城市遥感：空间特征约束规则在时空谱观测模型中的应用

在城市遥感观测中，空间特征通常需要从空间分辨率，是否需要三维信息，观测对象是否具有明显的形状、纹理等方面进行约束，本小节将以城市生物量反演为例阐述如何选取空间特征。

遥感技术通过构建遥感数据提取特征与实测生物量之间的关系，可以有效反演植被生物量。然而，城市生物量的遥感反演研究多集中在森林方面，主要使用的是中、低分辨率遥感影像，如Landsat、MODIS等，由于城市地区植被景观特征异质性较大，中、低空间分辨率的遥感影像不适用于城市场景。因此，反演城市植被生物量需要高空间分辨率的影像。

对于乔木，其生物量与树木的高度、胸径等参数具有较强的相关关系，因此在城市植被生物量遥感反演过程中需要对树木进行三维信息的提取。此外，植被具有与其他地物显著不同的纹理特征，且其纹理特征与生物量之间也存在一定的相关关系，所以在城市植被生物量遥感反演过程中，植被的纹理特征也应该予以考虑。

根据上述对空间特征的约束，以广东省珠海市横琴新区开展城市植被生物量反演为例，利用激光雷达获取与植被生物量相关的高度等三维信息，利用WorldView-3卫星数据提取植被的纹理特征，最终从激光雷达数据中提取了树冠高度、树冠覆盖度和树冠形状三类空间特征(表5-1)，从WorldView-3影像中提取了均值、方差、同质性等8种纹理特征(表5-2)。

表5-1　激光雷达数据提取的空间特征

表5-2　WorldView-3影像提取的空间特征

(www.xing528.com)

我们使用随机森林(RF)算法估计研究区生物量。因此，根据上述的城市时空光谱观测模型，城市植被生物量估算过程可建模为:

式中，Ispatial是使用的空间特征；RF·()表示随机森林算法；AGB为地上生物量。

图5-2为利用RF模型的生物量图。本研究采用决定系数(R2)、均方根误差(RMSE)和相对均方根误差(RMSEr)三个指标来评价生物量估算的准确性。RF模型具有较高的精度，R2为0.6913，RMSE为26.98，RMSEr为0.4418。

图5-2　用随机森林算法反演的城市生物量结果图