，植被分布也更加集中，聚合度较高。

表年北京城市副中心绿地景观指数计算结果景观水平栅格尺度绿地景观格局基于移动窗口法获得的各植被类型分布如图所示。

总体而言，研究区内针叶积有关，说明了由不同类型植被构成的公园绿地的环境效益有差异等研究也表明多种植被混合的绿地如针阔混交林相比于单类型的绿地，能更好地缓解热岛效应，表明绿地的物种选择及其空间配臵影响绿地环境效益的发挥此外，不同类型的植被构成了不同的维绿地景观。

因此，基于植被类型的城市绿地景观格局度量具有更好的景观生态学意义。

遥感技术是城市绿地时空格局度量的主要手段，由于城市植被斑块过小植物种类丰富等因素导致城市植被的高度异质性，限制了低分辨率遥感数据的应用。

因此人们多用等中分辨率数据和等高分辨率商业卫星数据来研究城市绿地。

但结果表明针对数据，使用多尺度分割后影像对象的光谱纹理特征可以有效地提取植被信息不同时相的影像能反映各类型植被的物候特征，相比于单时相数据，其分类精度更高，达到了各功能区绿地景观格局特征差异较大，城市绿心拥有最丰富的植被且分布集中，商业区植被覆盖度和多样性均较低，绿地景观破碎北京城市副中心景观多样性及各类型植被分布特征的空间差异显著，当前副中心绿地景观格局已形成规划的基本轮廓，但城市绿心和老城区公共绿地的建设仍有不足。

研究探明了北京城市副中心绿地建设现状，证明了国产卫星在城市生态环境监测中具有较高的应用价值，有助于推动在城市生态环境领域的应用，并在城市绿地分类及景观格局度量中的运用测绘学论文和高值分布区基本致，但在研究区的西南角，和的值不匹配，对比植被分类图可知，该区域的绿地基本为草地，其他类型植被较少，因而尽管植被覆盖度高，但绿地景观多样性般。

研究区绿地景观分布不均，西部低，东部高，对比和分布图和北京城市副中心控制性详细规划街区层面年中的绿色空间系统规划示意图可以发现，和分布图中部存在条高值廊道，与规划图中城市级绿色空间创新发展轴重合东部的和值较高，高值区域与交通绿廊及东南部河道绿廊基本重合而在城市绿心的东部，和值较低，说明该区域的绿地建设还未达到规划要求在西数都在左右，结合类型水平的分维数分析，可以认为斑块形状复杂度在不同类型植被景观中差别较大，而在功能区景观水平上差别不大。

城市绿心景观比例最高而斑块密度最低，说明其绿地破碎度最低多样性和聚合度均为最高，说明植被类型丰富且集中分布，是较为理想的绿地景观特征。

居住区和商业区位于城市中心地带，绝大部分土地为不透水面，植被分布受土地利用和人为因素的限制，因而其斑块破碎，表现为绿地景观比例低，而斑块密度极高，边缘密度较高，多样性和聚合度也都低于研究区整体水平。

办公区为新规划区域，新建的办公楼集中分布，植被分布也更加集中，聚合度较高。

表年北京城市副中心绿地景观指数计算结果景被类型的区分以及缺乏国产卫星数据应用的问题，本文利用不同时相的卫星影像，对北京城市副中心进行了植被分类。

并基于绿地的植被类型组成，使用景观指数法和移动窗口法分别度量功能区尺度和栅格尺度绿地景观格局，得到如下结论本文使用随机森林分类方法，在特征优选的基础上，进行单时相和多时相影像的分类。

分类精度随着特征个数的增加而提升，然而，从多时相影像对象中提取的特征较多，参与分类的特征达到个时，分类精度最高，随后降低，特征优选是保证分类精度和效率的重要步骤。

夏季影像分类精度为，冬季影像分类精度较低为，当双时相影像叠合之后，分类精度提高到，系数为。

多时相影像能反映在选取合适的归化植被指数阈值的基础上，加入蓝波段值和归化水体指数，消除城市中红色房顶和河流对植被提取的影响。

最终确定提取植被的条件为，蓝波段值，。

随机森林算法能实现对复杂相互作用分类特征的分析，其变量重要性度量可作为高维数据的特征选择工具，因而适用于基于高维数据集的分类。

已有许多研究证明了随机森林算法相对于其他分类方法的优越性。

因此本研究使用随机森林算法进行影像对象特征优选及分类。

图各类型植被在夏冬两季特征对比景观指数法基于李秀珍等对景观指数的系统研究，在类型水平和景观水平共选取了个景观指数度量研究区及典型功能区的绿地景观格局。

类型水平的景观指都高，这是由于针叶树在冬季的活性最高，光谱特征与其他类型植被差异很大，这也证明了冬季影像光谱特征的引入有利于区分针叶树和阔叶树。

数据源及其预处理本研究获取了覆盖研究区的年月日和年月日的景高分号影像。

影像全色分辨率，多光谱分辨率。

从中国资源卫星应用中心下载年定标参数，进行景影像的辐射定标，并在中对景影像分别进行大气校正正射校正融合和相对配准。

图研究区位臵及遥感影像实地记录植被类型，并参考影像和高分号融合后的多光谱影像，根据不同类型植被在夏冬个时相的影像上表现出的光谱纹理差异图，制作了研究区植被分类的训练样本和检验样本，差异确定，形状异质性又由光滑度和紧凑度来衡量。

本文参考任芯雨针对北京城市森林分类的研究，设臵光谱形状异质性权重为，紧凑度光滑度权重，波段权重均为。

对夏季影像进行第次尺度较大的分割，根据阈值条件，区分植被和非植被在植被层上，对种影像夏季冬季夏冬叠合的多时相进行分割，其他参数不变，仅将分割尺度改为，在此分割结果下进步分类。

在城市绿地分类及景观格局度量中的运用测绘学论文。

表使用不同特征个数的总体分类精度夏季和冬季影像的分类精度随特征数量增加而提升，最高的分类精度分别为和。

而对于多时相影像，分类精度随特征数量增加而提升，特征个数达到个时，分类精度最高为，之度分维数和聚合度景观水平包括斑块密度边缘密度分维数聚合度和香农多样性。

移动窗口法基于移动窗口法图，利用城市绿度指数和香农多样性指数个指标对绿地景观特征进行度量和分析。

移动窗口边长为，移动步长为，计算窗口内的植被覆盖度和香农多样性指数，作为窗口中心像元的值，并以所有窗口中心的值代表其周围区域的绿地分布水平。

数据源及其预处理本研究获取了覆盖研究区的年月日和年月日的景高分号影像。

影像全色分辨率，多光谱分辨率。

从中国资源多时相影像对象中提取的特征较多，参与分类的特征达到个时，分类精度最高，随后降低，特征优选是保证分类精度和效率的重要步骤。

夏季影像分类精度为，冬季影像分类精度较低为，当双时相影像叠合之后，分类精度提高到，系数为。

多时相影像能反映各类型植被的物候特征，使得分类精度得以提升。

图年北京城市副中心各植被类型分布图研究区和分布功能区尺度的绿地景观格局分析发现各功能区中，灌木均为优势景观类型，但其破碎程度最高针叶树最少，斑块形状最复杂阔叶树草地和农田表现为集中连片规则分布。

在选取合适的归化植被指数阈值的基础上，加入蓝波段值和归化水体指数，消除在城市绿地分类及景观格局度量中的运用测绘学论文得训练样本个，检验样本个。

研究方法本文研究的总体技术路线如图所示。

面向对象分类影像分割是面向对象分类的基础，本研究采用的多尺度分割是种自下而上的分割，每次合并都保证新生成的对象局部异质性最小，且小于给定的阈值，即分割尺度。

其异质性由对象光谱差异和形状差异确定，形状异质性又由光滑度和紧凑度来衡量。

本文参考任芯雨针对北京城市森林分类的研究，设臵光谱形状异质性权重为，紧凑度光滑度权重，波段权重均为。

对夏季影像进行第次尺度较大的分割，根据阈值条件，区分植被和非植被在植被层上，对种影像夏季冬季夏冬叠合的多时相进行分割，其他参数不变，仅将分割尺度改为，在此分割结果下进步分影像，得到新的分割结果，并且在选取夏季重要特征的基础上，加入冬季影像的重要特征，可以大大提升分类精度，达到，系数。

对比夏季冬季和多时相的城市植被分类图图和各类型制图精度用户精度表可知夏季影像中，针叶树和阔叶树混分较为严重，农田虽然纹理特征突出，但由于其种植的农作物种类丰富，光谱特征易与其他类型植被混淆，分类精度较低。

相比于夏季，多时相影像各个植被类型的制图精度用户精度提升了不等，阔叶树针叶树分类精度的提升尤为明显，草地由于在夏季单时相的分类中已经有较高精度，在多时相分类中精度提升最小。

尽管冬季的总体分类精度低，但是针叶树的制图精度比夏季和多时，该区域的绿地基本为草地，其他类型植被较少，因而尽管植被覆盖度高，但绿地景观多样性般。

研究区绿地景观分布不均，西部低，东部高，对比和分布图和北京城市副中心控制性详细规划街区层面年中的绿色空间系统规划示意图可以发现，和分布图中部存在条高值廊道，与规划图中城市级绿色空间创新发展轴重合东部的和值较高，高值区域与交通绿廊及东南部河道绿廊基本重合而在城市绿心的东部，和值较低，说明该区域的绿地建设还未达到规划要求在西部的老城区和居民区，和值反映出城市公园的建设还未达到规划要求。

进步的建设优化应提升大分类精度反而略有降低。

并且，随着特征个数增加，分类所需时间成倍增加，因此特征优选是保证分类精度和效率的重要技术手段。

结合前面组特征重要性排序，可以发现夏季和多时相最重要的前个特征相同，但分类精度不同，多时相比夏季的分类精度高，这是由于多时相影像在分割时，考虑了冬季影像的个光谱值，能将不同的植被类型更好地分割开。

此外，采用个特征的多时相分类结果比仅采用个特征的结果，精度提升了，可以认为新增的冬季红波段贡献率和冬季绿波段均值发挥了重要作用。

夏季单时相影像的分类精度为，系数，分类效果般冬季单时相影像分类精度，系数，分类效果较差但是综合夏季和冬季星应用中心下载年定标参数，进行景影像的辐射定标，并在中对景影像分别进行大气校正正射校正融合和相对配准。

图研究区位臵及遥