道路绿视率不同识别方法比较研究——以徐州市为例.pdf

西北林学院学报2 0 2 4,3 9(2):1 5 6-1 6 5J o u r n a l o f N o r t h w e s t F o r e s t r y U n i v e r s i t y d o i:1 0.3 9 6 9/j.i s s n.1 0 0 1-7 4 6 1.2 0 2 4.0 2.2 0道路绿视率不同识别方法比较研究 以徐州市为例 收稿日期:2 0 2 3-0 3-2 0 修回日期:2 0 2 3-0 5-2 3 基金项目:国家自然科学基金项目(5 1 9 0 8 5 4 4);教育部人文社会科学研究(1 9 Y J C 7 6 0 1 6 9);江苏省研究生实践与创新项目(KY C X 2 1_2 4 3 6);中国矿业大学研究生创新计划(2 0 2 1WL J C R C Z L 1 7 1)。第一作者:陶贵鑫,博士在读。研究方向:城市热环境、生态修复。E-m a i l:t a o g u i x i n t o n g j i.e d u.c n陶贵鑫1,周宏轩2,王昭清2,聂艳霞2,周凤林2(1.同济大学 建筑与城市规划学院,上海 2 0 0 0 9 2;2.中国矿业大学 建筑与设计学院,江苏 徐州 2 2 1 1 1 6)摘 要:探究不同识别方法对绿视率的影响,对于提高绿化识别准确率以及绿视率标准的制定有重要意义。以徐州市3类特征用地为研究对象,运用3种不同识别方法对道路移动采样数据集进行绿视率提取,进而分析不同方法对道路绿视率识别值以及准确率的影响。结果表明,1)基于R G B、H S L颜色的方法对于绿视率值存在低估,机器学习S e g N e t方法在识别精度上优于基于颜色提取的R G B和H S L方法;2)不同用地分组和图像亮度与绿视率差异和精度差异相关性不显著,色偏系数与绿视率差异呈显著正相关。研究结果为政府绿视率标准制定和绿视率监测工作提供了方法论的实证参考及建议。关键词:绿视率;街景图像;R G B-V I;H S L-V I;S e g N e t中图分类号:S 7 3 1.8 文献标志码:A 文章编号:1 0 0 1-7 4 6 1(2 0 2 4)0 2-0 1 5 6-1 0A C o m p a r a t i v e S t u d y o n D i f f e r e n t I d e n t i f i c a t i o n M e t h o d s f o r R o a d G r e e n W i e w I n d e x A C a s e S t u d y o f X u z h o u C i t yT A O G u i-x i n1,Z H O U H o n g-x u a n2,WA N G Z h a o-q i n g2,N I E Y a n-x i a2,Z H O U F e n g-l i n2(1.C o l l e g e o f A r c h i t e c t u r e a n d U r b a n P l a n n i n g,T o n g j i U n i v e r s i t y,S h a n g h a i 2 0 0 0 9 2,C h i n a;2.C o l l e g e o f A r c h i t e c t u r e a n d D e s i g n,C h i n a U n i v e r s i t y o f M i n i n g a n d T e c h n o l o g y,X u z h o u 2 2 1 1 1 6,J i a n g s u,C h i n a)A b s t r a c t:I t i s o f g r e a t s i g n i f i c a n c e t o e x p l o r e t h e i n f l u e n c e o f d i f f e r e n t i d e n t i f i c a t i o n m e t h o d s o n g r e e n v i e w i n d e x(GV I)t o i m p r o v e t h e a c c u r a c y r a t e o f GV I a n d t h e f o r m u l a t i o n o f GV I s t a n d a r d.T a k i n g t h r e e t y p e s o f c h a r a c t e r i s t i c s e c t i o n s i n X u z h o u C i t y a s t h e r e s e a r c h o b j e c t s,t h r e e d i f f e r e n t r e c o g n i t i o n m e t h o d s w e r e u s e d t o e x t r a c t r o a d GV I i n l o c a l m o b i l e d a t a s e t s.T h e i n f l u e n c e o f d i f f e r e n t m e t h o d s o n t h e r e c o g n i t i o n v a l u e a n d a c c u r a c y o f r o a d GV I w a s a n a l y z e d.T h e r e s u l t s s h o w e d t h a t 1)t h e m e t h o d b a s e d o n R G B a n d H S L c o l o r u n d e r e s t i m a t e d t h e v a l u e o f g r e e n a p p a r e n t r a t i o.T h e S e g N e t m e t h o d b a s e d o n m a c h i n e l e a r n i n g w a s s u p e r i o r t o t h e R G B a n d H S L m e t h o d s b a s e d o n c o l o r e x t r a c t i o n i n r e c o g n i t i o n a c c u r a c y.2)T h e g r o u p o f d i f f e r e n t s e c t i o n s a n d i m a g e b r i g h t n e s s h a d n o s i g n i f i c a n t c o r r e l a t i o n w i t h t h e d i f f e r e n c e o f GV I a n d t h e d i f f e r e n c e o f a c c u r a c y,w h i l e t h e c o l o r b i a s c o e f f i c i e n t h a d a s i g n i f i c a n t l y p o s i t i v e c o r r e l a t i o n w i t h t h e d i f f e r-e n c e o f GV I.T h e r e s u l t s o f t h i s s t u d y p r o v i d e m e t h o d o l o g i c a l e m p i r i c a l r e f e r e n c e a n d s u g g e s t i o n f o r t h e g o v e r n m e n t GV I s t a n d a r d f o r m u l a t i o n a n d GV I m o n i t o r i n g.K e y w o r d s:g r e e n v i e w i n d e x;s t r e e t i m a g e;R G B-V I;H S L-V I;S e g N e t 城市绿地作为城市生态系统的重要组成部分,不仅改善了城市环境,提供了丰富的生态系统服务价值。此外,绿地在增进人类福祉和促进周围居民健康中也发挥了重要作用1-8。城市绿地在城市中发挥着重要作用。然而,在规划工作中街道绿地的可视度往往被忽视,因为其识别需要费时费力和人眼判断。因此规划工作者需要易获取、有代表性以及周期化的城市绿化指标。因此,基于遥感图像获取的绿地率通常被用来描述街道绿地,但其缺少对街道绿化可视程度的描述。1 9 8 7年日本专家提出了用于反映绿化在街道立面水平的绿视率(g r e e n v i e w i n d e x,GV I),该指标可以定量描述空间中植被对人类视觉感知和心理健康的影响9。绿视率作为代表城市绿地的定量指标之一,已经被日本、中国等国家学者在研究和实践中广泛应用1 0-1 3。绿视率相关研究领域可以分为以下3类1 4:1)人体健康效益评估。研究绿视率与人体肥胖率1 5、压力缓解1 6、情绪调节1 1、安全感1 7、景观感知度1 8等之间的相关性与作用机制。2)城市绿化评价。主要包括绿化评价指标体系构建1 9-2 0和绿视率指标优化2 1等主题。3)人居环境研究。如城市生态学2 2、生态理论与实证研究1 3等主题。随着网络街景数据可获取性的提高,基于街景图像与绿视率相结合的研究数量显著增加2 3-2 4。原有采用自摄的移动采样图片进行研究的本地数据集仍为部分学者所采用,但这类数据集通常存在图像清晰度低、曝光度高等问题,较难对绿视率进行精确识别。然而,在计算和应用绿视率时存在着一些亟待解决的问题。首先是缺乏统一有效的识别方法。目前计算方法主要分为2类:一类是基于颜色阈值来识别植被 特征,包括使 用H S L空 间2 5-2 7、P h o t o-s h o p2 8、R G B空间等;另一类是基于机器学习方法来识别绿色植被,包括支持向量机(S VM)方法和卷积神经网络方法2 9-3 1。这2类方法各有优缺点,没有形成共识或标准。其次是缺乏考虑其他影响因素。除了识别方法外,用地类型、图片属性等因素可能也会影响到绿视率识别的精度,但目前尚未有系统性的探讨。基于此,本研究旨在从方法论的角度对绿视率计算方法进行改进和验证,从以下2个方面出发:1)在本地数据集中比较两类(卷积神经网络和颜色阈值)3种不同识别方法在绿视率识别值和准确率的差异,并尝试找出最优方法。2)运用相关性和线性回归分析方法,探究不同用地类型、图片属性(亮度和色偏程度)对绿视率识别值和精度的解释程度,并给出相应建议。研究尝试从方法层面对绿视率识别精度进行提升,进一步优化基于绿视率的相关研究结论的准确性,为绿视率未来标准的制定提供实证依据。1 材料与方法1.1 研究区概况研究区位于中国徐州市(1 1 6 2 2-1 1 8 4 0 E,3 3 4 3 -3 4 5 8 N),平均海拔为5 0 m。徐州市属于暖温带半湿润季风气候,年平均气温1 4,年平均降水量8 0 09 3 0 mm。徐州市的绿化主要分布在云龙湖绿地用地、自然保护区和大型城市公园3 1。徐州冬季从1 1月持续到次年2月,夏季从6月持续到9月,绿化在1 a中的变化较大。研究表明,测量绿视率选择植被最茂盛的时间段,一般选择在夏季。在2 0 2 1年8月采用人工移动采样的方式获取本地街景图像数据集。为进一步研究城市不同用地类型对绿视率精确度的影响,在城乡规划学科语境的用地分类下,结合 城乡规划用地分类与规划建设用地标准 和徐州市的土地利用现状将采样区域划分为绿地用地、公共服务用地的教育用地(简称高校用地)、居住区用地,如图1所示。(a)研究区域;(b)调研路线和采样点分布。C UMT表示中国矿业大学。图1 研究区域和采样路线F i g.1 S t u d y a r e a a n d s a m p l i n g r o u t e751第2期陶贵鑫 等:道路绿视率不同识别方法比较研究 以徐州市为例1.2 数据获取及处理采样时间分别为2 0 2 0年8月4日和8月7日的中午。使用改装后的电动三轮车作为采样载具,如图2所示,车辆上有4个高度为1.6 m的摄像头记录4个方向的图像,同时通过数据记录仪获取位置信息。图像数据的像素分辨率为1 2 8 07 2 0并有地理位置信息。在绿地用地、高校用地和居住区用地分别随机抽取3 2、3 1张和2 6张图片,并进行图像标注以进行精度验证。经过数据增强后,最终在风景区、校园和郊区分别获得2 5 6、2 4 8、2 0 8张图片,共7 1 2张图片为所有样本用于本研究的绿视率及其精度测度。图2 改装后的调研车辆F i g.2 T h e m o d i f i e d r e s e a r c h v e h i c l e1.3 绿视率识别方法1.3.1 颜 色 阈 值 基 于R G B方 法 的 绿 视 率(R G B-b a s e d v e g e t a t i o n i n d e x,R G B-V I,式中记 为RG B-V I)R G B-V I指通过设置适当的植被颜色阈值,在红、绿、蓝混合颜色空间中识别植被的一种方法。类比 于 遥 感 中 经 常 使 用 的 归 一 化 植 被 指 数(N D V I),其在研究中表现出与农作物更好的相关性3 3。通过文献3 4 中的公式,运用P y t h o n的大津阈值方法获取每张图像的绿化植被,将其转化为黑白颜色之后(白色为绿植,黑色为背景),计算出绿色像素的比例(图3 a),具体计算方法为I m a g e=OT S U(RG B-V I)(1)RG B-V I=0.4 4 1R-0.8 1 1G+0.3 8 5B+(2)式中:R、G和B分别代表原图像的红、绿和蓝色通道值;I m a g e表示转换后的黑白图片;OT S U指大津阈值方法,将特定像素从背景像素中分离并以黑白显示。1.3.2 颜 色 阈 值 基 于H S L方 法 的 绿 视 率(H S L-b a s e d v e g e t a t i o n i n d e x,H S L-V I,式中记为HS L-V I)H S L颜色中H、S和L分别指色相、饱和度和亮度,H S L方法指由R G B图像通过特定算法进行的图像转换,然后通过设置绿色阈值并提取相应像素,最后计算图像中绿化像素占图片的比例。H S L方 法 目 前 已 被 应 用 至 多 个 场 景 的 图 像 识别3 5-3 6,通过参考文献3 7 后设置H、S和L,并以绿色和黑色进行表示,如图3 b所示。具体计算方法为HS L-V I=I n r a n g e(I m a g e,lo w e r-H S L,up p e r-H S L)(3)lo w e r-H S L=2 2,5 0,5 0(4)up p e r-H S L=8 0,2 5 5,2 5 5(5)式中:I m a g e指 在H、S、L通 道 中 储 存 的 图 像,lo w e r-H S L和up p e r-H S L分别代表图像绿色的下限阈值和上限阈值。1.3.3 机器学习 卷积神经网络(S e g N e t)S e g N e t是由剑桥大学最先提出的深度卷积神经网络,用于图像语义分割与自主驾驶的识别3 8。该网络由1个解码器网络和1个相应的编码器网络构成,解码器旨在通过卷积层、池化层和激活层压缩图像,同时保留原始特征,以避免数据量过大造成的维度灾难3 9。与其他卷积神经网络相比,S e g N e t在计算和内存应用方面非常高效,因此选择该方法进行与像素阈值分类方法进行比较。通过构建混合训练数据集来适应包括本地数据集、网络数据集街景图像 的 识 别,具 体 包 括 自 主 标 注 的 图 像 数 据 集(1 4 8 0张图片)以及C i t y S c a p e s数据集(1 0 2 0张图片),识别的效果如图3 c所示。1.4 绿视率精度指标计算方法GV I为图像绿色像素与总像素的比率,即绿视率。为了全面验证绿视率识别的准确性,经相关文献参考4 0,采用了4个不同语义分割指标,包括平均交并比(m I o u,式中记为mI o u)、像素准确率(P A,式中记为PA)、平均像素准确率(MP A,式中记为MP A)和类别 像素准确率(C P A,式 中 记 为CP A)。m I o u是预测像素与标注真实像素的交集与并集的比率平均值;P A是正确预测像素与总像素的比率;MP A是所有类别(该研究为绿视率和背景像素)正确分类像素的平均百分比;C P A是每个类别下正确预测像素与总像素的比率,选择C P A1代表正确预测的绿色植物。上述计算具体方式为mI o u=1k+1ki=0pi jkj=0pi j+kj=0pi j-pi i(6)PA=ki=0pi iki=0kj=0pi j(7)851西北林学院学报3 9卷 MP A=1k+1ki=0pi ikj=pi j(8)CP Am=pi ikj=pi j(9)式中:pi j(假阳性,f a l s e p o s i t i v e,F P)是i的真实值被错误预测为类别j的像素数量;pj i(F P)是j的真实值被错误预测为类别i的像素数量;pi i(真阳性,t u r e p o s i t i v e,T P)是i的正确预测数量;k+1是类别的数量;m代表第m类像素。图3 R G B-V I、H S L-V I和S e g N e t原理及预测图像F i g.3 P r i n c i p l e s a n d p r e d i c t i v e i m a g e s o f R G B-V I,H S L-V I a n d S e g N e t1.5 图像属性计算方法 亮度和色偏系数在亮度方面,通过将原始图像转换至灰度图后,像素的平均值可以表示原始亮度4 1。该研究中,转换为灰色通道的图像像素平均值和方差的比率代表亮度系数。当图片太亮或太暗时,亮度系数会增加。当亮度系数过大时(1),表明图像亮度过曝或过暗。具体计算方法经文献参考4 2如式(1 1)所示。色偏系数是指获取图像与物体真实颜色之间的误差程度。将R G B转换为C I E L a b空间后,L a b中的“L”“a”和“b”分别代表亮度(0,1 0 0)、从红色到绿色的范围(1 2 7,-1 2 8)、从黄色到蓝色的范围(1 2 7,-1 2 8)。因此,通过计算像素平均值和方差的比率即为偏色系数,具体计算方法经文献参考后4 2如式(1 2)所示。当偏色系数2时,可视为没有颜色误差。k=n p.s u m g r e y i m g-n p.f u l l(s i z e,1 2 8)s i z e2 5 6i=0(i-1 2 8-a)h i s tis i z e(1 1)CC C=(a-1 2 8)2+(b-1 2 8)22 5 6i=0(i-1 2 8-(a-1 2 8)h i s tAi)s i z e 2+2 5 6i=0(|i-1 2 8-(b-1 2 8)|h i s tBi)s i z e 2(1 2)式中:k为亮度系数;n p.s u m()表示图像数组的总和,s i z e表示图片尺寸;n p.f u l l(s i z e,1 2 8)表示用平均值1 2 8重新填充数组;h i s ti、h i s tAi 和h i s tBi 分别表示C I E L a b直方图、a通道直方图和b通道值直方图中i的像素总数;CC C表示偏色系数;a、b分别表示a和b通道的像素平均值。1.6 分析方法该研究共采用5种分析方法,分别为F r i e d m a n秩和检验、线性回归分析、相关性分析和稳健性检验,均 在S P S S 2 6.0中 完 成,置 信 区 间 为9 5%。F r i e d m a n秩和检验为非参数检验,在数据不满足正态分布时用于重复测量数据的比较,即一张图片在3种不同方式测试绿视率及其精度。由于线性回归分析假定变量为数值变量4 3,在本研究进行线性回归分析之前,需要将分类变量转化为“哑变量”4 4,可以进一步改善模型的拟合度和准确性4 5。线性回归分析中的r2表明自变量对因变量的解释程度4 6。相关性分析在本研究中采用P e a r s o n方法,当P e a r s o n系数0.8为高度相关,0.5且0.8为中度相关,0.3且0.5为弱相关,0.3为几乎不相关4 7。稳健性检验采用单因素方差分析对研究结果进行验证。951第2期陶贵鑫 等:道路绿视率不同识别方法比较研究 以徐州市为例2 结果与分析2.1 绿视率识别分布3种方法的绿视率识别效果如图4所示。图4 c中通过S e g N e t识别的总体绿视率高于图4 a和图4 b;S e g N e t绿视率最高值出现在云龙湖北部,整体绿视率明显高于R G B-V I和H S L-V I识别的绿视率。在所有样本中,R G B-V I、H S L-V I和S e g N e t的平均绿视率值分别为8.2%、1 1.8%和2 8.5%(图5 a)。分析发现3组数据不满足正态分布,因此采用F r i e d m a n秩和检验比较组间差异。分析结果表明,R G B-V I和H S L-V I的绿视率值显著低于S e g N e t识别的绿视率值(P0.0 5),R G B-V I结果显著低于H S L-V I结果(PH S L-V I R G B-V I。绿视率在所有样本和3种不同用地中均高于R G B-V I和H S L-V I(P0.0 5);H S L-V I识别的绿视率显著高于R G B-V I识别值(P0.0 5)。经单因素方差分析进行稳健性检验之后,结果保持一致。综上表明,3种方法识别的绿视率之间存在显著差异。(a)R G B-V I分布;(b)H S L-V I分布;(c)S e g N e t分布。图4 3种方法绿视率分布F i g.4 T h r e e m e t h o d s o f g r e e n v i e w i n d e x(a)所有样本;(b)绿地用地;(c)高校用地;(d)居住区用地;1、2和3为非参数检验后显著差异的分组。图5 3种用地不同绿视率的比较F i g.5 C o m p a r i s o n o f d i f f e r e n t g r e e n v i e w i n d e x i n t h r e e s e c t i o n s2.2 精确度指标分布用4个 不 同 的 指 标 对R G B-V I、H S L-V I和S e g N e t方法进行精度验证。为明晰精度指标数据之间是否具有可比性,先对精度数据分布进行正态分布可视化,m I o u和MP A数据近似正态分布(图6),因此之后仅对m I o u和MP A数据进行讨论。两两对比相关之后如表1所示。在组间方面,S e g N e t的精度指标和R G B-V I和H S L-V I精度指标相 关 性 较 弱,R G B-V I和H S L-V I相 关 性 较 强(P0.0 1);在组内方面,S e g N e t、R G B-V I和H S L-V I各组的m I o u和MP A精度指标均有较强的相关性(P0.0 1)。061西北林学院学报3 9卷 图6 不同识别方法精度值及正态曲线分布F i g.6 A c c u r a c y v a l u e s o f d i f f e r e n t i d e n t i f i c a t i o n m e t h o d s a n d n o r m a l c u r v e d i s t r i b u t i o n表1 m I o u和MP A指标的P e a r s o n相关性T a b l e 1 P e a r s o n c o r r e l a t i o n b e t w e e n m I o u a n d MP A i n d i c a t o r s指标m I o u_S e g N e tMP A_S e g N e tm I o u_R G BMP A_R G Bm I o u_H S LMP A_H S Lm I o u_S e g N e t皮尔逊相关性10.5 9 7*0.1 8 5*0.0 10.2 3 9*0.0 4 4S i g.(双尾)-000.7 9 700.2 4 6MP A_S e g N e t皮尔逊相关性0.5 9 7*10.0 5 7-0.0 1 9.0 8 7*0.0 2S i g.(双尾)0-0.1 2 70.6 1 90.0 20.5 9 5m I o u_R G B皮尔逊相关性0.1 8 5*0.0 5 710.7 4 7*0.7 3 4*0.4 3 8*S i g.(双尾)00.1 2 7-000MP A_R G B皮尔逊相关性0.0 1-0.0 1 90.7 4 7*10.4 8 6*0.7 2 7*S i g.(双尾)0.7 9 70.6 1 90-00m I o u_H S L皮尔逊相关性0.2 3 9*0.0 8 7*0.7 3 4*0.4 8 6*10.6 9 1*S i g.(双尾)00.0 200-0MP A_H S L皮尔逊相关性0.0 4 40.0 20.4 3 8*0.7 2 7*0.6 9 1*1S i g.(双尾)0.2 4 60.5 9 5000-注:*表明在0.0 5水平的显著性,*表明在0.0 1水平的显著性。表1中精度数据在经过方差齐性分析后,S e g-N e t识别的m I o u和MP A值、H S L识别的MP A值不满足方差齐性,因此采用F r i e d m a n秩和检验进行分析。结果表明,在所有样本、高校用地、绿地用地的m I o u和MP A值中(32组数据),S e g N e t精度值显著高于另外2种方法(P0.0 5);在居住区用 地 中,S e g N e t和H S L有 显 著 性 差 异(P0.0 5),H S L-V I和R G B-V I之间没有显著性差异(P0.0 5)。经过单因素方差分析作为稳健性检验之后发现,在所有样本、高校用地、绿地用地、居住区用地的2种精度值(42组数据)中,S e g N e t精度值均显著高于另外2种方法(P0.0 5)。综上,如图7所示,精度指标的结果表明,S e g-N e t的绿视率识别效果显著优于R G B-V I和H S L-V I(P0.0 5)。2.3 线性回归分析2.3.1 方法及精度指标 本研究主要通过线性回归分析表征不同方法之间的差异对精度差异的解释程度。3种方法与精度指标的线性回归结果表明(表2),m I o u与识别方法的回归模型无统计学意义(r20.1),MP A与识别方法的2个回归方程解释程度均不高(r20.3)。161第2期陶贵鑫 等:道路绿视率不同识别方法比较研究 以徐州市为例图7 精度指标在不同用地的平均值分布F i g.7 A v e r a g e d i s t r i b u t i o n o f a c c u r a c y i n d e x e s i n d i f f e r e n t l a n d u s e表2 所有样本和不同用地类型的回归结果T a b l e 2 T h e r e g r e s s i o n r e s u l t s o f w h o l e s a m p l e s a n d d i f f e r e n t l a n d u s e所有样本绿地用地高校用地居住区用地m I o u10.0 3 8*0.0 4 1*0.0 5 5*0.0 1 52-0.0 0 20.0 0 20.0 0 6-0.0 1 9r20.0 3 10.0 3 50.0 5 40.0 1 7MP A10.1 1 6*0.1 2 3*0.1 0 2*0.1 2 3*20.0 0 30.0 1 10.0 0 5-0.0 0 9r20.2 5 20.2 7 10.2 0 40.3 0 6 注:自变量为方法变量,因变量为精度指标;*表明在0.0 5水平的显著性;1、2分 别代表从R G B-V I到S e g N e t和 从R G B-V I到H S L-V I转换的回归系数。2.3.2 用地分类和精度指标 为研究用地分类不同是否对精度指标有影响,以绿地用地为参考变量,将不同类型用地转为“哑变量”后,与精度指标进行线性回归拟合(表3),所有回归模型无统计学意义(r20.1),说明模型的拟合效果不佳。在m I o u和MP A的线性回归分析中,r2表示用地分类能解释各自精度指标在空间变异程度分别为3.4%5.1%和1%4.1%。结果表明用地分类差异对绿视率精度无显著影响。不同用地对2种精度指标的解释程度均不足6%,说明不同用地类型对绿视率精度影响十分有限。2.3.3 用地分类和绿视率 进一步研究用地分类是否对绿视率有影响,结果如表4所示。在R G B-V I和S e g N e t方法中,回归模型无统计学意义(r20.1),在H S L-V I模型中有统计学意义(r2=0.1 5)。r2值表明,用地差异分别解释R G B-V I、H S L-V I和S e g N e t识别绿视率的变异程度为4.4%、5.3%和1 5.4%。综上,不同用地与绿视率线性回归拟合模型有统计学意义的概率为1/3,拟合效果不佳。此外,用地差异能解释的R G B-V I和S e g N e t的绿视率变异程度较小,解释H S L-V I识别的绿视率变异程度较高。表3 不同方法的回归结果T a b l e 3 R e g r e s s i o n r e s u l t s o f d i f f e r e n t m e t h o d sR G B-V IH S L-V IS e g N e tm I o u30.0 5 4*-0.0 5 0*-0.0 4 0*4-0.0 0 5-0.0 2 6*-0.0 3 1*r20.0 40.0 5 10.0 3 4MP A3-0.0 2 0*-0.0 2 6*-0.0 4 1*4-0.0 2 1*-0.0 4 0*-0.0 2 1*r20.0 10.0 4 10.0 2 9 注:自变量为用地类型,因变量为精度指标;*表明在0.0 5水平上的显著性;3、4分别代表由绿地用地转为高校用地、居住区用地的回归系数。表4 不同用地和绿视率的线性回归结果T a b l e 4 L i n e a r r e g r e s s i o n r e s u l t s o f d i f f e r e n t s e c t i o n s a n d g r e e n n e s s方法34r2R G B-V I0.0 0 3-0.0 4 4*0.0 4 4H S L-V I-0.0 5 0*-0.0 8 6*0.1 5 4S e g N e t-0.0 0 4-0.0 9 4*0.0 5 3 注:3、4分别代表从绿地用地到高校用地、绿地用地到居住区用地的回归系数;*和*分别代表0.0 5和0.0 1水平上显著。2.3.4 图像属性与绿视率差异的相关性 进一步研究包括亮度和偏色系数在内的图片属性和绿视率差异的相关性,以探究图片属性是否会影响绿视率识别差异。由于H S L-V I和R G B-V I之间的绿视率差异并 不 显 著,因 此 仅 比 较H S L-V I和S e g N e t、R G B-V I和S e g N e t之间的绿视率差异。亮度和偏色系数与绿视率差异的相关性系数如表5所示。由于亮度与绿视率差异的相关系数都0.3,说明偏色系数与绿视率差异有显著的正相关性,即图像的偏色系数越大,色彩误差越大,绿视率识别的差异越大。因此,为进一步明晰偏色系数对绿视率差异的影响程度,采用曲线估计法来进行最优模型拟合,包括线性、对数、二次、复合、幂、增长和指数函数。比较各函数的r2值后的结果表明,二261西北林学院学报3 9卷 次 函 数 的 拟 合 解 释 程 度 最 高(H S L-S e g N e t为1 0.6%;R G B-S e g N e t为1 6.5%),拟合方程分别为y1=0.0 9 5+0.0 5 1x3+0.0 8 9x32,y2=0.1 5 0-0.0 9 0 x4+0.2 4 0 x42。其中y1和y2分别表示H S L-S e g N e t和R G B-S e g N e t的绿视率差异,x3和x4分别表示对应的偏色系数。拟合后的曲线如图8所示。表5 图像属性与绿视率差异的P e a r s o n系数T a b l e 5 P e a r s o n c o e f f i c i e n t o f d i f f e r e n c e b e t w e e n i m a g e a t t r i b u t e a n d g r e e n n e s s绿视率差异的绝对值亮度系数偏色系数H S L-S e g N e t-0.1 9 4*0.3 2 1*R G B-S e g N e t-0.1 2 7*0.3 8 1*注:H S L-S e g N e t、R G B-S e g N e t分别表示H S L和S e g N e t方法、R G B和S e g N e t方法间绿视率差异的绝对值。(a)H S L和S e g N e t的绿视率差值和偏色系数;(b)R G B和S e g N e t的绿视率差异和偏色系数。图8 绿视率差值和偏色系数的二次函数拟合曲线F i g.8 T h e q u a d r a t i c f u n c t i o n f i t t i n g c u r v e s o f GV I d i f f e r e n c e a n d c o l o r b i a s c o e f f i c i e n t3 讨论用地类型划分对绿视率精度指标的影响十分有限,这一结论在洛杉矶县的一项研究中也得到了证实,该研究将绿化植物分为行道树、低洼植被和草地进行绿视率识别2 4。因此,当对城市街道进行绿视率识别时,可以忽略用地影响对绿视率识别准确性的影响。S e g N e t方法识别的绿视率数值更高,传统方式识别绿视率利用颜色阈值则容易遗漏部分绿化,并错误地将非绿植的绿色物体识别为植被,如绿色标识和绿墙等。在郑州和成都的研究中,已经证实了传统方法的漏识和误识2 6-2 7。绿地用地和高校用地的绿视率值高于居住区用地,这一结果在武汉的绿视率研究中保持一致4 8。绿视率在国内已经逐步纳入到城乡规划、环境评价等领域的政府决策标准中。如北京市人民政府在2 0 2 0年发布的 首都功能核心区控制性详细规划(街区层面)(2 0 1 8-2 0 3 5年)中提到“提高三维绿化效果,提高绿视率水平”;北京市生态环境局从2 0 2 2年起,将绿视率监测首次纳入建成区评价体系,将其作为生态环境质量评价的一项重要指标;深圳市人民政府在2 0 2 3年发布的 深圳市公园城市建设总体规划暨三年行动计划(2 0 2 2-2 0 2 4年)中提到“全面发 展立体绿化,提升城 区 绿 视 率 和 观 景效果”。在相关政府文件中,对于绿视率采用何种方式测定、如何保证绿视率监测的准确性以及如何构建绿视率设计标准(如居住小区绿地率3 0%)却没有明确的规定。此外,绿