決策樹(shù)在高分辨率影像目標(biāo)為小地物的分類(lèi)應(yīng)用研究

張妤琳 ，趙 宇 ，劉曉南 *

（1.韶關(guān)學(xué)院 英東農(nóng)業(yè)科學(xué)與工程學(xué)院，廣東 韶關(guān) 512005；2.廣東省生態(tài)環(huán)境與土壤研究所，廣東 廣州 510650）

航天遙感技術(shù)經(jīng)過(guò)幾十年發(fā)展，已形成全天時(shí)、全天候、實(shí)時(shí)/準(zhǔn)實(shí)時(shí)的高空間分辨率對(duì)地觀測(cè)能力，更多的應(yīng)用領(lǐng)域如土地利用、城市規(guī)劃、全球變化、農(nóng)業(yè)、林業(yè)、測(cè)繪制圖、軍事有了更便利、更詳細(xì)、更具現(xiàn)勢(shì)性的數(shù)據(jù)來(lái)源［1-2］.當(dāng)圖像空間分辨率突破米級(jí)時(shí)，人們平常視覺(jué)所見(jiàn)的多數(shù)目標(biāo)物個(gè)體如單株樹(shù)、汽車(chē)和房屋等在圖像上直接可見(jiàn)，能提供更多的地面目標(biāo)和細(xì)節(jié)特征，提高信息提取和監(jiān)測(cè)的精度，以解決更多與經(jīng)濟(jì)、社會(huì)和生活密切相關(guān)的問(wèn)題，造福于人類(lèi)及其居住環(huán)境［3-4］.快鳥(niǎo)（Quick Bird）遙感衛(wèi)星影像數(shù)據(jù)（以下簡(jiǎn)稱(chēng)快鳥(niǎo)數(shù)據(jù)）分辨率為0.61 m，具有空間分辨率高、不受地形和空域限制、數(shù)據(jù)更新快，可定時(shí)/定向/定點(diǎn)、費(fèi)用合理等優(yōu)點(diǎn)，廣泛應(yīng)用于各領(lǐng)域.

但在加快高分辨率影像應(yīng)用的同時(shí)，其局限性也逐漸顯現(xiàn)，如高空間分辨率往往伴隨低的光譜分辨率［5］；數(shù)據(jù)量大、處理耗時(shí)、對(duì)硬件要求高［6］；高昂的成本讓一般項(xiàng)目望而卻步等.應(yīng)用相關(guān)軟件從Google Earth上下載快鳥(niǎo)、Ikonos等數(shù)據(jù)已成為免費(fèi)獲取高空間分辨率影像的有效途徑［7-8］，但因無(wú)光譜信息，對(duì)其解譯局限大.因此，研究如何充分利用易獲得的高空間分辨率的優(yōu)越性、提高分類(lèi)精度與目標(biāo)提取的可靠性有重要意義.

1 研究背景

遙感影像必須經(jīng)過(guò)處理和解譯才能成為有用的信息，主流解譯方法包括目視解譯、人機(jī)交互式解譯、RS與GIS一體化解譯和影像智能解譯（即自動(dòng)解譯）［1,9］等.目前也出現(xiàn)了神經(jīng)網(wǎng)絡(luò)、向量機(jī)、面向?qū)ο螅?0］等多種新型方法，但這些方法或?qū)Ψ诸?lèi)人員者有較高的知識(shí)要求，或算法復(fù)雜、難以理解和解釋?zhuān)茨艿玫礁鼜V的應(yīng)用.高空間分辨率影像解譯的局限性主要表現(xiàn)為：（1）同面積遙感影像因分辨率提高而數(shù)據(jù)增大，數(shù)據(jù)傳輸要承受更大壓力，解譯方法須可操作性較強(qiáng)且計(jì)算量較低；（2）影像視角范圍擴(kuò)大并且光照條件趨于復(fù)雜，同一地物像點(diǎn)位移、反射多變、景物遮擋等現(xiàn)象更普遍，但自動(dòng)解譯分類(lèi)處理時(shí)易產(chǎn)生錯(cuò)誤，對(duì)傳統(tǒng)解譯方法提出嚴(yán)峻挑戰(zhàn).

決策樹(shù)分類(lèi)方法已在各類(lèi)遙感信息提取和土地利用/覆蓋（LUCC）分類(lèi)中被應(yīng)用［11-12］.在美國(guó)“土地覆蓋數(shù)據(jù)庫(kù)”計(jì)劃中，該方法在土地分類(lèi)、城市密度、林冠密度等信息提取均有應(yīng)用，但研究應(yīng)用于高空間分辨率遙感影像的解譯中還較少.本文結(jié)合高分辨率遙感研究領(lǐng)域中重點(diǎn)科學(xué)問(wèn)題之一：如何對(duì)目標(biāo)為小物體的研究，對(duì)小型地物——水塘進(jìn)行遙感影像解譯研究實(shí)踐.

2 研究對(duì)象與方法

本文對(duì)目標(biāo)為水塘研究的廣州市天河區(qū)快鳥(niǎo)數(shù)據(jù)，分別運(yùn)用最大似然分類(lèi)法、面向?qū)ο蠓诸?lèi)法和決策樹(shù)分類(lèi)方法進(jìn)行遙感解譯.通過(guò)ENVI中混淆矩陣工具，結(jié)合野外調(diào)研的146個(gè)GPS點(diǎn)，構(gòu)建誤差混淆矩陣，計(jì)算分類(lèi)精度及Kappa系數(shù)以評(píng)估前述三種方法的解譯精度.

2.1 研究區(qū)概況

研究區(qū)位于廣州市天河區(qū)， 位于 113°15′55″～113°26′30″E，23°6′0″～23°14′45″N 之間. 區(qū)徑東西極限長(zhǎng)18.75 km，南北極限長(zhǎng)15.75 km，總面積137.38 km2，是廣州市的新城市中心.地勢(shì)由北向南傾斜，形成低山丘陵、臺(tái)地、沖積平原三級(jí)地臺(tái).水資源豐富，河涌遍布.土地利用以城鄉(xiāng)建設(shè)用地、園林地為主.

2.2 數(shù)據(jù)準(zhǔn)備和預(yù)處理

數(shù)據(jù)源為從Google Earth下載的天河區(qū)2007年快鳥(niǎo)數(shù)據(jù)，選取外業(yè)調(diào)研采集的25個(gè)GPS點(diǎn)對(duì)影像進(jìn)行幾何校正，為增強(qiáng)可比性和推廣性，不做圖像增強(qiáng).采用的輔助數(shù)據(jù)包括1∶1萬(wàn)的DEM、交通及水利部門(mén)土地利用數(shù)據(jù)以及該區(qū)域的SPOT5影像.分類(lèi)完成后，都采用Majority分析對(duì)小圖斑重新分類(lèi).

2.3 分類(lèi)體系

以檢驗(yàn)分類(lèi)技術(shù)和方法對(duì)比為目的，突出以小地物為目標(biāo)的特點(diǎn)，參照第二次全國(guó)土地利用調(diào)查分類(lèi)體系，根據(jù)研究區(qū)的特點(diǎn)，確定土地利用的類(lèi)別為：塘、耕地、園林地、城鄉(xiāng)建設(shè)用地、交通用地、水利用地和其他土地.

3 結(jié)果與分析

3.1 最大似然分類(lèi)法

最大似然分類(lèi)是基于參數(shù)化密度分布模型的遙感分類(lèi)主要方法［13］.若影像數(shù)據(jù)的空間分布特征較為離散、復(fù)雜,或訓(xùn)練樣本不充分、無(wú)代表性，或函數(shù)參數(shù)計(jì)算不準(zhǔn)確,則可能造成分類(lèi)結(jié)果偏離實(shí)際情況，導(dǎo)致精度下降.廣州市天河區(qū)的快鳥(niǎo)影像用該法分類(lèi)得到的結(jié)果如圖1所示.該方法在此次研究中的分類(lèi)精度并不理想，尤其是研究目標(biāo)——塘的分類(lèi)結(jié)果遠(yuǎn)遠(yuǎn)達(dá)不到要求.因?yàn)閿?shù)據(jù)空間分辨率高，所以特征空間分布較為復(fù)雜和離散，且從Google Earth下載的數(shù)據(jù)無(wú)光譜信息，這在其他土地高精度的分類(lèi)結(jié)果上也能體現(xiàn)出來(lái)，該分類(lèi)精度和kappa系數(shù)分別為78.330 3%和0.739 0.

3.2 面向?qū)ο蠓诸?lèi)方法

面向?qū)ο蠓诸?lèi)方法是以像元為單元［14］，分類(lèi)過(guò)程步驟多，數(shù)據(jù)量大，耗時(shí)，對(duì)硬件要求高，不適宜用于分辨率高數(shù)據(jù)量大的遙感數(shù)據(jù).

該方法用影像的顏色（光譜）信息進(jìn)行信息的提取與歸并［15］，分類(lèi)的規(guī)則局限于影像本身的光譜比率、形狀、面積等信息，而從Google Earth下載的快鳥(niǎo)數(shù)據(jù)無(wú)光譜信息.在分割和合并的過(guò)程中，對(duì)邊界明顯的地物如高速公路、河涌等斑塊效果較好，而對(duì)邊界不明顯的斑塊，如林地和耕地的斑塊分類(lèi)效果較差.該方法分類(lèi)精度取決于設(shè)定的斑塊大小，斑塊過(guò)大則分類(lèi)誤差大，如交通用地與城鄉(xiāng)建設(shè)用地，斑塊過(guò)大則合并為一類(lèi)；斑塊過(guò)小則數(shù)據(jù)量大，如天河區(qū)的城中村建筑物斑塊細(xì)小密集；對(duì)尺度不同、內(nèi)部變化不同的地物分割精度和融合度顯著不同，缺乏統(tǒng)一可靠的圖像分割融合精度與評(píng)價(jià)標(biāo)準(zhǔn)，斑塊的大小不好掌控，主觀性大.圖2為用面向?qū)ο蠓诸?lèi)法對(duì)廣州市天河區(qū)快鳥(niǎo)數(shù)據(jù)進(jìn)行分類(lèi)得到的結(jié)果，該分類(lèi)精度和kappa系數(shù)分別為74.181%和0.689 1.

3.3 決策樹(shù)分類(lèi)結(jié)果

本次研究采用決策樹(shù)算法中最主流的基于ID3算法發(fā)展的C4.5算法［16］，針對(duì)本次研究數(shù)據(jù)量大和目標(biāo)地物小的特點(diǎn)，采用單變量決策樹(shù)［9］，即在每一內(nèi)部結(jié)點(diǎn)處的判別界面輸入數(shù)據(jù)的單一特征定義.在每一內(nèi)部結(jié)點(diǎn)，輸入數(shù)據(jù)被單一判決特征分割成兩個(gè)或多個(gè)子數(shù)據(jù)集.分類(lèi)過(guò)程從“原級(jí)”到“終極”回歸分割直到每一個(gè)葉結(jié)點(diǎn)終止，每一葉結(jié)點(diǎn)的分類(lèi)值即是分類(lèi)開(kāi)始時(shí)所定義的 “種子”值，具體流程見(jiàn)圖3.

圖4為依據(jù)圖3建立分類(lèi)規(guī)則進(jìn)行分類(lèi)所得結(jié)果，從該圖可看出，塘和耕地的精度最高，因兩類(lèi)數(shù)據(jù)來(lái)源于目視解譯成果；交通和水利用地次之，因數(shù)據(jù)來(lái)源于往年土地調(diào)查結(jié)果；園林地和城鄉(xiāng)建設(shè)用地間精度較低，因兩者分類(lèi)是基于NDVI數(shù)據(jù)，計(jì)算的精度依賴于SPOT5的精確度和NDVI的選值，另在城鄉(xiāng)建設(shè)和水利用地中，有綠化用地被劃分為園林地；精度最低是其他土地，該類(lèi)土地通常以裸地為主，裸地是過(guò)渡性質(zhì)的土地利用類(lèi)型，最終去向?yàn)槌青l(xiāng)建設(shè)用地，這對(duì)目標(biāo)于小地物研究來(lái)說(shuō)影響很小.因此決策樹(shù)的總體分類(lèi)精度為94.857 4%，相對(duì)最大似然分類(lèi)法和面向?qū)ο蠓诸?lèi)方法提高了16.52%和20.68%，kappa系數(shù)分別提高了0.18和0.23，為 0.916 2.

圖2 廣州市天河區(qū)快鳥(niǎo)數(shù)據(jù)面向?qū)ο蠓椒ǚ诸?lèi)圖

圖3 基于決策樹(shù)的快鳥(niǎo)數(shù)據(jù)分類(lèi)流程

圖4 廣州市天河區(qū)快鳥(niǎo)數(shù)據(jù)決策樹(shù)分類(lèi)圖

4 結(jié)語(yǔ)

在本次決策樹(shù)規(guī)則的編寫(xiě)中融合目視解譯、人機(jī)交互解譯（NDVI）、RS與GIS一體化（土地調(diào)查數(shù)據(jù)）的三種解譯方法.在結(jié)合這三種方法能利用GIS多源信息輔助分類(lèi)、增加信息量、減少解譯中的不確定性等優(yōu)點(diǎn)外，決策樹(shù)方法也具備自身獨(dú)特優(yōu)勢(shì)：（1）對(duì)分類(lèi)者要求較低：不需備具大量知識(shí)以先驗(yàn)確定，分類(lèi)更方便、快捷，結(jié)果更客觀；（2）對(duì)遙感數(shù)據(jù)要求較低：當(dāng)影像空間分布復(fù)雜、光譜信息和屬性缺失、數(shù)據(jù)多源且有不同分布和尺度等時(shí)，不需假設(shè)先驗(yàn)概率分布，分類(lèi)結(jié)果也較理想；（3）能單獨(dú)或同時(shí)應(yīng)用高空間分辨率和高光譜分辨率的優(yōu)點(diǎn)，解決兩者不可兼得的矛盾；（4）決策樹(shù)既是直觀明了的知識(shí)表示，也是高效的分類(lèi)器，易于表達(dá)和應(yīng)用；（5）在對(duì)影像數(shù)據(jù)特征空間的分割上，更有效提取小目標(biāo)地物，運(yùn)算速度快、效率和魯棒性高，對(duì)應(yīng)用于未來(lái)使用更廣泛同時(shí)數(shù)據(jù)量更大的高分辨率遙感影像上更具優(yōu)勢(shì).

在本文研究中，決策樹(shù)的解譯結(jié)果精度最高，這與輔助數(shù)據(jù)精度高息息相關(guān)，這既是該分類(lèi)法的優(yōu)點(diǎn)，也是缺點(diǎn).當(dāng)輔助數(shù)據(jù)較少、精度較低、與遙感影像成像日期不匹配等時(shí)，只能利用遙感數(shù)據(jù)本身獲取分類(lèi)信息，這時(shí)的分類(lèi)精度則可能低于最大似然和面向?qū)ο髢煞N分類(lèi)方法.在以后的研究中，如何用決策樹(shù)更好的挖掘遙感影像本身的數(shù)據(jù)信息將是研究的一個(gè)方向.

［1］何凱濤，甘甫平，王永江.高空間分辨率衛(wèi)星遙感地質(zhì)微構(gòu)造及蝕變信息識(shí)別［J］.國(guó)土資源遙感,2009（1）:97-99.

［2］周兆葉，儲(chǔ)少林，王志偉，等.基于 NDVI的植被覆蓋度的變化分析［J］.草業(yè)科學(xué),2008，25（12）：23-29.

［3］明冬萍，駱劍承，沈占鋒，等.高分辨率遙感影像信息提取與目標(biāo)識(shí)別技術(shù)研究［J］.測(cè)繪科學(xué)，2005，30（3）：18-20.

［4］黃慧萍，吳炳方，李苗苗，等.高分辨率影像城市綠地快速提取技術(shù)與應(yīng)用［J］.遙感學(xué)報(bào)，2004,1（1）：68-74.

［5］王蘭，耿澤勛，馮穎.高輻射分辨率遙感影像的特性分析與處理［J］.海洋測(cè)繪，2010,30(4):79-82.

［6］孫丹峰，楊冀紅，劉順喜.高分辨遙感衛(wèi)星影像在土地利用分類(lèi)及其變化監(jiān)測(cè)的應(yīng)用研究［J］.農(nóng)業(yè)工程學(xué)報(bào)，2002，18（2）：160-164.

［7］莫平浩，胡茂林.利用 Google Earth 制作衛(wèi)星影像圖［J］.電力勘測(cè)設(shè)計(jì)，2008,4（2）：30-31.

［8］馬謙.智慧地圖:Google Earth/Maps/KML核心開(kāi)發(fā)技術(shù)揭秘［M］.北京：電子工業(yè)出版社，2010.

［9］黃建文，鞠洪波，趙峰.快鳥(niǎo)數(shù)據(jù)在退耕還林中應(yīng)用方法的研究［J］.林業(yè)科學(xué)研究,2004（3）：267-271.

［10］趙磊.基于多源遙感數(shù)據(jù)的區(qū)域景觀格局尺度效應(yīng)［J］.遙感應(yīng)用，2009（8）：55-60.

［11］那曉東，張樹(shù)清，孔博，等.基于決策樹(shù)方法的淡水沼澤濕地信息提取［J］.遙感技術(shù)與應(yīng)用，2008，23（4）：365-373.

［12］王占昌.利用決策樹(shù)對(duì)衛(wèi)星遙感數(shù)據(jù)進(jìn)行分類(lèi)［J］.青海科技，2005（5）：28-33.

［13］陳亮，劉希，張?jiān)?結(jié)合光譜角的最大似然法遙感影像分類(lèi)［J］.測(cè)繪工程，2007，16（3）：40-47.

［14］李霞，王飛，徐德斌，等.基于混合像元分解提取大豆種植面積的應(yīng)用提取［J］.農(nóng)業(yè)工程學(xué)報(bào)，2008，24（1）：213-217.

［15］陳云浩，馮通，史培,等.基于面向?qū)ο蠛鸵?guī)則的遙感影像分類(lèi)研究［J］.武漢大學(xué)學(xué)報(bào)，2006，31（4）：316-320.

［16］洪家榮，丁明峰，李星原，等.一種新的決策樹(shù)歸納學(xué)習(xí)算法［J］.計(jì)算機(jī)學(xué)報(bào)，1995，18（6）：470-474.