韓東升

【摘 要】航空遙感測繪的重要內容是獲取地理信息。鄉(xiāng)村地區(qū)是航空遙感測繪的重要研究區(qū)域。本文嘗試了利用植被指數信息構建決策樹算法，以有效區(qū)分鄉(xiāng)村區(qū)域遙感影像的植被、水體和裸露土壤這三類地物。利用一景內蒙古巴盟地區(qū)的EO-1多光譜遙感影像開展了算法實例驗證，說明本文的方法可以快速、有效地得到鄉(xiāng)村地區(qū)分類結果。

【關鍵詞】遙感影像分類 鄉(xiāng)村地區(qū) 決策樹

1 引言

近年來，隨著3S技術的興起，航空遙感測繪在數字城市建模中發(fā)揮了重要作用。然而，中國的大面積國土仍屬于鄉(xiāng)村區(qū)域，其航空遙感的相關研究相對較少。因此，本文針對鄉(xiāng)村地區(qū)的遙感影像，開展了分類研究。決策樹是一種非參數的分類算法，它通過一系列兩類分類的節(jié)點，可以將多類分類的復雜問題簡化。決策樹的一個十分突出的優(yōu)勢是：它除了可以獲得較為滿意的分類精度外，還可以得出分類的樹形流程圖，為用戶提供重要參考，并幫助其理解分類過程。

2 方法

在決策樹算法的構建中，最重要的是對各個節(jié)點的分類條件進行設置。在鄉(xiāng)村遙感影像中，植被是主要的地物，例如樹林、莊稼等。而對于植被，一般是利用歸一化植被指數（Normalized Difference Vegetation Index）來進行信息提取的。大量研究表明，植被的NDVI大于0.3，而水體的NDVI小于0.1。然而，受到天氣狀況、光照角度、遙感器噪聲等因素的影響，在不同的地區(qū)，各種地物的NDVI值也會略有變化。因此，利用決策樹和NDVI來進行地物分類，需要根據研究區(qū)域和數據類型來具體選定閾值。

圖1是本文所構建的決策樹分類器，該圖可以直觀地反映出分類算法的流程。首先，當NDVI值大于0.3時，地物被判定為植被（V），否則，進入下一個節(jié)點的判斷：若NDVI大于0.2，則表明是裸露土壤（V），否則是水體（W）。圖1決策樹的構建是根據一景EO-1中分辨率遙感影像數據來進行的，第三節(jié)實驗部分對該數據進行了更為詳細的說明。

3 實驗

本文算法所采用的數據由EO-1改進型陸地成像儀（Advanced Land Imager，ALI）獲取。EO-1于2000年升空，承擔了輔助Landsat系列衛(wèi)星對地觀測的任務，其遙感器ALI參數與Landsat的相似，其多光譜影像的空間分辨率為30米。美國地質調查局（USGS）免費提供了ALI數據的下載鏈接。本文實驗數據的獲取日期為2013年7月20日，地點為內蒙古巴盟地區(qū)的五原縣。

數據處理主要包括兩步：（1）輻射校正，（2）NDVI提取。第一步是由業(yè)務化的遙感數據處理軟件ENVI完成，這一步的目的是從原始的DN值中得到反射率信息。在第二步中，也利用了ENVI軟件所提供的光譜波段計算模塊，可以方便、快速地提取NDVI。其計算公式為：NDVI=（bNIR-br）/（bNIR+br），其中b為反射率數據，NIR表示近紅外波段，r表示紅色波段。

圖2顯示了本文實驗所用的數據、從其中提取的NDVI，以及決策樹分類結果。圖2c分類結果的顏色與圖1是對應的。顯然，圖2c的分類結果較為準確地反應了當地的地物覆蓋信息。例如圖2a西南方月牙形的海子（當地人對湖泊的稱謂），在圖2c中被較為完整地提取了出來；大部分村莊、道路等地物，由于主要是由裸露土壤組成的，在分類結果中也都得到了很好地展現。

4 結語

本文利用EO-1 ALI影像開展了基于決策樹的鄉(xiāng)村地區(qū)遙感圖像分類研究。通過實驗結果分析，說明本文構建的決策樹可以較為準確、快速地提取鄉(xiāng)村地區(qū)遙感影像的地物信息，因此在遙感影像解譯中具有一定的參考價值。