楊曦光，黃海軍，嚴立文，都本緒

(1.中國科學院海洋研究所，青島 266071;2.中國科學院研究生院，北京 100049;3.大連市林業(yè)局，大連 116023)

基于決策樹方法的海島土地利用分類研究

楊曦光1，2，黃海軍1，嚴立文1，都本緒3

(1.中國科學院海洋研究所，青島 266071;2.中國科學院研究生院，北京 100049;3.大連市林業(yè)局，大連 116023)

以山東省榮成市鏌铘島為例，利用SPOT 5衛(wèi)星數據，探討了基于決策樹方法的海島土地利用類型的遙感分類。結果表明，利用決策樹分類方法進行海島土地利用類型分類，可以得到較好的分類結果(分類的平均精度達到86.46%，Kappa系數為0.841 4);與其他分類方法比較，決策樹分類法的分類精度有明顯的提高，在海島土地利用類型調查中具有較好的應用潛力。

分類;土地利用;決策樹

0 引言

我國海島眾多，面積在500 m2以上的島嶼約有6 500多個，分布在相當于我國陸域面積1/3(約300多萬km2)的海域中［1］。遙感技術具有高光譜分辨率、高空間分辨率、實時觀測、重訪周期短等優(yōu)勢，已廣泛應用于陸地、海島等土地利用類型調查中［2－4］。張華國等［5］用IKONOS數據對福州市瑯歧島的土地覆蓋類型進行監(jiān)督分類，分類總體精度為76.31%。近年來，基于知識的光譜特征遙感信息模型得到了快速發(fā)展，將知識作為分類的輔助信息參與分類過程計算，可有效地改善和提高分類精度［6］。李春華等［7］利用TM與ASTER的融合圖像對福州市瑯歧島進行土地利用類型的分類研究，結果表明，基于知識的Bayes分類方法比運用單一分類方法的精度明顯提高。決策樹是一種利用逐層邏輯判別方式使人的知識及判別思維能力與圖像處理有機結合起來的圖像分析處理方法，具有較高的分類精度，已在陸地土地類型分類研究中得到了成功的應用［8－12］，但在海島土地利用分類研究中尚不多見。

本文以山東省榮成市鏌铘島為研究靶區(qū)，以SPOT 5衛(wèi)星圖像為數據源，采用決策樹方法進行海島土地利用類型的分類研究，通過與傳統(tǒng)單一分類方法比較，發(fā)掘決策樹分類法在海島土地利用調查中的相對優(yōu)勢、局限性及其應用潛力。

1 研究區(qū)與數據源

研究區(qū)為山東省榮成市鏌铘島，位于E122°31'00″，N36°54'48″，屬于人工陸連島。島嶼形狀不規(guī)則，西南—東北走向，南北長5.3 km，東西寬0.84 km，島陸面積4.62 km2。島內陸域土地利用類型包括耕地、林地、草地、住宅用地等多種地類。

研究采用的遙感數據源為2004年8月獲取的10 m空間分辨率的SPOT 5多光譜數據。

2 研究方法

2.1 訓練樣本選擇

訓練樣本的選取是建立分類決策樹模型的關鍵步驟，直接關系到規(guī)則設定的質量以及分類結果的精度。本研究根據土地利用現狀分類標準(GB/T 21010—2007)、海島調查技術規(guī)程［13］和遙感圖像可判讀的特點，建立了鏌铘島土地利用類型的分類系統(tǒng)，包括林地、耕地、草地、居民地(含交通用地)、水域和未利用地共6類;并對典型地物進行采樣，保證每類地物采樣點不少于150個。

2.2 主要地物波譜統(tǒng)計特征

圖像中主要地物的光譜特性能揭示和反映遙感數據內部及各波段間內在的規(guī)律性［14］。對訓練區(qū)內主要地物類型進行光譜特征的統(tǒng)計分析，包括各波段的最大值、最小值、均值、方差等(表1)。

表1 SPOT圖像中不同土地利用類型統(tǒng)計特征Tab.1 Statistical characteristics of different Land －use types in SPOT image

分析表1可以看出，比較各波段圖像上的均值，B1:林地(32.14)＜水域(32.16)＜草地(33.53)＜耕地(40.90)＜居民地(45.41)＜未利用地(63.69);B2:水域(33.86)＜林地(34.28)＜草地(36.28)＜耕地(40.19)＜居民地(49.35)＜未利用地(73.81);B3:水域(30.15)＜草地(41.19)＜林地(45.28)＜居民地(52.97)＜耕地(70.13)＜未利用地(73.71)。6種地物在3個波段的采樣點均值曲線如圖1所示。

圖1 不同地物類型3個波段采樣點均值曲線Fig.1 Mean curves of different object samplings of three bands

分析各波段光譜特征可發(fā)現一個明顯的特征，即水域和未利用地的B1＜B2且B2＞B3，而其他地物均表現為B1＜B2且B2＜B3;在3個波段中未利用地的DN均值在6種地物中都是最大的，水域的DN均值在6種地物中都是最小的。因此，利用這些光譜特征基本上可將未利用地及水域區(qū)分出來。林地和草地的光譜特征很相似，但是在B1和B2波段，林地的DN值小于草地的DN值，在B3波段，林地的DN值大于草地的DN值。如表1所示，6種土地利用類型樣本DN值的最大值和最小值之間存在著交疊，單純利用上述3個波段并不能建立很好的分割原則將這些交疊在一起的地物類型區(qū)分開來。為增大不同地物類型之間的反差，減小地物類型之間的交疊，本文使用SPOT圖像波段運算的方法提取了4個較為有效的分類特征，分別是歸一化差值植被指數(NDVI)、B2·B3、NDVI·B2·B3和 exp(NDVI)，NDVI計算公式為

4個分類特征的統(tǒng)計信息見表2。

表2 各土地利用類型SPOT圖像波段運算統(tǒng)計特征Tab.2 Statistical characteristics of different land －use types from SPOT band operations

分析表2可以看出，比較NDVI圖像上各地物類型的均值:水域(－0.06)＜未利用地(－0.000 49)＜居民地(0.04)＜草地(0.06)＜林地(0.14)＜耕地(0.27);比較B2·B3圖像上各地物類型的均值:水域(1 021.20)＜草地(1 494.71)＜林地(1 552.30)＜居民地(2 633.11)＜耕地(2 821.06)＜未利用地(5 447.14);比較NDVI·B2·B3圖像上各地物類型的均值:水域(－57.94)＜未利用地(－4.84)＜居民地(89.46)＜草地(94.85)＜林地(214.95)＜耕地(766.31);比較 exp(NDVI)圖像上的地物類型的均值:水域(0.94)＜未利用地(1.00)＜居民地(1.04)＜草地(1.06)＜林地(1.15)＜耕地(1.31)。

2.3 決策樹建立

決策樹是利用樹結構，按一定的分割原則把數據分為特征更為均質的子集，其基本思想是利用一組或多組自變量來預測每個樣本最可能對應的類型。根據上面的統(tǒng)計分析結果制定分類原則，建立分類決策樹。水域在SPOT圖像的B3波段最大DN值是41，基本上可以將水域與其他地物進行區(qū)分;然后根據 NDVI·B3·B2≤77.80，B1＜B2且 B2＞B3區(qū)分出水域;再利用exp(NDVI)≤1.07將混淆在水域中的林地、草地區(qū)分開來;B3波段中未利用地DN最小值為65，利用B3波段又可以對未利用地與其他地物加以區(qū)分;未利用地中混雜的耕地和居民地可以根據NDVI·B3·B2≥399.59來區(qū)分;而未利用地和居民地則根據B1≥53，未利用地的DN值有B1＜B2且B2＞B3的特點加以區(qū)分;剩余未分的土地利用類型中，居民地可根據B2≥38并且NDVI·B3·B2≤242.96加以區(qū)分;耕地可根據B2·B3≥2 257加以區(qū)分;最后利用exp(NDVI)≤1.07區(qū)分林地和草地。分類決策樹結構如圖2所示。

圖2 分類決策樹結構Fig.2 Structure of decision － tree for classification

3 結果與分析

利用上文建立的決策樹對研究區(qū)SPOT 5圖像進行分類，分類后利用計算機按土地利用類型隨機生成384個檢驗點。通過目視解譯的方法對384個檢查點進行判讀，采用誤差矩陣和Kappa系數對決策樹分類結果進行精度評價(計算出的誤差矩陣見表3)。

表3 誤差矩陣計算結果Tab.3 Result of error matrix

制圖精度中草地最高(95.65%)，居民地最低(68.18%);用戶精度中水域最高(93.18%)，草地最低(72.13%)，總體分類精度為 86.46%，總Kappa系數為0.841 4。從整體上來看，耕地、未利用地和林地分類精度相對較高，而草地、水域和居民地分類精度略低。

根據誤差矩陣，并對比SPOT原始圖像和實地調查數據，對6種地物的分類精度及其原因分析如下:

1)草地主要錯分為林地和水域。其原因為草地在圖像上的光譜特征與林地十分相似，容易產生錯分。對比SPOT原始圖像可以看到，草地與水域錯分的情況主要集中在水陸交界處。水陸交界處的像元既包含水體信息，又包含部分植被信息，這種混合光譜現象導致了草地與水體的錯分，也導致了水域與林地的錯分。

2)居民地分類精度較低且與耕地和未利用地之間存在錯分。主要是因為該島嶼耕地多以小斑塊形式存在，斑塊之間又有縱橫交錯的田間小路，而且這種道路在圖像上多表現得細碎零散，在分類過程中易與相鄰地物發(fā)生混淆。未利用地多分布在居民地附近或其中，二者的光譜特征相似，也是導致居民地與未利用地錯分的原因。

3)林地除被錯分為水域和草地外，還被錯分為居民地、耕地和未利用地。主要是因為居民地內包含植被信息，混合像元存在帶來的“異物同譜”現象造成了錯分。

由于樣本的選擇是隨機進行的，因此分析結果能在整體上反映分類的總體精度。但是誤差矩陣法只是分類精度分析的一種方法，其分析結果與測試樣本的選擇密切相關。因此，這里的分析只是從一個方面或是局部地反映了決策樹分類的精度情況。

為了進一步了解決策樹分類法在海島土地利用類型分類調查中的相對優(yōu)勢、局限性及應用潛力，本文還利用相同的統(tǒng)計樣本，分別使用平行六面體分類法、支持向量機分類法、最小距離分類法、馬氏距離分類法和最大似然分類法分別對研究區(qū)SPOT 5圖像(圖3(左))進行了監(jiān)督分類，并利用上文的384個檢驗點進行了分類精度評價，分別從總分類精度和總Kappa系數兩個方面對上述6種分類方法進行了比較(表4)。

表4 各種分類方法分類精度比較Tab.4 Comparison of precisions among different methods of classification

由表4可知，無論從總分類精度還是總Kappa系數的結果來看，決策樹方法明顯優(yōu)于其他分類方法。可見，這種基于知識的決策樹分類方法在海島土地利用類型調查中具有更好的精度和利用空間。

研究中利用決策樹分類法獲取到鏌铘島土地利用類型專題圖(圖3(右))。從分類結果中統(tǒng)計出鏌铘島居民地面積為1.431 1 km2，耕地面積為1.903 1 km2，林地面積為 0.827 5 km2，草地面積為0.076 6 km2，水體面積為 0.064 8 km2，未利用地面積為 0.365 6 km2。

圖3 研究區(qū)SPOT圖像(左)與決策樹分類結果(右)Fig.3 SPOT image(left)and the result of decision －tree classification(right)of study area

4 結論

1)基于高空間分辨率的SPOT 5多波段數據，采用決策樹分類方法進行鏌铘島土地利用類型分類，總分類精度達到86.46%，總Kappa系數為0.841 4。

2)在不同地物類型的區(qū)分過程中，僅考慮SPOT圖像波段本身信息建立的分割原則并不能完全將不同地物類型逐一區(qū)分;而當引入波段運算統(tǒng)計數據后，各土地利用類型的劃分標準更容易選擇且可區(qū)分性更好。

3)對比決策樹分類結果與平行六面體分類器、支持向量機分類器、最小距離分類器、馬氏距離分類器和最大似然分類器的分類結果表明，決策樹分類法明顯優(yōu)于其他分類方法，證明了決策樹分類法在海島土地利用調查中的潛力和發(fā)展空間。

［1］張耀光，胡宜鳴.關于做好海島縣土地利用總體規(guī)劃工作的探討——以遼寧長?？h為例［J］.中國土地科學，1994，8(6):42－46.

［2］呂惠萍.SPOT衛(wèi)片在土地利用分類中的應用效果初探［J］.地質地球化學，1989(5):53－55.

［3］吳均平，毛志華，陳建裕，等.一種基于分割圖斑的海岸帶遙感圖像分類方法［J］.海洋學研究，2006，24(2):70 －78.

［4］Xu K M.The Analysis of SPOT 5 Characteristics on Land Cover Classification［J］.Science of Surveying and Mapping，2004，29(S1):108－116.

［5］張華國，黃韋艮，周長寶.應用IKONOS衛(wèi)星遙感圖像監(jiān)測南麂列島土地覆蓋狀況［J］.遙感技術與應用，2003，18(5):306－312.

［6］楊存建，周成虎.基于知識的遙感圖像分類方法的探討［J］.地理學與國土研究，2000，17(1):72 －77.

［7］李春華，沙晉明.基于知識的遙感影像的BAYES分類方法研究——以福州市瑯歧島土地覆蓋/土地利用類型為例［J］.水土保持研究，2006，13(6):126 －128，132.

［8］劉小平，彭曉鵑，艾 彬.像元信息分解和決策樹相結合的影像分類方法［J］.地理與地理信息科學，2004，20(6):35 －39.

［9］劉勇洪，牛 錚，王長耀.基于MODIS數據的決策樹分類方法研究與應用［J］.遙感學報，2005，9(4):405 －412.

［10］杜明義.決策樹方法在土地荒漠化分類中的應用研究［J］.測繪科學，2006，31(2):81 －82，86.

［11］黃 穎，周云軒，吳 穩(wěn)，等.基于決策樹模型的上海城市濕地遙感提取與分類［J］.吉林大學學報︰地球科學版，2009，39(6):1156－1162.

［12］朱宏波.一種基于決策樹的SPOT－5影像分類方法［J］.電力勘測設計，2010(3):19 －21，29.

［13］國家海洋局908專項辦公室.海島調查技術規(guī)程［M］.北京:海洋出版社，2005:59－62.

［14］趙英時.遙感應用分析原理與方法［M］.北京:科學出版社，2003:227－228.

Land－use Classification of Islands Based on Decision－tree Method

YANG Xi－ guang1，2，HUANG Hai－ jun1，YAN Li－ wen1，DU Ben － xu3
(1.Institute of Oceanology，Chinese Academy of Sciences，Qingdao 266071，China;2.Graduate University of Chinese Academy of Sciences，Beijing 100049，China;3.Dalian Forestry Bureau，Dalian 116023，China)

With Moye island of Rongcheng city in Shandong province as the study area，the authors investigated the application of decision－tree method to land－use classification based on SPOT 5 satellite data.The results show that the decision － tree method is suitable for classification，with the mean precision and Kappa index being 86.46%and 0.8414 respectively.A comparison with the other traditional classification methods shows that the precision of decision－tree method is obviously higher，suggesting that the method of decision－tree classification has better applicable potential than the other methods in land－use classification research.

classification;land－use;decision－tree

TP 79

A

1001－070X(2012)02－0116－05

楊曦光(1983－)，男，在讀博士研究生，主要從事海洋遙感與地理信息系統(tǒng)研究。E－mail:yangxiguang21@163.com。

(責任編輯:李 瑜)

10.6046/gtzyyg.2012.02.21

2011－07－15;

2011－09－20

海洋公益性行業(yè)科研專項經費項目(編號:200905004－7)、中國科學院海洋地質與環(huán)境重點實驗室開放基金資助項目(編號:MGE2009KG04)和海洋沉積與環(huán)境地質國家海洋局重點實驗室開放基金資助項目(編號:MASEG200807)共同資助。