基于決策樹分類方法的小麥油菜種植范圍提取

孫佩 汪權方 易潔偉 康全國 張馳 尹偉 袁知洋

(1.湖北省地質科學院研究院，湖北 武漢 430000；2.湖北省硒生態環境效應檢測中心，湖北 武漢 430000；3.湖北大學資源環境學院，湖北 武漢 430062)

引言

小麥是谷物的一種,年產量巨大,其產量的87%作為食用,剩余部分基本作為飼料使用,其在我國的種植歷史悠久,如果能夠準確而及時地獲取到小麥的種植面積信息以及種植變化情況,對維護國家糧食安全和保障國民經濟穩定發展具有不可忽視的重要意義[3-5]。我國是油菜生產大國,其作為一種不可或缺的經濟作物,在我國種植范圍廣泛[4,5],所以我國油菜的總體面積和全部產量在世界產量和面積中居于第1位。相對于其他農作物而言,這2種作物的消費量、生產量以及貿易量等所占比重都非常大,其在我國的農業生產中有著不可忽視的位置[6]。以前獲得農作物種植面積信息的主要途徑是以家庭為單位進行人工統計,逐級上報得到農作物種植面積數據。目前,這種方式所統計出來的結果偏差很大,同時消耗大量的人力、物力以及財力,已不能夠滿足現階段經濟的快速發展[3]。近年來,隨著全世界遙感技術的發展,農業遙感技術[7-9]也隨之得到全面發展及深入各方面的應用,對于當前農業的轉型發展有著不可或缺的作用。農業遙感己經成為一種不可或缺的全新技術手段,對于當前精細農業的發展有著不可或缺的作用。

為了準確獲得研究區小麥油菜的種植面積,需要對遙感影像進行目標地物提取。傳統的非監督分類和監督分類[10,11]的方法對于大面積的目標地物提取無法達到很好的效果,而無人機[12,13]等先進技術成本高,通過分析2種遙感影像的光譜特征,發現其它地物跟小麥油菜之間的光譜差異在綠光和紅光波段上有較大的差異,此外利用NDVI指數、高程和坡度等參數都可以與其它地物進行區分[14],這些情況與決策樹方法的原理十分吻合,因此本文選取了經濟實用的決策樹分類方法研究提取目標地物。

1 研究區域與數據

Landsat系列衛星以及高分一號運行時間跨度較長,空間分辨率相對于其他影像數據較高,能夠對小麥、油菜的監測提供長時間序列的影像數據且易獲取,可以通過相關網站免費下載,降低監測成本。因此,本文從國際科學數據服務平臺以及地理空間數據云獲取了荊門市3月的Landsat影像數據以及高分一號數據作為基礎數據源,其中Landsat影像數據分辨率為30m,高分一號數據分辨率為2m。

2 提取方法

2.1 小麥油菜解譯標志建立

因為遙感影像質量受天氣影響較大,因此為了保證完全提取荊門市小麥油菜的種植面積,本文同時使用Landsat系列影像和GF-1影像。利用光譜影像提取目標地物,需判斷出目標地物在遙感影像中呈現的光學特征,本文通過在荊門市采集樣點,將獲得的GPS點來疊加2種遙感影像,從而確定出小麥油菜的光譜特征,如圖1所示。

圖1 荊門市小麥油菜的解譯標志

從圖1可以很明顯看出,小麥在影像中呈現的光譜特征為深色,油菜在影像中呈現的光譜特征為淺色。

2.2 基于決策樹分類方法的小麥油菜面積提取

2.2.1 決策樹分類概述

決策樹分類法是一種典型的多級分類方法,是由一系列的二叉決策樹構成,見圖2,是對數據集合從上而下逐層細分的分類方法用于將像元劃分到相應的類別,一般情況下,每個決策樹在1個分類規則的表達式的基礎上將圖像中的像元劃分為2大類,新的生成類別可以根據其他分類規則繼續向下一級分類,達到預期分類結果滿意程度[15]。

圖2 決策樹分類結構示意圖

其分類的基本原理是參照各個類別的相近程度逐層向上聚類,每個聚類點形成1個葉結點,在預知各個地物類別樣本信息的條件下,同時還可以將該節點繼續向下細分,將樣本數據細分成若干個子集；以此類推逐層向上聚類,到根節點為止,完成對不同類別的劃分提取。一個完整的決策樹只有1個根節點,但可以有多個分支和結點,結點有父結點和葉結點之分,每個葉結點只能從屬于1個父結點,對于父結點來說,至少含有2個葉結點?？v觀決策樹的組織結構,起始端為根節點,末端以葉結點為止。根據決策樹的組織結構,將選定的數據集作為分類對象逐層劃分出樹的結點,每個父結點上記錄參與計算的數據樣本以及對應的分類判別函數,樹末端的葉結點記錄某一類別的最終分類結果[17]。

利用決策樹分類方法對研究區小麥油菜進行種植面積信息提取,能夠充分利用影像光譜信息,與此同時在疊合不同數據源的基礎上來實現從多層次多角度去獲取地物分類特征指標,獲得不同地物的分類類別信息。同時,在此基礎上,決策樹分類方法能夠更有效率地處理大量數據以及高維數據,能夠全方位分辨目標地物。并且不需要太多的先驗知識作為假設條件,其操作過程簡單,運行速度較快。所以本文將上述選取的指標和參數作為小麥油菜種植面積的提取依據,運用決策樹分類方法對湖北省荊門市研究區域進行地物分類。

2.2.2 決策樹分類規則的建立

決策樹分類方法具有很多優點,如有較高的分類結果精確,較直觀的分類結構,效率較高的運算結果等。本文在ENVI操作軟件的基礎上構建提取小麥油菜種植面積的決策樹模型[16],需建立分類規則,本文將通過對遙感影像圖上主要地物的光譜特征進行仔細分析,從而獲得決策樹分類所需的分類規則。

2.2.2 .1 光譜特征分析

在空間分辨率為30m的Landsat影像上采集主要典型地物的光譜特征,第8波段為全色波段,因此本文沒有使用該波段的光譜特征,如圖3,在第3波段(紅光波段)上裸地和建筑用地的DN值明顯高于其它地物；在第4波段(近紅外)上小麥和油菜的DN值明顯高于其它地物,且油菜的DN值最高；在第5波段(紅光波段)上小麥和油菜的DN值明顯小于居民地和裸地的DN值；第6波段(短波紅外)上小麥和油菜的DN值明顯大于水體；在第7波段上小麥和油菜的DN值明顯小于居民地和裸地；第10波段上裸地的DN值明顯的高于其他主要地物。

圖3 Landsat影像地物光譜特征曲線圖

綜上可以發現,不同地物在不同波段上表現出不同的差異,不論地物光譜特征怎么混淆總是會在某個波段上的光譜值具有明顯的差異,因此通過不同地物的光譜特征可以有效提取目標地物——小麥和油菜。為了獲得更加精確的光譜特征分析結果,本文總共采集600個樣點覆蓋主要地物,從而獲取得到主要地表物質在不同波段上的光譜灰度區間,見表1。

表1 不同地物在差異波段上的光譜灰度值區間

同理,利用相同的方法也可以得到GF-1影像的光譜特征曲線,見圖4。

圖4 GF-1影像地物光譜特征曲線圖

同樣采集600個樣點覆蓋影像中的主要地物,獲取GF-1影像中主要地表物質在不同波段上的光譜灰度區間,見表2。

表2 不同地物在差異波段上的光譜灰度值區間

2.2.2 .2 分類規則的建立

通過上面的分析,進而獲得決策樹分類規則,過程如下。

第5波段上水體的DN值明顯小于其它地物,根據表1,取第5波段上水體的最大DN值與小麥油菜的最小DN值的平均值來制定約束條件B5(表示地物波段,下同)＞12050,作為小麥識別決策樹模型的第1層約束條件,見圖5,從而分離了水體和其它地物。

圖5 Landsat影像小麥油菜決策樹模型

裸地在第10波段上的DN值較大,明顯大于其它地物的DN值,結合表1,取B10上裸地的最小DN值與小麥油菜的最大DN值的平均值作為的指定約束條件B10＜27750作為小麥識別決策樹模型的第2層約束條件[16],從而分離出裸地。

根據圖3,裸地和建筑用地在第4波段上的像元DN值小于第5波段上的像元DN值,而小麥、油菜和植被在第4波段上的像元DN值大于第5波段上的像元DN值,所以指定約束條件B5＞B6作為小麥識別決策樹的第3層約束條件[16],從而分離了小麥、油菜、植被和裸地、建筑用地。

為了進一步分離出其它非目標地物,將小麥和油菜的DN值在B3、B6上較低這一光譜特征引入一些約束條件,小麥的DN值在B3上的區間為7395～7740,在B6上的區間為7953～9025；油菜的DN值在B3上的區間為7967～8255,在B6上的區間為9634～10390[16],綜合2個灰度區間,得到7300＜B3＜8300,7900＜B6＜10400。

植被和小麥油菜的光譜特征非常相似,在除了第4波段以外的所有波段幾乎都無法分離出植被,因此利用第4波段上植被的像元DN值較小這一特征分離出植被,取第4波段植被最大DN值與小麥的最小DN值的平均值作為小麥油菜識別決策樹的第5層約束條件B4＞15000。

通過以上步驟已經將小麥和油菜從其它地物中分離出來,觀察第4波段,油菜的DN值遠遠大于小麥的DN值,因此可以利用這一特征將小麥和油菜區分,取第4波段小麥的最大DN值與油菜的最小DN值的平均值作為第6層決策樹的約束條件B4＞20500。

同理,運用上述的分析方法可以得到GF-1影像的小麥油菜決策樹模型,如圖6所示。

圖6 GF-1影像小麥油菜決策樹模型

通過上面的步驟就可以完成小麥油菜識別決策樹模型的分類規則的建立,然后利用ENVI中的決策樹方法,建立分類規則,從而達到精準分離出目標地物——小麥和油菜,排除其他地物對提取結果的干擾。分類結果主要以Landsat影像為主,GF-1影像數據作為補充。

3 實驗結果與分析

3.1 分類結果與分析

通過創建分類規則,使用決策樹分類的方法不斷剔除掉與小麥、油菜混合的地物,從而得到小麥、油菜的種植面積,在Arcgis中獲取矢量化的結果,并對結果進行局部的修改,去除自動分類不精確的部分,如錯分、漏分等,從而提高分類結果的精度,圖7、圖8分別為小麥、油菜分類結果與原始影像的疊加效果圖,可以很明顯地發現,通過決策樹分類獲得的矢量結果與影像中的地物十分吻合,說明分類效果很好,可靠性高,可以用于后續的數據分析。

圖7 小麥分類結果與影像疊加圖

圖8 油菜解譯結果與影像疊加圖

3.2 精度驗證

使用決策樹分類方法,可以將不像小麥油菜信息以及一些明顯易混信息進行逐次剔除,為了能夠得到更準確的分類驗證結果,需對影像分類結果生成600個隨機點,同時和影像真實值進行對比分析,在識別過程中發現小麥油菜與水體、道路以及其他植被的錯分情況比較小,小麥油菜提取精度的錯分情況主要是由于其他農作物的混淆造成。600個隨機樣點中正確數有520個,錯分數僅80個,總體精度達到了86.67%,說明所構建的決策樹分類結果基本可以滿足研究需要。

4 結論與討論

我國是農業大國,而農業的發展最主要還是取決于耕地面積的多少,我國土地面積雖然廣闊,人均耕地面積極少,這是我國農業發展的主要限制問題,但是不合理的土地利用又會造成大面積的土地浪費或者污染。

根據本文試驗研究,Landsat影像數據和高分一號影像數據能夠滿足對于小麥油菜信息提取的精度需要,通過決策樹分類的方法能夠更有效地將影像多個波段信息有機組織結合起來,詳細利用不同光譜信息以及指標參數提取了較長時間序列的影像數據,其分類精度也達到了本文研究需求。決策樹分類方法可以規避非監督分類里面出現的一些缺點,同時可以避免監督分類中其他分類方法的缺點,發揮其優點。