基于決策樹模型的面向?qū)ο蠓椒ǖ倪b感濕地信息提取

孫宇翼，譚　政，石丹丹（.蘭州大學(xué)資源環(huán)境學(xué)院，甘肅　蘭州　730000；.甘肅省城鄉(xiāng)規(guī)劃設(shè)計(jì)研究院，甘肅　蘭州　730000）

?

基于決策樹模型的面向?qū)ο蠓椒ǖ倪b感濕地信息提取

孫宇翼1，譚政2，石丹丹1
（1.蘭州大學(xué)資源環(huán)境學(xué)院，甘肅蘭州730000；2.甘肅省城鄉(xiāng)規(guī)劃設(shè)計(jì)研究院，甘肅蘭州730000）

摘要：以寧夏回族自治區(qū)中衛(wèi)市與騰格里沙漠邊緣及其毗鄰區(qū)域?yàn)檠芯繀^(qū)，運(yùn)用基于決策樹模型的面向?qū)ο蠓椒ǎ瑢?duì)圖像融合后15m分辨率的Landsat 8 OLI遙感影像進(jìn)行濕地信息提取研究，并與基于對(duì)象的最大似然法的分類結(jié)果進(jìn)行比較，結(jié)果表明，基于決策樹模型的面向?qū)ο蠓ㄏ啾扔诨趯?duì)象的最大似然法的濕地分類總體精度提高了18.45%，Kappa系數(shù)提高了0.17，分類結(jié)果精度顯著提高。

關(guān)鍵詞：Landsat 8 OLI遙感影像；決策樹模型；面向?qū)ο螅粷竦靥崛?/p>

1　概述

濕地是陸地系統(tǒng)和水體系統(tǒng)相互作用形成的自然綜合體，被稱為天然的“物種基因庫(kù)”、“地球之腎”，在保護(hù)生態(tài)環(huán)境和物種多樣性等方面發(fā)揮著重要作用，具有重要的經(jīng)濟(jì)和社會(huì)效益。然而，隨著人類對(duì)濕地開(kāi)發(fā)強(qiáng)度日益提升，濕地面積大幅萎縮、生物多樣性逐漸下降，濕地的生態(tài)功能也逐漸減弱。因此，如何科學(xué)合理地利用和保護(hù)濕地，實(shí)現(xiàn)經(jīng)濟(jì)社會(huì)的可持續(xù)發(fā)展，成為目前國(guó)內(nèi)外學(xué)者研究的熱點(diǎn)[1]。傳統(tǒng)野外實(shí)地的濕地調(diào)查和測(cè)繪方法費(fèi)時(shí)費(fèi)力，而遙感技術(shù)的快速發(fā)展為監(jiān)測(cè)研究濕地提供了新的途徑。

早期的人工目視解譯和基于像元的監(jiān)督分類方法效率低，精度差，而近年來(lái)出現(xiàn)的面向?qū)ο蟮挠跋穹治龇椒梢猿浞掷糜跋竦墓庾V、形狀、紋理等細(xì)節(jié)信息處理遙感圖像數(shù)據(jù)，其高效、準(zhǔn)確的特點(diǎn)得到了國(guó)內(nèi)外學(xué)者的青睞。安如等利用面向?qū)ο蠓椒?gòu)建了黃河源瑪多縣地區(qū)的遙感濕地提取方法[2]。牟鳳云等以山東省微山湖濕地為實(shí)驗(yàn)區(qū)，探索了面向?qū)ο蠹夹g(shù)在提高濕地植被分類精度的有效方法[3]。趙志龍等利用面向?qū)ο蠓椒▽?duì)羌塘高原內(nèi)的典型沼澤1976-2010年的面積變化狀況開(kāi)展了遙感提取分析[4]。

寧夏回族自治區(qū)中衛(wèi)市地處西北半干旱氣候區(qū)，是我國(guó)重要的濕地分布區(qū)。但是該區(qū)域濕地的研究工作尚少，且多以遙感影像人工目視解譯結(jié)合現(xiàn)場(chǎng)調(diào)查為主，效率低、受主觀經(jīng)驗(yàn)影響嚴(yán)重，因此，研究一種有效的適用于該地區(qū)的濕地遙感監(jiān)測(cè)技術(shù)顯得十分重要。

本文以寧夏回族自治區(qū)中衛(wèi)市及其周邊為研究區(qū)，研究適合于該地區(qū)不同類型濕地信息提取的分類決策樹模型，利用面向?qū)ο蠓椒ㄟM(jìn)行濕地信息提取，為深入探討研究西北干旱半干旱氣候區(qū)的濕地遙感監(jiān)測(cè)等問(wèn)題提供有效的技術(shù)手段。

2　研究區(qū)概況

研究區(qū)位于寧夏回族自治區(qū)中衛(wèi)市與騰格里沙漠邊緣及其毗鄰區(qū)域，屬中溫帶半干旱氣候區(qū)。地理范圍：105°1′37.77″～105°10′30.59″E，37°29′55.68″～37°35′53.95″N，面積約144.05km2。中衛(wèi)地處黃河前套之首，研究區(qū)內(nèi)存在馬場(chǎng)湖和龍宮湖兩個(gè)較大的湖泊，水稻種植與魚類養(yǎng)殖業(yè)較為發(fā)達(dá)。研究區(qū)范圍內(nèi)的濕地對(duì)防治沙漠東移、維持綠洲生態(tài)平衡發(fā)揮著巨大的作用。

3　數(shù)據(jù)源及其預(yù)處理

論文使用的數(shù)據(jù)源是Landsat8OLI影像（成像時(shí)間2015年9月5號(hào)，影像分幅：130/034）。Landsat8的OLI陸地成像儀在ETM+傳感器的基礎(chǔ)上，增加了可用于海岸帶觀測(cè)的藍(lán)色波段和具有水汽強(qiáng)吸收特征的短波紅外波段，并對(duì)近紅外波段進(jìn)行了調(diào)整，以便消除大氣在0.825μm處水汽吸收特征的影響（見(jiàn)表1）。首先利用FLAASH模型對(duì)Landsat8OLI影像進(jìn)行大氣輻射糾正，獲取了更加準(zhǔn)確的地表反射率信息。然后，使用Gram-Schmidt融合方法，將Landsat 8OLI影像中的全色波段數(shù)據(jù)和大氣輻射糾正后的多光譜波段數(shù)據(jù)進(jìn)行圖像融合，使遙感數(shù)據(jù)既有較高的空間分辨率，又具有豐富的多光譜特征。

表1　Landsat 8OLI數(shù)據(jù)特征

4　研究區(qū)濕地分類決策樹模型的構(gòu)建

4.1分類體系的建立

根據(jù)研究區(qū)的遙感數(shù)據(jù)特點(diǎn)和野外實(shí)地調(diào)查結(jié)果，參照全國(guó)濕地資源調(diào)查技術(shù)規(guī)程，建立如表2所示的研究區(qū)濕地分類體系。選取可靠性高的訓(xùn)練樣本是建立研究區(qū)濕地分類決策樹模型的關(guān)鍵，直接影響到規(guī)則設(shè)立的質(zhì)量[5]。通過(guò)對(duì)研究區(qū)Landsat 8OLI影像的目視解譯，參考Google earth高分辨率影像和野外實(shí)地考察數(shù)據(jù)，選擇113個(gè)影像對(duì)象作為訓(xùn)練樣本（每種濕地類型的訓(xùn)練樣本不得小于該濕地類型樣本對(duì)象總數(shù)的2/3），建立研究區(qū)的濕地分類決策樹模型。

表2　研究區(qū)濕地分類體系

4.2影像分割

面向?qū)ο蟮挠跋穹治龇椒ㄊ紫韧ㄟ^(guò)影像分割形成由同質(zhì)像元組成的影像對(duì)象，然后利用影像對(duì)象的光譜、紋理、形狀和上下文等特征進(jìn)行影像分類[6]。多尺度分割算法包含尺度因子（scale）、形狀因子（shape）、緊湊度因子（compactness）三個(gè)參數(shù)，決定了影像分割后生成的影像對(duì)象的大小、數(shù)目和形狀等。本文的多尺度分割采用Liu等[7]提出的不一致性評(píng)價(jià)法，對(duì)分割參數(shù)組合進(jìn)行優(yōu)選。土地覆蓋類型具有層次性，因此，論文以分層提取的方法進(jìn)行研究區(qū)的濕地分類，根據(jù)各層提取地物類型的不同，建立不同尺度大小的參考數(shù)據(jù)集并分別從分割數(shù)據(jù)集中挑選出匹配對(duì)象，以其綜合評(píng)價(jià)參數(shù)ED2最小的參數(shù)組合作為最終的多尺度分割參數(shù)（見(jiàn)表3）。

表3　多尺度分割參數(shù)

4.3特征分析

4.3.1光譜特征

Landsat 8 OLI影像中新增加的Band1藍(lán)色波段對(duì)水體的穿透性強(qiáng)，可用于區(qū)分土壤和植被。Band5近紅外波段處于水體的強(qiáng)吸收區(qū)，對(duì)綠色植被差異敏感，可增強(qiáng)陸地-水域與土壤-農(nóng)作物之間的反差。SWIR2中紅外波段2也處于水的強(qiáng)吸收區(qū)，對(duì)植被水分含量十分敏感。通過(guò)訓(xùn)練樣本的統(tǒng)計(jì)分析，在Level1層上，可有效利用遙感影像的光譜信息，將濕地（含有部分水澆地）和非濕地信息區(qū)分出來(lái)。

研究區(qū)的農(nóng)作物以水田和水澆地（小麥、玉米）為主，影像獲取時(shí)間的水田處于抽穗期和乳熟期之間，光譜特征易于水澆地混淆。因而，在Level2層上，僅僅依靠單波段的光譜反射率難以區(qū)分出各濕地類型，所以，本文除了選取Landsat 8 OLI影像的7個(gè)波段反射率均值之外、還選擇了各個(gè)波段的標(biāo)準(zhǔn)差和歸一化指數(shù)對(duì)研究區(qū)的湖泊、坑塘、蘆葦?shù)睾退锛捌涑凉竦赝獾钠渌匚镱愋瓦M(jìn)行統(tǒng)計(jì)分析，結(jié)果發(fā)現(xiàn)：差異環(huán)境植被指數(shù)（DVI）對(duì)土壤背景的變化反應(yīng)敏感，可以將錯(cuò)分為水田的部分水澆地從濕地中剔除。

4.3.2紋理特征

本研究加入了Landsat 8 OLI影像的7個(gè)多光譜波段數(shù)據(jù)通過(guò)計(jì)算得到的紋理均值（Mean），方差（StdDev），同質(zhì)性（Homogeneity），相異性（Dissimilarity），對(duì)比度（Contrast），相關(guān)性（Correlation）和角度二階矩（Second Moment）6個(gè)特征變量作為統(tǒng)計(jì)變量，計(jì)算窗口選用33。影像分析發(fā)現(xiàn)，應(yīng)用影像近紅外波段的同質(zhì)性易于將湖泊、庫(kù)塘與蘆葦?shù)亍⑺咎飬^(qū)分開(kāi)來(lái)。近紅外波段的方差再求其標(biāo)準(zhǔn)差后的影像對(duì)綠色植被的類別差異更為敏感，可以進(jìn)一步將蘆葦?shù)睾退咎飬^(qū)分開(kāi)來(lái)。

4.3.3形狀特征

地物的幾何特征有助于突破光譜信息無(wú)法解決的“同物異譜”和“異物同譜”現(xiàn)象，提高了遙感圖像處理分析結(jié)果的精度。研究區(qū)中湖泊和部分庫(kù)塘的面積存在較大差異，可利用面積特征將湖泊和庫(kù)塘進(jìn)行區(qū)分，余下較大面積的庫(kù)塘其形狀近似矩形，因此，可以采用矩形擬合度將其與湖泊區(qū)分開(kāi)來(lái)。蘆葦?shù)刂饕植加诤粗苓叄梢岳闷錂E圓形擬合度小的特點(diǎn)，將其與水田區(qū)分出來(lái)。

4.4模型構(gòu)建

基于對(duì)典型地物的光譜特征、紋理特征和形狀特征分析，構(gòu)建出研究區(qū)遙感影像濕地信息提取的決策樹分類模型，如圖1和圖2所示。

圖1　Level1上構(gòu)建的面向?qū)ο蟮臎Q策樹模型

圖2　Level2上構(gòu)建的面向?qū)ο蟮臎Q策樹模型

5　結(jié)果及精度評(píng)價(jià)

在eCognitionDeveloper 9.0、ArcGIS10.2等遙感圖像處理和GIS軟件的支持下，以構(gòu)建的分類決策樹模型為基礎(chǔ)，利用分層提取的面向?qū)ο蠓ㄟM(jìn)行了研究區(qū)遙感濕地提取分類，得到了濕地分類結(jié)果圖，然后隨機(jī)選擇100個(gè)對(duì)象作為評(píng)價(jià)樣本，針對(duì)模型分類結(jié)果采用混淆矩陣對(duì)結(jié)果進(jìn)行精度評(píng)價(jià)（見(jiàn)表4）。同時(shí)，為了更加客觀地評(píng)價(jià)基于決策樹模型的面向?qū)ο蠓ǖ姆诸惤Y(jié)果，在ENVI5.1軟件的支持下對(duì)研究區(qū)的遙感影像進(jìn)行了基于像元的最大似然法分類，分類結(jié)果如圖3所示，精度評(píng)價(jià)見(jiàn)表5。

圖3　基于像元的最大似然法分類結(jié)果

表4　基于決策樹模型的面向?qū)ο蠓ň仍u(píng)價(jià)

表5　基于像元的最大似然法精度評(píng)價(jià)

從分類結(jié)果圖看，基于決策樹模型的面向?qū)ο蠓ǖ姆诸惤Y(jié)果與基于像元的最大似然法的分類結(jié)果相比，“椒鹽現(xiàn)象”得到緩解，圖斑規(guī)整，邊界明確，尤其是水田濕地和沼澤濕地的區(qū)分效果更好。從精度評(píng)價(jià)結(jié)果看，基于決策樹模型的面向?qū)ο蠓ǖ慕Y(jié)果中濕地總體精度是84%，Kappa系數(shù)是0.78，基于像元的最大似然法的結(jié)果中濕地的總體精度是65.55%，Kappa系數(shù)為0.61。可見(jiàn)，基于決策樹模型的面向?qū)ο蠓ㄔ跐竦匦畔⑻崛≈械木雀撸傮w精度提高了18.45%，Kappa系數(shù)提高了0.17。

6　結(jié)論與討論

本文針對(duì)研究區(qū)的Landsat8OLI遙感影像，利用基于決策樹模型的面向?qū)ο蠓ǚ治龅玫降臐竦胤诸惤Y(jié)果較基于像元的最大似然法的分類結(jié)果精度高，有效的減弱了分類結(jié)果圖的“椒鹽”現(xiàn)象。

本文基于決策樹模型的面向?qū)ο蠓ㄔ趯幭幕刈遄灾螀^(qū)中衛(wèi)市與騰格里沙漠邊緣及其毗鄰區(qū)域的濕地信息提取工作中具有良好的適用性，有效地結(jié)合了遙感地學(xué)領(lǐng)域的專家知識(shí)，充分發(fā)揮了遙感影像中的光譜、紋理、幾何等多種特征的優(yōu)越性，準(zhǔn)確高效的提取了地物信息，提高了遙感影像的分類精度，對(duì)于今后西北干旱半干旱氣候區(qū)的濕地遙感監(jiān)測(cè)工作具有重要的借鑒意義。

參考文獻(xiàn)：

[1]鄧凡雙.基于面向?qū)ο蠹夹g(shù)的遼東灣雙臺(tái)子河口濕地信息提取研究[D].東北師范大學(xué),2012.

[2]安如,陳志霞,陸玲,等.面向?qū)ο蟮狞S河源典型區(qū)濕地信息提取[J].河海大學(xué)學(xué)報(bào):自然科學(xué)版,2011,39(4):355-360.

[3]牟鳳云,韓葵.面向?qū)ο蟮倪b感濕地植被分類與信息提取—以微山湖為例[J].安徽農(nóng)業(yè)科學(xué),2012,40(12):7574-7576.

[4]趙志龍.羌塘高原濕地信息提取與典型濕地變化分析[D].青海師范大學(xué),2014.

[5]黃穎,周云軒,吳穩(wěn),等.基于決策樹模型的上海城市濕地遙感提取與分類[J].吉林大學(xué)學(xué)報(bào)(地球科學(xué)版),2009(6): 1156-62.

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

[7]LIUY,BIAN L, MENG Y, et al. Discrepancy measures for selecting optimal combination of parameter values in object-basedimageanalysis[J].ISPRSJournalofPhotogrammetry and Remote Sensing, 2012(68):144-156.

中圖分類號(hào)：TP751.1