羅信，閆奇奇，宋思涵，杜泓達，蘭志璽，龍穎波

(長江大學(xué)地球科學(xué)學(xué)院，湖北 武漢 430100)

0 引言

辮狀河道在河流沉積體系中分布廣泛，多發(fā)育在山區(qū)或河流上游的辮狀河段、辮狀河與三角洲的結(jié)合處，以及沖積扇上。辮狀河道信息是研究辮狀河沉積特征，識別沉積環(huán)境重要信息，對其幾何特征的識別和表征對河流沉積體系現(xiàn)代沉積研究具有重要意義。

近年來，隨著各類遙感圖像數(shù)據(jù)和遙感解譯軟件工具易得性和應(yīng)用性的提高，遙感監(jiān)測被廣泛應(yīng)用于各種地物的提取，其中用于水體信息提取遙感方法不斷推陳出新。沈占鋒等提出采用高斯歸一化水體指數(shù)GNDWI 提取河流水體的模型，使得指數(shù)能夠更大程度上保證河流提取的連續(xù)性，并通過DEM的輔助實現(xiàn)了其他干擾信息的去除。丁鳳在對水體及其背景地物進行光譜特征分析的基礎(chǔ)上,結(jié)合水體在近紅外和中紅外波段均具有強吸收性這一典型特征,提出了一種新型的水體指數(shù)NWI。曹子榮采用SVM 監(jiān)督分類方法進行地表水體提取試驗，證明了SVM 方法在同質(zhì)性較好地表區(qū)域進行分類的適用性。陳云等用基于影像多種特征的CART決策樹分類方法進行地物分類，結(jié)論是分類精度較高,尤其較好地提取了圍網(wǎng)養(yǎng)殖區(qū)和建設(shè)用地。那曉東等以三江平原東北部沼澤濕地為例,利用分類回歸樹算法進行分類提取，發(fā)現(xiàn)分類精度較最大似然監(jiān)督分類方法有明顯提高，是內(nèi)陸淡水沼澤濕地信息提取的有效手段。

基于影像分類的方法與基于指數(shù)計算的方法都有一定的缺點。單一地使用現(xiàn)有的水體提取方法均會混淆一部分地物。使用基于影像的提取的方法，基本可以提取出水體，但仍有小部分的河灘歸為水體，且一小部分水體被誤分為其他地物，尤其對辮狀河道這種形態(tài)復(fù)雜的水體提取存在明顯的局限性。決策樹分類方法充分利用了空間輔助信息，對影像的多個特征變量進行選擇性組合，識別繁多而有效的信息，從而實現(xiàn)對未知數(shù)據(jù)的分類、預(yù)測和挖掘，具有分類精度高，速度快的優(yōu)點。因此，本文基于CART 的自動決策樹分類法，以勒拿河入?？诘倪^渡帶為例，利用Landsat 8數(shù)據(jù)源，進行辮狀河道的提取方法研究。

1 研究區(qū)概況

研究區(qū)位于俄羅斯的薩哈共和國布倫斯基區(qū)的勒拿河入?？诘倪^渡帶。該區(qū)域夏季短暫，每年冰封期長達八個月，具體地理位置為71°0′58.50″～73°22′54.98″N，124°2′49.10″～131°44′29.39″E（圖1）。勒拿河河床上以砂為主，礫石含量較低，屬于砂質(zhì)辮狀河，它水道和心灘壩較礫質(zhì)辮狀河穩(wěn)定，河漫灘寬7～15km，其上遍布湖沼，多河汊，航道變化無常，水深常在16～20m，彎曲度低，小于1.5，分叉系數(shù)大于1，對其進行河道水體提取存在一定的難度。

圖1 研究區(qū)原始影像圖

2 數(shù)據(jù)來源與研究方法

2.1 影像數(shù)據(jù)源與地物光譜特征

本文選取的數(shù)據(jù)是2018 年6 月28 日Landsat 8 OLI_TIRS的衛(wèi)星獲取到的研究區(qū)域遙感影像數(shù)據(jù)，影像數(shù)據(jù)來源于中國科學(xué)院計算機網(wǎng)絡(luò)信息中心開發(fā)建設(shè)的“地理空間數(shù)據(jù)云”（http://www.gscloud.cn/search），該數(shù)據(jù)已經(jīng)經(jīng)過幾何校正和地形校正，因此僅需對下載的數(shù)據(jù)以ENVI 作為圖像預(yù)處理軟件進行輻射校正、大氣校正、圖像裁剪處理。圖2顯示的是研究區(qū)域主要地物的波譜曲線，可以發(fā)現(xiàn)在波段5(近紅外波段)中，水體與其他類型地物的光譜曲線存在的明顯差別，因此在使用自動決策樹提取水體前，根據(jù)研究區(qū)地物在近紅外波段的特點進行特征數(shù)據(jù)集的構(gòu)建，提高水體提取的精確度。

圖2 研究區(qū)主要地物光譜曲線圖

2.2 NDWI計算方法

Mcfeeters.S.K 提出的歸一化差異水體指數(shù)（NDWI）通過利用水體在不同波段的吸收反射特性進行比值計算，可達到抑制植被信息，增強水體信息的目的。水體在綠波段反射率高，在近紅波段反射率低而植被恰好相反（圖2），基于此將綠波段和近紅外波段的差與和進行比值運算，增強了水體的特征，公式如下：

其中，Green 表示綠波段；NIR 表示近紅外波段。在Landsat8 OLI影像中,分別為2，4波段。

2.3 CART決策樹分類

本文采用基于CART的自動決策樹分類法對影像對象進行分類，主要包括生成決策樹樹與決策樹剪枝兩個步驟。首先基于訓(xùn)練數(shù)據(jù)集，遞歸構(gòu)建二叉決策樹；然后用驗證數(shù)據(jù)集對生成的樹進行剪枝，并選擇最優(yōu)子樹，以損失函數(shù)最小作為剪枝的標(biāo)準(zhǔn)。其中CART分類樹的剪枝過程中損失的度量采用基尼系數(shù)，其定義如下：

其中，(/)是訓(xùn)練樣本集中隨機抽取的某樣本當(dāng)其測試變量值為時屬于類的概率；n()為訓(xùn)練樣本中測試變量值為時，屬于第類的樣本個數(shù)；()為訓(xùn)練樣本中該測試變量值為的樣本個數(shù)；為類別個數(shù)。由于每次分割都只將樣本集劃分為兩個子集，因此最終生成的決策樹是一個二叉樹。

3 河道提取實驗與分析

3.1 實驗流程

在進行決策樹分類時，合適的波段組合有利于提高分類精度。為了進一步提高水體的分類精度，對預(yù)處理后的研究影像分別進行NDWI 水體指數(shù)法和ISODATA分類的操作，其中NDWI方法可突出水體的基本信息，ISODATA 分類法則對波段信息進行聚類，將兩種方法的結(jié)果影像與原始影像進行組合，構(gòu)建特征數(shù)據(jù)集。在組合形成的特征數(shù)據(jù)集上進行訓(xùn)練樣本的選取，建立分類規(guī)則。實驗中主要是通過目視方法來確定地物的特征種類，在分析了研究區(qū)域的主要地物類型后，確定了沙地、裸地、植被、水體、草地五種主要地物。在ENVI 5.3軟件中，利用CART 擴展工具對研究區(qū)進行分類，最后選擇分類后的水體，將分類結(jié)果轉(zhuǎn)換為矢量文件輸出。具體實驗流程如圖3所示。

圖3 總體分類流程圖

3.2 特征數(shù)據(jù)集構(gòu)建

通過波段組合的方法，將預(yù)處理后影像的數(shù)據(jù)、NDWI 指數(shù)數(shù)據(jù)、ISODATA 分類數(shù)據(jù)進行波段組合，合并成9個波段的特征數(shù)據(jù)集，用于本文決策樹分類。圖4中(a),(b),(c)和(d)分別是原始影像、NDWI指數(shù)數(shù)據(jù)、ISODATA 分類數(shù)據(jù)和合成數(shù)據(jù)的顯示效果。其中特征數(shù)據(jù)集的影像中灰色代表了植被，顏色越深表示植被越茂盛，淺色部分代表沙地，黑色部分代表水體。由于研究區(qū)域位于勒拿河入海口附近，可以推斷高亮部分的沙地大部分屬于泥沙沉積物。

圖4

3.3 訓(xùn)練樣本選擇

CART 決策樹分類是一種典型的監(jiān)督分類算法，因此訓(xùn)練樣本的選擇直接影響分類的效果。將研究區(qū)分為沙地、裸地、植被、水體、草地5 類地物，在此分類體系下，選擇297 個樣本點作為訓(xùn)練對象，其中，沙地、裸地、植被、水體、草地的樣本數(shù)分別為58、63、53、60、63 個。沙地的樣本來自河流沖刷的泥沙沉積，裸地主要是凍土和解凍的植被稀少區(qū)域，植被以灌木叢、林地為主，水域是勒拿河的主干和支流部分等，草地是覆蓋在土地上苔原或者植被區(qū)。訓(xùn)練樣本點也將會作為對比算法(最大似然分類)的樣本，以便于精度分析。

3.4 分類結(jié)果及分析

本文方法分類結(jié)果和最大似然分類結(jié)果如圖5(a)和圖5(b)所示。總體上這兩種方法的分類結(jié)果都能夠提取主要的地物類別，尤其對水體主河道的提取效果較好，但是最大似然分類對河流中存在的浮冰、融雪不能很好地分辨，部分浮冰和融雪識別分為沙地，其導(dǎo)致在辮狀河道中存在較多的碎屑物，相比而言本文方法識別的河道更加連續(xù)。

圖5 分類結(jié)果

采用混淆矩陣對分類結(jié)果分別進行精度評價，結(jié)果如表1 所示。本文分類精度為96.53%，Kappa 系數(shù)為0.9558，水體生產(chǎn)精度達到99.47%，水體用戶精度達到了99.80%；最大似然分類的總體分類精度為93.54%，Kappa 系數(shù)為0.9180,生產(chǎn)精度為97.55%，用戶精度為99.36%。相較于最大似然分類法，本文方法表現(xiàn)出了更好的分類精度，總體分類精度是最大似然分類的1.03倍，Kappa 系數(shù)是最大似然分類的1.02倍，水體生產(chǎn)精度是最大似然分類的1.04 倍；同時最大似然分類的水體錯分誤差是本文方法的2.56倍，水體漏分誤差是本文誤差的4.22倍?？梢姳疚奶岢龅慕Y(jié)合NDWI指數(shù)與ISODATA 分類的特征數(shù)據(jù)集進行CART 決策樹分類的方法是一種更加精確的水體提取方法。

表1 混淆矩陣精度評價

4 結(jié)束語

本文針對遙感影像中的辮狀河道識別問題進行了多信息融合的CART決策樹分類研究。在landsat 8原有七個波段上添加NDWI 水體指數(shù)和ISODATA 分類數(shù)據(jù)兩個波段，組合成具有九個波段的特征數(shù)據(jù)集?；诖?，構(gòu)建CART 決策樹模型對俄羅斯勒拿河部分辮狀河道進行提取。結(jié)果表明，相較于最大似然分類法，本文方法表現(xiàn)出了更好的分類精度，其中總體分類精度、水體生產(chǎn)精度和Kappa 系數(shù)分別是最大似然分類的1.03 倍、1.02 倍和1.04 倍；同時，最大似然分類的水體錯分誤差和水體漏分誤差是本文決策樹分類的2.56 倍和4.22 倍。說明構(gòu)建特征數(shù)據(jù)集后的CART 決策樹分類對辮狀多分叉河道水體的提取具有較好的效果。