高分辨率遥感影像在交通限行决策中的应用.docx
《高分辨率遥感影像在交通限行决策中的应用.docx》由会员分享，可在线阅读，更多相关《高分辨率遥感影像在交通限行决策中的应用.docx（13页珍藏版）》请在冰豆网上搜索。
高分辨率遥感影像在交通限行决策中的应用
高分辨率遥感影像在交通限行决策中的应用
张再侠1
（1山东建筑大学交通工程学院，山东济南250101）
摘要：
当前，交通拥堵几乎已经成了许多城市的不治之症。
掌握城市道路不同车型的分布规律，有针对性地进行交通管制，对于缓解城市交通拥堵具有重要意义。
本文提出将高分辨率遥感影像数据应用于交通管理中，介绍了面向对象的高分辨率遥感影像分析技术，提出了道路资源占用率和交通出行贡献率的概念及数学计算模型，并以实例进行了验证。
研究结果表明，高分辨率遥感影像数据经图像处理和目标识别后，可以应用于城市道路交通管理中，该方法简便、快捷，计算结果能定量化地为交通限行政策制定提供支持。
关键词：
交通拥堵；高分辨率遥感影像；面向对象；占用率；贡献率；图像处理；交通管理
0前言
几十年来,遥感技术在国内外取得了快速的发展。
遥感影像地面分辨率的提高促使研究者开展对地面小目标的探测与应用研究。
遥感具有空间上大面积连续覆盖的独特优势,这是其它的交通监测方式所不具备的,因此,从高分辨率遥感上进行信息提取可以作为地面交通管理监测的一种很重要的方式。
把遥感技术应用于交通方面是近年来遥感应用研究的一个新的方向,车辆信息提取是其中的重要组成部分。
随着交通拥堵越来越严重，每个城市都面临着怎样寻找更好的办法来解决这一难题，将高分辨率遥感影像数据应用于交通管理中，应用面向对象的高分辨率遥感影像分析技术，结合道路资源占用率和交通出行贡献率的概念及数学计算模型，这一方法的提出为管理者有针对性地进行交通管制，进而解决交通拥堵问题提供的新的思路，具有重要意义。
1问题的提出
当前，交通拥堵几乎已经成了许多城市的不治之症。
为缓解交通拥堵，加大道路建设供给，积极发展城市轨道交通，推进智能交通管理，同时出台了诸“单双号限行”、“摇号购车”等措施。
然而实践证明，道路建设速度始终跟不上机动车的增长速度，限行、限购不符合市场经济规律，不能治本，甚至还会引发更深层次的社会问题。
对此，优先发展城市公共交通成为国家重大交通战略方针。
如何对有限的城市核心区域道路资源进行优化配置，优先供给公共交通，是落实“公共交通优先战略”的内在要求。
对于有限的交通路网资源，要保证公交优先，保障道路畅通，只能限制小型车辆等载客数量少的车型在高峰时段进入某些核心路段。
在实际交通管制中限制货车在特定时段进入核心城区的做法即是这一思想的体现。
对于小车如何限行及在哪些时段、哪些路段限行，需要如何以科学准确的数字来量化其效果，制定有效的交通管理政策，是在实际工作中需要解决的问题。
针对上述问题，有学者提出了城市道路资源占有率的概念，并把该问题归于车辆的出行调查。
就目前文献调研发现，采用的做法是通过人工调查或依靠地面摄像头采集数据进行分析。
这些方法费时费力，时间周期长，效率低下，数据可视化程度低。
高分辨率对地观测数据具有覆盖范围广、分辨率高、信息全面而真实、重返周期短、可全天时全天候获取数据等特点，将其应用在城市群交通管理中可有效摸清城市群的交通现状和存在的问题，为城市群一体化综合交通规划提供决策支持。
目前，将高分辨率遥感技术应用于交通领域，被称为ＲＳ－Ｔ（Ｒｅ－ｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｎ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ），作为一个崭新的研究领域，充满活力。
特别是高分辨率对地观测系统作为国家战略技术发展后，很多高分辨率遥感影像得到商业化应用，为其研究和应用开辟了广阔的发展空间。
纵观近年来国内外遥感技术在交通调查方面的研究，主要集中在公路ＯＤ调查、居民出行调查、交通量调查、车速调查及城市土地利用调查等方面，但都尚在初步探索阶段。
对此，我们提出采用高分辨率遥感数据提取路网信息，引出新的道路交通资源占用率和道路交通出行贡献率的概念及数学模型，以方便快捷地为交通管制政策制定提供准确依据。
2高分辨率遥感
自二十世纪六十年代遥感技术出现至今五十年里，遥感技术有了长足的发展，尤其自1999年世界上第一颗高分辨率商业卫星发射成功以来，全球相继成功发射了数十颗高分辨率遥感卫星。
如1999年9月24日，美国空间成像公司（SpacingImaging）成功发射的IKONOS卫星，是世界上第一颗提供高分辨率卫星影像的商业遥感卫星，其全色影像的空间分辨率为1.0m，多光谱影像的空间分辨率为4.0m；2001年10月18日，美国数字地球公司（DigitalGlobe）发射的QuickBird卫星，是世界上最先提供亚米级分辨率的商业卫星，全色影像的空间分辨率为0.61m，多光谱影像的空间分辨率为2.44m；2007年，美国数字地球公司（DigitalGlobe）又发射的WorldViewⅡ卫星影像，全色影像的空间分辨率为0.46m，多光谱影像的空间分辨率为1.8m；2008年，美国GeoEyeFoundation成功发射了GeoEye-1卫星影像，全色影像的空间分辨率为0.41m，多光谱影像的空间分辨率为1.65m；2008年，美国侦查卫星锁眼KH-12影像的空间分辨率达到15cm。
现代卫星遥感已呈现出“三高”（高光谱分辨率、高空间分辨率、高时间分辨率）和“三多”（多传感器、多平台、多角度）的发展趋势。
在国内外，高分辨率卫星资料广泛应用于测绘制图、国土资源管理、城市规划、资源开发、环境监测、精准农业、林业测量、海洋探测、军事目标识别等各个行业和邻域并发挥着非常重要的作用。
高分辨率遥感通常指的是高空间分辨率遥感，它是目前广大遥感工作人员关注的指标之一，目前卫星遥感影像的空间分辨率已经从米级到亚米级甚至到厘米级。
与中、低空间分辨率遥感相比，高空间分辨率遥感有更加丰富的空间信息和更清晰的细节纹理信息等，使得与周围地物邻域关系能更好的表达和反映，但同时同类地物的内部光谱差异逐渐增大。
当前高空间分辨率遥感影像信息提取若采用传统基于像元的光谱信息提取技术，已经不能满足要求。
快速、准确的信息提取技术已成为制约高空间分辨率卫星数据实际应用的主要瓶颈，面向对象的图像分析技术为高空间分辨率遥感影像信息提取提供了新的思路和方法。
3面向对象的高分辨率遥感影像分析
遥感影像分析方法中主要分为基于像元和面向对象两类。
基于像元的信息提取是根据影像的光谱信息特征进行，而高空间分辨率遥感影像的空间信息丰富，但光谱信息很少，因此，基于像元的光谱信息提取常常会出现错分、漏分现象。
同时，对于“同物异谱”或“同谱异物”信息提取结果会存在更为严重的“椒盐现象”，使提取结果精度大大降低。
近年来，尽管一些学者在信息提取上进行了大量研究，如神经网络、决策树、专家系统等，在一定程度上虽然提高了信息提取的精度，但从本质上讲，仍是基于像元层次，不能满足高分辨率遥感影像信息提取的要求。
面向对象的信息提取核心问题是对遥感影像精确的分割成为一个个影像对象，再对影像对象区域进行信息提取和分析。
它是综合影像对象的光谱、形状、纹理、层次、邻域、空间位置、类间关系等特征信息对影像进行分割得到同质对象，再根据目标地物的实际要求进行提取，这就大大地提高了信息提取的质量和精度。
因此，这种面向对象的信息提取方法无论在理论上还是在实际应用中都比传统的基于像元方法有很大的优势。
遥感图像分割方法的研究，将会推进遥感信息提取技术从基于像元过渡到面向对象的识别。
3.1影像分割
利用面向对象的遥感影像分类方法进行分类前,必须借助影像分割方法来获得对象。
影像分割是一种重要的影像分析技术,是指把影像分成各具特性的区域并提取出感兴趣区域的技术和过程。
影像分割是由影像处理到影像分析的关键步骤,在影像处理中占有重要地位。
一方面,它是要素表达的基础,对特征测量有重要影响;另一方面,因为影像分割及其基于分割的要素提取、特征提取和参数测量等将原始影像转化为更抽象更紧凑的形式,使得更高层次的影像分析和理解成为可能。
常见的影像分割有两种：
一种是依据区域间边界像元灰度不连续性的点相关的分割算法,可称为基于边界的影像分割算法；另一种是利用同一区域内灰度特征与纹理特征相似性的区域相关分割算法,可称之为基于区域的影像分割。
3.1.1基于边界的分割方法
基于边界的分割方法主要是利用边界像元具有灰度不连续性的特点检测出区域间的边界，实现影像分割。
其根据检测方式不同分为两类：
（1）点到线，由先检测出的边缘点组成目标的边界而实现的分割，如Hough变换法、微分算子法等；
（2）顺序搜索，从边界起始点开始，顺序确定目标的边界而实现的分割，如曲线拟合法、边界跟踪法等。
由于边界分割方法只利用了局部的信息，同时受图像噪声影响较大，图像分割的边界往往是非闭合或非连通的，因而在实际应用中受到一定的限制。
3.1.2基于区域的影像分割方法
基于区域的影像分割方法又可分为区域生长和分裂合并两种不同的方法。
（1）区域生长算法。
其基本思想是将影像内相邻邻域内的具有相似性质的像元全部集合起构成区域。
具体过程是先确定一种生长或相似度准则，在分割影像目标区域内选定一个种子像元作为生长点，根据事先确定的准则，将种子像元与周围邻域中的种子像元进行比较，将与种子像元有相同或相似性质的像元进行合并到种子像元所在的区域中，重复上面的过程，直到不再有满足相似度准则的邻域像元要求时，该区域的生长过程结束，生成了多边形对象。
（2）分裂合并法，其过程刚好与区域生长算法的过程相反。
其基本思想是从整个影像开始不断分裂成若干任意大小且不重叠的影像对象，然后按影像对象内“同质性最大、异质性最小”的原则将较小影像对象合并成多边形。
分裂合并法的核心就是设置分裂合并对象准则和确定停止对象合并条件。
由于区域合并法的实体是影像对象，合并时不仅要考虑对象内像元的光谱信息，同时要考虑影像对象的形状、纹理信息，在不同尺度范围内实现影像对象类别的稳定性和单一性，从而保证影像对象在一定尺度范围内分割结果和精度要求。
另外，区域合并法还涉及到语义信息，每层影像对象不仅具有与相邻对象的语义信息，同时还继承了父类或者子类对象的语义信息，这为我们评价空间格局变化提供方便。
3）多尺度分割。
多尺度分割是自下而上的方法，是基于区域合并算法，以单个像元为生长点，采用区域生长算法生成小的影像对象，再用区域合并算法对小影像对象合并成较大的影像对象，在影像对象合并过程中，影像对象遵循异质性最小原则进行合并。
3.2影像对象的特征定量描述方法
影像对象的特征是影像分割、分析与信息提取的主要依据，从概念上来讲，影像对象特征可分为如下几类：
（1）本质（固有）特征:
影像对象物理属性特征，它由真实的地理实体和影像成像状态（主要由传感器和太阳辐射）所决定。
这类特征主要是影像对象的光谱、形状和纹理等特征进行描述。
（2）拓扑特征:
描述影像对象之间的几何关系特征，如影像对象A是相邻于影像对象B的左、右，还是两影像对象相距一定距离等特征。
（3）上下文特征:
描述影像对象层间的语义关系特征，如广场一定是与道路连通等。
上述特征在面向对象影像分析里，通常用影像对象特征、类间相关特征和全局特征来表示。
3.3影像对象的分类
面向对象的遥感影像分类技术不仅考虑了影像对象的特征，如光谱、形状、纹理、层次，而且也考虑了类间相关特征，如与邻域对象、父对象、子对象，同时也考虑了全局特征，如全局对象个数、分辨率等一系列相关特征，它是结合人的思维模式，通过人机交互构建知识库，提取出符合实际目标地物，提高了信息提取的精度。
面向对象遥感影像分类方法的一般步骤是：
（1）对预处理后的遥感影像进行分割,得到同质对象,使得分割后的对象满足下一步分类或目标地物提取的要求；
（2）再根据遥感分类或目标地物提取的具体要求,检测和提取目标地物的多种特征（如光谱、形状、纹理、阴影、空间位置、相关布局等）,建立分类体系；
（3）最后采用分类算法（如模糊分类、最邻近分类）,实现地物类别信息提取的目的。
4概念及模型的构建
4.1道路交通资源占用率
道路交通资源占用率可定义为同种车型长度总和在某条路段上的长度百分数，即：
Z=
X100%
（1）
式中：
Ｚ代表某种车型的道路交通资源占用率；l代表某种车型的车长，Σl代表在某条路段上该车型的长度总和；L代表某条路段的长度，如果要评价整个城市路网上某种车型的交通资源占用率，ΣL则代表整个城市路网上路段的长度和。
由于实际交通道路等级的多样性，表现为一路多道；同时在车辆行驶中，车辆在高分遥感影像拍摄采样瞬间并非处于某条绝对直行车道，故车辆行驶瞬时存在穿行复杂性。
因此，在实际计算中式（１）存在一定困难，仅适用于不分行驶方向的单向道路。
对于双向多车道的道路，交通道路长度Ｌ的实际意义即为车道总长度，即道路长度乘以车道数。
根据定义，Ｚ≤１，一般情况下，由于车辆间距的存在，Ｚ≠１，Ｚ越大，表明在该条道路上该车型占用的道路交通资源越多。
此处，某种车型是指广义的车型，可借用车辆管理中关于车身长度的分类标准进行区分，即车身长度大于６ｍ（或搭载人数超过２０人）为大型车，车身长度小于６ｍ、大于３．８ｍ（或载客人数小于２０、大于１０人）为中型车，其余均为小型车。
4.2交通出行贡献率
交通出行贡献率是指某条路段上某种车型所承担的出行乘客数量占整条路段上乘坐机动车辆人数的百分数，即：
G=
x100%
（2）
式中：
Ｇ代表某种车型的交通出行贡献率；i代表对应的该车型载客人数；ｎ代表该车型在城市路网上的数量；iｎ代表该车型所能承担的乘客总数；J代表某种车型的载客人数；Ｎ代表整条路段上某种车型的数量；∑JN代表整个城市路网上乘坐机动车辆出行的所有乘客数量。
根据定义，Ｇ≤１，一般情况下，由于不可能一条路段只有一种车型，故Ｇ≠１，Ｇ越大，表明在该条道路上该车型分担的出行贡献量越大。
5基于高分辨率遥感数据的分析实例
选取湖南株洲市株洲大桥过江道路为分析样本，样本图像如图１所示。
选取湘江沿江中路与株洲大桥交叉点为参考计算起点，滨江北路与株洲大桥的交叉点为终点，道路长度L为９３４．５４ｍ。
5.1影像预处理
在正式进行目标信息提取之前,要对影像做适当的预处理,以突出显示目标对象,更好的完成后处理的工作。
遥感影像的预处理主要包括:
几何校正、融合、裁剪、镶嵌。
除了这些传统的预处理外,为了方便目视解译,图像解译中比较重要的处理还包括了波段组合、图像增强、图像变换等。
5.2面向对象的信息提取
本次研究在面向对象影遥感信息提取软件易康（eCognition）8.0平台上进行。
易康（eCognition）软件是由德国Definiens公司开发的全球第一个面向对象遥感信息提取商业软件，它是基于认知网络技术原理，由1986年诺贝尔物理获奖者GerdBfining创建。
由于eCognition软件采用面向对象的多尺度分割和模糊规则技术进行信息提取，模拟人类对不同地物表面的感知过程。
根据确定的道路、车辆、水体、建筑物、植被等五类地物的最优分割尺度，采用面向对象的多尺度分割中基于异质性最小原则的区域合并算法，设置最佳的分割参数，波段权重全部为1，选择颜色因子权重0.8，形状因子权重0.2，紧致度权重0.5，光滑度权重0.5，通过实验得到道路、车辆、水体、建筑物、植被等地物的最优分割尺。
根据多尺度影像对象，建立影像对象多层次体系结构，共设置4个level，分别在它们的最优分割尺度上提取地物信息，最后将4个对象层次结果合并为最终的信息提取结果。
根据影像对象的特征和类间相关的特征等参数，运用模糊分类技术对特征参数建议模糊规则库，然后进行信息的提取。
模糊规则库的建立和信息提取是相互交叉进行的过程，在建立模糊规则库的同时提取地物的信息，同时在提取地物信息时，也为模糊规则库补充特征信息。
根据分类层次结构，首先按照大尺度到小尺度顺序提取地物类别，其次，在进行信息提取时，并不是在每个尺度层上都要对所有地物类别进行信息提取，而是最先考虑用特征明显的特征参数提取最容易区分的地物，然后再逐个提取其他地物。
经图像信息处理和识别后的遥感图像如下图面向对象的目标提取结果局部视图所示：
5.3识别结果
根据车型分类标准，考虑到在实际行车中车辆之间存在车头距，对车型真实长度进行归一化处理，同时假设所有车型为满员状态。
道路交通资源占用率和道路交通出行贡献率所需的车辆长度与载客数量参数如表２所示。
将表１和表２中的相关参数代入式（１）、式（２），分别计算公共交通车型和私人交通车型的道路交通资源占用率、道路交通出行贡献率，其中，公共交通车型包括大型车和中型车，小型车统一归为私人交通车型。
Zg=
100%=
=5.493%
Zs=
100%=
=6.278%
Gg=
100%=
=71.429%
Gs=
100%=
=28.571%
可以看出Ｚｓ＞Ｚｇ，Ｇｓ＜Ｇｇ，说明在拍摄时段瞬间，公共交通道路资源占用率低于私人交通道路资源占用率，而公共交通出行贡献率为私人交通出行贡献率２．５倍。
如果该条道路经常性拥堵，可有针对性地对私人交通车型进行限行。
由此可见，上述方法可方便、快捷地摸清城市道路网络上车辆的出行规律，分析不同车型对道路交通资源占用情况和公众出行的贡献率。
在这些分析数据的支持下，可更加科学合理地引导城市交通的发展，探寻城市交通的发展规律，为城市交通政策的调整、制定提供理论基础和参考。
由于获取的高分辨率遥感影像数据仅为静态瞬时的道路交通状态信息，实际交通状态为动态变化过程，高分辨率遥感拍摄时间不同，将会得出不同的计算结果。
因此，单幅影像数据计算结果仅代表某一瞬时，若能在多源多时相遥感影像数据分析的基础上，通过数据积累，可得到具有更高参考价值的数据。
6结论与展望
交通建设与管理是城市建设和管理的重要内容。
基于高分辨率遥感影像数据进行城市道路交通资源占用率、交通出行贡献率分析可极大地提高城市交通建设和管理水平。
该文提出的城市道路交通资源占用率、交通出行贡献率概念和数学模型，可方便快捷地为道路交通管理决策提供理论基础和科学数据，实例分析说明，该方法简便、可操作性强。
高分辨率对地观测技术在中国尚处于发展阶段，将高分辨率遥感影像数据应用于交通管理在中国尚处于探索时期。
该文论述的方法中，遥感数据的感知与理解是核心，还应加强图像理解、目标识别相关的理论和算法。
高分辨率遥感影像为瞬时数据，要应用于实际交通运行状态中，还应加强如何应用遥感影像中瞬时的“点信息”拟合实际交通连续性规律的相关数学模型和算法。
参考文献：
[1]李莉.面向对象的高分辨率遥感影像信息提取研究.2012，6.
[2]游丽平.面向对象的高分辨率遥感影像分类方法研究.2007，6.
[3]张勇，谷正气，刘水长，李健.高分遥感影像在交通限行决策中的应用.公路与汽运，2013.
[4]刘小明,齐彤岩,刘冬梅,罗铭.北京市道路交通资源占有率分析[J].公路交通科技，2008，25.
[5]李学敏，袁满荣，毕鑫，等．城市路口交通资源优化研究．交通运输系统工程与信息，2005，5.
[6]谷健．遥感图像在居民出行调查与预测中的应用研究[D].长春：
吉林大学，2012.
[7]郭杜杜，梁艳平，王兵,马玉春.高分辨率遥感图像在交通流信息采集中的研究综述.
[8]陈杰.高分辨率遥感影像面向对象分类方法研究.2010,12.
升级会员 