基于決策樹分類的土地覆蓋信息提取研究

姚蓓蓓，段德宏

1.山東科技大學(xué)測(cè)繪科學(xué)與工程學(xué)院，山東青島2665902.山東科技大學(xué)科研處，山東青島266590

?

基于決策樹分類的土地覆蓋信息提取研究

姚蓓蓓1，段德宏2*

1.山東科技大學(xué)測(cè)繪科學(xué)與工程學(xué)院，山東青島266590
2.山東科技大學(xué)科研處，山東青島266590

摘要：為實(shí)現(xiàn)簡(jiǎn)便、快速、準(zhǔn)確地獲取大尺度范圍的土地覆蓋信息，本文充分利用ETM+數(shù)據(jù)的多光譜特征、DEM數(shù)字高程信息和坡度、坡向等地學(xué)相關(guān)知識(shí)，結(jié)合NDVI、NDWI、SAVI、NDBI等各類指數(shù)，構(gòu)建適用于研究區(qū)土地覆蓋信息提取的決策樹模型，并驗(yàn)證其精度。結(jié)果表明，該模型能夠更好地適用于土地覆蓋信息提取，總體分類精度達(dá)到86.49%，Kappa系數(shù)0.8367。

關(guān)鍵詞：土地覆蓋；ETM+；決策樹分類；信息提取

土地覆蓋信息是人們了解土地利用信息的一種方式，可以幫助研究土地動(dòng)態(tài)變化。是開展土地研究、制定土地利用政策的基礎(chǔ)。在自然、人文社會(huì)等諸多因素的影響下，區(qū)域土地覆蓋情況不斷地發(fā)生變化，進(jìn)而影響到區(qū)域的氣候變化、生態(tài)環(huán)境質(zhì)量以及人與自然的可持續(xù)發(fā)展［1］。遙感應(yīng)用技術(shù)覆蓋范圍廣、周期短，能反映動(dòng)態(tài)變化，受條件限制少，獲得的信息量大且成本低，成為土地利用變化監(jiān)測(cè)的重要研究手段，國(guó)內(nèi)外眾多學(xué)者都通過(guò)利用遙感的方法獲取土地利用/覆蓋變化信息［2-3］，如何更加簡(jiǎn)便、快速、準(zhǔn)確的獲取大尺度范圍的土地覆蓋信息成為國(guó)內(nèi)外一直關(guān)注的研究重點(diǎn)。

傳統(tǒng)的分類方法主要包括監(jiān)督分類和非監(jiān)督分類，其中平行算法、最小距離法和最大似然法是監(jiān)督分類最常用的算法，非監(jiān)督分類中較常用的算法有ISODATA算法、K-均值算法等［7］。近年來(lái)，隨著遙感技術(shù)的發(fā)展，新興的分類方法主要有人工神經(jīng)網(wǎng)絡(luò)法［4］、模糊分類和紋理識(shí)別分類［5］等。但是這些分類方法都是基于遙感影像的光譜信息進(jìn)行分類，容易產(chǎn)生漏分、錯(cuò)分現(xiàn)象，嚴(yán)重影響分類精度。決策樹分類方法具有結(jié)構(gòu)清晰，易于理解，實(shí)現(xiàn)簡(jiǎn)單，運(yùn)行快、精度高的優(yōu)勢(shì)，由一個(gè)根結(jié)點(diǎn)、一系列子結(jié)點(diǎn)和葉子節(jié)點(diǎn)組成，每一結(jié)點(diǎn)只有一個(gè)父結(jié)點(diǎn)和兩個(gè)或多個(gè)子結(jié)點(diǎn)［6］，當(dāng)遙感影像空間分布比較復(fù)雜或者多源遙感數(shù)據(jù)具有不同的統(tǒng)計(jì)分布和尺度時(shí)，應(yīng)用決策樹可以有效的處理大量高維數(shù)據(jù)和非線性關(guān)系并且抑制訓(xùn)練樣本噪音提高分類精度，能夠獲得較好的分類結(jié)果［7，8］。決策樹分類利用多源遙感數(shù)據(jù)對(duì)影像逐級(jí)劃分，直觀清晰且運(yùn)算效率較高，已經(jīng)在遙感影像分類信息提取中起到重要作用［9］。

文章使用山東省Landsat7的ETM+遙感影像，借助ENVI遙感圖像處理軟件，分析典型地物的波譜特征，利用NDVI、NDBI、NDWI、SAVI等提取地物信息的比值指數(shù)，結(jié)合DEM等地學(xué)相關(guān)知識(shí)構(gòu)建分類決策樹，基于構(gòu)建的決策樹模型快速、準(zhǔn)確的提取山東省土地覆蓋信息。對(duì)土地覆蓋

分類結(jié)果進(jìn)行分析和精度評(píng)價(jià)，通過(guò)對(duì)比決策樹法和最大似然法的分類結(jié)果證明結(jié)合各種相關(guān)知識(shí)共同構(gòu)建的決策樹模型能夠獲取更高精度。該研究不但改善了遙感影像分類中的決策樹方法，同時(shí)對(duì)大尺度范圍的土地覆蓋信息動(dòng)態(tài)監(jiān)測(cè)具有重要的理論和現(xiàn)實(shí)意義。

圖1　研究區(qū)地理位置圖Fig.1 Geographical location of the study area

1　研究區(qū)概況及數(shù)據(jù)來(lái)源

濟(jì)寧市位于山東省西南部，地處魯中南山地和黃淮海平原交接區(qū)域（見(jiàn)圖1）。地形較為復(fù)雜，以平原為主，東部丘陵分布，地勢(shì)東高西低，南四湖貫穿中、北部，屬于暖溫帶季風(fēng)氣候。總面積達(dá)1.1187×108 km2萬(wàn)平方公里，人口稠密、文化底蘊(yùn)深厚、經(jīng)濟(jì)發(fā)展迅速。土地利用類型中，農(nóng)業(yè)用地占土地總面積的大部分，包括耕地、園地、林地、草地等；其次是建設(shè)用地，包括城鄉(xiāng)居民點(diǎn)、工礦用地、交通用地和水利設(shè)施等；再有水體分布，包括湖泊河流等；最后是未利用土地等［10］。

研究使用SRTM的DEM數(shù)字高程數(shù)據(jù)和Landsat的ETM+數(shù)據(jù)來(lái)提取山東省土地覆蓋信息。ETM+是搭載在太陽(yáng)同步極軌衛(wèi)星Landsat7衛(wèi)星上的增強(qiáng)專題成像儀+，數(shù)據(jù)更新時(shí)間為16 d，空間分辨率為30 m。ETM+數(shù)據(jù)主要包括7個(gè)波段，即第1波段藍(lán)綠波段（450～515 nm），第2波段綠色波段（525～605 nm），第3波段紅色波段（630～690 nm），第4波段近紅外波段（760～900 nm），第5波段中紅外波段（1550～1750 nm），第6波段熱紅外波段（10400～12500 nm）以及第7波段中紅外波段（2090～2350 nm）。

圖像預(yù)處理是遙感圖像處理工程中非常重要的環(huán)節(jié)，為了增強(qiáng)所需要的遙感圖像信息，提高研究結(jié)果的精度，在對(duì)影像進(jìn)行分類前會(huì)對(duì)數(shù)據(jù)影像做預(yù)處理，主要包括利用輻射校正獲取信息提取的地表反射率產(chǎn)品，將多幅影像拼接成一幅完整影像，利用矢量裁剪出山東省的ETM+影像。另外，還對(duì)影像做了像元數(shù)據(jù)融合處理和云掩膜處理。通過(guò)對(duì)本實(shí)驗(yàn)區(qū)各類地物的波譜分析得出，云在藍(lán)綠波段的反射率要明顯高于其他地物的反射率，因此利用藍(lán)綠波段對(duì)影像做基于像元的數(shù)據(jù)融合能更好的降低云霧干擾。利用藍(lán)綠波段的地表反射率值做波段運(yùn)算得出最小值，根據(jù)最小值將多幅影像合成一景影像，這樣就可以將高反射率的云霧去除以減少其對(duì)讀取影像數(shù)據(jù)的影響，并使合成影像的地表反射率能更準(zhǔn)確的表示地物特征。由于山東省的植被覆蓋在夏季比較旺盛，農(nóng)作物大多是在6月?lián)Q季，8月份生長(zhǎng)旺盛，林地則在整個(gè)季度保持著高覆蓋率。因此利用2000年至2002年合成的6月份和8月份ETM+數(shù)據(jù)對(duì)地表覆蓋類型做信息提取分類。

2　研究方法

不同的地區(qū)由于其地理位置、自然條件、研究目的不同等原因，要選擇的分類系統(tǒng)也不同。根據(jù)國(guó)內(nèi)外現(xiàn)有的土地利用/覆蓋分類體系，結(jié)合本研究的目的要求，依據(jù)研究區(qū)土地利用的現(xiàn)狀和遙感數(shù)據(jù)源的信息情況，本次研究選用的是IGBP分類體系標(biāo)準(zhǔn)［9］。本研究根據(jù)研究區(qū)的氣候條件、地形地貌特點(diǎn)和土地覆蓋的植被類型等實(shí)際情況，將本區(qū)分為8個(gè)土地利用類型（見(jiàn)表1）。

表1　分類體系標(biāo)準(zhǔn)Table 1 Standards of classification system

2.1光譜特征分析

波譜特征是提取遙感地物信息的關(guān)鍵依據(jù)。不同的地物會(huì)具有不同的波譜特征，因此可以利用波譜特征用來(lái)區(qū)分不同的地物。在遙感影像的分類過(guò)程中，波譜分析可以用來(lái)作為地物信息提取的一個(gè)重要依據(jù)。本研究方法是在波譜特征分析的基礎(chǔ)上，利用不同類型的指數(shù)增強(qiáng)遙感信息，通過(guò)決策樹分類方法提取各種土地覆蓋類型的信息。利用研究區(qū)8月份的Landsat ETM+數(shù)據(jù)，提取了多種基本地物類型的光譜特征，如圖2所示。

圖2　土地覆蓋類型波譜曲線Fig.2 Spectral curves of land cover types

由圖2可以看出，地物的光譜特征在第4波段呈現(xiàn)較為明顯的差異性，地物的光譜反射率出現(xiàn)波峰，但是地物在其它幾個(gè)波段尤其是第1、2、3波段上光譜特征差異不明顯。根據(jù)以上分析，如果只是單獨(dú)依據(jù)地物光譜分析進(jìn)行土地覆蓋信息提取必然會(huì)產(chǎn)生漏分、錯(cuò)分現(xiàn)象，且不易把握閾值范圍。研究考慮使用多種數(shù)據(jù)結(jié)合地學(xué)知識(shí)構(gòu)建分類決策樹來(lái)提取土地覆蓋信息。

2.2土地覆蓋信息提取

歸一化植被指數(shù)在遙感信息中的應(yīng)用非常廣泛，當(dāng)NDVI為負(fù)值時(shí)表示地面覆蓋的是水體、云或雪等［12］，利用NDVI能夠分離出一部分常年積水的區(qū)域，可以作為提取水體的一個(gè)重要因子［13］，如式（1）所示：

式中：b3是ETM+數(shù)據(jù)第3波段，即紅光波段波段；b4是第4波段近紅外波段。由于NDVI受植被覆蓋影響較大，地處暖溫帶的研究區(qū)域大部分時(shí)間水面都會(huì)有植被覆蓋，另外河流含沙量也會(huì)影響到NDVI值域判定，因此只靠歸一化植被指數(shù)很難分離出全部水體，還需要利用水體指數(shù)。

根據(jù)水體的光譜特性，MeFeeters提出了歸一化差異水體指數(shù)（NDWI），水體指數(shù)能夠消除地形起伏的影響，區(qū)分水體和陰影，增強(qiáng)遙感信息中的水體信息［14］。但當(dāng)泥沙含量比較大時(shí)，水的波譜反射曲線會(huì)移向中紅外區(qū)域，導(dǎo)致異常反射［15］，徐涵秋［16］等為此提出了改進(jìn)的修正歸一化差異水體指數(shù)（MNDWI），如式（2）所示：

課外教學(xué)能夠彌補(bǔ)課堂教學(xué)受時(shí)間、空間等因素限制的不足。從網(wǎng)絡(luò)教學(xué)、專業(yè)技能訓(xùn)練、創(chuàng)新性綜合實(shí)踐三個(gè)方面著手，構(gòu)建多元化的課外教學(xué)體系。網(wǎng)絡(luò)教學(xué)包括教學(xué)網(wǎng)站、網(wǎng)絡(luò)教學(xué)資源庫(kù)和網(wǎng)絡(luò)管理平臺(tái)三個(gè)部分。專業(yè)技能訓(xùn)練則根據(jù)學(xué)生不同的專業(yè)需求，開展具有針對(duì)性的專業(yè)技能訓(xùn)練活動(dòng)，為學(xué)生的專業(yè)學(xué)習(xí)服務(wù)。創(chuàng)新型綜合實(shí)踐，是根據(jù)計(jì)算機(jī)技術(shù)的發(fā)展趨勢(shì)、不同專業(yè)的應(yīng)用背景，來(lái)構(gòu)建以學(xué)生為主體的創(chuàng)新性綜合實(shí)踐體系，具體通過(guò)科研活動(dòng)、科技競(jìng)賽以及產(chǎn)學(xué)研結(jié)合等實(shí)踐環(huán)節(jié)來(lái)實(shí)現(xiàn)。

式中：b2表示ETM+數(shù)據(jù)的第2波段，即綠光波段；b7表示第7波段，中紅外波段。用MNDWI來(lái)提取有較多建筑物背景水體的效果仍然比較差，為了對(duì)遙感數(shù)據(jù)做出進(jìn)一步精確的河流提取，沈占鋒［17］等提出了高斯歸一化水體指數(shù)（GNDWI）。GNDWI通過(guò)高斯變換拉伸0值附近屬于水體的弱信息，抑制1和-1附近的強(qiáng)信息，增強(qiáng)灰度值差異，實(shí)現(xiàn)水體的分離并且較好的保留了水體的連續(xù)性和完整性。

本研究經(jīng)過(guò)在提取水的研究過(guò)程中反復(fù)試驗(yàn)和觀察，將MNDWI和GNDWI兩種指數(shù)結(jié)合成GMNDWI指數(shù)來(lái)提取水體，既可以避免因?yàn)槟嗌澈看蠖斐傻慕t外區(qū)的異常反射，又可以利用高斯歸一化增強(qiáng)水體信息，實(shí)現(xiàn)河流信息的的精確提取。這里的GMNDWI指的是Gauss Modified NDWI，即高斯修正歸一化水體指數(shù)，如式（3）所示：

通過(guò)GMNDWI指數(shù)更能精確的提取遙感影像上水體的信息，并且保留水體的完整性，因此最終采用GMNDWI指數(shù)來(lái)提取河流信息。

利用DEM將研究區(qū)的地形劃分為平原和山地丘陵兩部分。1984年頒布的《土地利用現(xiàn)狀調(diào)查技術(shù)規(guī)程》將耕地坡度劃分為五個(gè)等級(jí)［18］，地面坡度的不同級(jí)別，對(duì)耕地利用的影響不同，根據(jù)耕地坡度分級(jí)，當(dāng)坡度≤2°時(shí)視為平地。坡向決定了植被類型，利用坡向可以區(qū)分山地丘陵區(qū)的植被類型。根據(jù)地球科學(xué)辭典里的坡向劃分，可分為向陽(yáng)坡、陰坡、半陽(yáng)坡、半陰坡。坡度是影響植被類型的另一個(gè)重要因素，當(dāng)坡度＞6°時(shí)，容易引起水土流失等狀況，不適宜耕種，適宜大面積林地生長(zhǎng)。

歸一化植被指數(shù)（NDVI）常被用來(lái)衡量植被覆蓋度，可用于區(qū)分植被與非植被，一般認(rèn)為當(dāng)NDVI值大于0.2時(shí)有植被覆蓋，但是NDVI指數(shù)常受土壤背景噪聲的影響［19］，為此Huete通過(guò)引入土壤調(diào)節(jié)因子來(lái)消除土壤背景噪聲的干擾，提出了土壤調(diào)節(jié)植被指數(shù)SAVI，如式（4）所示：

式中：b3表示ETM+數(shù)據(jù)的第3波段，即紅光波段；b4表示第4波段，近紅外波段；L表示土壤調(diào)節(jié)因子，介于0～1之間。土壤調(diào)節(jié)因子L一般選用0.5來(lái)減弱土壤背景的差異，目的是在任何土壤背景中求得的植被指數(shù)都是相等的，從而消除土壤背景噪聲的影響［20］。

非植被覆蓋區(qū)域主要是建筑用地覆蓋區(qū)，包括城市、農(nóng)村居民點(diǎn)、道路交通等。查勇等［21］提出了歸一化建筑指數(shù)（NDBI），如式（5）所示：

式中：b4是ETM+數(shù)據(jù)的第4波段，即近紅外波段；b5是第5波段，即中紅外波段。

3　結(jié)果與分析

3.1決策樹模型構(gòu)建

研究區(qū)依據(jù)地學(xué)相關(guān)知識(shí)，當(dāng)坡度＞2°時(shí)屬于山地丘陵區(qū)，≤2°則為坡緩的平原區(qū)。本研究區(qū)從338°到22°屬于陰坡，其余方向則屬于向陽(yáng)坡或半陽(yáng)坡。一般情況下林地多分布在山地丘陵地區(qū)，普通喬木林一般分布在陽(yáng)坡，而灌木林則多分布在陰坡，根據(jù)坡向可劃分灌木林和喬木類林地。當(dāng)坡度＞6°時(shí)，適宜種植林木，坡度在2°～6°之間可以種植農(nóng)作物，利用歸一化植被指數(shù)NDVI，可以提取山區(qū)植被。

研究經(jīng)過(guò)采樣和光譜分析得出當(dāng)8月份的NDVI＜0.01時(shí)可以較好的劃分出范圍較大、深度較深的水域，比如湖泊。通過(guò)GMNDWI指數(shù)更能精確的提取遙感影像上水體的信息，并且保留水體的完整性，當(dāng)GMNDWI＞1.5時(shí)能夠更好的分離出河流。

當(dāng)SAVI＞0.28時(shí)可以區(qū)分出植被和非植被覆蓋區(qū)域。研究區(qū)植被覆蓋類型主要包括三種：耕地，林地和草地。其中耕地是種植農(nóng)作物的主要區(qū)域，一般是有季節(jié)性的大片出現(xiàn)；林地一般分布在山地丘陵區(qū)，植被覆蓋率較大且成片出現(xiàn)；草地類型在影像中呈零散分布，一般分布在林地或水體附近。農(nóng)作物主要包括冬小麥、夏玉米等，一般是6月份收割冬小麥隨后種植夏玉米、薯類、水稻、大豆等秋收作物，因此在6月份耕地覆蓋區(qū)域的NDVI值會(huì)因?yàn)槭崭疃档停氐腘DVI值在6月出現(xiàn)一個(gè)波谷。但是8月份是植被生長(zhǎng)最為旺盛的時(shí)期，耕地的NDVI值會(huì)很高，可以根據(jù)農(nóng)作物的生長(zhǎng)規(guī)律，利用8月NDVI和6月NDVI的差值進(jìn)行分類［7］。通過(guò)樣本采樣和波譜分析得出，當(dāng)NDVI8- NDVI6＞0.2時(shí)為耕地。草地和林地在5到9月NDVI值會(huì)一直保持比較高的平穩(wěn)水平，但是林地的NDVI值要普遍高于草地的NDVI值，尤其在六月初林地的覆蓋率要明顯高于草地的覆蓋率，可以利用6月的NDVI區(qū)分林地和草地。利用NDBI歸一化建筑指數(shù)大于-0.26區(qū)分建筑用地。

本次研究通過(guò)對(duì)濟(jì)寧地區(qū)Landsat的ETM+數(shù)據(jù)做光譜分析得到各類地物類型光譜特征，利用各類比值指數(shù)，同時(shí)結(jié)合DEM數(shù)字高程數(shù)據(jù)和地學(xué)的相關(guān)知識(shí)構(gòu)建分類決策樹提取研究區(qū)土地覆蓋信息。通過(guò)以上綜合分析，確定決策樹的各分類參數(shù)閾值，最終建立分類決策樹（見(jiàn)圖3）。

圖3　濟(jì)寧市土地覆蓋分類決策樹Fig.3 L and cover classification decision tree in Jining City

3.2分類結(jié)果與精度驗(yàn)證

根據(jù)地物類型光譜特征，利用各類比值指數(shù)增強(qiáng)遙感信息，結(jié)合DEM高程數(shù)據(jù)以及相關(guān)地學(xué)知識(shí)確定分類參數(shù)，構(gòu)建決策樹分類模型，提取研究區(qū)土地覆蓋信息，最終得到濟(jì)寧市土地覆蓋信息分類結(jié)果圖（見(jiàn)圖4）。

圖4　濟(jì)寧市土地覆蓋分類Fig.4 Land cover classification in Jining City

由圖4中的土地覆蓋信息分類結(jié)果中可以看出濟(jì)寧市的主要土地利用類型是耕地，主要分布在平原地區(qū)，占總面積的一半以上。水體資源主要分布在東南地區(qū)的南四湖區(qū)域，林地、草地分布在東部山地丘陵區(qū)，建筑用地分布和城市建設(shè)規(guī)劃一致。

本研究由于研究區(qū)面積比較大，地形復(fù)雜，不便于進(jìn)行實(shí)地考察，所以利用2.5 m高分辨率的SPOT影像目視解譯，對(duì)各類地物類型隨機(jī)選取大量可靠的樣本數(shù)據(jù)用于精度驗(yàn)證。具體過(guò)程為：在SPOT影像上對(duì)不同類別的地物進(jìn)行隨機(jī)選擇，作為地表真實(shí)感興趣區(qū)，與最終分類結(jié)果相匹配，計(jì)算生成混淆矩陣，獲取精度驗(yàn)證所需要的Kappa系數(shù)、總體分類精度等精度驗(yàn)證需要的信息。

對(duì)分類結(jié)果做誤差矩陣分析（見(jiàn)表2），不同地物的分類精度具有差異性，植被類型中耕地和林地的精度比較高，主要是由于耕地林地的分布比較集中，便于采樣，而草地分布零散、覆蓋率較低，信息采集難度較大。ETM+作為衛(wèi)星遙感數(shù)據(jù)本身受外界大氣、傳感器影像較大，存在一定的混合像元，降低了分類精度。）

表2　決策樹分類誤差矩陣Table 2 Error matrix of decision tree classification

為了進(jìn)一步對(duì)比決策樹分類在精度上的優(yōu)勢(shì)，對(duì)該研究區(qū)影像做最大似然法分類與決策樹分類結(jié)果作比較（見(jiàn)表3）。受遙感數(shù)據(jù)本身分辨率和大氣的影響，分布比較分散或是受時(shí)間影響較大、變化較快的地物的分類精度相比較低，但是相比最大似然法，決策樹分類方法明顯提高河流、林地、建筑用地等地物的分類精度，kappa系數(shù)達(dá)到0.8367，總體分類精度由73.2651%提升到86.4903%。

表3　最大似然法與決策樹分類法結(jié)果比較Table 3 Comparison between maximum likelihood method and decision tree classification method

4　討論

研究使用的分類方法結(jié)合了多種分類參數(shù)和數(shù)據(jù)分析，較之前使用的單一分類方法取得更高的分類精度。但是研究受遙感數(shù)據(jù)本身分辨率的影響，存在很多混合像元，一些分散的、破碎的地表覆蓋分類精度比較低，應(yīng)該考慮使用高分辨率的數(shù)據(jù)，重視混合像元處理問(wèn)題，提高土地覆蓋信息的分類精度。分類參數(shù)的選擇對(duì)土地利用分類精度影響比較大，本研究利用光譜分析結(jié)合比值指數(shù)確定閾值進(jìn)行分類，由于經(jīng)驗(yàn)知識(shí)有限難以確定閾值，以后研究要重視如何精確閾值范圍。

5　結(jié)論

通過(guò)構(gòu)建適用于研究區(qū)的決策樹分類模型，提取濟(jì)寧市的土地覆蓋信息。充分利用ETM+數(shù)據(jù)的多光譜特征，利用比值指數(shù)進(jìn)行決策樹分類，增強(qiáng)地物信息，提高分類精度，利用改進(jìn)的水體指數(shù)可以更好的提取建筑區(qū)的水體信息；注重多源數(shù)據(jù)相結(jié)合，利用DEM高程數(shù)據(jù)提供坡度、坡向等信息完善決策樹分類，劃分山地平原，進(jìn)一步提高了分類精度。

利用多源數(shù)據(jù)和相關(guān)地學(xué)方面的知識(shí)相結(jié)合的決策樹分類方法的分類精度達(dá)到86.49%，kappa系數(shù)為0.8367。相比最大似然法的分類結(jié)果，分類精度提高了10個(gè)百分點(diǎn)，證實(shí)本文構(gòu)建的決策樹分類模型可以很好的適用于研究區(qū)的土地覆蓋信息提取。

參考文獻(xiàn)

［1］曾維軍，侯明明，楊偉.一種改進(jìn)的決策樹分類方法在土地利用信息提取中的應(yīng)用［J］.貴州大學(xué)學(xué)報(bào).2013，30（6）：39-46

［2］劉忠陽(yáng)，杜子漩，陳懷亮，等.基于決策樹的鄭州市土地利用與覆蓋分類研究［J］.氣象與環(huán)境科學(xué)，2008，31（3）：48-53

［3］汪煒，汪云甲，連達(dá)軍，等.基于決策樹分類的某市土地利用變化研究［J］.測(cè)繪標(biāo)準(zhǔn)化，2011，27（1）：4-7

［4］王任華，善宏濤，游先樣.人工神經(jīng)網(wǎng)絡(luò)在遙感圖像森林植被分類中的應(yīng)用［J］.北京林業(yè)大學(xué)學(xué)報(bào)，2003，25（4）：1-5

［5］楊淑瑩，胡軍，曹作良.基于圖像紋理分析的目標(biāo)物體識(shí)別方法［J］.天津理工學(xué)院學(xué)報(bào)，2001，17（4）：30-33

［6］游浩辰，許章華，劉健，等.GIS支持下的山區(qū)遙感影像決策樹分類研究［J］.北京聯(lián)合大學(xué)學(xué)報(bào)，2011，25（1）：34-45

［7］巴桑，劉志紅，張正健，等.決策樹在遙感影像分類中的應(yīng)用［J］.高原山地氣象研究，2011，31（2）：31-34

［8］那曉東，張樹清，孔博，等.基于決策樹方法的淡水沼澤濕地信息提取——以三江平原東北部為例［J］.遙感技術(shù)與應(yīng)用，2008，23（4）：365-372

［9］翁中銀，何政偉，于歡.基于決策樹分類的地表覆蓋遙感信息提取［J］.地理空間信息，2012，10（2）：110-112

［10］費(fèi)鮮蕓.山東省耕地變化及驅(qū)動(dòng)因子［D］.泰安：山東農(nóng)業(yè)大學(xué)，2003

［11］王穎.基于NDVI-LST模型的長(zhǎng)白山地區(qū)植被分類與動(dòng)態(tài)變化研究［D］.吉林：東北師范大學(xué)，2011

［12］王偉武，張雍雍.城市住區(qū)熱環(huán)境可控影響因素定量分析［J］.浙江大學(xué)學(xué)報(bào)，2010，44（12）：2348-2353

［13］丁莉東，吳昊，王長(zhǎng)健，等.MODIS圖像湖泊水體信息的快速識(shí)別與制圖［J］.海洋測(cè)繪，2003，26（6）：31-34

［14］畢海蕓，王思遠(yuǎn)，曾江源，等.基于TM影像的幾種常用水體提取方法的比較和分析［J］.遙感信息，2012，27（5）：77-82

［15］陳玉蘭，羅永明.基于TM/ETM+遙感數(shù)據(jù)的港口用地動(dòng)態(tài)變化監(jiān)測(cè)［J］.氣象研究與應(yīng)用，2009，30（3）：60-62

［16］徐涵秋.利用改進(jìn)的歸一化差異水體指數(shù)（MNDWI）提取水體信息的研究［J］.遙感學(xué)報(bào)，2005，9（5）：589-595

［17］沈占鋒，夏列鋼，李均力，等.采用高斯歸一化水體指數(shù)實(shí)現(xiàn)遙感影像河流的精確提取［J］.中國(guó)圖像圖形學(xué)報(bào)，2013，18（4）：421-428

［18］陳學(xué)婧，高敏華.基于GIS的永久性基本農(nóng)田劃定的研究——以新疆昌吉市為例［J］.安徽農(nóng)業(yè)科學(xué)，2013，41（30）：12186-12189

［19］徐涵秋，杜麗萍.遙感建筑用地信息的快速提取［J］.地球信息科學(xué)學(xué)報(bào)，2010，12（4）：574-579

［20］徐涵秋.基于譜間特征和歸一化指數(shù)分析的城市建筑用地信息提取［J］.地理研究，2005，24（2）：311-321

［21］查勇，倪紹祥，楊山.一種利用TM圖像自動(dòng)提取城鎮(zhèn)用地信息的有效方法［J］.遙感學(xué)報(bào)，2000，55（6）：671-678

Study on Soil Cover Information Extraction Based on Decision Tree Classification

YAO Bei-bei1，DUAN De-hong2*

1. College of Geomatics and Engineering/Shandong University of Science and Technology，Qingdao 266590，China
2. Department of Science and Technology/Shandong University of Science and Technology，Qingdao 266590，China

Abstract：To get a lot of information from land cover extraction at a convenience，celerity and accuracy，this paper fully used the characteristics of ETM + multispectral data，the DEM elevation information and the relevant knowledge about a slope，orientation etc. combining with each index of NDVI，NDWI，SAVI，NDBI to establish the decision tree model of land cover information extraction and verify its precision. The result showed that it was suitable enough for the extraction of land cover information and its precision wet up to 86.49%，the Kappa coefficient was 0.8367.

Keywords：Soil cover；ETM+；decision tree classification；information extraction

中圖法分類號(hào)：S159.2

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1000-2324（2016）03-0372-06

收稿日期：2016-02-16修回日期：2016-04-18

基金項(xiàng)目：山東省優(yōu)秀中青年科學(xué)家獎(jiǎng)勵(lì)基金（2011BSB01500）

作者簡(jiǎn)介：姚蓓蓓（1987-），女，在讀碩士，主要從事定量遙感研究. E-mail：taianluckybb@sina.com

*通訊作者：Author for correspondence. E-mail：duandh@foxmail.com