《Urban Forestry & Urban Greening》：A Hybrid Deep Learning and NDVI Threshold Approach for High-Resolution Urban Greenspace Classification
编辑推荐：
准确的城市绿地分类对环境监测和城市规划至关重要。本研究提出一种融合深度学习与传统NDVI阈值方法的混合模型，通过122张训练样本实现高精度分类（总体精度88.02%，Kappa系数72.74），显著优于随机森林等其他方法。该模型有效处理了非绿色植被（黄、紫、红叶片）的识别难题，且无需监督学习，提供了开源Python工具包和0.6米分辨率分类地图。
王华青|赵星晨|戈拉米·西敏|麦金蒂·克里斯托弗|张伯伦·布伦特|齐晓军
犹他州立大学景观建筑与环境规划系，洛根，UT，84322
摘要
准确的城市绿地测绘对于有效的环境监测和城市规划至关重要。传统的植被分类方法，如归一化差异植被指数（NDVI）阈值，因其准确性而被广泛使用。然而，这些方法通常依赖于主观的阈值选择，这可能既费时又容易受到研究者偏见的影响。深度学习技术提供了一种有前景的替代方案，能够实现自动化的高分辨率图像分类，从而捕捉更复杂的植被模式。尽管如此，深度学习模型通常需要大量的训练数据集才能达到最佳精度，并且在分类偏离典型绿色色调的植被（如黄色、紫色或红色叶子的植被）时可能会遇到困难。在这项研究中，我们提出了一种新的混合方法，将深度学习与传统的NDVI阈值方法相结合，以提高来自美国国家农业影像计划（NAIP）的高分辨率卫星图像的分类精度。通过使用仅122张训练图像的小型数据集，我们开发了一个基于深度学习的NDVI阈值模型，并将其应用于对美国犹他州2021年的NAIP图像进行分类。我们的结果表明，这种混合方法优于单独的深度学习模型和传统的NDVI阈值方法，能够在使用显著更少的训练数据且无需监督的情况下，实现对包括非绿色色调植被在内的绿地的高精度分类。在我们的准确性评估中，VegClassify的总体准确率为88.02%，Kappa系数为72.74，显著优于广泛使用的随机森林分类器（准确率为82.21%，Kappa系数为59.44）。该模型的Python包“VegClassify”可在GitHub上获取，而犹他州的0.6米分辨率绿地覆盖图则通过Zenodo仓库提供，两者均可供公众访问。
引言
近年来，人们越来越认识到城市绿地在缓解环境和气候挑战方面所起的关键作用，它提供了多种生态、社会、美学和健康效益（陈思等，2025；Dadvand等，2016；Dinnie等，2013；李晓等，2012；王浩，2021；王浩、黄等，2024；王浩、塔西纳里，2023；徐、王，2025）。绿地通常指城市内的植被区域，包括为娱乐目的而设计的公园、花园、高尔夫球场等，以及街道旁的树木和小型绿化地块，它们有助于调节气候、提升公众福祉并增强城市韧性（Newman等，2019；王浩、塔西纳里，2024；王勇等，2015）。然而，有效地研究、管理和规划绿地需要准确的高分辨率数据来捕捉细微的变化（李伟等，2015；Mitchell等，2018；王浩、戈拉米等，2024）。
章节片段
文献综述
在过去二十年里，基于遥感的卫星图像分类已成为绿地数据的主要来源（Shahtahmassebi等，2021）。研究应用了多种特定的分类技术，包括监督分类（谢等，2008）、基于对象的图像分类（Sicard等，2023）、使用土地覆盖指数的方法（王浩、塔西纳里，2024）以及分数方法（高等，2020）。
资助
本工作得到了犹他州农业实验站的支持，项目编号为UTA017423。
CRediT作者贡献声明
西敏·戈拉米：数据整理。克里斯托弗·麦金蒂：方法论。张伯伦·布伦特：资源支持。齐晓军：撰写——审稿与编辑、监督、方法论、资金获取、概念构建。王华青：撰写——审稿与编辑、初稿撰写、可视化、验证、监督、项目管理、调查、资金获取、数据整理、概念构建。赵星晨：软件开发、方法论、调查、正式分析。
利益冲突声明
作者声明他们没有已知的可能影响本文工作的财务利益或个人关系。
