引言

　　城市植被是城市生態環境的重要組成部分，具有重要的生態環境效益和社會經濟效益。在生態環境方面，城市植被可以調節熱環境、減少空氣污染、阻隔噪聲傳播，具有改善生態環境質量的作用。在社會生活方面，城市植被起到調節居民情緒、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量和城市宜居性。因此，科學規劃和管理城市植被十分重要。

　　通過城市植被分類來監測植被分布和變化狀況是規劃城市植被的前提。相較于費時費力的傳統實地調查，遙感技術已經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據，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域，早期研究以中低分辨率光學數據為主。隨著遙感技術的不斷發展，城市植被遙感分類應用的數據源越來越多樣，如引入了激光雷達和地面傳感數據等新的數據源，另外，數據的空間分辨率、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網絡等方法。

　　近年來，國內外很多學者致力于城市植被分類研究。自 2001 年起該研究領域發文量呈上升趨勢，文獻第一作者主要來自中美兩國，研究方向主要包括植被提取、植被生物學分類、植被功能區分類。得益于高分辨率的數據源和分類方法的發展，城市植被分類精度得到很大提升，同時，分類粒度也進一步細化，分類層次從植被提取細化到樹種分類等，此外，還出現了結合社會感知數據的城市植被功能分類。但城市植被分類仍面臨著一些挑戰。首先，不同城市間具有復雜多變的城市環境，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用研究。因此，綜述國內外研究成果，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文獻進行了分析，對目前該領域常用的遙感數據源和分類方法進行了整理，并提出了未來的發展方向。

　　1 遙感數據源

　　遙感數據源是城市植被遙感研究的基礎，不同數據源具有不同分辨率，反映了地物的不同特征。根據研究側重點的不同，所選的數據源也復雜多樣。近年來，應用于城市植被遙感分類研究的常見數據源包括光學數據、激光雷達數據和地面傳感數據三大類。

　　1.1 光學數據

　　光學數據在城市植被遙感分類研究中有廣泛應用，本文主要指通過搭載在衛星或無人機平臺上的光學傳感器獲取的數據。數據源的質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據。

　　依據數據用途的差異，用于城市植被遙感分類的數據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，并繪制城市內主要綠地斑塊，但難以對植被進行精細觀測。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 10 m。城市內部組成復雜多樣，綠地通常以細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行分類。高空間分辨率影像是近年來應用較廣泛的數據源，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行精細分類，還可以進一步進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 (TGDI)，綜合了紋理和光譜特征，相較于僅依靠光譜特征的傳統方法，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。在其他應用中，利用 QuickBird 衛星影像進行單木提取，利用 WorldView-3 衛星影像進行樹種分類。然而，隨著空間分辨率的不斷提高，數據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，應用成本更高，應用范圍更小，常用于局部高精度分類任務。

　　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數據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的光譜域中獲取的數百個波段。研究發現，光譜中的某些波段在城市植被提取分類中發揮著更大的作用。在植被與其他地物的區分中，近紅外波段發揮著重要的作用，如 GF-2 影像的近紅外波段可以提高城市植被提取精度。在植被內部的分類中，利用 WorldView-2 影像對南非商業樹種的分類結果表明，藍色波段發揮了重要作用。

　　1.2 激光雷達數據

　　激光雷達數據可以獲取傳感器到被測物體的精確距離，已被廣泛應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獲取的數據，其主要機制是向被測物體發射激光脈沖，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數據包含 ICESat-2 和 GEDI，由于這些數據存在條帶間距，難以覆蓋研究區，因此更多研究選用精度更高、更加靈活的機載激光雷達數據。利用激光雷達和高光譜數據對城市樹木進行了分類，并總結了激光雷達用于城市植被分類的特征指標，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。

　　多數研究圍繞激光雷達數據與光學數據的融合展開，激光雷達數據可以提供植被幾何特征信息，光學數據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，并且由于周圍環境和人工維護等因素的強烈影響，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行精細識別和分類。激光雷達數據不但具有較高分辨率，還能提供光學數據的互補信息，如冠層結構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，激光雷達對陰影不敏感，從而可以有效減少城市陰影的干擾。將光學數據與激光雷達數據融合，有效彌補了陰影對高光譜數據的干擾。雖然激光雷達數據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，并且研究區域小、數據處理量大，難以大范圍應用，因此在多數研究中光譜信息依然是城市植被分類的主要依據。

　　1.3 地面傳感數據

　　前述 2 種數據源均是通過衛星和機載傳感器獲取的，而在城市植被分類領域，通過地面傳感器獲取的數據也是一種重要的數據源，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，也使得城市環境評估結果更接近于居民感知。街景數據是較常用的地面傳感數據，主要包括谷歌街景和百度街景，由于其獲取便捷、數據量大，常與深度學習技術相結合，已被廣泛應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 模型對街景數據進行圖像分割，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，街景數據在城市植被分類中應用較少，主要因為其空間和時間覆蓋不足，收集的數據精度低，在大范圍高精度的分類任務中存在局限。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行城市樹木分類的技術路線，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、分類數據及特征、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督分類器劃分為非參數法和參數法，參數法包含最大似然分類和邏輯回歸等，非參數法包含支持向量機 (SVM)、隨機森林 (RF) 和深度學習等。本文選取城市植被分類領域常見的 3 種分類方法，即閾值分割、機器學習和深度學習方法，介紹城市植被分類的研究進展。

　　2.1 閾值分割

　　閾值分割是通過設定的分類特征閾值來進行分類的一種方法，盡管分類精度不高，但由于易于計算，在城市植被分類領域特別是在分類精度要求不高的效益評價研究領域有著廣泛應用。植被指數常作為分類特征與閾值分割相結合，如利用植被指數作為綠化指標，評估城市環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測植被狀況;利用植被指數提取廣州城市植被信息，并與其他方式對比，發現植被指數可以有效提取綠地信息，但是精度較其他方式低。城市環境復雜，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的干擾，導致僅依靠植被指數的城市植被分類精度不高，因此，在植被指數的基礎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 (NDVI) 是最常用的植被指數，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，可以有效區分植被與非植被區域。此外，還有改進的植被指數，包括比值植被指數 (RVI)、差值植被指數 (DVI) 及增強型植被指數 (EVI) 等。例如通過提取中國 439 個城市的 EVI 數據，分析了城市植被空間變化及其分布格局。

　　2.2 機器學習

　　由于研究區域和研究對象復雜多樣，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習分類方法。

　　支持向量機是一種監督分類算法，可以處理線性和非線性問題，對于小樣本和高維數據也有較好的處理能力，其核心原理在于尋找一個最優超平面，以將不同類別的樣本在特征空間中最大程度地分隔開，并使兩側最靠近超平面的樣本點與超平面的距離最大化。基于構建的 IKONOS 影像 SVM 模型進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，結果表明，SVM 在城市樹種分類中更有效，在處理較少數量和不平衡分布的樣本時優于 RF。SVM 還需要設定懲罰系數和核函數參數，這些超參數會影響分類效果。一些學者探索了 SVM 的最優參數組合和優化方式。

　　決策樹分類法的基本思想是構建一棵樹狀結構，通過對遙感影像中的像素特征空間進行遞歸劃分，最大程度地降低節點內部樣本的差異，從而實現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行分類，發現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象比較嚴重。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習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習方法，決策結果由每個決策樹的分類結果通過打分得到。在構建模型時，從訓練數據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合面向對象的方法，通過高分辨率光學影像繪制城市綠度空間;使用 Sentinel-2 衛星影像，通過 RF、SVM、人工神經網絡和貝葉斯分類器 4 種機器學習方法繪制綠色城市區域地圖，結果發現 SVM 優于其他方法;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行分類，結果發現 SVM 在單日期影像分析中表現出最佳性能，MLP 在多時相分類場景中獲得了最高的準確率。

　　2.3 深度學習

　　深度學習是指具有大量隱藏層的神經網絡模型，與需要人工提取特征的傳統機器學習算法不同，深度學習模型可以直接從原始數據中自動學習數據深層特征，使深度學習具有較強的泛化能力。近年來，在城市植被分類領域，深度學習相關研究迅速發展，許多研究對比了深度學習和傳統方法以及不同深度學習框架之間分類效果的區別。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，結果表明，DeepLabv3 + 的提取效果最好，能更好區分綠地和農田;利用改進的 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殘差注意力機制的 U-Net 模型，該模型結合了殘差結構和通道注意力機制，并應用于高分一號 (GF-1) 遙感影像，結果顯示，該模型的分割精度有所提升，在區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域的特定問題提出深度學習框架。針對不同城市環境差異的問題，通過構建大型城市綠地數據集 (UGSet)，并引入對抗性學習思想，提出了 UGSNet 網絡模型算法，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勢。針對城市植被分類領域缺乏數據集的問題，開發了一種分割城市樹木的半監督深度學習方法，為巴西 472 個城市創建了 0.5 m 分辨率的精細樹冠產品。針對城市植被形態復雜、大小不一的問題，提出了多尺度特征融合和變換網絡 (MFFTNet) 模型，利用多尺度特征融合模塊和自注意力模型網絡增強綠地邊緣信息。總體上，深度學習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據集作為樣本，限制了它在許多方面的應用。除此之外，深度學習的黑箱特性也使研究者難以深入了解決策過程。

　　隨著深度學習大模型的興起，遙感領域也出現了許多應用。在圖像分割領域，將應用于自然圖像的視覺大模型 ViT 擴展到了遙感領域。利用生成式自監督學習思想，提出了針對復雜遙感場景中密集和小型目標的 RingMo 模型。在城市植被遙感領域，雖然城市中時刻有大量圖像和文本數據產生，但大模型的應用仍然較少。依據不同的研究目的，城市植被具有不同的分類體系，包含多種生物學和功能性分類類型，這些分類體系需要不同的訓練樣本和分類模型，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，實現不同分類體系的遷移應用和快速分類是值得探索的研究方向。

　　3 展望

　　本文從遙感數據源和分類方法兩方面介紹了城市植被遙感分類的研究進展。目前，該領域已經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，導致城市植被制圖的準確性降低。因此，需要進一步研究城市陰影，恢復陰影區域信息或降低陰影的影響，從而進一步提高城市植被分類的精度。

　　2、相較于其他遙感領域，城市植被分類缺乏相關數據集，導致城市綠度空間分析難以獲得可靠數據，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，且難以對綠地進一步進行分類，限制了分析工作的深入開展。未來需要進一步擴大研究尺度，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準的數據集。

　　3、多時相分類是城市植被遙感分類的重要發展方向，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動因素。目前，許多高空間分辨率影像實現了連續數年的持續采集，未來的影像處理技術也需要從單一圖像處理轉變為時間序列處理。

　　4、街景數據在城市綠度空間分析中得到了廣泛應用，但是由于觀測條件的限制，街景數據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，限制了街景數據的進一步應用。未來的研究可以關注街景數據的采集與生成，擴大街景數據的應用范圍。

孟慶巖;杜弘宇;王莉萍;張琳琳;吳嘉豪;康佳琦,中國科學院空天信息創新研究院;杭州國際城市學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;中國科學院大學;澳門大學智慧城市物聯網國家重點實驗室;桂林電子科技大學生命與環境科學學院,202402