王光遠(yuǎn)

福建師范大學(xué)地理科學(xué)學(xué)院 350108

引言

遙感信息的提取與分類是遙感影像分析與應(yīng)用的重要內(nèi)容。傳統(tǒng)遙感圖像分類方法有監(jiān)督分類與非監(jiān)督分類[2]；近年較新的遙感圖像分類比如人工神經(jīng)網(wǎng)絡(luò)分類法、模糊分類法[3]和專家系統(tǒng)分類法[4]等都是以遙感影像的光譜特征為基礎(chǔ)的。但遙感影像本身存在“同譜異物，同物異譜”的現(xiàn)象，這些僅依賴于光譜特征的分類方法往往會(huì)導(dǎo)致遙感影像的錯(cuò)分或漏分，從而降低遙感影像分類精度[5]。

決策樹分類方法是一種基于空間數(shù)據(jù)挖掘來(lái)獲得分類規(guī)則的方法，數(shù)據(jù)挖掘（Data mining, DM）是從大量的、不完全的、模糊的、隨機(jī)的數(shù)據(jù)中，提取隱含其中的、人們不知道的、具有潛在利用價(jià)值的信息和知識(shí)的過(guò)程[6]，決策樹分類方法能夠有效地將遙感影像中的光譜信息和空間紋理信息結(jié)合，并借助現(xiàn)有的土地、植被和水體等土地類型的分類知識(shí)對(duì)影像進(jìn)行土地類型分類。本文嘗試基于決策樹分類方法之上，結(jié)合光譜特征提取值和紋理信息特征提取值對(duì)Landsat5 TM影像進(jìn)行分類，并將分類結(jié)果與運(yùn)用最大似然法的監(jiān)督分類結(jié)果進(jìn)行對(duì)比分析。

1 研究區(qū)概況與數(shù)據(jù)來(lái)源

尤溪縣是福建省三明市下轄的一個(gè)縣，位于三明市東部，北緯2 5°5 0′～2 6°2 6′，東經(jīng)117°48′～118°39′，總面積3425.3平方千米，屬中亞熱帶季風(fēng)性濕潤(rùn)氣候。夏季暖熱，冬季溫涼，春夏多雨，降水豐富。地處閩中、戴云山脈以北，境內(nèi)山嶺聳峙，丘陵起伏，山峰林立，盆地錯(cuò)綜；中部河谷斜貫?zāi)媳薄Ｈh區(qū)位優(yōu)勢(shì)明顯，資源豐富、交通便利。

本研究采用的數(shù)據(jù)有：福建省尤溪縣梅仙鎮(zhèn)2006年Landsat5 TM影像和ASTER影像、梅仙鎮(zhèn)GPS野外實(shí)測(cè)樣本點(diǎn)數(shù)據(jù)。

2 原理與方法

2.1 光譜信息特征提取

遙感圖像中的光譜特征是反映地物本身物理屬性的基本特征，常用的光譜特征提取方法有代數(shù)運(yùn)算法、導(dǎo)數(shù)法和變換法[1]。本文利用波段間的比值消除地形和光照等影響，利用NDVI(歸一化植被指數(shù))和NDWI（歸一化水體指數(shù)）分別對(duì)植被和水體進(jìn)行特征提取。NDVI(歸一化植被指數(shù))反映了植被光譜的典型特征，部分消除大氣程輻射和太陽(yáng)-地物-衛(wèi)星三者相對(duì)位置（遙感幾何）的影響，增強(qiáng)了對(duì)植被的響應(yīng)能力，具有簡(jiǎn)易操作的特點(diǎn)，是目前應(yīng)用最廣的植被指數(shù)[7]。NDWI（歸一化水體指數(shù)）反映了水體光譜的典型特征。

2.2 紋理信息特征提取

由于研究區(qū)域山地居多，地形崎嶇，目視解譯工作難度大。同時(shí)，分類結(jié)果因遙感圖像本身的空間分辨率以及同物異譜和異物同譜現(xiàn)象的大量存在，會(huì)有較多的錯(cuò)分、漏分情況出現(xiàn)，也導(dǎo)致分類精度降低。為此，許多專家學(xué)者進(jìn)一步引入紋理特征，以增強(qiáng)不同地物的可識(shí)別性。

紋理特征是一種不依賴于物體表面色調(diào)或亮度的、反映圖像灰度的空間變化情況，表現(xiàn)為平滑性、均一性、粗糙性和復(fù)雜程度[1]。紋理特征提取的主要方法是基于灰度共生矩陣的紋理特征提取方法，利用的是紋理特征的局部隨機(jī)性和整體統(tǒng)計(jì)規(guī)律性的特點(diǎn)。對(duì)于遙感圖像來(lái)說(shuō)對(duì)比度(contrast)、熵(entropy)、逆差矩(homogeneity)和相關(guān)性(correlation)等統(tǒng)計(jì)量效果最好[8]。本文以ENVI為平臺(tái)，先對(duì)試驗(yàn)區(qū)遙感影像進(jìn)行主成分分析，有效去除噪音和冗余，取變換后的第一主成分分量；再根據(jù)灰度共生矩陣紋理提取方法對(duì)影像進(jìn)行紋理分析，得到對(duì)比度(contrast)、熵(entropy)、逆差矩(homogeneity)和相關(guān)性(correlation)紋理特征圖像。

2.3 DEM

DEM即數(shù)字高程模型，是一定范圍內(nèi)規(guī)則格網(wǎng)點(diǎn)的平面坐標(biāo)(x y)及其高程(z)的數(shù)據(jù)集，它主要是描述區(qū)域地貌形態(tài)的空間分布，是通過(guò)等高線或相似立體模型進(jìn)行數(shù)據(jù)采集（包括采樣和量測(cè)），然后進(jìn)行數(shù)據(jù)內(nèi)插而形成的，是對(duì)地貌形態(tài)的虛擬表示，可派生出等高線、坡度圖等信息。由于試驗(yàn)區(qū)分布著大量低山丘陵，林地與耕地較難區(qū)分，林地主要分布在低山丘陵地區(qū)，與耕地在高程上有明顯差異，所以嘗試?yán)肈EM將林地從植被中區(qū)分出來(lái)。

2.4 決策樹分類

決策樹分類法突破了以往分類樹或分類規(guī)則的構(gòu)建要利用分類者的生態(tài)學(xué)和遙感知識(shí)先驗(yàn)確定，其結(jié)果往往與其經(jīng)驗(yàn)和專業(yè)知識(shí)水平密切相關(guān)，決策樹分類過(guò)程中能夠利用GIS數(shù)據(jù)庫(kù)中的地學(xué)知識(shí)輔助分類[5]，將數(shù)據(jù)分割為特征更為均質(zhì)的子集，簡(jiǎn)化了計(jì)算過(guò)程，提高了分類精度。本文采用的是二叉樹結(jié)構(gòu)，二叉樹除葉子節(jié)點(diǎn)之外，每個(gè)節(jié)點(diǎn)都有兩個(gè)分支。在分類過(guò)程中，可以將復(fù)雜的問(wèn)題轉(zhuǎn)化成多級(jí)兩類分類問(wèn)題。在每個(gè)節(jié)點(diǎn)Ni處，分類器都把樣本集分為左和右兩個(gè)子集，每一部分可能依舊包含著多類別的樣本，需要把每一部分再劃分成兩個(gè)子集，以此類推，直到所分成的每一部分只包含同一個(gè)類別的樣本，或某一類樣本占優(yōu)勢(shì)而不可再分為止[9]。

3 分類過(guò)程

3.1 最大似然法分類

圖1 尤溪縣梅仙2006年遙感影像最大似然法分類結(jié)果

表1 2006年尤溪縣梅仙TM影像最大似然法分類結(jié)果精度評(píng)價(jià)

本文采用監(jiān)督分類中最常見(jiàn)的最大似然分類結(jié)果作為對(duì)照，通過(guò)選擇訓(xùn)練樣區(qū)和定點(diǎn)考察，進(jìn)行監(jiān)督分類，分類結(jié)果見(jiàn)圖1，并進(jìn)行分類后結(jié)果精度評(píng)價(jià)，見(jiàn)表1。

3.2 基于決策樹分類

圖2 基于決策樹的分類方法原理圖

根據(jù)梅仙鎮(zhèn)的實(shí)際情況并結(jié)合實(shí)地采樣結(jié)果，土地類型劃分為水體、林地、農(nóng)田、建設(shè)用地和裸地及工礦用地五類。根據(jù)實(shí)地考察結(jié)果，針對(duì)各土地類型選取相應(yīng)的訓(xùn)練樣區(qū)，分別進(jìn)行最大值、最小值、均值和方差統(tǒng)計(jì)，在結(jié)合QUEST決策樹算法的基礎(chǔ)上，集成影像光譜信息、空間紋理信息和DEM等數(shù)據(jù)于一體的多源數(shù)據(jù)確定決策樹分類規(guī)則，見(jiàn)圖2。通過(guò)ENVI4.8軟件平臺(tái)運(yùn)行決策樹，分類結(jié)果見(jiàn)圖3，分類后，用精度驗(yàn)證訓(xùn)練樣區(qū)進(jìn)行精度評(píng)價(jià)，見(jiàn)表2。

表2 2006年尤溪縣梅仙TM影像基于決策樹分類結(jié)果精度評(píng)價(jià)

4 結(jié)果與分析

由于遙感影像的復(fù)雜性，經(jīng)常存在同物異譜和同譜異物的現(xiàn)象，為了準(zhǔn)確區(qū)分光譜特征相似的目標(biāo)地物，需結(jié)合影像的紋理信息以及其他有效輔助信息?；诠庾V特征和紋理特征的決策樹分類方法，實(shí)現(xiàn)了對(duì)Landsat5 TM遙感影像的數(shù)據(jù)挖掘，獲取了更多分類參考信息，分類精度達(dá)到了93.93%，相比最大似然法，精度提高了2.70%，其中基于決策樹的分類方法對(duì)于林地和建設(shè)用地分類的提升較為明顯，但是受同譜異物影響，在研究裸地及其工礦用地時(shí)，存在明顯的缺陷，分類精度低，若能夠結(jié)合更多的光譜信息和空間紋理信息等輔助數(shù)據(jù)，并能夠?qū)Y(jié)果進(jìn)行分類后處理，將進(jìn)一步提高決策樹分類的精度。

[1]黃立賢，沈志學(xué).基于決策樹的landsat多光譜影像分類方法.光電技術(shù)應(yīng)用，2011(6):49-51

[2]梅安新，彭望，秦其明，等.遙感導(dǎo)論[M].北京:高等教育出版社，2001

[3]王圓圓，李京.遙感影像土地利用/覆蓋分類方法研究綜述[J].遙感信息，2004(01)：53-59

[4]肖鵬峰，劉順喜，馮學(xué)智，等.中分辨率遙感圖像土地利用[J].國(guó)土資源遙感，2004(4)：41-45

[5]翁中銀，何政偉，于歡.基于決策樹分類的地表覆蓋遙感信息提取 2012(4)：110-111

[6]史忠植.知識(shí)發(fā)現(xiàn)[M].北京：清華大學(xué)出版社，2002：22-45

[7]沙晉明.遙感原理與應(yīng)用.北京:科學(xué)出版社，2012

[8]Benediktsson J A，Sveinsson J R，Kolbeinn Areas.Classi—fication and Feature Extraction of A，IRIS Data[J].IEEETransaction on Geoscience an d Remote Sensing，1995，33(5)：1194-1205

[9]閆培潔，于子凡，王勇軍.基于遙感影像光譜信息的二叉決策分類樹自動(dòng)生成方法研究[J].測(cè)繪科學(xué)，2009，34(6)：184-186