![]()
尽管目前有证据表明植被和水体的热效应，但需要进一步研究绿色基础设施(GI)的特定类型、数量和空间安排对冷却能力的影响。然而，目前还没有一个公认的类型可以用来比较和报告地理标志的现有气候影响。之前的两项研究针对这一空白进行了回应，并根据功能、结构和配置属性开发了概念性GI类型矩阵。本研究提出了一个简化的版本，并测试了其在遥感数据自动制图、分类和热评价中的适用性。介绍了一系列参数，包括从高分辨率高光谱图像、激光雷达和地籍数据估计的地表覆盖分数和FRAGSTATS指标。所提出的框架可以应用于不同的空间尺度，以快速和高空间精度分析大型城市地区。本文还提出了一个可复制的工作流程，可以由研究人员和从业人员实施，以绘制现有植被状况，优先考虑绿化干预措施并更有信心地评估热条件。在本研究中，该工作流程成功地应用于悉尼城市的局部尺度上，对绿色开放空间、树冠和水体进行分类。本文提供的证据表明，所提出的系统可用于评估和比较陆地表面温度(LSTs)的类型内和类型间变异性，这可以潜在地应用于其他生态系统服务类别的绩效评估。尽管结果令人满意，但拟议的类型学取决于在更大的空间范围内的进一步发展和测试，以及更多的观察。还需要进一步的统计分析来确定类型的冷却能力，并量化测量参数对LSTs的影响。城市热岛(UHI)是城市化记录最多的表现之一，在过去几十年里一直是深入研究的主题(Santamouris et al.,2017)。在不同的热岛缓解技术中，绿色基础设施已被证明在降低城市温度和缓和热浪强度方面是有效的(Gill et al.,2007; Santamouris,2015;Spronken-Smith et al.,2000)。尽管目前有证据表明绿色基础设施对气候有利，但需要更多的研究来确定最有效的类型、丰度和空间安排，以提供最佳的城市环境热冷却(Bowler et al.,2010;Zupancic et al.,2015)。没有提出普遍同意的类型和协议来自信地比较和报告绿色基础设施的气候影响(Bartesaghi Koc et al.,2018a;Young et al.,2014)。土地利用-土地覆盖(LULC) (Anderson et al.,1976)已被广泛用作城市条件的描述符;然而，这些不足以研究生态过程，如冷却和蒸散，因为场地的目的或用途不一定描述其气候功能(Cadenasso et al.,2013;Lehmann et al.,2014;Pauleit et al.,2003)。此外，LULC和地表分量提供了面积估算，因此，它们在描述高度异质性城市景观中发生的空间相互关系方面受到限制，特别是在非常精细的尺度上(Cadenasso et al., 2007;Zhou et al.,2014)。其他值得特别关注的分类是局部气候带(LCZ) (Stewart&Oke,2012)，这是城市景观和环境系统的高生态分辨率分类(HERCULES) (Cadenasso et al., 2007), 城市植被结构类型(UVST) (Lehmann et al.,2014)。所有这些方案都考虑了人-自然耦合系统、生物物理方面以及建筑结构和植被的空间分布。尽管如此，有必要开发一个更强大的分类系统，能够整合绿色基础设施的关键原则，即(1)时空异质性，(2)连通性(蓝绿灰连续体)和(3)多功能性(Ahern,2007;Cadenasso et al., 2013;Pickett et al.,2017)。为了应对上述差距，之前进行了两项研究，并引入了概念绿色基础设施类型(GIT)矩阵(Bartesaghi Koc et al.,2016,2017c)。本文旨在:(1)提出一种基于遥感数据的绿色基础设施自动制图和分类的简化类型和方法;(2)通过澳大利亚悉尼市的案例研究来测试和验证其适用性;(3)利用地面真相和混淆矩阵评估分类结果的准确性。GIT的目的是为气候科学家提供一个框架和惯例，以便在更大的区域内对植被进行更快的制图和分类，促进类型学内部和内部的比较，并使结果的可转移性和获得的知识的系统化成为标准化方案。研究区域位于悉尼大都市区(33.8°S)，悉尼是新南威尔士州(NSW)的首府，也是澳大利亚最大的城市，人口480万，分布在12,368平方公里(澳大利亚统计局,2017)。悉尼位于澳大利亚东南海岸，由43个地方议会组成，自本研究进行以来，这些地方议会已合并为30个;因此，本文的内容是指预合并条件。由于数据采集的时间和成本限制，所选择的研究区域包括悉尼中环郊区的一小部分(图1)。根据Köppen-Geiger气候分类，悉尼属于湿润的亚热带(Cfa)气候，冬凉夏暖(Bureau of Meteorology,2017;Kottek et al.,2006);随着海风对内陆西郊的影响减弱，这些条件受到海岸邻近性的显著影响(Santamouris et al.,2017)。案例研究场地距离海岸12公里，其特点是地势相对平坦，低密度的城市形式点缀着植被区域。大部分研究区域以常绿树木(桉树)为主，而最大的绿地集中在流经克罗伊登公园和贝尔菲尔德郊区的库克斯河沿岸(图1)。图1 研究区域和郊区的位置
本研究使用的相关数据包括热红外(TIR)、高光谱、激光雷达和地籍数据，这些数据来自多个来源，在不同时间收集。TIR和高光谱数据是由联邦科学与工业研究组织(CSIRO)于2012年8月6日委托的一项机载遥感运动收集的。飞行时间为12:00- 14:00，无云，无风，飞行高度为1500m。使用Hypex VNIR 1600相机记录了包含160个光谱带的2m空间分辨率的高光谱图像。数据供应商使用ATCOR 4和PARGE软件进行正校正、大气和辐射校正。利用FLIR SC系列相机在0.5m空间分辨率和0.018 K热分辨率下估算地表温度。使用PARGE软件进行正校正和几何校正，而数据供应商使用ATCOR 4软件对所有数据集进行大气校正。为估算绝对地表温度，采用标准化发射率法(NEM) (Gillespie, 1985;Realmuto,1990)假设每个通道的恒定发射率值为0.96。激光雷达数据是由新南威尔士州财政和服务、土地和财产信息部(LPI)委托的另一项任务收集的。本次飞行于2013年4月10日在1530m高度进行，采用徕卡ALS560-II (S/N: 101m)传感器扫描仪。数据以2×2km2的LAS片为单位传送，平均点密度为1.57/m2，最低点点密度为1.03/m2。数据的垂直空间精度为0.3 m，水平空间精度为0.8m，置信度为95%。数据供应商按照LPI标准将LiDAR点预先分类为低植被(0-0.5m)、中植被(0.5-2.0m)和高植被(>2m)、建筑物、地面和水体。LPI还提供了物业地块对应的地籍数据。来自上述数据集的所有光栅图像都被投影到GDA1994 MGA56区坐标系上，并以0.5m的分辨率重新采样。对绿色基础设施分类进行了系统的文献回顾，结果表明绿色基础设施类型可以分为五个高层次类别:(1)绿色开放空间，(2)水体，(3)树冠，(4)绿色屋顶，(5)垂直绿化系统(Bartesaghi Koc et al.,2017c)。在此基础上，结合LULC (Anderson et al.,1976)、LCZ (Stewart&Oke,2012)、HERCULES(Cadena-sso et al.,2007)和UVST (Lehmann et al.,2014)方案提出的方法和标准，开发了支持气候研究的概念性GIT矩阵。此外，该分类方案集成了功能、结构和配置参数(Bartesaghi Koc et al.,2016)。尽管如此，对GIT进行映射和分类需要定义形态和构型描述符，以及特定的阈值，因为每种类型可以包含表面部分的巨大可变性和可能的排列。针对这一需求，本文以绿色开放空间、树冠和水体类别为重点，介绍了一种精简的遥感应用GIT(图2)。分类参数和截止值如表1所示，是基于Irger(2014)、Bartesaghi Koc等人(2018b)、Bartesaghi Koc等人(2017b)和Stewart和Oke(2012)定义的修正值。![]()
图2 用于遥感分类的流线型绿色基础设施类型(GIT)
表1 基于遥感数据的GIT自动分类的分类参数和阈值。(截断值修改自Irger(2014)、Bartesaghi Koc et al (2018b)和Stewart&Oke(2012))表面(不透水建筑和地面、非灌溉透水建筑、灌溉透水建筑、水)、植被层(草、灌木和树木)和建筑高度之间的区别是至关重要的，因为每个元素都有特定的生物物理和热特性，以不同的方式影响一个地方的能量收支，改变气流、遮阳量和蒸散量(Erell et al.,2011;Oke,1988;Oke et al.,1989)。因此，流线型的GIT应用了一种基于物理的方法，结合了不同的遥感数据，如光谱图像(多光谱/高光谱)和激光雷达。它强调了灌溉(人工和自然水源)和非灌溉透水表面之间的区别，因为含水量显著影响植物的光合活性和蒸散能力，从而影响它们对地表和近地表空气温度的热效应和辐射效应(Erellet al.,2011;Oke et al.,1989;Oke,1992)。在本文中，灌溉透水面对应于所有类型的灌溉良好的低矮植物(草、草皮、草坪)，不高于0.5 m;而非灌水透水面是指缺乏人工灌溉的透水裸土和干燥低矮植物(<0.5 m)。然而，估算不同土地覆盖类型的比例并不足以进行全面的热分析，因为当地气候也可能受到建筑物高度、植被层和树木覆盖格局的影响(Bowler et al.,2010;Lehmann et al.,2014)。例如，一排连续而紧凑的树木可以提供更大的遮阳和防风功能，而一排不连续的小树往往更具渗透性(Erell et al.,2011;Heisler and Dewalle,1988;Stathopoulos et al.,1994)。类似的情况发生在集群和分散的树木之间，尽管它们占绿色空间的比例相同，因为前者在夜间比后者在树冠下捕获更多的热量(Bowler et al.,2010;Lehmann et al.,2014;Stewart et al.,2009)。这些参数可以使用激光雷达数据和景观指标来估计。FRAGSTATS指标通常用于评估可能影响生态过程的绿地的景观组成和配置(McGarigal,2015)。因此，GIT区分低(< 0.5m)、中(0.5-2.0 m)和高(>2m)植被，并结合两个FRAGSTATS指数来区分分散、排列和聚集的树木:相关的边界圆(面积加权平均值)或CIRCLE_AM和归一化景观形状指数(nLSI) (McGarigal et al.,2002)。一方面，CIRCLE_AM提供了一个相对于整个景观(在我们的例子中是网格)的整体延伸和狭窄的测量，因此它可以用来区分排列的树木和其他排列。指数范围在0到1之间(0≤CIRCLE_AM<1)，其中圆形斑块对应于接近零的值，而窄且线性的斑块指标值较高(McGarigal, 2015)。另一方面，nLSI是衡量特征聚集或聚集程度的指标，因此，它可以用来区分分散和聚集的树。数值范围也从0到1(0≤nLSI < 1)，其中0对应于单个和最大压缩的补丁，指标值随着补丁变得越来越分解和随机分散而增加(McGarigal,2015)。这两个指数都是无单位的，不受图像的颗粒大小或空间分辨率的影响，从而产生可以跨多个空间尺度和网格大小应用的标准化指标。使用Jenks优化方法(Jenks,1967)确定这些指标的分类阈值，并由人工操作员调整十进制值。本文提出的方法和工作流程借鉴了Irger(2014)开发的分类方法和方法，并经过Bartesaghi Koc等人(2018b)和Bartesaghi Koc等人(2017b)的测试，以及Bartesaghi Koc等人(2017a)提出的方法框架(图3)。使用ENVI5.3软件从高光谱数据中获得归一化植被指数(NDVI)图像;如果条件允许，也可以使用多光谱图像。采用简单的阈值NDVI分类分析从表1中识别某些表面类型。使用Jenks优化方法(Jenks,1967)定义阈值，并由人工操作员根据文献中找到的范围重新调整阈值(表2)(Anderson et al.,2018;Badamasi et al.,2010;Black&Stephen, 2014; Cheng et al.,2008;Gaitani et al.,2016;Gandhi et al.,2015;Irger, 2014)。尽管这种方法具有很高的可重复性，但NDVI值受到几个因素的影响，包括植被物候、季节、气候条件和数据收集期间和之前的水分供应;因此，阈值可能因一年中的其他地点和时间而有所不同。![]()
![]()
在LP360软件中处理激光雷达数据，使用“点群追踪”操作提取中等(灌木)和高(树木)植被多边形。小于2m2的特征被排除在提取之外。激光雷达和光谱提取之间存在差异，因为数据集收集于不同时期(分别为初秋和冬末)。因此，由于无叶落叶乔木的NDVI值对应于冠层下的地表，因此只能通过LiDAR数据获取完整的冠层(常绿和落叶)。为解决这些差异并提高提取的空间精度，将 LiDAR 导出的高、中植被多边形转换为空间分辨率为0.5m的栅格，并叠加到NDVI导出的总透水面上，从而消除了不相交的像素。从激光雷达中提取最小面积为10m2的建筑足迹，使用与植被提取相同的过程。为了改善结果，提取的多边形沿着地籍数据的包裹线分裂，并使用Feature Analyst®软件中可用的算法进行平方。将矢量足迹转换为空间分辨率为0.5m的光栅图像。然后，从总不透水表面中减去建筑表面，以区分不透水地面和不透水建筑表面。由于总灌溉透水表面包括低矮植物、灌木和树木，因此要减去校正后的高植被和中植被，以获得真正的灌溉低矮植物。在FRAGSTATS 4.2软件中使用高植被栅格(0.5m空间分辨率)计算“类水平”的CIRCLE_AM和nLSI。边长分别为25m、50m和100m的均匀瓷砖和“8单元邻近规则”应用于整个研究区域，以计算类别指标。每个网格的值作为一个新的连续表面网格(.tiff)返回，该网格被转换为对应于每个GIT的多边形(或网格)。这些25m、50m和100m的网格然后使用ArcGIS®中的分区统计来估计所有表面分数。根据表1中的值编写了一个条件算法(Python语句)，用于对网格进行自动分类。为了评估分类的准确性，使用从Nearmap(2017)网站获得的极高分辨率(0.5 m)航空图像选择独立验证数据。采用4个质量指标评价预测的准确性。生产者精度(PA)对应于某种类型的正确分类网格的比例，相对于该基础真类型的网格总数。用户精度(UA)表示分类的可靠性，或某种类型的正确分类网格的比例除以该类型的预测网格总数。总体准确率(OA)对应于正确分类的网格总数除以网格总数。kappa系数衡量分类和地面真值网格之间的一致性，其中值为1表示完全一致，值为0表示根本不一致。在本研究中，采用分层随机抽样方法，通过混淆矩阵选择每种类型分类网格总数的5.4%进行准确性评估。为了减少评估中的缺陷，对于样本数量不足的类型学，增加了验证网格的百分比。研究区域被自动划分为23,812个25×25 m的网格，5096个50×50 m的网格和1445个100×100 m的网格。分类方法和阈值可有效识别不同空间尺度下的git，所有情况下未分类网格的比例均小于0.25%，结果令人满意(图4)。与25 m(0.243%)和100 m(0.21%)网格分辨率相比，50m网格分辨率下的git未分类区域百分比最低(0.18%)。![]()
图4 将一小部分研究区划分为(a) 100 m、(b) 50 m和(c) 25 m网格分辨率的比较。突出显示的框(红色)显示了分类的尺度依赖关系，根据网格大小的不同，同一位置的分类可能会有所不同
研究区50 m网格分辨率下的GIT自动分类如图5所示。共鉴定出34种类型学中的31种。根据表1，分类类型学可分为四个亚组:(a)不透水git，对应于密封表面和/或建筑物比例较高的区域;(b)混合git，包括各种生物和非生物结构;(c)透水git，指人工特征最少的自然区域;(d)水生git，对应于有水体存在的陆地和非陆地区域。![]()
图5所示。整个研究区域(上图)和详细部分(下图)的自动化GIT分类。
每个GIT的网格总数和总研究面积的百分比如图6所示。可以看出，研究区以不透水型和混合型git为主，透水型和水生型git比例较小。植被排列最丰富的地表为IM4最不透水地表(n=964,18.9%)和IM2最不透水地表(n=812,15.9%)，其次为IM5最不透水地表(n=710,13.9%)、MX5树木排列混合地表(n=638,12.5%)和IM1高度不透水地表(n=477,9.4%)。本研究未发现类型学类型IM3主要为灌木不透水，PV4主要为灌木，AQ7为树木丛生的水。命名为“未知”(n=9,0.18%)的未识别网格对应于未正确分类的区域，因为这些区域具有多个git的特征和/或参数的大可变性。![]()
图6 栅格总数、总面积百分比、地表分量分布、平均NDVI箱形图和GITs估计的白天lst的比较已识别的GITs在表面组分比例方面的差异如图6所示。在不同类型集之间的表面分数分布中可以看到非常接近的相似性，例如IM4-5-6、MX5-9、MX6-10、PV5-7-9、PV6-8-10和AQ5-6 git。然而，这些树在树的排列上彼此不同;因此，在分类中包括空间度量的重要性。从“低”、“中”和“高”植被表面分数的关系来看，除了PV11灌木和草茂密的乔木外，混合GITs中有木面积的比例最高。相反，与其他类别相比，透水的git具有非常高的比例的草(灌溉和非灌溉)，灌木和裸土。此外，高植被的比例在共享相同空间排列的树木类别中也存在差异。例如，MX10树簇混合草的树木覆盖比例(34.99%)高于IM6树簇最不透水草(13.6%)和PV10树簇最灌溉草(18.7%)。MX6和MX5混合地表树木排列比例分别为29.9%和20.6%，高于IM4不透水树木排列比例(11.8%)和PV5不灌溉树木排列比例(14.4%)。这种差异的产生是由于显性表面的存在(与副词“most”一致);因此，在不透水的git中，树木被高比例的密封表面和建筑物所包围，而在透水的git中，树木被大面积的草地所包围。然而，在混合GITs中，由于植被和非植被表面组分的变化更大，树冠的数量更高。这些差异在散树排列的类型学中不太明显，差异为2-5%。虽然全球综合投资是根据形态和配置参数进行分类的，但这些参数能够评估与不同生态系统服务相关的变量，如温度缓解、植被健康、水渗透或碳固存。在本研究中，基于网格的平均值计算了每种类型的地表覆盖分数、NDVI和lst(图6)。分类的空间分布与其平均NDVI值、日间地表温度和不透水地表比例的对比显示出较好的对应关系(图7);因此，我们进行了进一步的统计分析，以比较测量变量的类型内和类型间变化。图6显示了每个GIT的NDVI平均值和日间lst的最大值、最小值、中位数、平均值和四分位数间值。在光合作用活性和热条件方面，大多数种类可以看到明显的差异。![]()
图7 研究区地表温度、不透水程度和平均NDVI测量值之间的空间对应关系
从图6可以看出，林地和灌溉草地比例较大的GITs (MX610, PV2-4-6-8-10-11)的平均NDVI最高。然而，当比较它们的平均NDVI时，透水git与灌溉草的表现优于混合git，因为后者受到不透水表面、建筑物和裸露土壤的限制。此外，由于植被覆盖度、绿化高度和人工结构数量的显著变化，混合GITs的平均NDVI(箱形图长度)的类型内变化更大。在git对(即MX3-4, PV5-6)之间的平均NDVI值存在反复的起伏(峰值)模式，这响应了灌溉和非灌溉草的比例差异。最低的NDVI平均值与水生git相对应。然而，考虑到git之间的网格数量不成比例，上述结果应谨慎解释。对比从1(最暖)到31(最冷)的GITs排名顺序(图6)，可以看到，不透水亚组的白天lst最高，具体来说，IM1高度不透水(14.8°C)， IM2草不透水(14.3°C)， IM5树木分散不透水(13.9°C)， IM6树木聚集不透水，IM4树木排列不透水(13.7°C)。树木较少、不透水地表和非灌溉草地占相当比例的GITs也是最温暖的，包括MX1大部分不透水的草地(13.7°C)、MX3没有树木的混合地表(13.2°C)、MX7树木丛生的混合地表(13.1°C)、PV1大部分不灌溉的草地(13.0°C)和PV7大部分不灌溉的草地，树木分散(12.9°C)。相反，水生亚组白天平均温度最低，特别是AQ1 Water(8.1°C)、AQ6 Water with scattered(9.0°C)和AQ5 Water with aligned trees(8.9°C);包括PV11密集树(8.3°C)。总体而言，在整个案例研究中，日间温度变化显著，最暖(IM1)和最冷(AQ1) GITs之间的最大类型间差异为6.7°C。混合和透水git对日间地表温度也出现重复峰，这与平均NDVI值下灌草和非灌草比例的差异相对应。在大多数类型中，lst的类型内变异性相对均匀(除了那些具有少量网格的类型)，通常具有对称的框和须，这表明没有明显偏离常态。表3给出了整个研究区在50m网格分辨率下的GIT分类精度评价。准确度评价结果令人满意，OA为76.4%，kappa指数为0.741。在观察 UA 时可以发现，不透水和混合 GIT 的精度相对低于其他分组；这可能是由于它们的高度异质性，以及与其他类型相比网格数量较多。结果还表明，IM4、IM5和IM6之间存在相当大的混淆;IM2、MX3和IM5之间，以及MX5、MX7和MX9之间，由于地表分数变化较大，且难以区分树木的不同排列。这导致MX9(0.58)、IM4(0.64)、MX3(0.67)、MX6(0.70)、IM6(0.71)和IM2(0.72)的用户精度相对较低。表3 50 m网格分辨率下GIT制图结果的混淆矩阵，显示了用户精度(UA)、生产者精度(PA)、总体精度(OA)和Kappa指数已经在理论和实践中讨论了几种识别可能与特定小气候相关的植被和地表特征的方法，特别是LULC (Anderson et al.,1976)、LCZ (Stewart&Oke, 2012)、HERCULES (Cadenasso et al.,2007)和UVST (Lehmann et al., 2014)。本类型学综合了上述方法的各个方面，无意取代它们，而是对它们进行补充。与以前的方法相比，GIT方案可以跨多个空间尺度应用;然而，本文提出的结果表明，它可能与“局部尺度”或50-100m之间的采样网格更为相关。在本文中，专门为遥感应用开发了一个精简的GIT，并在澳大利亚悉尼市进行了验证。虽然分类参数和阈值响应特定的方法和上下文，但该方案是灵活的，可以在必要时进行修改，同样适用于其他位置。例如，水生GIT可以扩展到拥有广泛供水系统的城市。此外，还可以探索其他参数，并针对特定类型的分析和位置更新阈值。在三种不同网格尺寸下对该分类方案进行了测试，取得了满意的结果。然而，全球地理信息技术的应用在城市景观分类的最适当网格尺寸方面存在一定的局限性。在绘制城市区域时，由于单个元素占据了网格的大部分，更精细的网格往往更聚集和同质;而较粗的网格则更加异构，因为特征是高度分解和不连续的(除了非常大的和均匀的区域)。因此，最优的采样距离应足够小，以减少粒度和避免破碎化，并足够大，以包括代表性的土地覆盖类型和植被的空间分布。不幸的是，为所有目的定义最佳网格大小是不切实际的，因为这可能取决于研究的类型，并且可能因地点而异。在本文中，由于单元格大多由一个或两个表面主导，25m网格分辨率太小，无法识别特征的不同空间排列(图4a);而100m网格分辨率过于粗糙，地表和空间描述符变化较大，因此对整个网格进行了概化处理(图4c)。然而，50m网格为局部尺度(社区、区域、街道)分析提供了更合适的采样大小，因为结果保留了城市小气候研究所需的代表性形态和配置信息(图4b)。与确定GIT有关的一个主要挑战是为参数定义适当的阈值。在表面分数的情况下，临界值改编自Bartesaghi Koc等人(2018b)， Bartesaghi Koc等人 (2017b)， Irger(2014)和Stewart&Oke(2012)并进行了多次测试，直到获得最佳结果。此外，还初步评估了几个FRAGSTATS指数，以确定树冠模式识别的最优组合和阈值。测试是在“类水平”上进行的，使用网格大小作为总景观，树木斑块作为目标类。连续度指数(CONTIG)和分形维数指数(FRAC)是衡量空间连通性和形状复杂性的周长面积比指数。然而，它们的主要局限性在于对斑块形态差异的相对不敏感，因此当斑块具有相似的面积和周长时，难以区分排列和聚集模式，以及孤立和小群体的树木。或者，相关圆周(circle)在识别斑块延伸率方面表现更好，因为该指数是基于斑块面积与最小圆周面积的比值，不受斑块大小的影响。同样，我们还测试了传染指数(CONTAG)、聚集指数(AI)、景观形状指数(LSI)、相似邻接百分比(PLADJ)、群集指数(CLUMPY)和斑块内聚指数(COHESION)，以确定树木的分散、穿插和邻接程度。然而，基于相似邻接的指数(即CONTAG, AI, PLADJ和CLUMPY)受到图像分辨率和网格大小的强烈影响，因此在不同空间尺度下对同一区域的结果不同。此外，内聚是基于周长-面积计算的，因此它受到上述相同的限制。LSI提供了没有上限的标准化测量，因此不可能定义一致的阈值;然而，当应用其归一化版本(NLSI)时，可以获得更好的结果。经过多次试验，CIRCLE_AM和NLSI的组合被证明是在多个空间尺度上区分分散、聚集和排列的树冠最有效的方法，因为它们是标准化的指标(在0-1之间)，更容易解释，并且对颗粒变化具有鲁棒性。尽管结果最佳，但对GITs的准确性评估表明，可能需要进一步校准以提高预测质量。对50m网格分辨率分类进行了深入分析，通过无树类型和/或土地覆盖比例高度分化获得了更高的精度。发生分类错误的原因有以下几点:(1)激光雷达对部分区域的树冠识别和提取不正确(误差和遗漏);(2)植被冠层下的地表覆盖物没有通过光谱图像检索;(3)透水和不透水地表分数变化较大;(4)地表分数值接近上限或下限;(5)当不同的树木类型具有相似的面积和周长时，FRAGSTATS指数在区分不同的树木模式方面受到限制。关于最后一项，常见的错误分类包括：将小树群或不连续的树木线分别视为孤立或分散的树木；将有零星树木的类型归类为无树类；将小的或错综复杂的线性排列误认为零星的斑块；将宽阔的线性林区归类为树木群。进一步的研究可集中于改进当前的截止值，并探索更多的形状和聚合指数组合，以解决以往的不足。该方法结合了简单的阈值NDVI分类分析和LiDAR提取，提供了一种易于复制和直接的方法来对GITs进行分类;即便如此，它也需要一些考虑和限制。首先，基于光谱的提取精度受到图像分辨率的影响，NDVI值可能因地点和季节而异(Cheng et al.,2008);因此，进一步的季节性研究是必要的。将无人驾驶飞行器(uav)与我们的方法相结合，可以通过捕获植被的多时间变化和以灵活且经济有效的方式检索高分辨率图像来帮助解决这一需求。其次，虽然本研究采用了高光谱图像，因为它是唯一可用的高分辨率数据，但通过多光谱图像同样可以得出 NDVI，而且结果相当，只是成本更低。未来的工作还可以通过实施光谱混合分析(即MESMA, LSMA)和卷积神经网络(CNN)等高光谱数据分类技术来提高地表覆盖物提取的质量。第三，激光雷达点云密度会显著影响提取的质量，需要进行后处理和人工校正。本文的证据表明，GIT分类系统可作为研究城市环境热条件和植被条件内部和内部变率的评估框架。尽管如此，本文给出的结果应谨慎解读，原因如下:(1)分类系统固有的还原论性质;(2)在现实世界中不太可能发现的不同地表覆盖的突然描绘;(3)git之间网格数量的不比例;(3)观测数量有限(空间范围小);(4)由于忽略了垂直表面，并且无法从单个TIR图像中检索到每个GIT的温度范围和动态，因此结果不能代表类型区的整体热分布。这些方面可能会在未来的研究中得到解决。拟议的分类方案和公约为绿色基础设施在一个特定的生态系统服务——气候调节方面的评估提供了基础，然而，它也可能对其他生态系统服务类别的绩效评估有用。图8给出了一个最具代表性的GIT的说明性数据表样本。这包括示意图，航拍和行人照片，定义和典型位置，分类参数和热条件的测量，以类似的方式，lcz是由Stewart和Oke(2012)提出的。正在进行的研究是为了开发一套完整的数据表，研究人员和从业人员可以使用这些数据表对现有的绿色基础设施状况进行分类和描述，报告和比较观察结果，并以一致和高效的方式预测未来情景。将本研究扩展到更广泛的受众的新机会包括将本方案应用于各种统计和计算机流体动力学(CFD)模拟，如ENVI-met (Bruse,2011)，将GIT与其他生态系统服务联系起来，并将其与类似方法(即lccs, UVSTs,LULC)相结合进行测试。![]()
提出并验证了一种基于航空遥感数据的绿色基础设施自动制图与分类方法。本研究提出了基于物理和空间描述符的GITs分类参数和阈值，并在澳大利亚悉尼市进行了测试。结果表明，我们的方法和方法在不同空间分辨率下的适用性，在所有情况下，未分类区域的分辨率都小于0.25%。分类质量评价结果令人满意，总体准确率为76.4%，kappa指数为0.741。结果表明，预测精度与尺度有关，并受网格分辨率的影响。因此，最佳网格大小的定义将取决于研究的类型和规模、景观的破碎程度和映射结构的大小，因此它与上下文相关。主要的困难和不准确是由于遥感数据提取错误，土地覆盖类型比例变化较大，难以区分不同的树木排列，因此可能需要进一步校准。本文表明，本方案可以以一种直接的方式促进大型城市区域内部和内部类型的比较;然而，类别和特定热特性之间的关联需要进一步的统计分析，使用更大的案例研究区域和更多的观察结果。此外，未来的研究可以集中于包括额外的参数和截止值，考虑季节性变化，进行额外的模拟，并测试其在自然保护、水和资源管理、林业和农业、人类健康和遥感等相关领域的适用性。未来的研究还可以探索将目前的类型与类似的方案结合起来，对绿色基础设施进行更全面的热评估，开发预测模型，并得出具体的城市设计和规划建议。在较小尺度上应用GIT方案研究冠层条件时，可能会遇到潜在的挑战，因为空气温度不仅可能受到网格内表面的影响，还可能受到取决于风速和风向的平流效应的影响。这是未来研究的主题，可能需要将该方案与先进的城市气候建模工具相结合。
Carlos Bartesaghi-Koc, Paul Osmond, Alan Peters. Mapping and classifying green infrastructure typologies for climate-related studies based on remote sensing data, Urban Forestry & Urban Greening, 2019, 37: 154-167.
