基于GIS与机器学习的城市绿地面积演变特征分析

祝明凯

（缘石科技（上海）有限公司，上海 200000）

［摘 要］ 为了科学合理地分析城市绿地面积的演变特征，完善城市规划效果，进一步提升城市生态环境质量，提出基于地理信息系统（GIS）与机器学习的城市绿地面积演变特征分析方法。利用GIS技术，构建包含公园绿地、生产绿地、防护绿地、附属绿地以及其他绿地的城市绿地数据库。依据数据库中的数据提取绿地的量变特征和植被特征，构建特征集，将其输入至双层组合神经网络模型中，对绿地利用进行分类，依据分类结果，计算各个类别斑块数量，分析城市绿地面积演变特征。实验结果表明：该方法能够计算城市绿地量变特征；可获取城市绿地利用类别，以此获取各个类别斑块数量，依据各个斑块的分类结果计算斑块面积；绿地面积演变后结构的信息熵结果由1.85下降至1.54、均衡度均在0.8以上，该城市的绿地面积处于良性变化状态，符合实际情况，满足城市绿地面积演变特征分析需求。

［关键词］ 地理信息系统（GIS）；机器学习；城市绿地面积；演变特征；量变特征；植被特征

0 引言

城市绿地作为城市生态系统中的重要组成部分，不仅具有显著的生态功能，如调节气候、净化空气、提供生物栖息地等，同时也是反映居民生活环境质量的重要指标，直接影响到城市居民的生活质量、心理健康及城市的可持续发展［1］。城市绿地面积及其空间分布格局的演变是城市规划与环境保护领域中的重要依据［2］。因此，科学合理地分析城市绿地面积的演变特征，对于优化城市绿地布局、提升城市生态环境质量具有重要意义。

但是部分城市或地区的绿地面积数据可能存在缺失或不完整的情况，影响分析的准确性和全面性［3］。因此，诸多相关领域的学者对此展开研究，例如，邓晓辉等［4］可以完成环境的动态变化分析，但是在面对土地变化驱动因素时，无法准确判别多类型斑块演化规律，无法全面反映多情景下的土地需求与生态保护的复杂性，会降低分析结果的全面性和可靠性。袁燕萍等［5］利用多源遥感数据对土地时空变化特征进行分析，形成综合数据集，依据该数据通过计算研究区域的重心位置及其迁移轨迹，分析其时空变化特征，揭示土地空间分布格局的变化特征。在构建综合遥感干旱监测模型时，虽然考虑了大气-植被-土壤作用及其内部互馈机制，但受到一定主观性和经验性的影响，降低了干旱时空变化特征分析的准确性。黄秋霞等［6］为分析资源时空的变化情况，以具备长时间序列的遥感影像数据为基础，基于时间序列方法提取数据中的林地的空间分布结果后，通过随机森林对遥感影像进行分类，区分出各个类型的植被覆盖情况。但是各类植被覆盖在光谱特征上会存在重叠现象，进而增加分类的难度和不确定性，不足以完全捕捉各类植被的细微变化。文献［7］为分析城市绿地的空间变化情况，获取归一化植被指数，并绘制土地利用/土地覆盖图，结合影响绿地变化相关因素，分析绿地的变化特征。但是，归一化植被指数和土地利用/覆盖变化图无法全面反映地面真实情况，特别是细微的生态变化，影响城市绿地变化的细微变化分析的可靠性。

地理信息系统（geographic information system，GIS）作为一种强大的空间信息技术工具，能够高效地处理和分析地理空间数据，为城市绿地规划管理提供保障［8］。机器学习作为人工智能领域的重要分支，具备强大的数据处理和模式识别能力，能够深入挖掘隐藏在大量数据背后的潜在规律和知识，为城市绿地面积演变特征的分析以及绿地使用类别的划分提供更加精准和全面的保障［9］。对此，提出基于GIS 与机器学习的城市绿地面积演变特征分析方法，充分发挥两种技术的优势，利用GIS技术构建城市绿地空间数据库，通过遥感影像解译、空间分析等方法获取城市绿地的面积、位置等基本信息。随后，结合机器学习算法，对城市绿地面积的历史数据进行分析，获取绿地使用类别的变化结果，为城市绿地规划与管理提供科学依据和决策支持。

1 城市绿地面积演变特征分析

1.1 研究区概况

以某城市为例，总面积6 340.5 km2，其绿地总面积已达到1 000 km2，绿化覆盖率近35%，人均绿地面积达到12 m2，处于良性变化状态。

该地区近几年持续推进绿地建设、造林和森林保护工作，绿地资源整体呈现持续增加状态，因此需对城市绿地面积的演变特征进行分析，以此全面掌握绿地的变化情况，为城市后续规划和生态环境建设提供可靠依据。

1.2 基于GIS的城市绿地数据建库

城市绿地主要包含公园绿地（各类公园休闲空间以及水域空间，用类别1表示）、生产绿地（以城市绿化为目的的草坪、树木、花卉等，用类别2表示）、防护绿地（针对城市污染源或者可能发生的灾害建设的林地或者草地等，用类别3 表示）、附属绿地（居住区域建设的草坪、道路绿地，用类别4 表示）以及其他绿地（具备景观价值的风景区，用类别5 表示）等，这些绿地信息主要来自地形图、卫星图片、城市规划图等。数据类别较多，并且数据格式、大小等均存在明显差异。因此，本文为保证城市绿地面积演变特征分析的全面和细微性，精准地判断绿地的微小变化情况，以GIS 为依据，构建城市绿地数据库。城市绿地数据建库是在城市绿地规划的目标下，利用GIS 技术实现地理空间遥感数据和项目属性数据等的关联，达到在一张图上查看各类数据详细信息的目的。

选择GIS技术，进行绿地数据库构建［10］，以此直观呈现城市的绿地分布结构，不仅能够看到绿地分布的客观形态，还能洞察这些形态如何受环境条件的制约，可结合实际勘察数据和分类标准，对区域内的绿地面积分布情况进行绘制，并结合分析目标进行绿地类型划分，为后续城市绿地面积演变特征分析提供可靠依据。构建的城市绿地数据库中主要包含绿地地形数据、土地储备数据、绿地遥感数据等，构建流程如图1所示。

图1 基于GIS的城市绿地数据建库流程

城市绿地数据建库时为保障数据体系构建的完整性，城市绿地数据建库须采用系统性的处理流程，主要包含前期筹备与剖析、数据精细化处理、质量校验、格式处理以及最终的数据集入库等环节。在数据处理环节中，将其细化为空间与属性两大维度，在空间数据处理上，专注于坐标系统的统一转换、数据格式的标准化调整以及空间信息的深度解析与重构。而在属性数据处理方面，则聚焦于数据属性的精准编辑与细致核查，确保每一条信息都准确无误。完成数据处理后，进入质量校验阶段，对处理后的数据进行全面审查，确保其在准确性、完整性及一致性方面均达到预期目标。

1.3 基于机器学习的绿地类别划分面积

1.3.1 绿地演变特征提取

依据数据库中2013—2023 年的绿地相关信息，提取绿地的演变特征，包含量变特征和植被特征，这两种特征能够充分且全面地描述绿地面积的变化情况。其中，量变特征反映了绿地在数量上的变化，如增加或减少的趋势、速度以及变化的幅度等。这些量化数据为描述绿地演变提供了客观、准确的依据，绿地斑块面积的变化则可反映不同区域绿地分布的变化情况，这些空间布局的变化对理解绿地演变的整体趋势和特征具有重要意义［11］。

植被是自然界中成群生长的各种植物的整体，它构成了绿地的主要内容和特征。植被的种类、数量、分布和生长状况直接反映绿地的质量和状态，当绿地生态系统受到外界干扰时，植被特征会发生变化，如物种减少、群落结构简化等。因此，植被特征的变化可作为环境变化的指示器，反映绿地演变的趋势和原因。

1）量变特征计算［12］。文中主要从土地利用动态度、利用结构信息熵以及均衡度三方面计算量变特征，土地利用动态度ξk 能够描述城市内土地利用类型的规模变化情况，其计算公式为

式中，S0 和Sz 分别表示研究起始时间和结束时间的某类型土地的用地数量；T表示研究时段。

土地利用结构信息熵μk能够描述城市用地的有序程度，其值越大，表示绿地面积演变的有序程度越低；反之则有序程度越高。μk的计算公式为

式中，pi表示土地利用类型i面积占城市土地总规模的比例；n表示土地利用类型数量。

土地利用结构均衡度χk 是描述土地利用均质状态，χk 取值在0~1，其值越大，表示城市绿地利用结构之间的均质性越佳；反之则越差。χk 的计算公式为

2）植被特征计算［13-14］。植被特征选择归一化植被指数gV 和增强植被指数gR，两者的计算公式为

式中，HI 表示近红外波段的反射率；HR 和HE 分别表示红光和蓝光的反射率。

依据上述步骤完成量变特征和植被特征计算后，将计算提取的所有特征构建特征集ψΣ =[ξk，μk，χk，gV，gR]，作为后续绿地使用类别分类中，绿地面积演变分析的可靠依据。

1.3.2 基于双层组合神经网络的绿地利用类别分类模型

为保证分类效果，确保分类时能够完成细微绿地利用变化的区分［15］，依据特征ψΣ =[ξk，μk，χk，gV，gR]，采用双层自核神经网络进行绿地利用类别分类。双层自核神经网络是一种特殊的人工神经网络，包含输入层、隐藏层和输出层结构，隐藏层是自适应调整的关键部分，可根据输入数据的复杂度和特征进行动态变化。该网络的核心优势在于能够自动调整神经元的数量、连接权重和网络深度，在处理复杂问题时能够表现出更高的效率和准确度。分类过程如图2所示。

图2 基于双层组合神经网络的绿地利用类别分类模型

该网络是由两种不同类型的深度学习网络并行组合形成，分别为语义分割网络和密集空洞空间金字塔网络。语义分割网络包含全卷积网络、用于生物医学图像分割的卷积网络和用于图像分割的深度学习模型的多种网络模型，核心思想是对图像中的每个像素进行分类，识别像素所属的语义类别。密集空洞空间金字塔网络是一种用于语义分割任务的深度学习网络结构，结合了空洞卷积和空间金字塔池化的技术，引入密集连接的概念，以增强网络对多尺度信息的捕捉能力。将提取的ψΣ输入网络中后，两个网络能够对其进行并行处理，以此生成两种不同的特征图，用Ym和Yc表示；再对获取的两种特征图进行相关性分析以及融合处理，突出两个特征图之间的关联性［16-17］，获取新的特征图；最后通过卷积处理将该特征进行映射处理，形成所需的绿地利用类别，以此完成绿地利用类别分类。

空洞卷积处理时，为保障特征的处理效果［18］，采用空洞率为φ 的空洞卷积进行处理，则卷积核感受野的大小计算公式为

式中，q和qo分别表示卷积核扩张前、后的大小。

在qo 下进行特征的空洞卷积处理，其输出的特征图Yc的计算公式为

式中，ψΣ(j)表示输入的第j 个特征；w(k)表示特征k 的卷积核；d 表示网络对于输入特征的采样步长。

将空洞卷积输出的特征图Yc 经过网络的Sigmoid 激活后，即可获取空间注意力特征图Ya，其计算公式为

式中，f表示Sigmoid 激活函数；κ7×7表示空洞率为7、感受野为7 时的空洞卷积运算；Y 表示池化处理后的特征图。

为确保网络对于细微绿地利用类别变化的分类效果［19］，选择二分类交叉熵损失函数作为网络的损失函数。该损失函数能够衡量计算结果的概率分布与真实标签的概率分布之间的差异，避免了梯度消失或爆炸的问题［20］，并且在计算结果接近0 或1 时，交叉熵损失函数的梯度仍然能保持较大的值，从而确保模型能够持续学习。该损失函数LB的计算公式为

式中，M表示输入特征数量；表示分类概率值。

根据损失函数的前后变化，对比持续演化情况下的绿地的空间特征，如面积、形状、纹理等，得到城市绿地面积演变特征。

2 分析结果

以绿地利用类别1~类别5 为例，依据构建的城市绿地数据库中的数据，计算各个类别的量变特征，计算结果如表1所示。

表1 城市绿地利用动态度量变特征的计算结果 单位：%

对表1 的计算结果进行分析可知：以构建的城市绿地数据库中的数据为例，计算绿地利用类别1~类别5 的土地利用动态度ξk 量变特征后，能够获取5 种绿地利用类别在不同时间下的结果。其中，类别1的土地利用动态度ξk变化最为显著，由2013年的2.60%增长至2023年的5.40%；其次是类别4利用动态度ξk从2013年的1.85%增长至2023 年的3.32%。因此，文中方法能够通过计算土地利用动态度ξk，提取城市绿地的两量变化特征，为后续城市绿地利用类别分类提供依据。

为增强绿地面积演变特征的分析效果，分别以2013 年城市绿地数据和2023 年的城市绿地数据为例，通过文中方法对不同时期的城市绿地利用类别进行分类，基于分类结果分析绿地面积演变的空间分布特征，如图3 所示。为突出该方法对于细微变化的识别能力，对空间分类结果进行局部放大，并随机展示局部细节变化。

图3 绿地面积演变的空间分布结果

对图3 的计算结果进行分析可知：文中方法能够依据不同时段的城市数据，对其当时的城市绿地利用类别进行分类，并获取其对应的城市绿地空间分布情况。

采用文中方法对城市绿地利用类别进行分类，得到类别1~类别5 的斑块数量，并将分类结果进行统计，确定2023年各个绿地利用类别的斑块面积，测试结果如表2所示。

表2 各个绿地利用类别斑块面积

对表2 的计算结果进行分析可知：文中方法能够实现绿地利用类别1~类别5 的分类，准确获取各个类别斑块数量，依据各个斑块的分类结果计算斑块面积，通过对比不同时段下的斑块面积，可分析城市绿地面积的时空演变情况。

为分析该城市绿地面积的演变特征，并评估其演变状态，对不同绿地利用类别面积演变后的结构进行分析，计算结构信息熵和均衡度，结果如表3所示。

表3 绿地面积演变的结构信息熵和均衡度结果

对表3 的计算结果进行分析可知：2013—2023 年城市绿地面积分别发生了不同程度变化，绿地面积演变后的结构信息熵结果由1.85 下降至1.54，表明城市绿地面积在演变过程中，空间结构的有序性逐渐增加。空间结构的均衡度没有发生大幅度下降，均在0.8以上，说明变化幅度较小，处于良性变化状态，符合实际情况。

3 结束语

为系统分析城市绿地面积演变情况，并为后续城市规划和建设提供科学依据，提出基于GIS与机器学习的城市绿地面积演变特征分析方法，对城市绿地利用类别进行分类，进而依据分类结果，逐步分析绿地面积的演变特征，评估其演变状态，最终成为城市的规划和建设提供可参考的依据。

参考文献

［1］ 徐勇，黄海艳，戴强玉，等.西南地区陆地植被生态系统NPP时空演变及驱动力分析［J］.环境科学，2023，44（5）：2704-2714.

［2］ 马扩，郝丽娜，童新，等.科尔沁沙丘-草甸相间地区生态安全格局的时空演变［J］.应用生态学报，2023，34（8）：2215-2225.

［3］ 夏凯，黄义忠.基于MODIS-NDVI 的云南省植被时空变化及驱动因素分析［J］.南方农业学报，2023，54（11）：3427-3437.

［4］ 邓晓辉，王琳，欧彩虹，等.基于PLUS 模型的长株潭都市圈景观生态风险动态分析［J］.地理与地理信息科学，2024，40（1）：47-54.

［5］ 袁燕萍，叶许春，刘婷婷，等.基于多源遥感数据的鄱阳湖流域综合干旱时空变化特征研究［J］.长江流域资源与环境，2024，33（1）：214-227.

［6］ 黄秋霞，蔡文华，王嘉丽，等.基于时间序列的广西桉树人工林识别及时空变化分析［J］.中国科技论文，2024，19（1）：123-130.

［7］ SIDDIQUE G，ROY A，MANDAL M H，et al.An assessment on the changing status of urban green space in Asansol city，West Bengal［J］.GeoJournal，2020，2（87）：1299-1321.

［8］ 王婷婷，殷刚，徐华君，等.基于GIS 分析近50 a 库木塔格沙漠与植被覆盖面积变化及其驱动机制［J］.福建师范大学学报（自然科学版），2023，39（4）：57-67.

［9］ 袁鑫，黄志炯，陆梦华，等.基于观测和机器学习的珠三角臭氧污染季节特征演变及成因分析［J］.环境科学学报，2023，43（8）：214-225.

［10］ 任利广，马维伟，李广，等.基于GIS的甘肃省农牧交错带土地沙化敏感性时空分布格局［J］.干旱区资源与环境，2022，36（6）：149-156.

［11］ 孟新月，葛静，侯蒙京，等.基于机器学习的青藏高原天然草地盖度时空变化特征研究［J］.草地学报，2022，30（10）：2652-2662.

［12］ 胡燕.基于风热环境模拟的老旧街区更新研究：以湘潭市车站路老旧街区为例［D］.湘潭：湖南科技大学，2022.

［13］ 黄思颖，徐伟振，傅伟聪，等.城市公园绿地可达性及其提升策略研究［J］.林业经济问题，2022，42（1）：89-96.

［14］ 姚海龙，王雪飞，童小康.基于空间句法和园林景观格局的城市演化研究［J］.城镇化与集约用地，2024，12（1）：53-65.

［15］ 刘志强，范胜寒，余慧，等.长三角城市绿地标度因子的时空特征分析［J］.风景园林，2023，30（8）：97-102.

［16］ 吴庚鸿，王一茹，刘铁冬，等.基于SEDMs 模型的海口市城市公园绿地景观格局演变及空间配置评价［J］.浙江农林大学学报，2023，40（5）：1093-1101.

［17］ 王倩娜，谢梦晴，张文萍，等.成渝城市群区域生态与城镇发展双网络格局分析及时空演变［J］.生态学报，2023，43（4）：1380-1398.

［18］ 白玛曲西，普布多吉，卓永，等.基于MODIS 的横断山区植被时空演变特征及地形效应分析［J］.生态与农村环境学报，2023，39（9）：1158-1169.

［19］ 李雅喆，王凌霞，聂小东，等.基于时空异质性特征的洞庭湖流域土地利用动态归因分析［J］.湖南师范大学自然科学学报，2023，46（3）：61-71.

［20］ 甄慧，汪洋，夏婷婷，等.基于地理探测器的开都—孔雀河流域植被覆盖度时空变化及驱动力分析［J］.草业科学，2023，40（5）：1140-1153.

Analysis of urban green space area evolution characteristics based on GIS and machine learning

ZHU Mingkai
（Curb Technology （Shanghai） Company Limited， Shanghai 200000， China）

Abstract： To scientifically and reasonably analyze the evolution characteristics of urban green space area， improve urban planning outcomes， and further enhance the quality of the urban ecological environment， this paper proposed a method for analyzing the evolution characteristics of urban green space area based on geographic information system（GIS） and machine learning.Using GIS technology， an urban green space database was constructed， including parks， production green spaces，protective green spaces， accessory green spaces， and other green spaces.Based on the data in the database， the quantitative characteristics and vegetation characteristics of green spaces were extracted， and a feature set was constructed.This feature set was then input into a two-layer combined neural network model for land use classification.Based on the classification results， the number of patches for each category was calculated， and the evolution characteristics of urban green space area were analyzed.The experimental results show that this method can calculate the quantitative characteristics of urban green spaces； it can obtain the categories of green space utilization， and from these， calculate the number of patches for each category and their patch areas.After the evolution of green space area， the information entropy decreased from 1.85 to 1.54， and the equilibrium degree remained above 0.8.The urban green space area is in a healthy state of change， which aligns with the actual situation and meets the analysis requirements for urban green space area evolution characteristics.

Keywords： geographic information system （GIS）； machine learning； urban green space area； evolution characteristics；quantitative change characteristics； vegetation characteristics

［中图分类号］ P227；P217

［文献标识码］ A

［文章编号］ 1007-3000（2025）07-1057-06

引文格式：祝明凯.基于GIS与机器学习的城市绿地面积演变特征分析［J］.北京测绘，2025，39（7）：1057-1062.

［收稿日期］ 2024-08-12

［作者简介］

祝明凯（1979—），男，山东淄博人，硕士，工程师，研究方向为地理信息系统。

E-mail: xiaoqiao126126126@126.com