城市绿地是指以自然植被和人工植被为主要存在形态的城市用地。城市绿地主要包括公共绿地、居住区绿地、交通绿地、附属绿地和生产防护绿地。
遥感影像可以用来检测地表类型和状况的变化，即利用遥感影像进行变化检测。使用两个或两个以上的时间获取的多时相高分辨率图像对城市绿地进行变化检测，是落实保护城市绿地的有效途径。然而，目前各级单位中利用遥感影像进行变化检测大多还是基于人工目视解译。目视解译在传统的城市绿地变化检测中，凭借从业人员的丰富经验，可以取得符合生产需求的结果，但是效率较低，对工作人员的能力和经验要求较高，这存在一定的局限性。近年来人工智能和遥感大数据的发展，使得基于深度学习的变化检测也迅速发展起来，利用深度学习从高分辨率图像提取特征，再进行变化检测也成为新热点。基于该方法可以提高检测效率，快速、客观、准确地对城市绿地资源进行变化检测，为后续人工交互确定城市绿地的变化区域提供参考。
图15-5是城市遥感进行城市绿地监测的流程图。基于卷积神经网络模型分别对两个季度的高分辨率遥感影像进行城市绿地提取，并对提取的结果作差值分析，再对差值运算后的结果采用形态学滤波进行后处理操作，得出影像区域内变化图斑。具体步骤如下:
(1)对不同时相遥感影像进行预处理操作，主要操作包括正射校正、辐射校正、图像融合、影像镶嵌、影像配准等；
(2)构建城市绿地样本库，包括采集高分辨率遥感影像和制作对应的标签，用作深度学习训练数据；
(3)基于深度学习网络，如Fully Convolution Networks(FCN)、UNet和SegNet等遥感影像语义分割网络，将不同时相的遥感影像进行分类，得到分类结果图；
(4)将不同时相遥感影像对应的分类结果进行差值运算；
(5)对差值运算后的结果图进行形态学滤波操作，具体包括腐蚀、膨胀、开运算、闭运算等，利用形态学滤波可有效去除噪声，以及保留几何形态和空间结构，可过滤掉过于细碎的伪变化区域。(www.xing528.com)
图15-5 城市绿地遥感监测流程图
图15-6为山东省济南市的城市绿地变化检测图斑，左图为2018年12月的GF-1B影像数据，右图为2020年1月的GF-1影像数据，红色实线内为2020年影像相对于2019年影像的城市绿地变化区域。将遥感和深度学习结合，可以为城市绿地监测提供更为有效、省时的帮助。把城市绿地范围投影到视频影像中，采用视频和红线结合的方式，实现了城市绿地的自动监测预警(Shao et al.，2020)，如图15-7所示。
图15-6 城市绿地变化区域示意图
图15-7 采用视频和管理红线结合的监测示例
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
