張 會(huì)，閆金鳳

（1．山東科技大學(xué) 測(cè)繪科學(xué)與工程學(xué)院，山東 青島 266590）

基于MODIS影像多特征的CART決策樹分類

張 會(huì)1，閆金鳳1

（1．山東科技大學(xué) 測(cè)繪科學(xué)與工程學(xué)院，山東 青島 266590）

以山東省為研究區(qū)域，利用2009年9月MODIS 的8 d合成波段反射率產(chǎn)品MOD09,選擇特征變量植被指數(shù)(NDVI、EVI)、NDWI、NDMI、NDSI及輔助信息DEM,通過選取其中的影像特征組合來確定分類方案，構(gòu)建各波段組合的CART決策樹，對(duì)MODIS影像進(jìn)行分類,得到CART決策樹的最優(yōu)波段組合。結(jié)果表明，特征變量DEM、NDVI、EVI對(duì)分類結(jié)果貢獻(xiàn)較大；將CART決策樹的分類結(jié)果與其相對(duì)應(yīng)的最大似然分類結(jié)果進(jìn)行比較可知，基于影像多特征的CART決策樹分類方法能明顯提高分類精度。

MODIS；波段選擇；NDVI；EVI；NDWI；NDMI；NDSI；CART決策樹

在利用遙感影像的土地資源研究中首先涉及的問題就是確定土地的所屬類別，即遙感圖像分類。傳統(tǒng)分類方法（監(jiān)督分類、非監(jiān)督分類）耗時(shí)，對(duì)解譯人員依賴性強(qiáng)，其結(jié)果往往因時(shí)因地因人而異，難以相互比較和轉(zhuǎn)換，多數(shù)不可重復(fù)。這些局限性影響了迅速、準(zhǔn)確、客觀地獲取大面積土地覆蓋信息[1]。因此，研究人員提出了諸如人工智能神經(jīng)網(wǎng)絡(luò)分類、決策樹方法和多元數(shù)據(jù)的專家系統(tǒng)等新方法。其中決策樹分類方法能充分利用影像的光譜特征信息和其他輔助信息，有效解決遙感影像“同物異譜，異物同譜”的問題[2]，提高了分類精度。馬里蘭大學(xué)全球8 km的土地覆蓋產(chǎn)品就是采用二元決策樹[3]；Muchoney等利用MODIS數(shù)據(jù)對(duì)美國中部地區(qū)進(jìn)行土地覆蓋分類, 決策樹分類的精度優(yōu)于神經(jīng)網(wǎng)絡(luò)和最大似然法[4]。目前，決策樹法在國內(nèi)遙感影像分類中也得到了廣泛應(yīng)用：劉勇洪等引入了2種機(jī)器學(xué)習(xí)領(lǐng)域里的分類新技術(shù)——boosting和 bagging技術(shù)。分類回歸樹CART算法較 C4.5算法具有分類精度和樹結(jié)構(gòu)方面的優(yōu)勢(shì)[5]；孫艷玲等利用決策樹分類法對(duì)山東省MODIS數(shù)據(jù)進(jìn)行土地利用類型分類，表明僅利用MODIS數(shù)據(jù)自身信息對(duì)宏觀的土地利用分類就可達(dá)到較高的精度[6]。

1 數(shù)據(jù)預(yù)處理

該研究采用的數(shù)據(jù)是MODIS09產(chǎn)品和DEM數(shù)據(jù)。首先選取了美國LPDAAC的MODIS09數(shù)據(jù)產(chǎn)品：2009-09-01~2009-09-30 MODIS 的8 d合成波段產(chǎn)品MOD09Q1(1~2波段250 m分辨率)和MOD09A1(3~7波段500 m分辨率)圖像。利用MODIS影像的處理軟件MRT對(duì)影像進(jìn)行批處理。為消除大面積云層的影響,對(duì)以上特征影像分別進(jìn)行地理幾何校正與重采樣,采樣方法為鄰近法,投影體系為雙標(biāo)準(zhǔn)緯線等積圓錐投影,分辨率統(tǒng)一到250 m,最終影像大小為6 778列×3 435行。

2 分類回歸樹

決策樹常用的算法有CART、C4.5和D3等[7，8]。分類回歸樹（classification and regression trees，CART）是Breiman[9]于1984年提出的一種決策樹構(gòu)建算法,它是一種基于樹的分類和預(yù)測(cè)方法。與其他決策樹相比，其模型使用簡單，易于理解。該方法最大限度地降低每個(gè)步驟的不純潔度，使用遞歸分區(qū)將訓(xùn)練記錄分割為組，然后根據(jù)使用的建模方法在每個(gè)分割處自動(dòng)選擇最合適的預(yù)測(cè)變量。如果節(jié)點(diǎn)中100% 的觀測(cè)值都屬于目標(biāo)字段的一個(gè)特定類別，則該節(jié)點(diǎn)將被認(rèn)定為“純潔”。目標(biāo)和預(yù)測(cè)變量字段可以是范圍字段，也可以是分類字段。所有分割均為二元分割，即分割為2組。分割標(biāo)準(zhǔn)用的是基尼系數(shù)。此方法的缺點(diǎn)是很可能形成龐大復(fù)雜的決策樹，過多樹葉會(huì)加大原始數(shù)據(jù)的噪聲，影響對(duì)影像真實(shí)信息的提取，并對(duì)最后的整體分類結(jié)果產(chǎn)生負(fù)作用，所以需要對(duì)決策樹進(jìn)行剪枝[2]。

3 CART決策樹分類

3.1 MODIS影像多特征的提取

參與分類的波段選取MODIS09的前7個(gè)波段 B1~B7，NDVI、EVI、DEM、NDWI、NDMI、NDSI。除了已獲取的B1~B7和DEM，下面分別介紹其他各影像特征及其計(jì)算方法。

1）NDVI（歸一化植被指數(shù)）：對(duì)于MODIS09來說，它的計(jì)算公式為NDVI=(B2-B1)/(B2+B1)。

2）EVI（增強(qiáng)型植被指數(shù)）[10]：EVI=2.5×(B2-B1）/（B2+C1×B1-C2×B3+L)。其 中 參數(shù)C1 和參 數(shù)C2分別為6.0和7.5，L=1為土壤調(diào)節(jié)參數(shù)。為了克服NDVI對(duì)高植被區(qū)較低的敏感性，針對(duì)MODIS影像發(fā)展新型植被指數(shù)EVI。

3）NDWI（水體指數(shù)）：NDMI=(B4-B2）/（B4+B2)。NDWI已成功地應(yīng)用到中國西北地區(qū)土地覆蓋的制圖中。

4）NDMI（ 濕 度 指 數(shù) ）：NDMI=（B4-B6）/（B4+B6）。NDMI已成功地應(yīng)用到土壤濕度的監(jiān)測(cè)中[11,12]，但還未用在宏觀土地覆蓋分類中。

5）NDSI(土壤亮度指數(shù) )：NDSI=(B1-B4)/(B1+B4)。

3.2 分類方案的確定

針對(duì)N個(gè)波段的多光譜圖像的特征選擇問題，美國查維茨教授提出了最佳指數(shù)公式，但在實(shí)際應(yīng)用過程中，由于應(yīng)用目的、研究區(qū)域、遙感圖像類別與成像季節(jié)等眾多要素的不同，特征變量的選擇是個(gè)相當(dāng)復(fù)雜的問題，所以在實(shí)踐中往往要經(jīng)過反復(fù)試驗(yàn)才能確定最優(yōu)特征變量。

為充分利用各個(gè)特征變量組合，并比較各個(gè)特征變量在分類中的作用，把已有的影像特征分為4類：原始影像特征B1~B7，植被指數(shù)NDVI、EVI， DEM，水體的指數(shù)NDWI、NDMI和NDSI。

首先選擇B1~B7波段為一個(gè)組合作為基礎(chǔ)對(duì)比，然后有次序地增加其他波段，來探討增加其他影像特征對(duì)分類結(jié)果的影響，分別增加的波段有NDVI、EVI、DEM、NDWI、NDMI和NDSI。根據(jù)經(jīng)驗(yàn)得知，植被指數(shù)和高程信息對(duì)分類效果的影響較為明顯，所以在波段組合B1~B7、DEM的基礎(chǔ)上分別增加NDVI、EVI、NDWI、NDMI和NDSI；然后在B1~B7、DEM、NDVI的 基 礎(chǔ) 上 分 別 增 加 EVI、NDWI、NDMI和NDSI；在B1~B7、DEM、EVI的基礎(chǔ)上分別增加NDWI、NDMI和 NDSI；在 B1~B7、DEM、NDVI的基礎(chǔ)上分別增加NDWI、NDMI和NDSI；在B1~B7、DEM、EVI的 基 礎(chǔ) 上 分 別 增 加 NDWI、NDMI和NDSI；最 后 在 B1~B7、DEM、NDVI、NDSI的 基礎(chǔ)上分別增加NDWI和NDMI；在B1~B7、DEM、EVI、NDSI的基礎(chǔ)上分別增加NDWI和NDMI。利用CART算法來確定各波段組合決策樹節(jié)點(diǎn)規(guī)則。

本文以山東省為研究區(qū)域，按上述分類方案探討基于MODIS09影像的CART決策樹分類方法[13]，然后從中選取分類精度最高的分類組合與最大似然分類方法進(jìn)行比較。

3.3 訓(xùn)練樣本的選取及CART決策樹建立

采用劉紀(jì)遠(yuǎn)等的分類系統(tǒng)[14]，把訓(xùn)練區(qū)分為耕地、林地、草地、水域、城鄉(xiāng)、工礦及居民用地和未利用地。輔以2005 年 TM 影像人工解譯結(jié)果作為參考，進(jìn)行訓(xùn)練樣本選擇。根據(jù)已選擇的訓(xùn)練樣本生成CART決策樹，構(gòu)建各個(gè)波段組合分別對(duì)應(yīng)的決策樹。為了使決策樹的參數(shù)具有統(tǒng)一性和可讀性,B1～B7代表MODIS前7個(gè)波段 , B8代表DEM, B9代表NDVI,B10代表 EVI,B11代表NDWI, B12代表NDMI , B13代表NDSI。根據(jù)分類方案和所選樣本建立各波段組合的CART決策樹，得到各波段組合的分類圖。

3.4 精度評(píng)價(jià)及結(jié)果分析

采用30%的樣本建立混淆矩陣，結(jié)合50 m TM分類圖對(duì)每一組波段組合的最大似然法和CART決策分類結(jié)果圖進(jìn)行精度評(píng)價(jià)，CART決策樹的最優(yōu)波段組合是B1~B7、DEM、NDVI、NDMI，分類精度（如表1、表2所示）達(dá)到了91.518%，比最大似然分類的最優(yōu)波段組合B1~B7、DEM、NDVI、NDMI、NDSI提高了4.6%，Kappa系數(shù)也由0.813 4提高到0.875 2，其部分決策樹模型如圖1所示。而且CART決策樹所使用的影像特征比最大似然法少了NDSI,提高了效率?；贑ART決策樹的最優(yōu)波段組合B1~B7、DEM、NDVI、NDMI的分類結(jié)果如圖2所示。

表1 最大似然法與CART決策樹法分類結(jié)果比較

表2 基于波段組合B1~B7、DEM、NDVI、NDMI的CART決策樹分類精度分析

圖1 波段組合B1~B7、DEM、NDVI、NDMI的部分決策樹模型

圖2 山東基于波段組合B1~B7、DEM、NDVI、NDMI組合的CART決策樹分類圖

4 結(jié) 語

結(jié)合MODIS的影像多特征，利用CART決策樹對(duì)試驗(yàn)區(qū)山東省進(jìn)行了土地覆被分類，并與相應(yīng)的最大似然分類結(jié)果相比較，CART決策樹分類能顯著提高分類精度。

1）相對(duì)于單獨(dú)利用MODIS光譜特征差異進(jìn)行的分類，隨著特征變量的增加，分類精度的總體趨勢(shì)不斷提高，但不是所用變量越多，分類精度就越高。

2）DEM、NDVI、EVI對(duì)分類精度的提高貢獻(xiàn)較大，NDMI、NDWI、NDSI次之。高程輔助信息、植被指數(shù)能顯著提高分類精度。

3）由于MODIS影像空間分辨率的限制，草地、未利用地所占面積比重較小，且草地與耕地、林地，未利用地和某些耕地、城鄉(xiāng)工礦居民地的光譜差異較小，導(dǎo)致草地、未利用地的分類精度不高，需要進(jìn)一步改進(jìn)。

[1] 趙英時(shí).遙感應(yīng)用分析原理與方法[M].北京：科學(xué)出版社，2003

[2] 齊樂,岳彩榮,基于CATR決策樹方法的遙感影像分類[J].林業(yè)調(diào)查規(guī)劃，2011,36（2）：62-66

[3] de Fries R S, Hansen M C, Townsend J G R, et al . Global Land Cover Classifications at 8 km Spatial Resolution: The Use of Training Data Derived from Landsat Imagery in Decision Tree Classifiers [J].I N T.J. Remote Sensing,1998,19(16):3 141-3 168

[4] Muchoney D, Borak J, Borak H C, et al . Application of the MODIS Global Supervised Classification to Vegetation and Land Cover Mapping of Central America[J]. INT.J. Remote Sensing,2000, 21（6）:1 115-1 138

[5] 劉勇洪,牛錚,徐永明，等.基于MODIS數(shù)據(jù)的決策樹分類方法研究與應(yīng)用[J].遙感學(xué)報(bào), 2005,9(4):405 -412

[6] 孫艷玲，楊小喚，王新生，等．基于決策樹和MODIS數(shù)據(jù)的土地利用分類[J]．資源科學(xué)，2007，29(5)： 169-174

[7] 陳云,戴錦芳,李俊杰.基于影像多種特征的CART決策樹分類方法及其應(yīng)用[J].地理與地理信息科學(xué),2008,24(2):33-36

[8] 趙萍,傅云飛,鄭劉根，等.基于分類回歸樹分析的遙感影像土地利用/覆被分類研究[J].遙感學(xué)報(bào)，2005,9(6):708-716

[9] Breiman L , Friedman J H , Olshen R A ,et al. Classification and Regression Tree[M ]. Wadsworth, 1984

[10] Enhanced Vegetation Index(EVI)[EB/OL].http://tbrs.arizona.edu/project/MODIS/evi.php,2003

[11] 趙英時(shí).美國中西部沙山地區(qū)環(huán)境變化的遙感研究[J].地理研究，2001，20（2）：213-219

[12] 劉勇洪,牛錚,徐永明,等.基于MODIS數(shù)據(jù)設(shè)計(jì)的中國土地覆蓋分類系統(tǒng)與應(yīng)用研究[J].農(nóng)業(yè)工程學(xué)報(bào),2006,22(5):99-104

[13] 陳云,戴錦芳,李俊杰.基于影像多種特征的CART決策樹分類方法及其應(yīng)用[J].地理與地理信息科學(xué),2008,24(2):33-36

[14] 劉紀(jì)遠(yuǎn),楊生.國家資源環(huán)境遙感宏觀調(diào)查與動(dòng)態(tài)研究[J].遙感學(xué)報(bào),1997,1(3):225-230

CART Decision Tree Classifier Based on Multi-feature of MODIS Data

byZHANG Hui

Taking Shandong Province as the study area, we chose composite albedo MODIS products MODIS09Q1(B1~B2 band in September 2009, 250 m resolution)、 MODIS09A1(B3~B7 band,500 m resolution) for one period of 8-day, characteristics variables vegetation index (NDVI, EVI,)NDWI, NDSI, and auxiliary information DEM by selecting a combination of image features to determine the classification schemes. The CART decision tree was built for each kind of band combination to classify MODIS images. The optimum band combination of the CART decision tree was composed of the bands of B1~B7,DEM,NDVI,NDMI and Feature variables DEM, NDVI, EVI make a greater contribution to classification results. Comparing CART decision tree classification results with their corresponding maximum likelihood classification results, it show that the CART decision tree classification based on image features can significantly improve the classification accuracy.

MODIS, bands selection, NDVI, EVI, NDWI, NDMI, NDSI,CART decision tree

P237.3

B

1672-4623（2013）02-0111-03

10.11709/j.issn.1672-4623.2013.02.035

2012-10-23。

項(xiàng)目來源：國家863計(jì)劃重點(diǎn)資助項(xiàng)目(2009AA12Z147)。

張會(huì)，碩士，研究方向?yàn)檫b感應(yīng)用。