仍有单独的车间发生的提取植被的低精度问题两边的街道。是不可能观察到绿色墙壁,灌木和草坪植被覆盖率。

绿色的概念视图索引(GVI)起源于日本,这是一个物理量用来测量城市绿化水平。它成为传统绿化评价指标被日本政府在2004年(16]。与植被,GVI行人的角度衡量绿色已广泛应用于各个领域,如城市交通、社会经济情况、和居民的健康17- - - - - -20.]。随着互联网的发展,街景图片出现在公众视线中。从谷歌街景图片,百度(Baidu)和腾讯(21- - - - - -26)已经被用来研究城市街道的空间变化。街景图片宽覆盖的特点,直接反映了城市的正面信息。因此,它是一个重要的数据源提取GVI [27]。的效率和准确性GVI提取街景图片测量街道绿化使得越来越多的学者研究GVI [28]。传统提取GVI分为手动覆盖,奥软的颜色空间,带间的计算。语义分割是指分配一个语义标签的过程(例如,汽车和人)图像的每个像素(29日]。与语义细分各领域取得良好的分割效果,GVI已经从传统的提取提取(30.,31日]语义分割[32]。陈等人。33GVI)进行研究和植被覆盖率从遥感图像中提取,意识到城市街道绿化的多维观测;归一化植被指数、叶面积指数(LAI)和GVI是用来评估街道绿化区域和块。Kumakoshi et al。34)提出了标准化绿色视图索引(sGVI),结合归一化植被指数,用于分析绿化分布。基于空间域插值,曹et al。35结合街景图片和空中图像实现城市土地利用分类。Yu et al。36在城市街道绿化)进行了研究;它已发现GVI和归一化植被指数之间的相关性与缓冲半径的增加减少。然而,该方法测量绿化从纵向来看,植被指数等,只能描述绿化从一个描述。使用GVI测量绿化水平来看,可以描述采样点周围的绿化。激光雷达数据和三维激光点云数据更适合测量三维绿化;这仅仅是用于一项小型研究区域,由于高昂的花费。然而,先前的研究只考虑GVI和其他植被指数之间的相关性;它已经表明,相关性是降低了距离。但它尚未建立一个城市街道植被三维观测模型定量描述多视图的街道绿化。

因此,街景影像和遥感数据补充和相互验证的范围、规模、精度和尺寸绿化量化。本研究创新提出一个全面的街道绿化评价指标(CSGEI)来测量从多视图街道绿化。因此,对森林管理的影响附近城市的城市街头绿地可以探索。

2。研究区和材料

2.1。研究区域

深圳,作为一种重要的经济和政治中心商路Kong-Macao大湾地区,是一个增长最快的城市化在中国南方地区。图1深圳龙华区显示的位置。深圳位于低纬度地区一个典型的亚热带海洋气候,降水丰富,气候温和,阳光长时间的,所以对绿色植被的影响与季节的变化更少。它有一个平均海拔70到120米。年平均温度为22.3°C,最高温度为36.6°C,最低温度为1.4°C。每年从5月到9月是雨季,平均年降雨量达到1924毫米。因此,它是一个合适的位置来分析城市街道绿化用街景图片。龙华区位于深圳的地理中心,是深圳的中心轴的发展。作为一个大型工业区,其总面积是175.6公里²。此外,它位于北回归线以南。近年来,龙华区,目标是“一个现代的、国际和创新新城市中轴线,“持续改善其生态环境的质量,建立第一个“人才园林路”在中国展示部分。深圳市龙华区是典型的中国城市由于其高密度城市建设空间和绿色空间。

2.2。材料

2.2.1。百度街景地图

作为一种数据存储空间信息,街景图片强调人类的感知而表达的地方特色街区。与自上而下的遥感图像,观察街景图片定量衡量街道立面的影响(37]。街景图片电子地图是基于实际的景观。这些地图提供丰富和广泛的街景城市街道图像包含丰富的信息。因此,街景图片已经成为重要的数据来评估城市街道的视觉感知。在中国大多数城市,街道已经被覆盖的街景和高覆盖率的百度街景地图被选为本研究中的数据。百度地图街景元数据应用程序编程接口(API)商店全景图像覆盖街道垂直网站水平在360°和180°,网上每个人都是免费访问。描述研究区域的街道绿化,龙华地区的道路网络数据下载通过OpenStreetMap (OSM)和道路网络提取中心线在ArcGIS。本研究使用百度地图街景API下载百度街景地图,和采样的时间间隔进行50米的中心线的道路网络。百度街景全景是360°包围图像生成的缝合在一起。照片是由水平和垂直的相机,如图2。箭头所示方向是前进的方向,和周围的360°周围图像模拟人在观测点已经形成。总共有7466百度街景地图下载在这项研究中,和图3采样点的分布显示百度街景地图。

然而,由于全景图像的畸变特性,python程序被用来提取全景图像的一部分相当于行人与低失真的观点。通过这种方法,种植7466图像在一天完成。百度街景地图提供经度,纬度和日期的图片。因为图像是每2 - 3年更新一次,本研究中使用的百度街景全景记录从2013年到2019年。图片收集2017 - 2019年被用作主要的数据,和其他年被用作补充数据。

2.2.2。哨点数据

Sentinel-2是2^nd哥白尼的卫星发射计划,与高分辨率宽宽度、割草和重访周期短。它有很好的优势在全球变化监测和紧急事件的分析38]。Sentinel-2带有多光谱成像仪(MSI)覆盖13个光谱波段的地面分辨率10米,20米,60米。范围从可见光到近红外短波红外,具有不同空间分辨率。光学数据,Sentinel-2是唯一的卫星和三个波长的红色范围有效的监测植被信息。Level-2A Sentinel-2数据下载谷歌地球引擎(GEE)平台。百度统计,从2013 - 2019的街景的全景图片。减少错误当融合这两种类型的数据,图像被选中当它包含少于5%云在2013年和2019年之间。2018年10月的数据被用于从垂直角度测量城市街道绿化。

3所示。方法

的形象Sentinel-2作为水平数据。街上分级提取植被NDVI与图像的结合二分法。植被和nonvegetation的阈值是自动确定采用大津法。通过这种方法,归一化植被指数的过饱和问题就被消除了。植被缓冲的像素的比例计算。缓冲区的宽度是由类的必经之路。街上部分植被(SFVC)可以计算。百度被用作垂直数据的街景的全景图片。的语义分割FCN-8s网络被用来提取GVI。两个指标分为五类。 The comprehensive street greening evaluation index (CSGEI) was constructed by fusing the indices. The research route of this paper is shown in Figure4。

3.1。基于大津法提取部分植被覆盖率

中包含的近红外波段遥感图像植被高反射率和吸收率。归一化植被指数计算的近红外波段和R乐队Sentinel-2量化城市绿地的研究。归一化植被指数计算之前,Sentinel-2应该大气校正和辐射校正等预处理。归一化植被指数是地面物体的光谱信息遥感传感器接收到反映地表植被状况。摘要FVC定量估计基于归一化植被指数。的NDVI值像素表示为信息提供的绿色植被和发现(裸露的土壤)。因此,公式计算FVC使用归一化植被指数方程所示(1)如下:

近红外光谱是近红外波段,在哪里红带,归一化植被指数归一化植被指数差,与−1和1之间的值,该地区的NDVI值完全被裸露的土壤或没有植被覆盖,的NDVI值是完全被植被覆盖的面积,和FVC部分植被。

对于大多数类型的土地,代表了裸露的土壤表面和理论价值是整个植被图像的最大价值。然而,的价值随时间和空间变化和不能被选为固定值。和是由一个给定的置信区间的最大和最小值。通过分析Sentinel-NDVI数据,考虑到实际情况研究区植被的NDVI值对应的频率为5% ;年度最大合成NDVI频率表,积累和NDVI值的累积频率为95% 。

大津算法(39]是一种自适应阈值分割算法原理的基础上提出了概率统计和日本学者Zhenyuki首先在1979年。基本思想是将图像灰度值分为两个部分:背景和目标。的灰度值最大化类间方差选为最优阈值。如果更重要的类之间的差异,两类错误分类的概率是可以忽略不计。由于良好的分割效果,广泛应用于图像的阈值。最优FVC基于大津阈值选择算法实现街道在龙华区植被信息提取。

本文采样点作为圆的中心创建缓冲区是影响道路宽度不同的道路类。单行道的最大宽度和双向车辆车道的数量作为参考来建立一个缓冲区的采样点。车辆车道和最大宽度的缓冲区域的半径如表所示1。自创建缓冲区根据车辆车道的宽度,车道不到25米宽25米作为最低缓冲半径。(因为有部分景色重叠两个相邻百度街景地图,1/2的采样间隔被选为最低缓冲半径。原因是确保两个相邻采样点之间的垂直植被Sentinel-2形象是一样的,在百度街景地图)。基于植被缓冲区域的比例,街上部分植被覆盖率(SFVC)构造。SFVC计算公式方程所示(2)。 SFVC街上部分植被覆盖在采样点。是绿色植被图像像素的数量在缓冲区。图像像素的总数在缓冲区。

SFVC分为五个层次是根据自然断点分级法,从L1到L5这意味着缓冲区中植被的面积逐渐增加。分类标准如表所示2。

3.2。提取的基于FCN-8s GVI

GVI吸引行人,和城市街道绿化的主要影响因素是树冠大小,类型的树木,街道树木的安排,安排工厂的行人路。本研究利用百度来提取植被GVI计算的街景的全景图片。因为街景图片只有三个乐队:红色,黄色,蓝色,它是不可能准确区分植被与人工绿色。仍然很难从街景图片快速、准确地提取绿色植被。语义分割是一种先进的图像像素分类方法,将图像分成几个部分(例如,建筑,天空,绿色植物)的像素和需求。它提取的众多元素百度街景地图。百度街景地图的结合和语义分割也被描述为街上绿色景观从行人的角度来看。完全卷积网络(FCN)是基于卷积神经网络(CNN),消除了完全连接层和添加了反褶积层而提出的想法跳结构来解决图像语义分割问题。百度的FCN-8s用于语义分割全景图街景。更有效,避免了双重的问题计算和使用社区造成浪费的空间。 Previous studies have shown that FCN performs well in street view image segmentation [40,41]。FCN-8s有5个回旋的层。与传统的卷积层只使用大回旋的内核卷积,卷积FCN-8s层使用 小卷积内核多个曲线玲珑。FCN-8s网络用于本文在ADE_20K训练数据集,帕斯卡表现良好的视觉对象类。FCN-8s的设置如表所示3(42]。结合百度街景地图,它可以预测图像中每个像素的语义属性。

日本学者跟青木提出GVI高于25%时,行人有很好的感觉对街道的绿化。GVI高于50%时,行人的心理非常灿烂的绿色植物。因此,Natsuhi Origahara GVI评价分为五类,如表所示4(43]。从L1到L5意味着绿色植被是行人越来越强烈。近年来,GVI已广泛应用于街道绿化的各个方面的计算和评价。由于采样角的限制和抽样数量,百度街景地图是提取和测量GVI直接使用。因此,计算GVI略有不同。本文的计算GVI方程所示(3)如下: GVI是绿色视图索引的采样点,绿色植被像素的总数在百度街景地图,然后呢图像像素的总数在百度街景地图。

3.3。构建全面的街道绿化评价指标

本文得到的分布地图街道植被覆盖率基于Sentinel-2缓冲区的数据。然而,墙上的绿色植被和草坪树下林冠不能反映在遥感图像。使用百度街景数据提取GVI全景照片,植被分布的采样点可以从行人的角度进行描述。植被覆盖的结合从Sentinel-2中提取数据本质上补偿的缺点缺乏植被从一个观点。百度的SFVC街景全景分析了采样点与GVI由皮尔森相关系数;皮尔森的计算公式的相关性方程所示(4)如下: 在哪里是采样点的数量(7466),是GVI价值^th采样点,是SFVC价值^th采样点,和是两个变量的值(GVI和SFVC),然后呢皮尔逊相关系数的GVI和SFVC之间。

当> 0,这两个指数呈正相关。相比之下,这两个指数负相关,大的绝对值是,这两个指数之间的相关性越强。相关计算是0.52,这表明一个弱相关。基于上述知识,GVI融合的SFVC等级分类和之间的原始数据被转换为[0,1]基于最大最小归一化公式构造CSGEI。所示的表达式是方程(5)如下: 在哪里GVI水平在采样点,SFVC在采样点的水平,和CSGEI综合街道绿化评价指标。

因此,SFVC GVI被分成五个层次,从L1 L5,水平是一个整数的值从1到5。级别越高,植被绿化效果就越好。最后CSGEI值范围从0到100。

4所示。结果

4.1。SFVC的分布和特征分析

归一化植被指数和像素的结合二分法被用来提取部分龙华地区的植被覆盖。FVC的阈值是由大津方法为0.48。的结果部分植被覆盖率的龙华区如图5。构建的缓冲范围取样点不同的道路的水平,采样点的SFVC。SFVC指数予的结果,显示在图6。街上分数在龙华地区植被覆盖率不足,和SFVC指数在L1占53.68%。街头SFVC指数最低的是发现道元,平均SFVC是0%,但GVI道元路是10.91%。欢关南路,街SFVC,最低的平均SFVC 4.40%,杨SFVC指数高达93.24%的泰山大街GVI园林路。因此,这个垂直的SFVC角不能识别大型植被下的特性,如道路和房屋。

4.2。GVI的分布和特征分析

FCN-8s网络用于全景图的语义分割7466百度街景。FCN-8s获得了81.44%的准确率的网络模型的训练数据集和66.83%的准确率测试数据集。进一步验证语义分割提取结果的准确性,本文100图像被随机选择和绿色植被提取三种方法:手动识别,k - means算法,和FCN-8s语义分割。手动识别使用Photoshop的魔法提取绿色植被。两个评价指标被用来比较绿色植被提取:均值像素精度(MPA)是用来测量像素的比例正确地贴上植被总像素,和公式方程所示(6)。均值交叉在联盟(MIoU)被用来测量植被像素的精度正确标记,和公式方程所示(7)。这些措施通常是用来评估分类结果的准确性。表5显示语义分割结果的准确性与参考数据。图7展示了语义分割的结果之间的比较和其他方法的结果。分散的树枝和树叶的树,有一个错误分类的边缘分割的结果。错误分类的k - means算法有许多建筑和植物。图中的红框代表了两种分割结果不同的地方。总的来说,本研究中使用的分割方法满足实验的需要人工识别,节省时间。 在哪里是图片的数量,是正确的积极的识别植被像素的图像吗 , 是真的-拒绝了植被像素的图像 , 假阳性确定植被像素的图像吗 ,和假阴性拒绝植被像素的图像吗 。

分析GVI在龙华街道区显示,街上GVI的最小值是0,而最大价值高达82.66%。的值的差异GVI在街上是明显的。(少于10个采样点的街道没有分析)。龙华地区的GVI结果显示空间,结果如图8。街上GVI价值最高的是崔安路,平均GVI值高达50.83%,其次是那些Yangtaishan园林路,许可南路、Lanjing路和Kesheng道路。然而,整体的绿色分布Yangtaishan园林路高于崔国安的道路。它提供了一个良好的视觉体验骑自行车作为一个循环路径。最低GVI值被发现Shiqing大道,平均街GVI 5.42%。街上GVI分布在龙华区显示低中产和高外围。这是影响园林覆盖西南研究区域的一部分,在GVI高于城市的中心。

4.3。CSGEI的分布和特征分析

规范化CSGEI本文实现的观察和分析从多个角度在龙华区街道绿化。摘要规范化CSGEI分为五类;结果如图9。从L1到L5意味着街植被的分布变得越来越好。每个街道的三个指标的统计分析表明,GVI高于SFVC下面的道路上:Guanle路,如果李南路,蓝情第一次路,龙华广场第二个路,路金龙,冯官路。SFVC高于GVI在明朗的道路,Yangtaishan园林路,南平表达,碎石道路独立的交换,和福龙路。CSGEI集成泛化的两个指标,避免了缺点的描述街道绿化。

集成后的指数显示,综合绿化Yangtaishan园林路,崔安路,Lanjing路,Kesheng路和明朗道路高,两个指标之间的差异小的道路上崔安路,路Lanjing, Kesheng道路。龙华地区的绿化分布显示低的现象绿化是位于中心,高绿化是位于外围。图10 ()显示了每个类的SFVC指数分布的道路。从图看,城市二级公路、城市主要道路和城市支线道路,广泛分布在市内,SFVC指数较低水平占更大比例。上述现象的原因归结于两点:一是由于分散植被种植在市内,和其他的分辨率Sentinel-2低导致一块植被由Sentinel-2无法被识别。如图10 (b),不同级别的城市主干道路、GVI城市二级公路、支线公路和城市是均匀分布的,而L5 GVI循环路径的占80%以上,这是符合循环路径设计的特点。OSM的道路网络数据研究显示在龙华区街道,取样点分为五类。如图10 (c)的服务和娱乐CSGEI高循环路径。它可以提供一个良好的视觉的行人,这也有利于维护生态环境。根据GVI和SFVC指数的相关分析中不同类型的道路,最低的循环路径相关系数为0.38,其次是0.39和0.64高速公路和城市高架支线公路、和整体相关系数很低。本文用随机抽样方法评估CSGEI。结果如图11。

5。讨论

水平和垂直的多视图数据视图提供了一个新的方向提取城市街道绿化。可以获得不同的视觉效果在绿色感知两个方位数据;它有助于实现城市街道绿化的定量分析。考虑到道路的等级分为五类,三个五种图片类验证CSGEI随机选择。结合图片和数据分析,看到GVI SFVC指数高于城市绿化的二级公路、城市主要道路和城市支线道路。图11表明植被分布的城市二级公路是由行或单一植被分布两边的街道。这个分布导致植被覆盖度提取从Sentinel-2数据有丢失的分数的现象受到分辨率的影响。SFVC指数升高和高速公路GVI显著高于。同样的现象观察循环路径,在循环路径的SFVC指数高于GVI高达95.83%。街上从Sentinel-2提取的植被覆盖率数据覆盖地面对象树下由于树木的阴影。因此,二维的描述绿化不仅仅是实际的描述。SFVC 53.68%是在L1级别小于9。02%,几乎所有的城市主要道路和城市二级公路。GVI从百度街景地图中提取可以有效地识别灌木和绿色墙壁和补充街植被覆盖率。在L1 SFVC显示大约76.67%的显著增加。 After the indices merged, the process of accounting for L1 decreased to 31.29% and the distribution of street greening was in line with the actual situation.

与类似研究结果比较26,36,44]。类似地,GVI和归一化植被指数之间的相关性被发现。不同于之前的研究,样本缓冲区由道路宽度作为单位提取归一化植被指数。比激光雷达Sentinel-2更容易获得。添加了另一个维度,俯视图,城市街头绿地的测量。CSEGI可以实现城市街道空间的定量评价。此外,它被证实,语义分割用于提取街景图片。

然而,仍然有缺点。水平街道绿化提取,解决Sentinel-2 10米,无法认识到年轻的树。垂直街道绿化提取,没有保证街景数据获得在同一天。此外,百度的时间跨度街景地图不能保证Sentinel-2一样的收集时间。街道绿化的评价多尺度的点,线,多边形会意识到在将来的研究中。

6。结论

本研究结合百度街景的全貌和Sentinel-2提取和分析的三维绿化信息的街道。结果表明,百度街景全貌和Sentinel-2可以提供两个方面的街头绿化分布。两种数据的结合是一种有效的方法来评估和分析街道绿化。相比较高的极化SFVC GVI主要是因为Sentinel-2的低分辨率图像和植被分布均匀性差两边的街道。GVI显示的空间分布的特点,在外围低中间高的建筑物和人行道在中部城市,占领绿色空间的一部分。从两个角度CSGEI评估街道绿化,减少大规模问卷调查的工作负载。结合Sentinel-2图像,这种方法补偿不足的单角观测植被的百度街景地图和百度街景全景采集时间的不一致。结果表明,街景图片可以确定草坪、灌木,树下和道路树冠在遥感图像。遥感图像可以用来描述横向生长的树木在百度街景全景记录客观地评价街道的绿化水平在观测点。CSGEI提出本文可以合并这两个视角的街头绿化评价水平。 As the street view images are updated, the latest data will be used to measure the urban green space, enabling monitoring of the three-dimensional changes in street greening. The index helps to identify the streets lacking greening and to formulate corrective measures in a targeted manner. It would provide important references for street greening planners.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作得到了教育部门的辽宁省基金(没有。lnfw202013),中国国家自然科学基金(4210010785)和教育部人文社会科学基金(CN) (21 yjc790129)。