孫建偉， 王 超， 王 娜， 馬婧婧， 羅 靜*

(1.華中師范大學(xué) 地理過(guò)程分析與模擬湖北省重點(diǎn)實(shí)驗(yàn)室， 武漢 430079；2.華中師范大學(xué) 城市與環(huán)境科學(xué)學(xué)院， 武漢 430079；3.天津市渤海城市規(guī)劃設(shè)計(jì)研究院， 天津 300451；4.十堰市土地勘測(cè)規(guī)劃院， 湖北 十堰 442000)

?

基于CART決策樹(shù)的ZY-3衛(wèi)星遙感數(shù)據(jù)土地利用分類(lèi)監(jiān)測(cè)

孫建偉1，2， 王 超3， 王 娜4， 馬婧婧2， 羅 靜1，2*

(1.華中師范大學(xué) 地理過(guò)程分析與模擬湖北省重點(diǎn)實(shí)驗(yàn)室， 武漢 430079；2.華中師范大學(xué) 城市與環(huán)境科學(xué)學(xué)院， 武漢 430079；3.天津市渤海城市規(guī)劃設(shè)計(jì)研究院， 天津 300451；4.十堰市土地勘測(cè)規(guī)劃院， 湖北 十堰 442000)

通過(guò)分析ZY-3衛(wèi)星遙感影像光譜特征、數(shù)據(jù)質(zhì)量，探討其遙感影像在土地利用分類(lèi)監(jiān)測(cè)領(lǐng)域的應(yīng)用前景.基于遙感影像特征，結(jié)合面向?qū)ο蟮姆治鏊枷?，選擇訓(xùn)練樣本構(gòu)建決策樹(shù)分類(lèi)模型，進(jìn)行土地利用計(jì)算機(jī)自動(dòng)分類(lèi)，并通過(guò)混淆矩陣和Kappa分析對(duì)分類(lèi)精度進(jìn)行評(píng)價(jià).研究表明：1)基于決策樹(shù)模型和面向?qū)ο蠓诸?lèi)方法，ZY-3衛(wèi)星遙感影像分類(lèi)總體精度為88.76%，有助于提高影像分類(lèi)精度；2)在分類(lèi)模型中，ZY-3衛(wèi)星影像對(duì)水域、耕地、公路用地和林地影像辨識(shí)度較高，而對(duì)于其它用地類(lèi)型相對(duì)不足.3)ZY-3衛(wèi)星數(shù)據(jù)高分辨率影像特征明顯，影像可用于土地利用分類(lèi)監(jiān)測(cè).

ZY-3衛(wèi)星； 數(shù)據(jù)質(zhì)量； 土地利用； 分類(lèi)精度

近年來(lái)，高分辨率遙感影像應(yīng)用逐漸廣泛，小范圍的土地利用實(shí)時(shí)監(jiān)測(cè)成為可能[1].在高分辨率遙感影像土地利用分類(lèi)研究領(lǐng)域，國(guó)內(nèi)學(xué)者已針對(duì)Quick Bird，SPOT5等數(shù)據(jù)源的國(guó)外衛(wèi)星遙感影像數(shù)據(jù)開(kāi)展了很多相關(guān)研究.任國(guó)業(yè)論述了Quick Bird影像的圖像處理和影像解譯方法，進(jìn)行縣域土地利用更新調(diào)查實(shí)踐[2]；樓立明等闡述了利用SPOT5高分辨率遙感影像進(jìn)行鎮(zhèn)域土地利用變化監(jiān)測(cè)的方法和過(guò)程，認(rèn)為將SPOT5遙感影像與相關(guān)數(shù)據(jù)綜合應(yīng)用于1∶1萬(wàn)土地利用變化監(jiān)測(cè)是可行的[3].然而，受制于國(guó)產(chǎn)衛(wèi)星影像精度不高的長(zhǎng)期影響，國(guó)產(chǎn)高分辨率遙感影像在土地利用分類(lèi)監(jiān)測(cè)中的應(yīng)用研究相對(duì)較少[4].

ZY-3是資源三號(hào)衛(wèi)星的簡(jiǎn)稱，是我國(guó)第一顆自主研發(fā)的民用高分辨率立體測(cè)繪衛(wèi)星，裝載三線陣測(cè)繪相機(jī)和多光譜相機(jī)，其運(yùn)行的太陽(yáng)同步回歸軌道高度約506 km，傾角約97.42°.該衛(wèi)星可提供幅寬大于51 km、分辨率2.1 m(全色)和5.8 m(多光譜)的平面影像和分辨率達(dá)3.5 m的立體影像.因此，衛(wèi)星具備空間測(cè)繪和國(guó)土資源調(diào)查的綜合功能，可應(yīng)用于國(guó)土資源調(diào)查與監(jiān)測(cè)[5].ZY-3星載多光譜相機(jī)的分辨率為5.8 m，設(shè)置了藍(lán)、綠、紅和近紅外4個(gè)波段，可實(shí)時(shí)或準(zhǔn)實(shí)時(shí)地將圖像數(shù)據(jù)傳回地面接收站，通過(guò)地面處理提供假彩色及真彩色ZY-3圖像產(chǎn)品[6].4個(gè)波段的光譜設(shè)置基本延續(xù)了美國(guó)Landsat、法國(guó)SPOT及中巴資源衛(wèi)星CBERS等系列衛(wèi)星數(shù)據(jù)的光譜范圍.

ZY-3衛(wèi)星的高分辨率遙感影像應(yīng)用前景較為廣闊，但是目前關(guān)于ZY-3衛(wèi)星遙感數(shù)據(jù)的研究以在軌測(cè)試和成像定位精度為主，涉及土地利用分類(lèi)監(jiān)測(cè)的研究成果相對(duì)較少，亟待探索.本文嘗試?yán)猛恋胤诸?lèi)要素在高分辨率影像上的表現(xiàn)特點(diǎn)，基于CART決策樹(shù)提取各要素在光譜、紋理、形式方面的特征；選取ZY-3高分辨率影像土地利用信息提取的優(yōu)化方法，建立單時(shí)相ZY-3數(shù)據(jù)土地分類(lèi)監(jiān)測(cè)模型，實(shí)現(xiàn)土地利用信息的智能提取，并對(duì)分類(lèi)精度進(jìn)行評(píng)價(jià)，為利用高分辨率遙感數(shù)據(jù)進(jìn)行土地利用分類(lèi)監(jiān)測(cè)工作提供參考.

1研究區(qū)概況與數(shù)據(jù)來(lái)源

1.1研究區(qū)概況

選取湖北省荊州市荊州區(qū)八嶺山鎮(zhèn)為研究區(qū)域，影像地面覆蓋范圍位于荊州城區(qū)西北部(圖1)，屬亞熱帶濕潤(rùn)季風(fēng)氣候，地勢(shì)較為低平，有少數(shù)丘陵和洼地，為典型的沖積平原，地貌特征豐富，適合于研究ZY-3衛(wèi)星遙感影像對(duì)不同區(qū)域和地物的辨識(shí)能力.八嶺山鎮(zhèn)降雨充沛、土壤肥沃，因此植被覆蓋面積較廣，約占總面積70%，其余地表覆蓋以建設(shè)用地和水體為主.通過(guò)實(shí)地考察，區(qū)內(nèi)植被覆蓋區(qū)域多為耕地，且為基本農(nóng)田保護(hù)區(qū)，因此開(kāi)展土地利用監(jiān)測(cè)意義較大；其余植被覆蓋區(qū)域以八嶺山上的林地以及周?chē)徠聢@地為主，分布面積較??；建設(shè)用地主要包括以漢宜高速、318國(guó)道為主的交通用地，以及散亂分布的農(nóng)村居民點(diǎn)用地；水體主要為湖泊和坑塘；此外，草地和未利用地少量分布.

圖1 研究區(qū)在湖北省的位置Fig.1 Location of the study area in Hubei Province

1.2數(shù)據(jù)來(lái)源

ZY-3星載多光譜相機(jī)的分辨率為5.8 m，覆蓋寬度為51 km，設(shè)置了Band1(0.45～0.52um)、Band2(0.52～0.59um)、Band3(0.63～0.69um)和Band4(0.77～0.89um)4個(gè)波段，全色波段(0.45～0.80um)影像的分辨率為2.1 m[7].以覆蓋江漢平原一景ZY-3數(shù)據(jù)為信息源，其遙感影像獲取時(shí)間為2012年2月，整景影像示意如圖2.作為比較的土地利用數(shù)據(jù)來(lái)源于2009年八嶺山鎮(zhèn)土地利用現(xiàn)狀圖，制圖比例尺為1∶10000，按照第二次土地調(diào)查類(lèi)型進(jìn)行分類(lèi).

圖2 研究區(qū)遙感影像Fig.2 Remote sensing digital image of the study area(左為多波段真彩色合成影像，空間分辨率為5.8 m；右為全色波段灰度影像，空間分辨率2.1 m)

2遙感數(shù)據(jù)預(yù)處理

2.1遙感影像校正

在ENVI4.8軟件的支持下，采用多項(xiàng)式法對(duì)研究區(qū)ZY-3影像數(shù)據(jù)進(jìn)行幾何精糾正，三次卷積法進(jìn)行像元重采樣.校正基準(zhǔn)圖像為坐標(biāo)系統(tǒng)定義明確的第二次全國(guó)土地調(diào)查成果，校正控制點(diǎn)數(shù)量為30個(gè)，主要采樣目標(biāo)為道路交叉點(diǎn)、房屋拐點(diǎn)等易分辨的要素，且在整個(gè)圖幅上均勻分布.最終選定的控制點(diǎn)總的RMS為0.293 6，滿足土地利用變化動(dòng)態(tài)監(jiān)測(cè)幾何校正誤差要求.通過(guò)影像校正，可統(tǒng)一ZY-3影像和第二次全國(guó)土地調(diào)查成果的坐標(biāo)系統(tǒng)，同時(shí)消除幾何畸變.

2.2遙感影像融合

遙感影像融合是指通過(guò)將多波段低分辨率的遙感影像與單波段高分辨率的遙感影像進(jìn)行合成處理，以便獲得同時(shí)具有高分辨率和多波段的遙感影像的操作過(guò)程[8].本文采用Gram-Schmidt變換方法，通過(guò)影像融合(圖3)，將多波段影像的空間分辨率由5.8 m提高到了2.1 m，使得地物識(shí)別能力明顯增加.

圖3 影像融合前后對(duì)比Fig.3 Contrast between original image and fused image(左為融合前的影像截圖，右為融合后的影像截圖)

3研究方法

3.1影像分類(lèi)方法

影像分類(lèi)方法眾多，在實(shí)際分類(lèi)中各種方法的適用性存在顯著差別.基于ZY-3高分辨率影像在光譜、紋理、形狀等方面表現(xiàn)出的顯著特征，本文選擇面向?qū)ο蟮姆诸?lèi)思想；同時(shí)參考分層分類(lèi)思想，即各種地類(lèi)在不同特征上存在敏感性差異，利用先驗(yàn)知識(shí)和輔助數(shù)據(jù)，針對(duì)特定地類(lèi)采取最佳方法將其進(jìn)行分類(lèi)提取的目標(biāo)，選擇基于決策樹(shù)的分類(lèi)方法.

3.1.1面向?qū)ο蟮挠跋穹诸?lèi) 在樣區(qū)內(nèi)，ZY-3影像上同物異譜和同譜異物現(xiàn)象大量存在.如果采用傳統(tǒng)的面向像素的分類(lèi)方法，則會(huì)出現(xiàn)嚴(yán)重的噪點(diǎn)現(xiàn)象，分類(lèi)精度也會(huì)受到重要影響.本文采用面向?qū)ο蟮倪b感影像分類(lèi)方法，該方法最重要的特點(diǎn)是分類(lèi)的最小單元不再是單個(gè)的像素(像元)，而是通過(guò)影像分割技術(shù)得到的同質(zhì)影像對(duì)象(圖斑)；且分類(lèi)不僅局限于光譜特征范疇，而是依據(jù)同質(zhì)影像對(duì)象的光譜、紋理、形狀等特征的集合[9].因而，相對(duì)于傳統(tǒng)分類(lèi)方法，面向?qū)ο蟮挠跋穹诸?lèi)方法能充分利用遙感影像所蘊(yùn)含的多種信息，使得分類(lèi)結(jié)果更加合理，所以更適合進(jìn)行高分辨率遙感影像的分類(lèi)[10].

3.1.2基于決策樹(shù)的分類(lèi)模型 決策樹(shù)能直觀表示知識(shí)，代表對(duì)象屬性與對(duì)象值之間的映射關(guān)系.在機(jī)器學(xué)習(xí)中，決策樹(shù)學(xué)習(xí)可以籍由分類(lèi)已知的事例來(lái)建立一個(gè)樹(shù)狀結(jié)構(gòu)，并從中歸納出事例蘊(yùn)含的某些規(guī)律；在決策系統(tǒng)中，決策樹(shù)是一個(gè)預(yù)測(cè)模型，利用生成的決策規(guī)則集，可對(duì)樣本外的事例進(jìn)行預(yù)測(cè)[11].其中，CART算法(Classification And Regression Tree，又名分類(lèi)回歸樹(shù))基于統(tǒng)計(jì)理論進(jìn)行模式識(shí)別，具有強(qiáng)大的統(tǒng)計(jì)解析功能，相對(duì)于二叉樹(shù)決策樹(shù)，它將最優(yōu)通用樹(shù)的發(fā)現(xiàn)和決策模型的精度驗(yàn)證嵌入到了本身的算法之中，提高規(guī)則提取的自動(dòng)化程度；同時(shí)，其構(gòu)建的二叉樹(shù)結(jié)果包含的決策規(guī)則更加簡(jiǎn)單易懂.因此，可以基于CART算法建立遙感影像分類(lèi)決策樹(shù)，對(duì)特征樣本數(shù)據(jù)建立統(tǒng)計(jì)解析模型.

本文土地利用分類(lèi)系統(tǒng)以《土地利用現(xiàn)狀分類(lèi)》(GB/T 21010-2007)為參考，著重保留具有使用價(jià)值的類(lèi)型信息，同時(shí)依據(jù)ZY-3遙感影像在亮度、色調(diào)和紋理等方面的表現(xiàn)特征，壓縮了部分分類(lèi)內(nèi)容.最終確定的分類(lèi)系統(tǒng)包含耕地、園地、林地、城鄉(xiāng)建設(shè)用地(城鎮(zhèn)用地、農(nóng)村居民點(diǎn))、公路用地、水域(灘地、河渠、水庫(kù)、坑塘)和其他土地(包括草地)7個(gè)地類(lèi).針對(duì)每一種地類(lèi)，各選取了160個(gè)左右的樣本開(kāi)展特征提取.特征樣本的選取是特征提取階段的關(guān)鍵，因此特征樣本一定要保證足夠的數(shù)量，同時(shí)要保證足夠的代表性.

3.2影像分類(lèi)流程

設(shè)計(jì)影像分類(lèi)流程如下：首先，利用影像的光譜特征和空間信息在原始影像上識(shí)別并劃分出合理的分割范圍，生成影像對(duì)象，結(jié)合影像特征構(gòu)建分類(lèi)標(biāo)準(zhǔn)，構(gòu)建特征空間；然后，基于影像對(duì)象選擇學(xué)習(xí)樣本；最后，構(gòu)建決策樹(shù)分類(lèi)模型，執(zhí)行分類(lèi)，并進(jìn)行分類(lèi)精度評(píng)價(jià).

圖4 研究區(qū)影像分類(lèi)流程Fig.4 Flow chart of image classification in the study area

第1步：利用ENVI FX軟件所提供的Full Lambda-Schedule算法實(shí)現(xiàn)合并分塊效果.經(jīng)過(guò)反復(fù)實(shí)驗(yàn)，分割尺度選擇40，合并尺度選擇90的分割尺度下，分割效果最佳.

第2步：經(jīng)過(guò)反復(fù)不斷地調(diào)整，最終設(shè)定土地利用分類(lèi)標(biāo)準(zhǔn)為耕地、園地、林地、城鄉(xiāng)建設(shè)用地、公路用地、水域和其他土地7個(gè)地類(lèi)，測(cè)算最優(yōu)分割尺度下，各種地類(lèi)光譜特征、紋理特征和形狀特征.光譜特征如最小灰度值minband_x、最大灰度值maxband_x、均值avgband_x、標(biāo)準(zhǔn)差stdband_x、波段比值bandratio﹛bandratio=(band4-band3)/(band4+band3)﹜、色調(diào)hue、飽和度saturation和亮度intensity等；紋理特征如均值tx_mean、、相異tx_range、標(biāo)準(zhǔn)偏差tx_variance和熵tx_entropy；形狀特征如面積area、周長(zhǎng)length、緊實(shí)度compact、凸度convexity、堅(jiān)固性solidity、圓特征roundness、形狀要素formfactor、延伸性elongation等.

第3步：利用SPSS19.0建立CART決策樹(shù)，設(shè)置自變量包含影像的各項(xiàng)光譜特征、紋理特征和形狀特征.設(shè)置驗(yàn)證方式為交叉驗(yàn)證，最大樹(shù)深度為10.

4結(jié)果與分析

4.1基于CART算法的ZY3遙感影像分類(lèi)決策樹(shù)

運(yùn)行SPSS19.0軟件，得到對(duì)象分類(lèi)規(guī)則如下：

第1步：If bandratio > 0.1122，then object belongs to "耕地"．

第2步：If bandratio [-0.4284，0.1122] AND avgband_3 > 314.9985 AND roundness > 0.1726，then object belongs to "城鄉(xiāng)建設(shè)用地"．

第3步：If bandratio [-0.4284，0.1122] AND avgband_3 > 314.9985 AND roundness < 0.1726，then object belongs to "公路用地"．

第4步：If bandratio < 0.1122 AND avgband_3 < 314.9985 AND tx_entropy < 0.1757，then object belongs to "水域"．

第5步：If bandratio < 0.1122 AND avgband_3 < 314.9985 AND tx_entropy > 0.1757 AND avgband_2 < 306.5675，then object belongs to "林地"．

第6步：If bandratio < 0.1122 AND avgband_3 < 314.9985 AND tx_entropy > 0.1757 AND avgband_2 > 306.5675 AND bandratio < 0.0019，then object belongs to "其他用地"．

第7步：If bandratio < 0.1122 AND avgband_3 < 314.9985 AND tx_entropy > 0.1757 AND avgband_2 > 306.5675 AND bandratio > 0.0019，then object belongs to "園地"．

決策樹(shù)如圖5所示.

分類(lèi)規(guī)則顯示，耕地的波段比值(bandratio)特征較為明顯，可以以此提取出耕地；城鄉(xiāng)建設(shè)用地和公路用地的紅光波段DN值(avgband_3)平均值要高于其他的地類(lèi)，可據(jù)此對(duì)這兩種地類(lèi)進(jìn)行提取，然后根據(jù)公路用地圓特性(roundness)較小的特征區(qū)分公路用地與城鄉(xiāng)建設(shè)用地；對(duì)于園地、林地、水域和其他用地，可以利用水域熵值(tx_entropy)很小的特征對(duì)水域進(jìn)行劃分；對(duì)于園地、林地和其他用地，可以利用林地的綠光波段DN值(avgband_2)低于其他地類(lèi)的特征，提取林地；對(duì)于園地和其他用地，可以利用其他用地與園地波段比值(bandratio)不在同一分布區(qū)間的特征，進(jìn)行劃分.

4.2影像分類(lèi)結(jié)果

利用上文構(gòu)建的CART影像分類(lèi)決策樹(shù)對(duì)八嶺山鎮(zhèn)的ZY-3遙感數(shù)據(jù)進(jìn)行土地利用類(lèi)別劃分，得到的結(jié)果為圖6a所示，并將分類(lèi)結(jié)果與土地利用現(xiàn)狀(圖6b)進(jìn)行比較，實(shí)現(xiàn)分類(lèi)效果和土地利用變化的初步定性分析.

圖5 影像分類(lèi)決策樹(shù)Fig.5 The decision tree of image classification

圖6 研究區(qū)土地利用現(xiàn)狀分類(lèi)結(jié)果Fig.6 Classification results of land use status in the study area

4.3分類(lèi)精度評(píng)價(jià)

采用隨機(jī)采樣、分類(lèi)檢驗(yàn)的方式對(duì)影像分類(lèi)結(jié)果進(jìn)行評(píng)價(jià)，即從整幅影像中隨機(jī)選擇一定數(shù)量的參考圖斑，對(duì)信息提取結(jié)果精度進(jìn)行評(píng)價(jià).通過(guò)野外實(shí)地考察或依據(jù)土地利用變更調(diào)查數(shù)據(jù)判別和確定參考圖斑的實(shí)際地類(lèi)，然后執(zhí)行評(píng)價(jià)，得到分類(lèi)圖的精度評(píng)估誤差矩陣.分類(lèi)結(jié)果的精度和誤差評(píng)價(jià)顯示在一個(gè)混淆矩陣?yán)?，同時(shí)記錄總體精度和Kappa系數(shù)，結(jié)果如表1所示.

表1 基于決策樹(shù)的分類(lèi)結(jié)果混淆矩陣

從表1可以看出，園地存在較高的錯(cuò)分率，為30.06%，林地和耕地容易與園地發(fā)生混淆，這可能是因?yàn)橛跋瘾@取的時(shí)間為冬季，園地內(nèi)果樹(shù)樹(shù)葉凋落，導(dǎo)致與林地和耕地的影像辨識(shí)度變低；其他用地錯(cuò)分率也相對(duì)較高，為23.89%，與其容易發(fā)生混淆的地類(lèi)為園地、耕地、水域和城鄉(xiāng)建設(shè)用地；園地和城鄉(xiāng)建設(shè)用地漏提率相對(duì)較高，分別為16.71%和14.81%.綜合評(píng)價(jià)分類(lèi)結(jié)果，分類(lèi)總體精度為88.76%，相對(duì)較高，主要是因?yàn)楦睾退虻姆诸?lèi)精度高，且這兩種地類(lèi)在研究區(qū)分布廣泛的緣故.Kappa系數(shù)值表明影像分類(lèi)結(jié)果一致性強(qiáng)，具有較強(qiáng)的可靠性.

5結(jié)論與討論

1) ZY-3遙感數(shù)據(jù)空間分辨率較高，影像清晰，存在較高的空間一致性.利用影像分類(lèi)技術(shù)，可以實(shí)現(xiàn)對(duì)耕地、園地、林地、城鄉(xiāng)建設(shè)用地、公路用地、水域和其他用地等地類(lèi)的自動(dòng)提取，解譯精度較高，可滿足土地利用分類(lèi)監(jiān)測(cè)需求.

2) 本文采用基于CART決策樹(shù)的高分辨率影像地類(lèi)提取方法，針對(duì)遙感影像上的典型地類(lèi)特點(diǎn)，面向?qū)ο笫降牟捎枚喾N提取類(lèi)特征，建立多層次的分類(lèi)規(guī)則進(jìn)行地類(lèi)提取，總體精度達(dá)到88.76%.實(shí)驗(yàn)證明：將決策樹(shù)理論運(yùn)用于高分辨率遙感影像分類(lèi)提取，有助于提高影像分類(lèi)提取精度.

3) 對(duì)比各種地類(lèi)在影像分類(lèi)中的精度，可以發(fā)現(xiàn)ZY-3衛(wèi)星遙感影像辨識(shí)度最高的地類(lèi)是水域，其次是耕地、公路用地和林地；而對(duì)于城鄉(xiāng)建設(shè)用地、園地和其他用地，影像辨識(shí)度仍待改善，仍然需要發(fā)掘適用于此地類(lèi)的影像特征輔助開(kāi)展影像分類(lèi).

在實(shí)驗(yàn)中，嘗試進(jìn)行土地利用二級(jí)類(lèi)型劃分，但自動(dòng)分類(lèi)的精度不是很高.其主要原因是遙感影像獲取時(shí)間為冬季，地類(lèi)自身差異較小，僅從光譜、紋理、空間特征上難以體現(xiàn)二級(jí)地類(lèi)間的差異；且ZY-3光學(xué)載荷光譜波段只有四個(gè)波段，監(jiān)測(cè)能力也確實(shí)受到一定程度的限制.

[1] 周成虎. 遙感影像地學(xué)理解與分析[M]. 北京：科學(xué)出版社， 1999．

[2] 任國(guó)業(yè)， 湛洪舉， 周華茂， 等. 利用快鳥(niǎo)衛(wèi)星影像開(kāi)展縣級(jí)土地利用更新調(diào)查方法初探[J].西南農(nóng)業(yè)學(xué)報(bào)， 2005，18(01):74-76．

[3] 樓立明， 劉衛(wèi)東， 馮秀麗. 基于高分辨率遙感影像的土地利用變化監(jiān)測(cè)[J].遙感技術(shù)與應(yīng)用， 2004，19(1):30-33．

[4] 易 玲， 汪 瀟， 劉 斌. HJ-1衛(wèi)星數(shù)據(jù)質(zhì)量及其在土地利用中的應(yīng)用研究[J].國(guó)土資源遙感， 2009(3):74-77．

[5] 李德仁. 我國(guó)第一顆民用三線陣立體測(cè)圖衛(wèi)星——資源三號(hào)測(cè)繪衛(wèi)星[J].測(cè)繪學(xué)報(bào)， 2012， 41(3):317-322．

[6] 李 霖， 羅 恒， 唐新明， 等. 資源三號(hào)衛(wèi)星多光譜圖像特征分析和質(zhì)量評(píng)價(jià)[J].國(guó)土資源遙感， 2014， 26(1):17-24．

[7] 曹海翊. “資源三號(hào)”衛(wèi)星遙感技術(shù)[J].航天返回與遙感， 2012， 33(3):7-15．

[8] 周興東， 于勝文， 趙長(zhǎng)勝， 等. 利用遙感圖像進(jìn)行土地利用分類(lèi)方法的研究[J].煤炭學(xué)報(bào)， 2007， 32(5):481-484．

[9] 陸美蓉. 面向?qū)ο蟮母叻直媛蔬b感影像分類(lèi)及應(yīng)用研究[D].南京：南京林業(yè)大學(xué)，2010．

[10] FIGUEIREDO S M D M， CARVALHO L M T D. Evaluation of decision tree classification accuracy to map land cover in Capixaba， Acre [J]. Cerne， 2006， 12(1): 38-47．

[11] 程曉蘭. 決策樹(shù)分類(lèi)算法及其應(yīng)用[D].大連：大連交通大學(xué)，2008．

[12] FOODY G M. On the compensation for chance agreement in image classification accuracy assessment [J]. Photogrammetric Engineering and Remote Sensing， 1992， 58(10): 1459-1460．

Research on land use classification monitoring through the Remote Sensing data of ZY-3 satellite based on CART decision tree

SUN Jianwei1，2， WANG Chao3， WANG Na4， MA Jingjing2， LUO Jing1，2

(1.Key Laboratory for Geographical Process Analysis & Simulation， Hubei Province，Central China Normal University， Wuhan 430079;2.College of Urban and Environmental Sciences，Central China Normal University， Wuhan 430079;3.Tianjin Bohai Urban Planning & Design Institute， Tianjin 300451;4.Shiyan Land Surveying & Planning Institute， Shiyan， Hubei 442000)

The purpose of this paper is to analyze the spectral signature and image quality of ZY-3 satellite and discuss its application prospect in the field of land-use classification and monitoring. Methods employed are that based on the features of the high-resolution image. Object-oriented thinking is used to select training samples to build a decision tree classification model. Land use classification is then performed automatically by computer and the classification accuracy is evaluated by confusion matrix Kappa analysis. The results indicate that 1) based on the models of decision tree and object-oriented classification， the classification accuracy of ZY-3 satellite is 88.76 percent， which serves to improve the classification accuracy; 2) through classification models based on ZY-3 satellite， the ground objects of water body， farmland， road and forest show higher distinguishing degree than others; 3) ZY-3 satellite data is characterized as high-quality resolution， which can be used in land-use classification and monitoring.

ZY-3 satellite; image quality; land use; classification accuracy

2016-04-19.

國(guó)家自然科學(xué)基金項(xiàng)目(41371183,41501145);華中師范大學(xué)中央高?；究蒲袠I(yè)務(wù)費(fèi)項(xiàng)目(CCNU16JCZX09);國(guó)家測(cè)繪地理信息局衛(wèi)星測(cè)繪應(yīng)用中心科技支撐項(xiàng)目(2011BAB01B05).

1000-1190(2016)06-0937-07

F301.24； P237

A

*通訊聯(lián)系人. E-mail: luojing@mail.ccnu.edu.cn.