摘 要：基于IKONOS遙感影像，采用決策樹分類算法對南京的植被覆蓋進(jìn)行分類。根據(jù)各種植被光譜特征建立知識庫，確定決策樹規(guī)則與算法對植被進(jìn)行了有效分類與識別，精度較高。

關(guān)鍵詞：遙感影像；植被分類；知識庫；決策樹；紋理

1 概述

植被作為生態(tài)系統(tǒng)的主要組成，是生態(tài)系統(tǒng)存在的基礎(chǔ)，也是聯(lián)結(jié)土壤、大氣和水分的自然“紐帶”，它在陸地表面的能量交換過程、生物地球化學(xué)循環(huán)過程和水文循環(huán)過程中扮演著重要的角色，在全球變化研究中起著“指示器”的作用[1]。自然界的植被類型復(fù)雜多樣，傳統(tǒng)的進(jìn)行實(shí)地調(diào)查的方法耗費(fèi)大量人力和物力，近年來日益成熟的遙感技術(shù)為植被的分類和識別提供了一條新的途徑。遙感影像全面真實(shí)地記錄了地表植被與環(huán)境的信息，植被類型的波譜特性在影像上表現(xiàn)為亮度值的不同，這使得對它們的區(qū)分成為可能。

目前對于植被類型的識別方法很多，但是由于各種植被類型相互摻雜，且受土壤濕度、同譜異物和同物異譜等多種因素的影響，傳統(tǒng)的分類方法對于植被類型識別的結(jié)果精度不高。植被的光譜特征可使其在遙感影像上有效地與其他地物相區(qū)別；植被指數(shù)也被廣泛用來定性和定量評價植被覆蓋及其生長活力。與單波段相比，用植被指數(shù)探測綠色植被更具有靈敏性；決策樹分類法具有靈活、直觀、清晰、健壯及運(yùn)算效率高等特點(diǎn)，相對傳統(tǒng)的分類方法而言，決策樹分類法對于輸入數(shù)據(jù)空間特征和分類標(biāo)識具有更好的彈性和魯棒性[2]。

本實(shí)驗(yàn)通過各種植被類型的光譜特征統(tǒng)計(jì)，得到各種植被類型的光譜曲線和NDVI區(qū)間，并利用植被分布的紋理特征，通過比較與分析確定決策樹的規(guī)則，進(jìn)行植被分類。

2 研究區(qū)概況和數(shù)據(jù)

本實(shí)驗(yàn)所選取的研究區(qū)為南京地區(qū)。該地區(qū)地處長江下游的丘陵地區(qū)，中心位于北緯31°56，東經(jīng)119°14；海拔高度20-448m，屬北亞熱帶季風(fēng)氣候區(qū)，年平均氣溫15.1℃，年降水量1019mm。該地區(qū)的植被的特征和種類具有較強(qiáng)的代表性。本實(shí)驗(yàn)所采用的數(shù)據(jù)為IKONOS遙感影像。影像成像于3月份，大小為400×400像素，影像的空間分辨率為4m，如圖1所示。

3 基于光譜信息的植被分類

3.1利用NDVI進(jìn)行植被與非植被的區(qū)分

陳君穎、田慶久[3]經(jīng)過實(shí)地考察與土地利用現(xiàn)狀圖相結(jié)合，確定南京的植被類型主要分為灌木林地、草地、農(nóng)田。由于本試驗(yàn)所用影像為3月份成像，考慮到植被的季相不同，例如豌豆等作物在影像上的表現(xiàn)接近于裸地，故而確定南京的植被類型為灌木林地、草地、農(nóng)田、裸地，目視判讀如圖1所示。由于本研究的目的是對植被進(jìn)行分類，因此需要將植被與非植被分開。已有很多研究證明，用歸一化植被指數(shù)（NDVI）進(jìn)行閾值分割可較精確地提取出植被信息。NDV I被定義為近紅外波段與可見光紅波段數(shù)值之差和這兩個波段數(shù)值之和的比值。即：

NDVI=（DNNIR-DNR）/（DNNIR+DNR）

本研究選取多個植被樣本，通過比較其NDVI值，確定了NDVI的閾值為0.5，即NDVI≥0.5的像元為植被，否則為非植被。

3.2 不同植被類型光譜特征的統(tǒng)計(jì)

不同植被類型具有不同的光譜特征，本試驗(yàn)對遙感影像中各種植被類型進(jìn)行了光譜特征統(tǒng)計(jì)分析。陳君穎、田慶久[3]利用對所有樣本四個波段的DN值、NDVI值及紋理信息進(jìn)行決策樹進(jìn)行植被分類取得了較好的分類結(jié)果。本試驗(yàn)通過對不同植被類型進(jìn)行采樣，共選擇了396個灌木林地樣本、721個草地樣本、497個農(nóng)田1樣本、423個農(nóng)田2樣本、398個裸地樣本。然后對所有的樣本實(shí)驗(yàn)得出各種植被類型的紋理信息（利用Homogeneity指數(shù)[7]計(jì)算得到）、4個波段的DN值及NDVI進(jìn)行了統(tǒng)計(jì)分析，見表1，其中B1、B2、B3、B4、B5、B6分別代表紋理，近紅外波段、藍(lán)光波段、綠光波段、紅光波段、NDVI。B1利用Homogeneity指數(shù)計(jì)算得到，如圖2所示。

從統(tǒng)計(jì)資料表1與圖2比較分析得到：

（1）在B5（紅光）波段上，灌木林地相比于其它植被種類DN值較大，因此可以用B5波段的DN值將灌林與農(nóng)田、草地、裸地分開；（2）從統(tǒng)計(jì)資料發(fā)現(xiàn)，農(nóng)田1，農(nóng)田2，草地在B5（紅光）波段上的DN值農(nóng)田1相對較小，因此可以用B5波段的DN值將農(nóng)田1與農(nóng)田2、草地區(qū)分開；（3）農(nóng)田2與草地在B4（綠光）波段上DN值差別較大，因此可以用B4波段上的DN值區(qū)分開農(nóng)田2與草地；（4）從各種植被類型的光譜特征統(tǒng)計(jì)（表1）和B4（綠光）波段的紋理一致性圖（圖2）上我們通過比較分析，發(fā)現(xiàn)可能由于地物分布較為支離破碎，紋理并不能起到區(qū)分植被類型的作用。

3.3 決策樹算法

決策樹（Decision tree）法是指根據(jù)影像的不同特征，以樹型結(jié)構(gòu)表示分類或決策集合，產(chǎn)生規(guī)則和發(fā)現(xiàn)規(guī)律[4]。首先利用訓(xùn)練空間實(shí)體集生成判別函數(shù)，其次根據(jù)不同取值建立樹的分支，在每個分支子集中重復(fù)建立下層結(jié)點(diǎn)和分支，最后形成決策樹[5]。決策樹由一個根結(jié)點(diǎn)（Root nodes）、一系列內(nèi)部結(jié)點(diǎn)（Internal nodes）和終極結(jié)點(diǎn)（Terminal nodes）組成，每個結(jié)點(diǎn)只有一個父結(jié)點(diǎn)和兩個或多個子結(jié)點(diǎn)。決策樹算法在遙感分類中的應(yīng)用是依據(jù)規(guī)則把遙感數(shù)據(jù)集一級級往下細(xì)分作為決策樹的各個分支，終極結(jié)點(diǎn)則為分類結(jié)果（圖3）。

3.4 基于光譜信息的植被分類

本試驗(yàn)通過在3.2小節(jié)中對各種植被類型的光譜信息與紋理信息的比較與分析，結(jié)合ENVI軟件的決策樹自動生成模塊，對自動生成的決策樹進(jìn)行了反復(fù)的試驗(yàn)與改進(jìn)，最終確定如圖4的決策樹算法。

圖4中，B2、B3、B4、B5分別為近紅外、藍(lán)光、綠光、紅光波段的DN值， B6為植被的NDVI。

分類過程為：

（1）計(jì)算影像的B5波段的DN值， 其中DN值小于等于291的提取為水體，DN值大于291的提取為植被、建筑、裸地；（2）計(jì)算影像的NDVI值，其中大于0.5的歸為植被類，小于等于0.5的劃分為建筑與裸地；（3）在植被類型的區(qū)分中，B5波段DN值小于等于485的分為灌木林地類，大于485的提取為農(nóng)田1、農(nóng)田2、草地；（4）在建筑與裸地的去分中，B3波段DN值大于609的劃分為建筑2，小于等于609的提取為建筑1、建筑3與裸地；（5）在農(nóng)田1、農(nóng)田2、草地的區(qū)分中，B5波段的DN值小于等于606的劃分為農(nóng)田1，大于606的劃分為農(nóng)田2與草地；（6）在建筑1、建筑3、裸地的區(qū)分中，B2波段的DN值大于484的提取為建筑1，相反提取為裸地與建筑3；（7）在農(nóng)田2與草地的區(qū)分中，B4波段的DN值大于334的提取為農(nóng)田2，小于等于334的劃分為草地；（8）在裸地與建筑3的區(qū)分中，B5波段的DN值大于368的提取為裸地，小于等于368的劃分為建筑3。應(yīng)用該算法對影像進(jìn)行植被分類，并將建筑1、建筑2、建筑3、水體合并，得到的植被分類結(jié)果如圖5所示。

3.5 分類結(jié)果精度評價

為了對分類結(jié)果精度進(jìn)行評價，本研究通過遙感影像目視判讀，分別選取了71個建筑水體樣本，769個草地樣本、400個灌木林地樣本、520個農(nóng)田1樣本和460個農(nóng)田2樣本，457個裸地樣本，建立混淆矩陣，計(jì)算相關(guān)指標(biāo)，得到分類精度評價，結(jié)果見表2。

由圖1目視判讀也可以看出，裸地易與建筑類混淆，草地易與農(nóng)田2混淆。在表2中，就每種植被類型的用戶精度而言，灌林和農(nóng)田1（見圖1）的分類精度最高，裸地、農(nóng)田2和草地（見圖1）的分類精度相對較低，這與目視判讀是一致的。從表2可知，測試樣本的總體分類精度達(dá)到了81.3%，證明該植被分類方法具有較好的分類能力和可行性。

4 結(jié)束語

文章提出的植被分類方法是基于各種植被類型光譜特征的知識庫采用的決策樹分類算法。研究結(jié)果表明，該植被分類方法能有效地對植被進(jìn)行分類與識別，精度較高。對于不同的數(shù)據(jù)源，如能綜合利用更多的地理信息，會進(jìn)一步提高分類的精度。隨著遙感理論與技術(shù)的發(fā)展，應(yīng)用多種地理信息綜合分析，勢必會成為未來發(fā)展的主導(dǎo)方向。

參考文獻(xiàn)

[1]張?jiān)葡?，李曉兵，陳云?草地植被蓋度的多尺度遙感與實(shí)地測量方法綜述[J].地球科學(xué)進(jìn)展，2003，18（1）：85-93.

[2]李爽，張二勛.基于決策樹的遙感影像分類方法研究[J].地域研究與開發(fā)，2003，22（1）：17-21.

[3]陳君穎，田慶久.高分辨率遙感植被分類研究[J].遙感學(xué)報，2007，11（2）：221-227.

[4]Quinlan J. Introduction of Decision Trees[J].Machine Learning，1986（5）：239-266.

[5]Li D R， Wang S L， LiD Y， etal. Theories and Technologies of Spatial Data Mining and Knowledge Discovery [J]. Geomantic and Information Science of Wuhan University，2002，27（3）：221-233.

[6]Friedl M A，Brodeley C E. Decision Tree Classification of Land Cover from Remotely Sensed Data [J].Remote Sens.Environ，1997（61）：399-409.

[7]Haralick R. Statistical and Structural Approaches to Texture [J].Proceedings of the IEEE，1979，67（5）：786-804.

作者簡介：張文靜（1984，3-），女，工程師，廣州市水務(wù)科學(xué)研究所，現(xiàn)主要從事測繪、地理信息系統(tǒng)技術(shù)有關(guān)的應(yīng)用研究、技術(shù)開發(fā)、生產(chǎn)管理等方面工作。