基于指數(shù)的決策樹土地利用分類算法研究

何朝霞

摘要：以湖北省松滋市部分區(qū)域?yàn)檠芯繉?duì)象，基于2011年Landsat 5TM、2017年Landsat-8遙感影像和ASTGTM2的DEM數(shù)字高程數(shù)據(jù)，深入探討研究區(qū)兩種影像數(shù)據(jù)的多特征提取，設(shè)計(jì)基于指數(shù)的土地分類試驗(yàn)。結(jié)果表明，EBSI、MNDWI、MSAVI、MNDBI等遙感指數(shù)的分類精度較高;依據(jù)上述遙感指數(shù)和DEM特征，生成決策樹規(guī)則，構(gòu)建決策樹分類模型，得到研究區(qū)的土地利用分類結(jié)果，決策樹分類精度明顯高于SVM法和最大似然法，Landsat-8影像分類精度高于Landsat 5TM;2011—2017年部分裸土得到了利用，主要轉(zhuǎn)化為居民用地和生態(tài)用地。

關(guān)鍵詞：遙感影像;DEM;決策樹;土地利用;精度

中圖分類號(hào)：P237? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：0439-8114（2019）21-0176-04

DOI：10.14088/j.cnki.issn0439-8114.2019.21.039

Abstract： Taking part of Songzi city， Hubei province as the research area， multiple feature extraction of remote sensing in research area is discussed based on remote sensing images of Landsat 5TM in 2011 and Landsat-8 in 2017， and DEM digital elevation data of ASTGTM2. Many comparative experiments of land classification based on index have found that the indices such as EBSI，MNDWI，MSAVI，and MNDBI have higher classification accuracy; the decision tree rules are generated based on the remote sensing index and DEM characteristics，the decision tree classification model is constrcted， and the land use classification results in the research area are obtained. The experimental results show that the classification accuracy of decision tree is higher than that of SVM and maximum likelihood， and classification accuracy of Landsat-8 image is higher than Landsat 5TM; some bare soil was maily used to converte into residential land and ecological land from 2011 to 2017.

Key words： remote sensing image; DEM; decision tree; land use; accuracy

土地作為人類和動(dòng)物棲息生存的惟一空間，研究土地利用/覆蓋信息的變化，對(duì)全球生態(tài)環(huán)境系統(tǒng)具有重要意義[1]。隨著科學(xué)技術(shù)的發(fā)展，遙感影像分類成為當(dāng)前土地利用/覆蓋信息提取的主要方式[2]。傳統(tǒng)的監(jiān)督分類對(duì)訓(xùn)練樣本選取的要求較高，出現(xiàn)錯(cuò)分和漏分現(xiàn)象的概率較大[3]。研究發(fā)現(xiàn)，決策樹、支持向量機(jī)（SVM）和神經(jīng)網(wǎng)絡(luò)等方法有效地提高了分類精度[4]。其中將各類地物光譜指數(shù)應(yīng)用到分類器中，對(duì)決策樹分類的精度有較大提高，以前相關(guān)研究主要集中在對(duì)鹽漬地[5]、濕地[6]、紅樹林[7]等特定地物類型地提取。近兩年，也有基于指數(shù)的決策樹全面地物覆蓋類型的提取研究，嘎力巴等[8]以哈爾濱的Landsat-8影像為基礎(chǔ)，計(jì)算出20個(gè)地物光譜指數(shù)，經(jīng)過精度對(duì)比、篩選五組數(shù)據(jù)作為變量進(jìn)行決策樹分類，其分類結(jié)果都比普通決策樹分類和最大似然法的精度高;馬驪馳等[9]基于Landsat TM影像，運(yùn)用光譜特征和地學(xué)輔助知識(shí)相結(jié)合的改進(jìn)型決策樹分類方法分別對(duì)香格里拉建塘鎮(zhèn)進(jìn)行土地利用信息提取;姚蓓蓓等[10]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;陳文嬌等[11]結(jié)合Landsat-8遙感數(shù)據(jù)，采用多級(jí)決策樹分類方案，利用歸一化植被指數(shù)、波段比值、主成分分量等光譜特征參數(shù)并融合其他非遙感知識(shí)，對(duì)黃河三角洲地區(qū)土地利用與覆蓋信息進(jìn)行全面提取。

以松滋市部分區(qū)域?yàn)檠芯繀^(qū)，分析研究區(qū)特點(diǎn)，基于2011年和2017年的不同類型遙感影像，提取研究區(qū)內(nèi)不同指數(shù)，對(duì)比分析不同的指數(shù)組合下遙感影像決策樹分類的精度，構(gòu)建最適合該研究區(qū)基于指數(shù)的決策樹模型，并與最大似然法和支持向量機(jī)（SVM）法進(jìn)行比較，簡(jiǎn)單分析2011—2017年土地利用/覆蓋信息變化的原因。

1? 研究區(qū)概況和數(shù)據(jù)源

1.1? 研究區(qū)概況

松滋市位于湖北省中南部，長江中游南岸，地理坐標(biāo)東經(jīng)110°14′-112°03′，北緯29°53′-30°22′。研究區(qū)在松滋市的位置如圖1所示。研究區(qū)地形西高東低，西部最高海拔815.1 m，西北部和中部為廣闊的丘陵崗地，海拔在100～200 m，東部平原湖區(qū)海拔在50 m以下，河渠縱橫，間有湖泊，整個(gè)研究區(qū)具有山地-丘崗-平原的地貌特征。

1.2? 數(shù)據(jù)來源與預(yù)處理

研究的遙感數(shù)據(jù)來源于地理空間數(shù)據(jù)云發(fā)布的Landsat 5TM數(shù)字影像（2011年）、Landsat-8數(shù)字影像（2017年）和ASTGTM2的DEM數(shù)字高程數(shù)據(jù)。為了提高研究結(jié)果的精度，影像分類前會(huì)對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，主要包括輻射定標(biāo)、大氣校正和幾何校正，最后利用矢量裁剪出研究區(qū)2011年和2017年的數(shù)字影像和DEM數(shù)據(jù)。

2? 研究方法

2.1? 土地分類系統(tǒng)的建立

研究區(qū)內(nèi)地形復(fù)雜，西高東低，土地利用類型中，占地面積由高到低依次是農(nóng)業(yè)用地（包括耕地、園地、林地、草地等）、居民用地、水體和未利用土地。結(jié)合當(dāng)?shù)氐牡乩砦恢谩⒆匀粭l件，同時(shí)為了方便后期研究植被、氣候等對(duì)不同地形的響應(yīng)，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，將研究區(qū)土地利用類型劃分為居民用地、水體、陡坡植被、丘陵植被、平原植被、裸地及其他等7個(gè)類別。

2.2? 決策樹分類設(shè)計(jì)和選擇

在決策樹分類中，選擇合適的特征指數(shù)作為變量在一定程度上可以提高遙感影像分類精度。在深入研究遙感指數(shù)和空間指數(shù)的基礎(chǔ)上，結(jié)合研究區(qū)的影像特點(diǎn)，將決策樹分類試驗(yàn)設(shè)計(jì)如表1。相關(guān)指數(shù)說明如下。

1）Brightness、Greenness、Wetness分別為纓帽變換的前三個(gè)變量。

2）植被指數(shù)。NDVI為歸一化植被指數(shù)，反應(yīng)土地植被的覆蓋狀況。Landsat 5TM和Landsat-8的NDVI計(jì)算分別為式（1）和式（2）。

NDVI5=（b4-b3）/（b4+b3）? ?（1）

NDVI8=（b5-b4）/（b5+b4）? ?（2）

MSAVI為修改土壤調(diào)整植被指數(shù)。

MSAVI5=1/2[8（b4-b3）]1/2? ?（3）

MSAVI8=1/2[8（b5-b4）]1/2? ?（4）

3）水體指數(shù)。NDWI為歸一化水體指數(shù)。

NDWI5=（b2-b4）/（b2+b4）? ?（5）

NDWI8=（b3-b5）/（b3+b5）? ?（6）

MNDWI為改進(jìn)歸一化水體指數(shù)，可以更好地區(qū)分建筑物和植被與水體，突出水體信息[13]。

MNDWI5=（b2-b5）/（b2+b5）? ?（7）

MNDWI8=（b3-b6）/（b3+b6）? ?（8）

4）建筑指數(shù)。NDBI為歸一化建筑指數(shù)。

NDBI5=（b5-b4）/（b5+b4）? ?（9）

NDBI8=（b6-b5）/（b6+b5）? ?（10）

MNDBI為改進(jìn)的歸一化裸露指數(shù)。

MNDBI=NDBI+（1-NDVI）? （11）

5）土壤指數(shù)。BSI為裸土指數(shù)。

BSI5=[（b5+b3）-（b4+b1）]/[（b5+b3）+（b4+b1）]

（12）

BSI8=[（b6+b4）-（b5+b2）]/[（b6+b4）+（b5+b2）]

（13）

EBSI增強(qiáng)型裸土指數(shù)，它能夠進(jìn)一步增強(qiáng)裸土信息。

EBSI=（BSI-MNDW）/（BSI+MNDW）? （14）

6）DEM。由DEM可以派生出研究區(qū)的坡度（Slope）、坡向（Aspect）等特征。

根據(jù)測(cè)試結(jié)果產(chǎn)生最終的決策樹規(guī)則執(zhí)行決策樹，獲得分類結(jié)果，經(jīng)驗(yàn)證第三組指數(shù)在分類中的精度最高。第3組決策樹分類試驗(yàn)中的相關(guān)指數(shù)如圖2、圖3所示。觀察圖2和圖3可知，Landsat-8影像較Landsat 5TM影像的指數(shù)更能突出地物特征;MNDWI和MSAVI均能很好地突出水體和植被信息;EBSI能夠突出裸土信息，但是對(duì)比圖2和圖3的（a）與（d），裸土信息中也會(huì)包含一部分城市信息。

分別提取研究區(qū)影像的上述指數(shù)，得出以下結(jié)果：ESBI較SBI能增強(qiáng)裸土信息;MNDWI較NDWI更能突出水體，并且精度高;MSAVI指數(shù)增強(qiáng)了SAVI對(duì)土壤背景的敏感度;MNDBI相對(duì)于NDBI可以增大地物反差，更好地突出城市信息;DEM模型中主要用到的是坡度信息，結(jié)合地學(xué)信息，當(dāng)坡度大于20°分為陡坡，坡度介于5°～20°為丘陵，坡度小于5°為平原。

3? 結(jié)果與分析

3.1? 決策樹模型

基于遙感影像，結(jié)合決策樹分類第3組試驗(yàn)提取的遙感指數(shù)，找到不同地物類型的決策樹閾值T1、T2、T3、T4、T5，構(gòu)建的決策樹模型如圖4所示。圖4中的閾值說明，Landsat 5TM：T1=84.5，T2=1，T3=66，T4=T5=1;Landsat-8：T1=21 845，T2=2，T3=18 000，T4=T5=2。

執(zhí)行圖4的決策樹，獲得研究區(qū)2011年和2017年的土地利用分類結(jié)果，并與SVM和最大似然法進(jìn)行比較，如圖5和圖6所示。觀察分類結(jié)果，研究區(qū)西部多為陡坡植被，西北部和中部丘陵植被和平原植被較多，東部水域較多，均與研究區(qū)的實(shí)際情況保持一致。比較3種分類方法的分類精度和Kappa系數(shù)（表2）可知，本研究的決策樹算法的分類精度和Kappa系數(shù)均高于SVM法和最大似然法，而Landsat-8影像的決策樹分類精度和Kappa系數(shù)高于Landsat 5TM影像。

3.2? 2011—2017年土地利用變化分析

運(yùn)用決策樹法對(duì)2011年和2017年影像數(shù)據(jù)進(jìn)行分類，得到2011—2017年土地利用變化信息（表3）。2011—2017年土地利用變化的趨勢(shì)為：裸土面積呈較大幅度減少，而所有其他類型的面積都有不同幅度的增加，其中平原植被和居民用地的增幅較大。分析其原因：①2011年的影像是4月，為初春，2017年的影像是10月，為初秋，平原植被多為耕地，由于季節(jié)不同，在分類過程中，容易將未耕作的農(nóng)田分為裸土;②6年間，部分未利用的裸土開發(fā)為平原植被和居民用地，這是城鎮(zhèn)化建設(shè)的結(jié)果，根據(jù)2014年《國家新型城鎮(zhèn)化規(guī)劃》，裸土（農(nóng)村廢棄地、其他污染土地、工礦用地等）要合理轉(zhuǎn)化為生態(tài)用地，建設(shè)成為城鎮(zhèn)化地區(qū)的綠色生態(tài)廊道。

4? 結(jié)論

通過研究遙感指數(shù)的計(jì)算方法和研究區(qū)的指數(shù)特征，設(shè)計(jì)了系列的土地利用分類試驗(yàn)，綜合分析各組試驗(yàn)中指數(shù)的分類精度，EBSI、MNDWI、MSAVI、MNDBI等指數(shù)和DEM特征的運(yùn)用到分類器中的精度最高，提出了基于以上指數(shù)的決策樹土地分類模型，決策樹分類精度較SVM法和最大似然法有了較大提高。對(duì)比研究區(qū)2011—2017年的土地分類結(jié)果，6年間裸土得到了利用，主要轉(zhuǎn)化為居民用地和生態(tài)用地。

參考文獻(xiàn)：

[1] 童佳楠.基于錨點(diǎn)建圖的半監(jiān)督分類在遙感圖像中的應(yīng)用[J].現(xiàn)代電子技術(shù)，2016，477（22）：92-96.

[2] JIA K，LIANG S，ZHANG L，et al. Forest cover classification using Landsat ETM+ data and time series MODIS NDVI data[J].International journal of applied earth observations & geoinformation，2014，33（1）：32-38.

[3] UTOMO D H，KURNIAWAN B R. Spatio temporal analysis trend of land use and land cover change against temperature based on remote sensing data in Malang city[J].Procedia-social and behavioral sciences，2016，227：232-238.

[4] YAN L，ROY D P. Automated crop field extraction from multi-temporal web enabled landsat data[J].Remote sensing of environment，2014，144（144）：42-64.

[5] 李? 晉，趙庚星，常春艷.基于HSI高光譜和TM圖像的土地鹽漬化信息提取方法[J].光譜學(xué)與光譜分析，2014，34（2）：520-525.

[6] 張樓香，阮仁宗.基于決策樹的洪澤湖濕地信息提取[J].測(cè)繪與空間地理信息，2015，38（2）：87-91.

[7] 張雪紅.基于決策樹方法的Landsat-8 OLI影像紅樹林信息自動(dòng)提取[J].國土資源遙感，2016，28（2）：182-187.

[8] 嘎力巴，臧淑英，李? 苗，等.基于指數(shù)的遙感影像決策樹分類方法[J].環(huán)境與發(fā)展，2016，28（5）：43-48.

[9] 馬驪馳，王金亮，劉廣杰，等.基于改進(jìn)型決策樹遙感分類的土地利用變化研究[J].地理空間信息，2016，14（7）：12-16.

[10] 姚蓓蓓，段德宏.基于決策樹分類的土地覆蓋信息提取研究[J].山東農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2016，47（3）：372-377.

[11] 陳文嬌，翁永玲，路云閣.基于多級(jí)決策樹分類的土地利用與覆蓋信息提取[J].測(cè)繪與空間地理信息，2017，40（9）：63-68，73.