□ 劉航 林峰 周艷

（國家測繪地理信息局黑龍江基礎(chǔ)地理信息中心，黑龍江哈爾濱150081）

基于決策樹的洪河自然保護(hù)區(qū)遙感影像分類研究

□ 劉航 林峰 周艷

（國家測繪地理信息局黑龍江基礎(chǔ)地理信息中心，黑龍江哈爾濱150081）

本文以黑龍江國家級洪河自然保護(hù)區(qū)濕地為研究區(qū)域，探討了提取濕地基礎(chǔ)信息的方法。采用Landsat-5TM遙感影像數(shù)據(jù)，在已選擇的訓(xùn)練樣本數(shù)據(jù)中，使用分類回歸樹（CART）算法挖掘分類規(guī)則，將遙感影像的光譜特征、地學(xué)輔助數(shù)據(jù)和紋理特征等進(jìn)行綜合考慮分析，并建立保護(hù)區(qū)濕地信息提取的決策樹模型。結(jié)合在野外實測GPS樣本點的基礎(chǔ)上，對分類結(jié)果進(jìn)行精度驗證，并與傳統(tǒng)的最大似然監(jiān)督分類方法（MLC）進(jìn)行比較分析。在研究成果中得到，總精度和Kappa系數(shù)在基于CART的決策樹分類方法結(jié)果中分別為82.14%和0.76，分類精度與MLC監(jiān)督分類方法相比較有明顯的提高，得到較好的分類效果。

遙感影像；決策樹分類；濕地；信息提取；CART算法

引言

遙感技術(shù)領(lǐng)域的研究中遙感影像的分類是非常重要的一個組成部分。概率統(tǒng)計的模式識別分類方法是傳統(tǒng)的遙感影像分類方法，但是在依靠地物光譜特征進(jìn)行分類過程中存在“同物異譜”和“異物同譜”現(xiàn)象，就會容易導(dǎo)致錯分、漏分，從而會導(dǎo)致降低分類結(jié)果精度[1-3、8]。當(dāng)前多光譜遙感影像自身具有大量信息，例如地物的紋理特征和幾何知識以及地物間鄰近關(guān)系等。在相關(guān)的研究結(jié)果中，結(jié)合影像的光譜信息、紋理信息和其他地學(xué)輔助信息等可以對影像的分類精度結(jié)果有很大提高。本文主要采用了分類回歸樹的類方法，把影像的紋理、光譜和輔助地學(xué)這三種特征作為決策樹的測試變量，對洪河國家級自然保護(hù)區(qū)濕地2010年Landsat-5TM影像進(jìn)行分類，把分類結(jié)果與我們傳統(tǒng)的最大似然法分類結(jié)果進(jìn)行比對。探索基于CART算法的決策樹分類方法在濕地基礎(chǔ)地物信息分類方面的優(yōu)勢。

1.研究區(qū)域與方法

1.1 研究區(qū)域與數(shù)據(jù)

黑龍江洪河國家級自然保護(hù)區(qū)位于黑龍江省三江平原腹地，坐落在同江市與撫遠(yuǎn)縣境內(nèi)，被三個國營農(nóng)場所包圍，保護(hù)區(qū)東南部為前鋒農(nóng)場，西北部為鴨綠河農(nóng)場，西南部為洪河農(nóng)場，被濃江中游、沃綠蘭河所環(huán)繞。其地理坐標(biāo)為東經(jīng)133°33′19′-133°47′35′，北緯47°41′58′-47°52′03′，總面積為21835.7公頃，地質(zhì)構(gòu)造屬于中生代同江內(nèi)陸斷陷的次級單位。撫遠(yuǎn)凹陷的中部西南部分，因為受構(gòu)造區(qū)長期的下降影響，使得保護(hù)區(qū)內(nèi)兩條河的分水線、河間階地發(fā)育特別明顯，河漫灘也特別的廣闊。保護(hù)區(qū)地勢相對平坦，由西南向東北表現(xiàn)微傾斜，西南端海拔高度為54.5m，東北處海拔51.5m，相對高度差為3m，地面坡降為1/5000-1/10000。

本研究區(qū)域所選取能夠覆蓋洪河自然保護(hù)區(qū)分辨率為30m，2010年Landsat-5TM遙感影像的基礎(chǔ)數(shù)據(jù)在幾何校正過程中，參考數(shù)據(jù)使用1∶5萬地形圖作為參考，糾正方法為二次多項式方法，校正后誤差不大于0.5個像元。因為研究區(qū)域范圍已經(jīng)超出單幅TM影像的覆蓋范圍，需要對影像進(jìn)行鑲嵌與裁剪。首先選用直方圖匹配法實現(xiàn)兩幅圖像的亮度值匹配，然后洪河國家級自然保護(hù)區(qū)濕地的矢量邊界數(shù)據(jù)對影像進(jìn)行裁剪。

1.2 實地考察

分別于2012年6月和2013年8月對洪河自然保護(hù)區(qū)進(jìn)行了實地考察，利用GPS定位，在保護(hù)區(qū)內(nèi)選取了100個測試樣本進(jìn)行數(shù)碼拍照，用于實驗室內(nèi)分類精度的驗證。同時考察了保護(hù)區(qū)內(nèi)的實際覆被類型分布情況，并結(jié)合保護(hù)區(qū)實際狀況本文將保護(hù)區(qū)劃分為：沼澤、林地、耕地、草甸4種土地覆被類型。

2.研究方法

2.1 分類回歸樹

決策樹（Decision tree）是通過對訓(xùn)練樣本進(jìn)行歸納學(xué)習(xí)生成決策樹或決策規(guī)則，然后用決策樹或決策規(guī)則對新數(shù)據(jù)進(jìn)行分類的一種數(shù)學(xué)方法[1]。在決策樹的樹狀圖中，某屬性的測試在其內(nèi)部對應(yīng)一個結(jié)點（Internal Node），此屬性的一個可能值或多個可能值的集合組成決策樹下的每個分支（Branch），每個樹葉結(jié)點對應(yīng)的是一個目標(biāo)類別（Target Class）。Breiman在1984年提出的分類回歸樹是一種比較成熟的決策樹構(gòu)建方法。它的基本原理是：通過對由測試變量和目標(biāo)變量構(gòu)成的訓(xùn)練數(shù)據(jù)集的循環(huán)二分形成二叉樹形式的決策樹結(jié)構(gòu)。這種算法既可用于分類又可用于連續(xù)變量的預(yù)測，當(dāng)目標(biāo)變量為離散值時稱為分類樹，當(dāng)目標(biāo)變量為連續(xù)值時稱為回歸樹。在遙感分類過程中，目標(biāo)變量是地物類型值，測試變量為所利用的分類特征。該算法的優(yōu)點為:結(jié)構(gòu)清晰，易于理解，實現(xiàn)簡單，運(yùn)行速度快，準(zhǔn)確性高，可有效地處理大量高維數(shù)據(jù)和非線性關(guān)系；對輸入數(shù)據(jù)無任何統(tǒng)計分布要求，輸入數(shù)據(jù)可以是連續(xù)變量也可以是離散值；包容數(shù)據(jù)缺失和錯誤，可給出測試變量的重要性[4，5]。

2.2 訓(xùn)練樣本選取

在影像分類過程中，分類精度結(jié)果的好與壞和訓(xùn)練樣本如何選取有很大的關(guān)系。為了更好的影像判讀，我們經(jīng)過實驗，用4、3、2波段進(jìn)行組合（圖1），能夠更好的區(qū)分遙感影像中的林地、草甸、耕地、沼澤四種類型。利用ENVI 5.0軟件畫出ROI范圍?？偣策x取了近350個訓(xùn)練樣本來分析保護(hù)區(qū)中地物的紋理信息和光譜信息。

圖1 基于TM 4、3、2波段洪河自然保護(hù)區(qū)假彩色影像

2.3 測試變量的選取

采用CART算法進(jìn)行計算分析訓(xùn)練樣本，第一主成分PCA1；TM影像的6個波段灰度值作為測試變量；纓帽變換后的綠度指數(shù)、濕度指數(shù)和亮度指數(shù)。根據(jù)8個紋理特征值，選用33為紋理特征窗口，0為移動方向，1為移動步長，共選取18個測試變量，離散變量定義為坡向，其他的變量均定義為連續(xù)變量。采用ENVI5.0CART的算法補(bǔ)丁已經(jīng)決策樹的分類[6-7，11]，這種算法已經(jīng)通過了自動閾值的處理，得到了最優(yōu)的二叉樹（如圖2所示）。為了和CART分類精度比對，本文運(yùn)用了監(jiān)督分類的最大似然飯對紅河自然保護(hù)區(qū)進(jìn)行分類。最后得到的分類結(jié)果（如圖3、4所示）。

圖2 決策樹的生成

圖3 決策樹分類結(jié)果

圖4 最大似然法分類結(jié)果

3.精度評價

本文對MLC和CART兩種方法進(jìn)行精度評價，包括KAPPA系數(shù)還有總體精度，本文參考了外業(yè)實測的GPS樣本點，高分影像和1∶5萬地形圖，獲取了120個驗證樣本。

表1 決策樹分類與監(jiān)督分類兩種方法的總體精度及Kappa系數(shù)比較

4.結(jié)論

通過以上結(jié)果可以發(fā)現(xiàn)采用CART決策樹分類要比最大似然法要好很多。利用灰度共生矩陣提取的影像紋理信息以及加入的NDVI，也可以幫助我們能更好的提高決策樹分類的精度。但是本研究也存在了一些不足之處，比如對陰影的處理可以放在分類之前進(jìn)行會更好些，如果能更好的完成對決策樹的修剪工作，就可以避免產(chǎn)生過度分類的情況發(fā)生。此外，如何利用其它特征構(gòu)建決策樹進(jìn)行分類，提高分類精度，是后續(xù)需要解決的問題。

【1】申文明，王文杰，羅海江等.基于決策樹分類技術(shù)的遙感影像分類方法[J].遙感技術(shù)與應(yīng)用，2007，22（3）:333-338.

【2】劉勇洪，牛錚，王長耀.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，2005，9（4）:405-412.

【3】李爽，丁圣彥，錢樂祥.決策樹分類法及其在土地覆蓋分類中的應(yīng)用[J].遙感技術(shù)與應(yīng)用，2002，17（1）：6-11.

【4】BreimanL，F(xiàn)riedmanJH，OlshenRA，etal.ClassificationandRegressionTrees[M].Monterey，California，U.S.A.WadsworthnternationalGroup，1984.

【5】YohannesY，HoddinottJ.ClassificationandRegressionTree：AnIntroduction[M].Washington，D. C.，U.S.A.:InternationalFoodPolicyResearchInstitute，1999.

【6】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[J].

地理空間信息，2012，10（2）：110-112.

【7】李楊，江南，呂恒等.基于水稻特征波段的決策樹分類研究[J].地理與地理信息科學(xué)，2010，26（2）：11-14.

【8】賈坤，李強(qiáng)子，田亦陳等.遙感影像分類方法研究進(jìn)展[J].SpectroscopyandSpectral Analysis，2011.

【9】楊曦光，黃海軍，嚴(yán)立文等.基于決策樹方法的海島土地利用分類研究[J]國土資源遙感，2012，24（2）：116-120.

【10】齊樂，岳彩榮.基于CART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.

【11】張樹清，于歡.基于QUEST決策樹兼容多源數(shù)據(jù)的淡水沼澤濕地信息提取[J].生態(tài)學(xué)雜志，2009，28（2）:357-365.

【12】王柳，段英.利用遙感影像進(jìn)行植被分布分析[J].測繪與空間地理信息，2012，35（3）：140-142.

劉航（1982年——），女，黑龍江牡丹江人，工程師，碩士，2009年畢業(yè)于哈爾濱師范大學(xué)自然地理學(xué)專業(yè)，主要從事遙感影像的應(yīng)用研究工作。

P237

B

2095-7319（2014）04-0080-04