高分五號(hào)高光譜遙感影像的城市土地利用景觀格局分析

高分五號(hào)高光譜遙感影像的城市土地利用景觀格局分析摘要：本文以武漢市江北核心區(qū)域7個(gè)行政區(qū)為例，以“高分五號(hào)”（GF-5）高光譜遙感影像為實(shí)驗(yàn)數(shù)據(jù)，提出了一種基于深度學(xué)習(xí)的空一譜結(jié)合高光譜影像分類算法（SSUN）的改進(jìn)算法SSUN-CRF，通過(guò)全連接條件隨機(jī)場(chǎng)（FC-CRF）對(duì)SSUN分類結(jié)果進(jìn)行細(xì)化，并結(jié)合選取的7個(gè)景觀格局指數(shù)分別從類型斑塊水平以及景觀水平分析7個(gè)行政區(qū)景觀格局特點(diǎn)及武漢市城市化趨勢(shì)。結(jié)果表明：（1）SSUN-CRF算法能夠快速準(zhǔn)確地提取城市用地類型，總體精度可達(dá)0.9048,Kappa系數(shù)可達(dá)0.8807；（2）從斑塊類型水平上分析：根據(jù)各行政區(qū)不同類別景觀類型百分比（PLAND）可以看出，武漢市主城區(qū)以居住用地為主，漢陽(yáng)區(qū)3類居住用地PLAND指數(shù)高于其他主城區(qū)，表明漢陽(yáng)存在較大“城中村”現(xiàn)象；江漢區(qū)商業(yè)用地斑塊密度（PD）高且聚合度（AI）低，即商業(yè)用地多且分布均勻，表明江漢區(qū)是武漢的重要商貿(mào)區(qū)；（3）從景觀層次水平上分析：根據(jù)香農(nóng)多樣性（SHDI）、香農(nóng)均勻度（SHEI）指數(shù)分析可以看出，武漢市江北區(qū)域各用地類型總體分布均衡，景觀生態(tài)多樣性和穩(wěn)定性較好；從斑塊密度（PD）和香農(nóng)多樣性（SHDI）空間布局分析可知武漢市的城市擴(kuò)張呈現(xiàn)以主城區(qū)為核心向外蔓延趨勢(shì)，且沿主城區(qū)東南、西南方向擴(kuò)張趨勢(shì)明顯。本文研究成果對(duì)武漢市總體發(fā)展規(guī)劃、優(yōu)化土地利用及可持續(xù)發(fā)展建設(shè)具有重要的指導(dǎo)意義，進(jìn)一步可為發(fā)展長(zhǎng)江經(jīng)濟(jì)帶、“長(zhǎng)江主軸”提供決策參考。1引言隨著人口數(shù)量的增加，全球出現(xiàn)了前所未有的城市化現(xiàn)象，在發(fā)展中國(guó)家尤為顯著（Foley等，2005；Foley等，2011；DeMontis等，2017）。其在推動(dòng)人類社會(huì)快速發(fā)展的同時(shí)也不可避免地對(duì)自然環(huán)境及生物多樣性造成了巨大的影響（McDonnell和Pickett，1990；Bolund和Hunhammar，1999；Grimm等，2008;Gibson等，2013）。景觀生態(tài)學(xué)能夠根據(jù)景觀空間和生態(tài)系統(tǒng)的變化為研究城市化進(jìn)程提供新的分析視角（Berling-Wolff和Wu，2004；Lu等，2004；Wu等，2016）。目前，國(guó)內(nèi)外學(xué)者普遍通過(guò)利用城市的多時(shí)相影像或者多城市間景觀格局時(shí)空演變的分析來(lái)探究城市生態(tài)環(huán)境與土地利用/土地覆蓋變化（LUCC）的相關(guān)性（Yang等，2012；Estoque等，2016；雷金睿等，2019；Yang等，2019），但鮮有學(xué)者探究城市各行政區(qū)土地利用以及景觀格局的差異對(duì)城市可持續(xù)發(fā)展造成的影響。充分分析各行政區(qū)所存在的景觀空間優(yōu)勢(shì)與劣勢(shì)，能夠在快速城市化進(jìn)程中為建設(shè)與可持續(xù)發(fā)展并行的景觀生態(tài)環(huán)境穩(wěn)健型城市提供決策參考。隨著衛(wèi)星遙感數(shù)據(jù)可用性的提高，遙感影像以其快速獲取、大尺度、長(zhǎng)時(shí)序、高分辨率的特點(diǎn)成為提取城市土地利用信息的主要數(shù)據(jù)源利用遙感數(shù)據(jù)對(duì)研究區(qū)域景觀類別進(jìn)行分類是探究景觀生態(tài)格局特征與變化的基礎(chǔ)。有學(xué)者以LandsatTM、OLI多光譜數(shù)據(jù)為主要數(shù)據(jù)源，通過(guò)面向?qū)ο蠓指?、最大似然法、面向?qū)ο蟮闹С窒蛄繖C(jī)（O-SVM）等方法實(shí)現(xiàn)土地用地類型分類（Liu等，2010;Yang等，2019;DeMontis等，2017；禹絲思等，2017），但所設(shè)類別種類較少且以大類為主，存在過(guò)分依賴軟件、分類精度不高以及不能實(shí)現(xiàn)各類別同時(shí)分類的問(wèn)題。相較于多光譜數(shù)據(jù)，高光譜影像具有更高的光譜分辨率、更好的波段連續(xù)性，數(shù)百個(gè)波段蘊(yùn)含著詳細(xì)且豐富的光譜特征信息（張良培和張立福，2005；張良培和武辰，2017；Xu等，2018）。然而，現(xiàn)有星載高光譜傳感器仍然較為匱乏，且存在空間分辨率較低、波段不連續(xù)或拍攝數(shù)量較少等問(wèn)題。2018年5月中國(guó)發(fā)射的高分五號(hào)（GF-5）衛(wèi)星為星載高光譜圖像獲取提供了有力保障。武漢市作為《長(zhǎng)江經(jīng)濟(jì)帶發(fā)展規(guī)劃綱要》中“一軸”的重要一員，以長(zhǎng)江黃金水道為依托，發(fā)揮著帶動(dòng)長(zhǎng)江經(jīng)濟(jì)帶發(fā)展的核心作用。在政策的推動(dòng)下，武漢市正經(jīng)歷著快速城市化進(jìn)程，不可避免的會(huì)面臨環(huán)境污染、土地資源緊缺、就業(yè)壓力嚴(yán)峻等社會(huì)經(jīng)濟(jì)問(wèn)題，因此，研究武漢市城市土地使用情況能夠?yàn)槲錆h市生態(tài)文明建設(shè)、經(jīng)濟(jì)發(fā)展提供更好的幫助。如何對(duì)武漢市中心城區(qū)優(yōu)化土地利用格局，以滿足居住、工業(yè)、經(jīng)濟(jì)發(fā)展以及城市綠化等用地需求，成為武漢市亟待解決的關(guān)鍵問(wèn)題之一。通過(guò)研究城市景觀空間布局與用地類型分布特征能夠?yàn)楹侠硪?guī)劃武漢市未來(lái)城市化發(fā)展方向、大規(guī)模城市景觀生態(tài)空間格局部署以及實(shí)現(xiàn)綠色經(jīng)濟(jì)、可持續(xù)發(fā)展的城市建設(shè)提供強(qiáng)有力的依據(jù)。本文使用GF-5高光譜影像為實(shí)驗(yàn)數(shù)據(jù)，以武漢市長(zhǎng)江以北核心區(qū)域?yàn)槔?，提出了一種基于深度學(xué)習(xí)的空一譜結(jié)合（SSUN）分類方法的改進(jìn)算法SSUN-CRF算法，從而獲得準(zhǔn)確、置信度高的用地類型分類結(jié)果。以此為依據(jù)，利用景觀格局指標(biāo)以及移動(dòng)窗口法對(duì)武漢市江北核心區(qū)域7個(gè)行政區(qū)土地利用情況進(jìn)行景觀格局分析，從而定量探究武漢市在城市化進(jìn)程中城市景觀格局的空間特征以及各行政區(qū)的發(fā)展特點(diǎn)，以期為城市總體發(fā)展規(guī)劃和優(yōu)化土地利用、管理和決策提供參考，同時(shí)也可為進(jìn)一步研究城市形態(tài)的動(dòng)態(tài)變化、城市化的生態(tài)過(guò)程和生態(tài)后果以及進(jìn)行定量模擬等研究打下基礎(chǔ)。2研究方法本研究根據(jù)實(shí)驗(yàn)步驟所制定的技術(shù)流程，如圖1所示。首先，對(duì)實(shí)驗(yàn)樣區(qū)的高光譜影像進(jìn)行數(shù)據(jù)預(yù)處理；然后，通過(guò)一種基于深度學(xué)習(xí)的空一譜結(jié)合的高光譜遙感影像分類方法進(jìn)行用地類型識(shí)別；接著，使用全連接條件隨機(jī)場(chǎng)方法進(jìn)行分類后處理，進(jìn)一步提高分類精度；最后，根據(jù)城市用地類型信息計(jì)算景觀格局指數(shù)，分析武漢市江北核心城區(qū)各行政區(qū)空間特點(diǎn)以及城市化進(jìn)程中景觀布局與發(fā)展模式。I高光譜數(shù)據(jù)|

|數(shù)據(jù)預(yù)處理|〔40%訓(xùn)|練集卜―|樣本選取|"60%訓(xùn)練集|基于深度學(xué)習(xí)的空一譜結(jié)合高光譜遙感影像分類（SSUN）基于全連接條件隨機(jī)場(chǎng)（FC-CRF）的分類后處理

|精度評(píng)價(jià)]

丁

r 1景觀格局指數(shù)誨] |斑塊塊水襯 |景#￥]|plAjd||*||二||paf二c||co*ag||S：D]||S，E[IIJI[城市擴(kuò)張模式分訕圖1城市景觀分析技術(shù)流程Fig.1Flowchartofurbanlandscapeanalysis2.1數(shù)據(jù)預(yù)處理由于所獲取的GF-5遙感影像的可見(jiàn)光波段和紅外波段數(shù)據(jù)是分別存儲(chǔ)的，因此需要先通過(guò)ENVI5.1軟件進(jìn)行波段合成，并將GF-5遙感數(shù)據(jù)與城市用地分類數(shù)據(jù)統(tǒng)一至通用橫軸墨卡托UTM投影和WGS-1984坐標(biāo)系，再根據(jù)所選研究區(qū)域?qū)ξ錆h市用地類型數(shù)據(jù)以及遙感數(shù)據(jù)進(jìn)行剪裁。樣本的選取上，隨機(jī)選擇研究區(qū)域內(nèi)60%像素作為訓(xùn)練樣本，剩余40%作為測(cè)試樣本進(jìn)行實(shí)驗(yàn)。2.2基于深度學(xué)習(xí)的空一譜結(jié)合高光譜遙感影像分類高光譜遙感影像分類過(guò)程中，提取光譜特征和空間特征是非常重要的過(guò)程，但很多方法往往是分別提取，而且特征提取和分類器是分開(kāi)的（Serpico和Bruzzone，2001；Bruce等，2002）o由

于光譜特征、空間特征以及分類訓(xùn)練過(guò)程各自有對(duì)應(yīng)的目標(biāo)函數(shù)，分開(kāi)訓(xùn)練會(huì)使網(wǎng)絡(luò)復(fù)雜度增加并且十分耗時(shí)。因此本實(shí)驗(yàn)采取基于深度學(xué)習(xí)的空一譜結(jié)合高光譜遙感影像分類算法SSUN(Spectral-SpatialUnifiedNetworks)，通過(guò)端到端的結(jié)構(gòu)進(jìn)行光譜特征與空間特征的同時(shí)提取，實(shí)現(xiàn)高光譜影像分類。網(wǎng)絡(luò)框架如圖2所示(Xu等，2018)，該網(wǎng)絡(luò)使用一個(gè)基于波段分組的LSTM網(wǎng)絡(luò)和一個(gè)多尺度卷積神經(jīng)網(wǎng)絡(luò)MSCNN(MultiscaleConvolutionalNeuralNetwork)分別作為光譜特征和空間特征提取器。并將LSTM和MSCNN最后一層全連接層FC(FullyConnectedlayers)連接起來(lái)以實(shí)現(xiàn)同時(shí)考慮光譜與空間特征的分類訓(xùn)練器(Xu等，2018)。波段分組圖2空一譜結(jié)合高光譜分類神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型Fig.2ArchitectureoftheproposedSSUNPoolingIConvolution)=[)=[z1,z1+T，(2)=[z2,z2+”??,z1+T(m-1)].，z2+T(m-1)]Mi)=[Zi,Zi+T,…,zi+T(m-1)](1)2.2.1基于波段組合的LSTM算法該網(wǎng)絡(luò)上半部分是通過(guò)一個(gè)基于波段分組的LSTM網(wǎng)絡(luò)進(jìn)行光譜特征提取。長(zhǎng)短期記憶LSTM(LongShort-TermMemory)是針對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)RNN(RecurrentNeuralNetwork)中存在的長(zhǎng)序列訓(xùn)練過(guò)程中反向傳播階段易造成梯度消失或爆炸的問(wèn)題而提出的一種算法，能夠允許不同時(shí)間步長(zhǎng)的神經(jīng)元周期性連接，廣泛用于序列分類問(wèn)題之中(Hochreiter和Schmidhuber，1997)o本文的光譜特征提取即可看作一種序列分類問(wèn)題。LSTM算法不僅可以顧及光譜的整體性，而且可以關(guān)注到相鄰波段組合的上下文信息，但高光譜一般有數(shù)百個(gè)波段，如果將每一個(gè)波段視為一個(gè)時(shí)間步長(zhǎng)，會(huì)造成LSTM網(wǎng)絡(luò)過(guò)深，不利于訓(xùn)練。因此本實(shí)驗(yàn)選用一種關(guān)注全局特征的波段組合策略，對(duì)高光譜數(shù)據(jù)各像素進(jìn)行光譜向量的波段重新分組。波段分組策略如式(1)所示。令n為波段數(shù),丁為L(zhǎng)STM的時(shí)間步長(zhǎng)數(shù)，每個(gè)時(shí)間步長(zhǎng)的序列長(zhǎng)度定義為m=floor()，其中fl°or(x)表示x向下取整。令z=[z1，z2,…,z，…,z」為高光譜數(shù)據(jù)的每一個(gè)像素的光譜向量，zi為第i波段的反射率。利用如下分組策略使得每組可以覆蓋盡可能多的光譜范圍。高光譜波段分組策略如圖3所示，具有相同顏色標(biāo)記的波段將會(huì)被歸為一個(gè)波段組內(nèi)，即為同一時(shí)間步長(zhǎng)。將重新分組后的各像素光譜向量輸入LSTM網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。/)=[z,z2”…,Zm]在LSTM算法中具有4個(gè)主要元素，包括輸入門、遺忘門、自循環(huán)連接以及輸出門。輸入門決定是否允許輸入信號(hào)更新記憶單元，輸出門控制信號(hào)是否可以在下一個(gè)時(shí)間步長(zhǎng)進(jìn)行輸出，遺忘

門調(diào)節(jié)記憶單元的自我循環(huán)連接，使其記住或忘記以前的狀態(tài)。時(shí)間步長(zhǎng)t下的LSTM前向傳播定義如下：輸入門i1)—a(Wi)+Uh1-1)+bi)(2)遺忘門f(')-a(Wf%(')+Uh1-1)+bf)⑶輸出門o(')—a(Wo%(')+uoh1-1)+bo)(4)細(xì)胞狀態(tài)d()=i(()Og(Wc%(')+Uch('-1)+bc)+f(')Oc(i)(5)LSTM輸出：h⑴=o3)Og(c。)) (6)式(2)一式(6)中，Wi，Wf，Wo,U，Uf，Uo是權(quán)重矩陣，加，b”b°以及bc為偏置項(xiàng)。a(x)=1/(1=exp(-x))為sigmoid函數(shù)，O表示點(diǎn)積。通過(guò)以上基于波段分組的LSTM算法能夠有效提取相鄰光譜間上下文特征，為高光譜數(shù)據(jù)分類提供有力幫助?！鯐r(shí)間步長(zhǎng)1D時(shí)間步長(zhǎng)2■時(shí)間步長(zhǎng)3□時(shí)間步長(zhǎng)4圖3高光譜波段分組策略Fig.3Hyperspectralbandgroupingstrategy2.2.2多尺度卷積神經(jīng)網(wǎng)絡(luò)算法網(wǎng)絡(luò)的下半部分通過(guò)一個(gè)多尺度卷積神經(jīng)網(wǎng)絡(luò)提取空間特征。先對(duì)高光譜影像進(jìn)行主成分分析PCA(PrincipalComponentAnalysis)，并保留前幾個(gè)主成分實(shí)現(xiàn)降維。對(duì)于降維后的高光譜影像,以每個(gè)像素為中心選取大小為wXwXp的窗口作為空間特征。由于各類別尺度不同，隨著卷積網(wǎng)絡(luò)的深入，池化會(huì)造成細(xì)節(jié)丟失，因此在每一個(gè)池化結(jié)束后加一個(gè)具有相同神經(jīng)元個(gè)數(shù)的全連接層，最后再將這些全連接層融合為一個(gè)新的全連接層，以此達(dá)到深淺卷積特征結(jié)合的多尺度分類(LeCun等，1998)o令h=f(Wi必+b)，i=1，2,3表示第i個(gè)全連接層，其中x是第i個(gè)池化層展平后的池化特征,Wi和bi分別是相關(guān)的權(quán)值矩陣和偏置項(xiàng)。網(wǎng)絡(luò)下半3部分第4個(gè)全連接層h4可以計(jì)算為h4=Xhioi=1將光譜特征部分獲得的全連接層和空間特征提取得到的全連接層相連接，再進(jìn)行一次全連接層后，利用一個(gè)Softmax分類函數(shù)，可獲得高光譜影像的分類結(jié)果。為了更好地訓(xùn)練網(wǎng)絡(luò)，分別在LSTM和多尺度卷積網(wǎng)絡(luò)之后增加一個(gè)輔助損失函數(shù)，完整的損失函數(shù)定義為L(zhǎng)—Ljoint+Lspectral+九spatial_-K)log(l-亍iJoint))1L—Ljoint+Lspectral+九spatial_-K)log(l-亍iJoint))1m1m-—klog3ispatial)+(1-yi)log(1-yispatia1))mi-1⑺式中，LJoint是主要損失函數(shù)，Lspectral和Lspatial是兩個(gè)輔041^r=t>4^rdn二joint二spectal['|后二spatial 4左:助損失函數(shù)，y^，yi 以及yi 是第i個(gè)訓(xùn)練樣本所對(duì)應(yīng)的預(yù)測(cè)類別，y是真實(shí)類別標(biāo)簽，m是訓(xùn)練樣本集的個(gè)數(shù)。實(shí)驗(yàn)過(guò)程中，隨機(jī)選取樣區(qū)內(nèi)60%數(shù)據(jù)作為訓(xùn)練集，40%作為驗(yàn)證集。為了優(yōu)化網(wǎng)絡(luò)，實(shí)驗(yàn)采用小批量隨機(jī)梯度下降方式，使用RMSProp優(yōu)化算法，網(wǎng)絡(luò)正則化項(xiàng)為1E-5，學(xué)習(xí)率為0.001，衰減率為0.9o2.3基于全連接條件隨機(jī)場(chǎng)(FC-CRF)的分類后處理由于在景觀分析過(guò)程中需要對(duì)各個(gè)類別斑塊進(jìn)行統(tǒng)計(jì)以便參與景觀指數(shù)運(yùn)算，過(guò)于細(xì)碎的斑塊和模糊不清的邊界會(huì)造成分析結(jié)果的偏差。因此，引入分類后處理過(guò)程可幫助進(jìn)一步提高分類結(jié)果，同時(shí)為景觀分析步驟做鋪墊。全連接條件隨機(jī)場(chǎng)作為條件隨機(jī)場(chǎng)的一種變體，在處理局部信息方面有著獨(dú)特的優(yōu)勢(shì)。相較于條件隨機(jī)場(chǎng)CRF(ConditionalRandomField)，F(xiàn)C-CRF同時(shí)顧及了長(zhǎng)程和短程的低層次信息，所以FC-CRF可以更好地恢復(fù)局部結(jié)構(gòu)(Kr/henbUhl和Koltun，2011)o因此本文采用全連接條件隨機(jī)場(chǎng)FC-CRF(FullyConnectedConditionalRandomField)來(lái)精細(xì)化SSUN的分類結(jié)果。

FC-CRF模型能量函數(shù)如下：E（x）= 0）+2皿（w」） （8）式中，x是為每個(gè)像素分配的標(biāo)簽。E（x）分為一元?jiǎng)莺投獎(jiǎng)輧刹糠帧Ｒ辉獎(jiǎng)輊.（x）=-logP（x），其中P（x,）為像素.通過(guò)卷積神經(jīng)網(wǎng)絡(luò)后的標(biāo)簽預(yù)測(cè)概率，即為SSUN經(jīng)過(guò)Softmax后的概率輸出。在FC-CRF中，無(wú)論像素之間相隔多遠(yuǎn)，每個(gè)像素對(duì)都具有相應(yīng)的二元?jiǎng)?。二元?jiǎng)莸墓奖硎緸镵e（X，Xj）=區(qū)（xi，Xj）￡w”,?k、（fi，fj），區(qū)為懲罰項(xiàng)，m-1如果Xi豐Xj，那么卬（x，Xj）=1，否則為Gokm為高斯核函數(shù)，為權(quán)值，f和f?為像素i和j在特征空間中的特征向量。高斯核函數(shù)考慮雙邊位置和顏色關(guān)系兩方面，km（f，fj）的具體形式如下：km（ ）IS'-引2他-由+k（fif）=5XP（一一3券注廠（S'-叫

"2eXP（-一況一）(9)式中，第1個(gè)核基于兩個(gè)像素的位置（記為p）以及顏色強(qiáng)度（記為I），被稱為外觀核，用于使中心像素周圍具有相似光譜特征的像素更容易被歸為一類；第2個(gè)核只考慮像素位置，被稱為平滑核，用于平滑孤立區(qū)域。超參數(shù)只，山以及r控制著高斯核的尺度（Chen等，2G14）o(9)由于FC-CRF一般連接在全卷積神經(jīng)網(wǎng)絡(luò)之后進(jìn)行后處理工作，而本實(shí)驗(yàn)通過(guò)SSUN卷積神經(jīng)網(wǎng)絡(luò)之后獲得展平的每個(gè)像素點(diǎn)對(duì)應(yīng)各類別概率值,因此需要先將分類網(wǎng)絡(luò)所獲得的概率值重構(gòu)成遙感影像輸入網(wǎng)絡(luò)時(shí)的大小，再進(jìn)行FC-CRF后處理過(guò)程，以達(dá)到精細(xì)化分類網(wǎng)絡(luò)獲取的結(jié)果的目的。實(shí)驗(yàn)過(guò)程中，經(jīng)過(guò)多次嘗試，最終確定式（4）中二元?jiǎng)萜交酥衱2=3，=1；外觀核中w1=80，aa=0.65，=200時(shí)效果最佳。2.4城市景觀格局分析景觀格局分析過(guò)程中，通常選用景觀指數(shù)進(jìn)行量化分析，從斑塊級(jí)別、斑塊類型級(jí)別以及景觀級(jí)別對(duì)類別數(shù)據(jù)進(jìn)行研究。本實(shí)驗(yàn)在斑塊類型水平上選取景觀類型百分比（PLAND）、斑塊密度（PD）、聚合度指數(shù)（AI）3個(gè)指標(biāo)，在景觀水平上選取周長(zhǎng)面積分維度（PAFRAC）、蔓延度指數(shù)（CONTAG）、香農(nóng)多樣性指數(shù)（SHDI）和香農(nóng)均勻度指數(shù)（SHEI）4個(gè)景觀格局指標(biāo)作為分析依據(jù)，從景觀優(yōu)勢(shì)度、破碎度、聚合度、分維度、多樣性等方面進(jìn)行探究。各指數(shù)的公式及詳細(xì)說(shuō)明可參考Fragstats4.2軟件的幫助文件。3研究區(qū)域與數(shù)據(jù)來(lái)源3.1研究區(qū)域概況武漢市是湖北省省會(huì)，位于中國(guó)中部（113°41'E—115°05'E,29°58'N—31°22'N）,地處江漢平原東部、長(zhǎng)江中游，長(zhǎng)江、漢江兩江交匯橫貫其中，使得武漢中心城區(qū)呈3鎮(zhèn)鼎立局勢(shì)。全市下轄13個(gè)行政區(qū)，總面積達(dá)8494km2,是中部6省唯一的超大城市。本文以武漢市長(zhǎng)江以北中心城區(qū)7個(gè)行政區(qū)為研究區(qū)域，包括江漢區(qū)、江岸區(qū)、硚口區(qū)、漢陽(yáng)區(qū)、蔡甸區(qū)、東西湖區(qū)、黃陂區(qū)。3.2實(shí)驗(yàn)數(shù)據(jù)情況實(shí)驗(yàn)數(shù)據(jù)包括武漢市中心城區(qū)的高光譜遙感影像以及武漢市用地類型參考數(shù)據(jù)。其中高光譜遙感數(shù)據(jù)為2018年10月獲取的GF-5高光譜遙感衛(wèi)星影像，其光譜范圍為400—2500nm，空間分辨率30m，譜段數(shù)330個(gè)，影像窗口大小1235x1450像素，實(shí)地覆蓋面積1600km2o由于衛(wèi)星影像上江南區(qū)域被大量云層覆蓋，影響實(shí)驗(yàn)判斷，因此，本次實(shí)驗(yàn)僅選取了武漢市江北核心城區(qū)作為研究樣區(qū)，數(shù)據(jù)包含273790個(gè)像素，實(shí)地覆蓋面積約為580km2，數(shù)據(jù)已經(jīng)過(guò)大氣校正。利用高光譜數(shù)據(jù)合成假彩色影像并通過(guò)ArcGIS10.2軟件制作的實(shí)驗(yàn)區(qū)域地圖如圖4所示。圖4武漢市核心城區(qū)長(zhǎng)江以北實(shí)驗(yàn)區(qū)Fig.4AcasestudyinNorthoftheYangtzeriverofWuhanmetropolitanregion本研究所用武漢市用地類型參考依據(jù)為《中華人民共和國(guó)國(guó)家標(biāo)準(zhǔn)城市用地分類與規(guī)劃建設(shè)用地標(biāo)準(zhǔn)》（GB50137-2011），考慮到武漢市土地利用類型分布的實(shí)際情況，最終劃分了8個(gè)大類，11種用地類型，相應(yīng)的武漢市土地利用類型如表1所示。表1武漢市土地利用類型Table1Typesofland-useinWuhan編號(hào)類別名稱1公共管理與公共服務(wù)用地2商業(yè)服務(wù)設(shè)施用地3水域4農(nóng)林用地5綠地與廣場(chǎng)用地6區(qū)域交通設(shè)施用地7工業(yè)用地8一類居住用地9二類居住用地10三類居住用地11道路與交通設(shè)施用地4實(shí)驗(yàn)結(jié)果與分析4.1分類結(jié)果與精度評(píng)價(jià)為了驗(yàn)證本實(shí)驗(yàn)分類結(jié)果及后處理方法的置信性，本文選取以下5種分類算法進(jìn)行比較，即基于SVM的分類算法、基于LSTM的分類算法、基于多尺度卷積網(wǎng)絡(luò)的空間分類算法（MSCNN）、空一譜結(jié)合分類算法（SSUN）以及利用FC-CRF對(duì)SSUN分類算法進(jìn)行后處理的SSUN-CRF算法。SVM算法使用ENVI5.1軟件進(jìn)行分類，其余各算法均保持迭代次數(shù)、各超參數(shù)以及優(yōu)化策略一致。實(shí)驗(yàn)采用總體精度0A（OverallAccuracy）和Kappa系數(shù)作為評(píng)定指標(biāo)，具體分類結(jié)果如圖5所示，各方法分類精度見(jiàn)表2。表2各分類方法精度評(píng)定表Table2Accuracyassessmenttableforfiveclassificationmethods分類方法OAKappaSVM0.46720.3529LSTM0.69190.6086MSCNN0.87290.8407SSUN0.89040.8629SSUN-CRF0.90480.8807注：黑體為各分類算法中最優(yōu)精度值從表2可以看出，傳統(tǒng)的SVM算法分類精度最低，OA為0.4672，Kappa為0.3529；只利用高光譜數(shù)據(jù)光譜特征進(jìn)行分類的LSTM網(wǎng)絡(luò)分類精度不高，而且丟失了高光譜影像的空間信息，使得分類精度較低，OA為0.6919，Kappa為0.6086；只利用高光譜影像空間信息的MSCNN算法雖然分類精度不低，但卻丟失了大量的光譜信息，產(chǎn)生錯(cuò)分現(xiàn)象，OA為0.8729，Kappa為0.8407，精度略低于SSUN算法；綜合考慮空間和光譜信息的SSUN網(wǎng)絡(luò)可以同時(shí)獲取光譜與空間特征，并獲得較高的分類精度，OA為0.8904，Kappa為0.8629。隨著網(wǎng)絡(luò)深度的加深，局部結(jié)構(gòu)會(huì)有所缺失，從而造成分類邊界粗糙，進(jìn)而導(dǎo)致分類精度下降。因此，對(duì)分類結(jié)果進(jìn)行FC-CRF分類后處理可以有效恢復(fù)局部結(jié)構(gòu)，實(shí)現(xiàn)精確圖形輪廓的恢復(fù)。從SSUN-CRF算法的分類精度可以看出，其分類結(jié)果最佳，OA為0.9048，Kappa系數(shù)為0.8807。為進(jìn)一步驗(yàn)證后處理算法對(duì)克服斑塊細(xì)碎化的有效性，對(duì)SSUN和SSUN-CRF分類結(jié)果的局部區(qū)域進(jìn)行對(duì)比，其結(jié)果如圖6所示。圖6（a）為SSUN算法分類結(jié)果，右側(cè)為SSUN-CRF算法分類結(jié)果。從圖6可以看出，通過(guò)FC-CRF分類后處理可以將語(yǔ)義分割過(guò)程中出現(xiàn)的錯(cuò)分現(xiàn)象有效剔除并對(duì)邊緣進(jìn)行細(xì)化，可在提升各斑塊完整度的同時(shí)進(jìn)一步提高分類精度，進(jìn)而能有效克服細(xì)碎斑塊所造成的景觀分析誤差，有利于城市景觀生態(tài)學(xué)的研究。隨機(jī)選取273790個(gè)測(cè)試樣本，利用混淆矩陣對(duì)SSUN-CRF分類結(jié)果進(jìn)行精度評(píng)定，其結(jié)果如表3所示，其中11個(gè)地物類別編號(hào)見(jiàn)表1。從表3可以看出，除區(qū)域交通和道路兩種類別外，其余各類用戶精度（UA）和制圖精度（PA）均在80%以上，其中水域、農(nóng)田、工業(yè)用地、一類居住用地、二類居住用地識(shí)別精度均超過(guò)90%。區(qū)域交通類別主要以鐵路、公路、港口等區(qū)域交通運(yùn)輸用地為主，道路與交通類別主要是以城市內(nèi)部的道路、高架橋等為主。此二類均以線狀形式為主。由于GF-5數(shù)據(jù)空間分辨率較低，部分鐵路、公路在遙感影像上僅占1—2個(gè)像素寬度，易導(dǎo)致錯(cuò)分。一般情況下，區(qū)域交通類別主要分布于城市周邊，而本研究區(qū)域周邊以水域、農(nóng)田為主，因此存在易與水域、農(nóng)田類別混淆的現(xiàn)象。

道路與交通類別主要分布在城市核心區(qū)域，而城市中心區(qū)域以居住用地為主，因此被主要錯(cuò)分為二類居住用地。但總體而言，對(duì)于面狀類別，此方法表現(xiàn)出很好的識(shí)別效果。((a)真值(a)Groundtruth(b)支持向量機(jī)(b)SVM((d)基于多尺度卷積網(wǎng)絡(luò)的空間分類算法(d)MSCNN(c)基于LSTM的光譜分類算法(c)LSTM((f)SSUN與FC-CRF分類后處理結(jié)合算法(f)SSUN-CRF||水域 匚?農(nóng)林用地■工業(yè)用地 口-類居住用地.道路與交通設(shè)施用地.其他(e)空一譜結(jié)合分類算法(e)SSUNII公共管理與公共服務(wù)用地口商業(yè)服務(wù)設(shè)施用地

口綠地與廣場(chǎng)用地 口區(qū)域交通設(shè)施用地II二類居中用地 ■三類居住用地圖5各方法分類結(jié)果比較Fig.5Theresultscomparisonoftheclassificationwithdifferentmethods

(a)SSUN算法分類結(jié)果 (b)SSUN-CRF算法分類結(jié)果(a)ClassificationresultsinSSUNalgorithm(b)ClassificationresultsinSSUN-CRFalgorithm1 1公共管理與公共服務(wù)用地1 1商業(yè)服務(wù)設(shè)施用地11水域11農(nóng)林用地■綠地與廣場(chǎng)用地11區(qū)域交通設(shè)施用地■工業(yè)用地11一類居住用地1 1二類居中用地.三類居住用地匚1道路與交通設(shè)施用地.其他圖6SSUN和SSUN-CRF算法分類結(jié)果局部區(qū)域?qū)Ρ菷ig.6ThelocalregioncomparisonoftheclassificationbetweenSSUNandSSUN-CRF表3武漢市江北核心城區(qū)用地類型精度評(píng)價(jià)Table3Accuracyassessmentofthegeneratedland-usemap真實(shí)類別 總計(jì)PA/%12345678910111759769328133121200778104428925482.0923838792218131688037837318480780.693411676919168310827518512206933267986496.31444161475726952338843772462764967610395.52預(yù)5371787233519291511137298414684.88測(cè)類69163467532241202291109149115586970.20別76856198485181472691014151927282921892.10820109004107013117112695.0393192532022614591334203453222210803735992.43106839115274119326503827074253857482.51114344435831044347105154731321031794091747053.86總計(jì)8657480479989773264139527630134114340382847213468273790UA/%87.7680.7596.1694.0185.0278.0989.3093.6185.5183.5069.86OA/%90.48注：對(duì)角線位置黑體為各類別正確分類的像素個(gè)數(shù);縱向黑體為各類別制圖精度（PA）；橫向黑體為各類別用戶精度（UA）4.2城市土地利用情況景觀格局分析利用Fragstats4.2軟件導(dǎo)入柵格數(shù)據(jù)對(duì)實(shí)驗(yàn)區(qū)8536個(gè)斑塊（實(shí)地覆蓋范圍580.79km2）進(jìn)行統(tǒng)計(jì)分析。

4.2.1斑塊類型水平分析結(jié)果在類型水平上進(jìn)行分析，分別得到如圖7-圖11所示的分析結(jié)果。圖7表示7個(gè)行政區(qū)各類地物景觀類型百分比（PLAND）。武漢素有“江城”之稱，全市水域面積占四分之一，各行政區(qū)水域景觀類型百分比幾乎全部占據(jù)最大值。江漢、硚口PLAND指數(shù)最大值均為二類居住用地，分別為42.31和33.77,表明江漢、硚口的優(yōu)勢(shì)類別是二類居住用地，遠(yuǎn)高于其他幾種用地類型。江岸區(qū)中，水域類別PLAND值最高，達(dá)到30.91，二類居住用地排名第二，為26.53,表明江岸區(qū)用地類型以水域?yàn)橹?，二類居住用地緊隨其后。原因是江岸區(qū)地處長(zhǎng)江左岸，毗鄰長(zhǎng)江，水域類別占據(jù)優(yōu)勢(shì)?？傮w上看，江漢、江岸、硚口的二類居住用地均占比較大，說(shuō)明此3個(gè)區(qū)域人口聚集度高。3個(gè)區(qū)域農(nóng)田類別優(yōu)勢(shì)度較低，分別為0.08、5.72和3.28,說(shuō)明城市化水平較高。漢陽(yáng)區(qū)水域和農(nóng)田類別優(yōu)勢(shì)明顯，分別為27.93和21.59,說(shuō)明4個(gè)主城區(qū)（江漢、江岸、硚口、漢陽(yáng)）中，漢陽(yáng)與其他3個(gè)區(qū)相比發(fā)展較緩。對(duì)于3個(gè)遠(yuǎn)城區(qū)（蔡甸、黃陂、東西湖），水域、農(nóng)田依然是優(yōu)勢(shì)類別，二類居住用地相較于主城區(qū)普遍減少，這與武漢市各行政區(qū)發(fā)展先后順序密切相關(guān)。硚口區(qū)綠地與公園在各主城區(qū)中最少，僅0.68,表明硚口區(qū)綠化工程有待加強(qiáng)；遠(yuǎn)城區(qū)綠地和公園PLAND指數(shù)均較低但農(nóng)林用地指數(shù)高，說(shuō)明遠(yuǎn)城區(qū)雖然植被覆蓋面積大，但多是農(nóng)田為主，城市綠化并不完善。

圖8表示7個(gè)行政區(qū)3種類別居住用地PLAND指數(shù)，二類居住用地在各行政區(qū)優(yōu)勢(shì)度明顯高于一類和三類，說(shuō)明武漢市人均居住水平較高。漢陽(yáng)的三類居住用地PLAND指數(shù)6.61,優(yōu)勢(shì)度明顯高于其他行政區(qū)，表明漢陽(yáng)的“城中村”現(xiàn)象更為嚴(yán)重。圖87個(gè)行政區(qū)3種居住類別PLAND指數(shù)Fig.8PLANDofthreeresidentialsinsevendistricts圖9為7個(gè)行政區(qū)的斑塊密度（PD）,可以看出，從左到右各行政區(qū)中道路與交通一類均最大,分別為14.83、7.40、9.50、6.22、3.28、4.94和1.83。這是由于此類以線狀結(jié)構(gòu)為主，其余類別均以面狀結(jié)構(gòu)為主，因此破碎化程度最大。除道路之外，各行政區(qū)斑塊密度的數(shù)值均較低，表示在每一個(gè)行政區(qū)內(nèi)各類別較為集中且成片分布。整體上看，主城區(qū)各類別斑塊密度高于遠(yuǎn)城區(qū)，表示中心城區(qū)斑塊破碎程度更高，各類別離散分布，人類活動(dòng)干擾大，城市化水平高?！龉I(yè)用地■一類居住用地□二類居中用地■三類居住用地■道路與交通設(shè)施用地=公共管理與公共服務(wù)用地□商業(yè)服務(wù)設(shè)施用地m水域□農(nóng)田a綠地與廣場(chǎng)用地口區(qū)域交通設(shè)施用地1510□□公共管理與公共服務(wù)用地□□商業(yè)服務(wù)設(shè)施用地匚二I水域匚■農(nóng)田匚■綠地與廣場(chǎng)用地匚工區(qū)域交通設(shè)施用地■工業(yè)用地匚■一類居住用地□□二類居中用地匚■三類居住用地■道路與交通設(shè)施用地u 加』°江漢江岸石喬口漢陽(yáng)蔡甸東西湖黃陂V 城區(qū) AV 城區(qū) >圖97個(gè)行政區(qū)斑塊密度Fig.9PDofsevendistricts圖77個(gè)行政區(qū)景觀類型百分比Fig.7PLANDofsevendistricts

圖10表示7個(gè)行政區(qū)的聚合度，可以看出各行政區(qū)面狀土地類別聚合度均較高。結(jié)合景觀類型百分比、斑塊密度以及聚合度可以看出，除道路與交通一類外，江漢區(qū)的商業(yè)用地斑塊密度最高，為6.54，說(shuō)明江漢區(qū)商業(yè)用地破碎化程度較高，空間異質(zhì)性大。與其他行政區(qū)相比，江漢區(qū)商業(yè)用地聚合度較低，為72.29,說(shuō)明江漢區(qū)商業(yè)用地較多且分布均勻，這與江漢區(qū)作為武漢市重要的商貿(mào)金融區(qū)密切相關(guān)。遠(yuǎn)城區(qū)商業(yè)用地景觀類型百分比、斑塊密度較低，聚合度較高，說(shuō)明遠(yuǎn)城區(qū)商業(yè)用地較少且較為集中。4.2.2景觀層次水平上的景觀格局分析在景觀水平上進(jìn)行分析，可得到如下表4以及圖11至圖12所示的分析結(jié)果。表4所示為武漢市景觀層次水平上各行政區(qū)的四種指標(biāo)。各行政區(qū)周長(zhǎng)面積分維度指數(shù)偏低，表明各區(qū)幾何形狀復(fù)雜度不高。圖11(a)顯示江漢、江岸、硚口、漢陽(yáng)以及蔡甸的周長(zhǎng)面積分維度基本持平，東西湖和黃陂的數(shù)值略低。表明東西湖和黃陂的斑塊幾何形狀復(fù)雜性略低，人類活動(dòng)干擾相對(duì)較小，城市化水平略低。1301201101009080706050liilli江漢江岸石喬口漢陽(yáng)蔡甸東西湖黃陂

V 主城區(qū) >V 遠(yuǎn)城區(qū) >a公共管理與公共服務(wù)用地■工業(yè)用地□商業(yè)服務(wù)設(shè)施用地 ■ 一類居住用地□水域 □二類居中用地口農(nóng)田 .三類居住用地口綠地與廣場(chǎng)用地 ■ 道路與交通設(shè)施用地■區(qū)域交通設(shè)施用地圖107個(gè)行政區(qū)聚合度(a)周長(zhǎng)面積分維度指數(shù)(a)PAFRAC44Fig.10AIofsevendistricts江漢江岸石喬口漢陽(yáng)蔡甸< 主城區(qū) >V—(b)蔓延度指數(shù)(b)CONTAG(c)香農(nóng)多樣性指數(shù)(c)SHDI(d)香農(nóng)均勻度指數(shù)(d)SHEI圖11各行政區(qū)景觀水平景觀格局指數(shù)Fig.11Landscapelevelindexofeachdistrict表4各行政區(qū)景觀尺度上的指標(biāo)數(shù)據(jù)Table4Landscapeindexinlandscapelevelofeachdistrict周長(zhǎng)面積分維度(PAFRAC)蔓延度(CONTAG)香農(nóng)多樣性指數(shù)(SHDI)香農(nóng)均勻度指數(shù)(SHEI)江漢1.342747.17441.84010.7674江岸1.340347.96561.96260.8185主城區(qū)硚口1.344445.17101.94240.8436漢陽(yáng)1.343648.38551.95100.8136蔡甸1.340159.78611.59310.6644遠(yuǎn)城區(qū) 東西湖1.308258.03531.62570.6780黃陂1.315761.08421.54490.6443注：黑體數(shù)值表示各景觀尺度上的指標(biāo)數(shù)據(jù)所對(duì)應(yīng)的最大值。(a)(a)斑塊密度(a)PD(b)香農(nóng)多樣性指數(shù)(b)SHDI圖12武漢市江北核心城區(qū)景觀指數(shù)空間分布圖Fig.12DistributionmapoflandscapetypeinnorthoftheYangtzeriverofWuhancorearea各行政區(qū)蔓延度指數(shù)如圖11(b)所示，主城區(qū)蔓延度明顯低于遠(yuǎn)城區(qū)，說(shuō)明主城區(qū)各類別斑塊連通性較差，破碎化程度高，城市化水平較高。遠(yuǎn)城區(qū)蔓延度較高，破碎化程度較低，這與主城區(qū)、遠(yuǎn)城區(qū)發(fā)展先后順序以及遠(yuǎn)城區(qū)農(nóng)業(yè)、水域占比大有關(guān)。各行政區(qū)香農(nóng)多樣性指數(shù)(SHDI)和香農(nóng)均勻度指數(shù)(SHEI)如圖11(c)(d)所示，香農(nóng)多樣性指數(shù)反映了地物類型的多樣性指標(biāo)，當(dāng)各類地物類型比例均勻時(shí)，即空間異質(zhì)性大時(shí)，SHDI指數(shù)更高。SHEI反映地物類別在數(shù)目和面積方面的均勻程度。對(duì)兩個(gè)指數(shù)分析，主城區(qū)SHDI、SHEI指數(shù)明顯高于遠(yuǎn)城區(qū)，表明主城區(qū)各類別比例更加均衡，遠(yuǎn)城區(qū)各類別均衡性較低。遠(yuǎn)城區(qū)水域、農(nóng)田比例較大，存在個(gè)別景觀類型主導(dǎo)整個(gè)區(qū)域景觀格局的現(xiàn)象，導(dǎo)致各類地物分布不均，城市建設(shè)不如主城區(qū)完善?？傮w來(lái)看，武漢市長(zhǎng)江以北各行政區(qū)分布較為均衡。4.2.3基于移動(dòng)窗口的景觀格局分析使用移動(dòng)窗口法可以直觀的從空間分布上分析城市景觀布局特點(diǎn)，能夠全局、深刻地剖析城市化進(jìn)程中對(duì)景觀生態(tài)環(huán)境造成的影響。本文中，利用Fragstats4.2軟件移動(dòng)窗口方法經(jīng)過(guò)反