李菁菁

摘 要 以新疆喀什為研究區(qū)，采用基于決策樹(shù)和面向?qū)ο蟮男畔⑻崛》椒ǎ霘w一化植被指數(shù)（NDVI）為特征，利用ENVI軟件和eCognition軟件，提取資源3號(hào)衛(wèi)星遙感影像植被信息，并對(duì)比分析結(jié)果。結(jié)果表明，與基于像元的決策樹(shù)分類相比，面向?qū)ο蟮男畔⑻崛》诸惥雀?，能明顯減少分類產(chǎn)生的碎斑，體現(xiàn)了面向?qū)ο蟮姆诸愒谥脖恍畔⑻崛≈械膬?yōu)勢(shì)。

關(guān)鍵詞 植被信息提取 決策樹(shù) 面向?qū)ο?eCognition ENVI

中圖分類號(hào)：TP751 文獻(xiàn)標(biāo)識(shí)碼：A

0引言

陸地植被是關(guān)系人類生存的生物地球化學(xué)循環(huán)中的關(guān)鍵因子。隨著計(jì)算機(jī)技術(shù)和遙感技術(shù)的發(fā)展，計(jì)算機(jī)自動(dòng)分類已經(jīng)成為遙感影像信息提取和識(shí)別的主要手段。本文通過(guò)資源3號(hào)衛(wèi)星獲取的喀什地區(qū)遙感影像，結(jié)合歸一化植被指數(shù)（NDVI），分別通過(guò)決策樹(shù)和面向?qū)ο蟮倪b感影像分類來(lái)實(shí)現(xiàn)植被信息的提取，并對(duì)比分析決策樹(shù)分類和面向?qū)ο蟮倪b感影像分類，探索遙感影像植被信息提取的有效方法。

1研究區(qū)概況和數(shù)據(jù)源

1.1研究區(qū)概況

本研究區(qū)地處新疆喀什（地理位置為35€？8′N-40€？6′N ，71€？9′E-79€？2′E），位于沙漠與戈壁交界的綠洲，生態(tài)環(huán)境脆弱。

1.2遙感數(shù)據(jù)

資源3號(hào)衛(wèi)星是中國(guó)第一顆自主的民用高分辨率光學(xué)傳輸型立體測(cè)圖衛(wèi)星，其Band 1為藍(lán)色波段，Band 2為綠色波段，Band 3為紅色波段，Band 4為近紅外波段，空間分辨率為6m。

2研究方法

2.1決策樹(shù)分類

決策樹(shù)分類的基本思想是從原始影像中逐步分離并掩膜每一種目標(biāo)作為一個(gè)圖層或樹(shù)枝，以避免此目標(biāo)對(duì)其他目標(biāo)的提取造成干擾，最終復(fù)合所有目標(biāo)從而實(shí)現(xiàn)自動(dòng)分類。根據(jù)目視判讀，可將實(shí)驗(yàn)區(qū)域劃分為五種地物類型，對(duì)每類地物類型取一定樣本，統(tǒng)計(jì)其在各個(gè)波段的DN值，得出其最大值、最小值、平均值、標(biāo)準(zhǔn)差的統(tǒng)計(jì)特征，通過(guò)ENVI4.7計(jì)算資源3號(hào)衛(wèi)星數(shù)據(jù)的NDVI，并結(jié)合光譜特征，分析確定分類技術(shù)流程：{ndvi} gt 0.42 植被，else 非植被；b4 gt 750 （濕地、裸地、居民地），else 水體；（b1+b2+b3） gt 1500 （裸地、居民地）， else 濕地；{ndvi} gt 0.25 居民地，else 裸地。

2.2基于面向?qū)ο蟮倪b感影像植被信息提取

面向?qū)ο蟮倪b感影像信息提取是綜合考慮目標(biāo)形狀、紋理和光譜信息的一種高級(jí)分類方法。它的特征是最小分類單元是由影像分割得到圖斑，而非單個(gè)像元。

2.2.1研究區(qū)遙感影像分割

對(duì)資源3號(hào)衛(wèi)星獲取的喀什經(jīng)濟(jì)開(kāi)發(fā)區(qū)的遙感影像進(jìn)行分割，Shape設(shè)為0.2，Compactness設(shè)為0.5；Shape定義了影像對(duì)象結(jié)果的紋理一致性，形狀參數(shù)設(shè)置越大，分割的形狀在大小上差異越小，顯得越規(guī)整，形狀參數(shù)設(shè)置越小，分割結(jié)果顯得越瑣碎；Compactness為緊密度，表示對(duì)象最小包圍矩形面積與對(duì)象包含像素?cái)?shù)目之比，在尺度參數(shù)和形狀參數(shù)一定的情況下，緊致度越小，所分割的結(jié)果形狀顯得越細(xì)碎。將分割尺度分別設(shè)置為1000，600，400，200進(jìn)行分割。

尺度為1000， 600的分割影像碎塊較少，但因尺度較大，混分較嚴(yán)重，不能很好地體現(xiàn)細(xì)節(jié)；尺度為200的分割影像能較完整的體現(xiàn)細(xì)節(jié)，混分情況較少，但分割造成的碎塊很多，會(huì)使分類過(guò)程復(fù)雜；尺度為400的分割影像能較好的體現(xiàn)細(xì)節(jié)，同時(shí)分割碎塊適中，故選擇尺度為400的分割影像進(jìn)行影像分類。

2.2.2特征提取

在Class Hierarchy中新建立五個(gè)類：vegetation，bare land，residential，water，wetland。編輯特征空間，選擇特征亮度值和NDVI，將選擇的分類特征應(yīng)用至各類。完成設(shè)置后，即可按類分別選擇一定數(shù)量的樣本。選擇樣本時(shí)，在RGB：321的真彩色合成與RGB：432的假彩色合成影像上，選擇一定數(shù)量可識(shí)別的、類別明確的點(diǎn)，記錄其坐標(biāo)，然后在分割后的影像上標(biāo)出含有相同點(diǎn)的對(duì)象，所含點(diǎn)的類別即為樣本對(duì)象的類別。樣本選好后執(zhí)行分類。

3結(jié)果與討論

在研究區(qū)實(shí)地選擇85個(gè)點(diǎn)進(jìn)行驗(yàn)證。驗(yàn)證結(jié)果顯示，基于決策的分類精度為72.94%，其中居民地和植被間的混分率最高，達(dá)到9.41%，其次是裸地與居民地、裸地與濕地，混分率均為4.71%；基于面向?qū)ο蟮姆诸惥葹?9.41%，較前者有了大幅提高，居民地與植被間的混分率為4.71%，比起決策樹(shù)的分類結(jié)果有了很大改善，裸地與水體、裸地與居民地間的分類精度也有顯著提高。植被信息提取結(jié)果如圖1：

4結(jié)論

基于決策樹(shù)的遙感影像分類雖然能較好的提取出植被信息，但混分、錯(cuò)分的情況仍不少，且有明顯的噪聲類別，分類產(chǎn)生的碎斑較多，受光照、陰影等因素的影響遠(yuǎn)遠(yuǎn)大于面向?qū)ο蟮姆诸?；利用面向?qū)ο蟮姆椒ㄌ崛≈脖恍畔⒉粌H在植被上取得了較好的結(jié)果，在其他地物的分類上也比決策樹(shù)的效果更好，混分、錯(cuò)分情況有了很大的改善，基于對(duì)象方法由于對(duì)象內(nèi)部的平均和分析后在很大程度上減小了個(gè)別像元的影響，使得少量樣本就可以獲得較高的分類結(jié)果。

參考文獻(xiàn)

[1] 程彬，姜琦剛，周云軒，等.基于ASTER數(shù)據(jù)遙感影像的決策樹(shù)分類[J].吉林大學(xué)學(xué)報(bào)（地球科學(xué)版），2007，37（1）：179-184.

[2] 孫華，林輝，莫登奎，等.面向?qū)ο蟮臎Q策樹(shù)分類技術(shù)[J].中南林業(yè)科技大學(xué)學(xué)報(bào)，2007，27（4）：39-43.