王光遠(yuǎn)

福建師范大學(xué)地理科學(xué)學(xué)院 350108

引言

遙感信息的提取與分類是遙感影像分析與應(yīng)用的重要內(nèi)容。傳統(tǒng)遙感圖像分類方法有監(jiān)督分類與非監(jiān)督分類[2]；近年較新的遙感圖像分類比如人工神經(jīng)網(wǎng)絡(luò)分類法、模糊分類法[3]和專家系統(tǒng)分類法[4]等都是以遙感影像的光譜特征為基礎(chǔ)的。但遙感影像本身存在“同譜異物，同物異譜”的現(xiàn)象，這些僅依賴于光譜特征的分類方法往往會(huì)導(dǎo)致遙感影像的錯(cuò)分或漏分，從而降低遙感影像分類精度[5]。

決策樹(shù)分類方法是一種基于空間數(shù)據(jù)挖掘來(lái)獲得分類規(guī)則的方法，數(shù)據(jù)挖掘（Data mining, DM）是從大量的、不完全的、模糊的、隨機(jī)的數(shù)據(jù)中，提取隱含其中的、人們不知道的、具有潛在利用價(jià)值的信息和知識(shí)的過(guò)程[6]，決策樹(shù)分類方法能夠有效地將遙感影像中的光譜信息和空間紋理信息結(jié)合，并借助現(xiàn)有的土地、植被和水體等土地類型的分類知識(shí)對(duì)影像進(jìn)行土地類型分類。本文嘗試基于決策樹(shù)分類方法之上，結(jié)合光譜特征提取值和紋理信息特征提取值對(duì)Landsat5 TM影像進(jìn)行分類，并將分類結(jié)果與運(yùn)用最大似然法的監(jiān)督分類結(jié)果進(jìn)行對(duì)比分析。

1 研究區(qū)概況與數(shù)據(jù)來(lái)源

尤溪縣是福建省三明市下轄的一個(gè)縣，位于三明市東部，北緯2 5°5 0′～2 6°2 6′，東經(jīng)117°48′～118°39′，總面積3425.3平方千米，屬中亞熱帶季風(fēng)性濕潤(rùn)氣候。夏季暖熱，冬季溫涼，春夏多雨，降水豐富。地處閩中、戴云山脈以北，境內(nèi)山嶺聳峙，丘陵起伏，山峰林立，盆地錯(cuò)綜；中部河谷斜貫?zāi)媳薄Ｈh區(qū)位優(yōu)勢(shì)明顯，資源豐富、交通便利。

本研究采用的數(shù)據(jù)有：福建省尤溪縣梅仙鎮(zhèn)2006年Landsat5 TM影像和ASTER影像、梅仙鎮(zhèn)GPS野外實(shí)測(cè)樣本點(diǎn)數(shù)據(jù)。

2 原理與方法

2.1 光譜信息特征提取

遙感圖像中的光譜特征是反映地物本身物理屬性的基本特征，常用的光譜特征提取方法有代數(shù)運(yùn)算法、導(dǎo)數(shù)法和變換法[1]。本文利用波段間的比值消除地形和光照等影響，利用NDVI(歸一化植被指數(shù))和NDWI（歸一化水體指數(shù)）分別對(duì)植被和水體進(jìn)行特征提取。NDVI(歸一化植被指數(shù))反映了植被光譜的典型特征，部分消除大氣程輻射和太陽(yáng)-地物-衛(wèi)星三者相對(duì)位置（遙感幾何）的影響，增強(qiáng)了對(duì)植被的響應(yīng)能力，具有簡(jiǎn)易操作的特點(diǎn)，是目前應(yīng)用最廣的植被指數(shù)[7]。NDWI（歸一化水體指數(shù)）反映了水體光譜的典型特征。

2.2 紋理信息特征提取

由于研究區(qū)域山地居多，地形崎嶇，目視解譯工作難度大。同時(shí)，分類結(jié)果因遙感圖像本身的空間分辨率以及同物異譜和異物同譜現(xiàn)象的大量存在，會(huì)有較多的錯(cuò)分、漏分情況出現(xiàn)，也導(dǎo)致分類精度降低。為此，許多專家學(xué)者進(jìn)一步引入紋理特征，以增強(qiáng)不同地物的可識(shí)別性。

紋理特征是一種不依賴于物體表面色調(diào)或亮度的、反映圖像灰度的空間變化情況，表現(xiàn)為平滑性、均一性、粗糙性和復(fù)雜程度[1]。紋理特征提取的主要方法是基于灰度共生矩陣的紋理特征提取方法，利用的是紋理特征的局部隨機(jī)性和整體統(tǒng)計(jì)規(guī)律性的特點(diǎn)。對(duì)于遙感圖像來(lái)說(shuō)對(duì)比度(contrast)、熵(entropy)、逆差矩(homogeneity)和相關(guān)性(correlation)等統(tǒng)計(jì)量效果最好[8]。本文以ENVI為平臺(tái)，先對(duì)試驗(yàn)區(qū)遙感影像進(jìn)行主成分分析，有效去除噪音和冗余，取變換后的第一主成分分量；再根據(jù)灰度共生矩陣紋理提取方法對(duì)影像進(jìn)行紋理分析，得到對(duì)比度(contrast)、熵(entropy)、逆差矩(homogeneity)和相關(guān)性(correlation)紋理特征圖像。

2.3 DEM

DEM即數(shù)字高程模型，是一定范圍內(nèi)規(guī)則格網(wǎng)點(diǎn)的平面坐標(biāo)(x y)及其高程(z)的數(shù)據(jù)集，它主要是描述區(qū)域地貌形態(tài)的空間分布，是通過(guò)等高線或相似立體模型進(jìn)行數(shù)據(jù)采集（包括采樣和量測(cè)），然后進(jìn)行數(shù)據(jù)內(nèi)插而形成的，是對(duì)地貌形態(tài)的虛擬表示，可派生出等高線、坡度圖等信息。由于試驗(yàn)區(qū)分布著大量低山丘陵，林地與耕地較難區(qū)分，林地主要分布在低山丘陵地區(qū)，與耕地在高程上有明顯差異，所以嘗試?yán)肈EM將林地從植被中區(qū)分出來(lái)。

2.4 決策樹(shù)分類

決策樹(shù)分類法突破了以往分類樹(shù)或分類規(guī)則的構(gòu)建要利用分類者的生態(tài)學(xué)和遙感知識(shí)先驗(yàn)確定，其結(jié)果往往與其經(jīng)驗(yàn)和專業(yè)知識(shí)水平密切相關(guān)，決策樹(shù)分類過(guò)程中能夠利用GIS數(shù)據(jù)庫(kù)中的地學(xué)知識(shí)輔助分類[5]，將數(shù)據(jù)分割為特征更為均質(zhì)的子集，簡(jiǎn)化了計(jì)算過(guò)程，提高了分類精度。本文采用的是二叉樹(shù)結(jié)構(gòu)，二叉樹(shù)除葉子節(jié)點(diǎn)之外，每個(gè)節(jié)點(diǎn)都有兩個(gè)分支。在分類過(guò)程中，可以將復(fù)雜的問(wèn)題轉(zhuǎn)化成多級(jí)兩類分類問(wèn)題。在每個(gè)節(jié)點(diǎn)Ni處，分類器都把樣本集分為左和右兩個(gè)子集，每一部分可能依舊包含著多類別的樣本，需要把每一部分再劃分成兩個(gè)子集，以此類推，直到所分成的每一部分只包含同一個(gè)類別的樣本，或某一類樣本占優(yōu)勢(shì)而不可再分為止[9]。

3 分類過(guò)程

3.1 最大似然法分類

圖1 尤溪縣梅仙2006年遙感影像最大似然法分類結(jié)果

表1 2006年尤溪縣梅仙TM影像最大似然法分類結(jié)果精度評(píng)價(jià)

本文采用監(jiān)督分類中最常見(jiàn)的最大似然分類結(jié)果作為對(duì)照，通過(guò)選擇訓(xùn)練樣區(qū)和定點(diǎn)考察，進(jìn)行監(jiān)督分類，分類結(jié)果見(jiàn)圖1，并進(jìn)行分類后結(jié)果精度評(píng)價(jià)，見(jiàn)表1。

3.2 基于決策樹(shù)分類

圖2 基于決策樹(shù)的分類方法原理圖

根據(jù)梅仙鎮(zhèn)的實(shí)際情況并結(jié)合實(shí)地采樣結(jié)果，土地類型劃分為水體、林地、農(nóng)田、建設(shè)用地和裸地及工礦用地五類。根據(jù)實(shí)地考察結(jié)果，針對(duì)各土地類型選取相應(yīng)的訓(xùn)練樣區(qū)，分別進(jìn)行最大值、最小值、均值和方差統(tǒng)計(jì)，在結(jié)合QUEST決策樹(shù)算法的基礎(chǔ)上，集成影像光譜信息、空間紋理信息和DEM等數(shù)據(jù)于一體的多源數(shù)據(jù)確定決策樹(shù)分類規(guī)則，見(jiàn)圖2。通過(guò)ENVI4.8軟件平臺(tái)運(yùn)行決策樹(shù)，分類結(jié)果見(jiàn)圖3，分類后，用精度驗(yàn)證訓(xùn)練樣區(qū)進(jìn)行精度評(píng)價(jià)，見(jiàn)表2。

表2 2006年尤溪縣梅仙TM影像基于決策樹(shù)分類結(jié)果精度評(píng)價(jià)

4 結(jié)果與分析

由于遙感影像的復(fù)雜性，經(jīng)常存在同物異譜和同譜異物的現(xiàn)象，為了準(zhǔn)確區(qū)分光譜特征相似的目標(biāo)地物，需結(jié)合影像的紋理信息以及其他有效輔助信息?；诠庾V特征和紋理特征的決策樹(shù)分類方法，實(shí)現(xiàn)了對(duì)Landsat5 TM遙感影像的數(shù)據(jù)挖掘，獲取了更多分類參考信息，分類精度達(dá)到了93.93%，相比最大似然法，精度提高了2.70%，其中基于決策樹(shù)的分類方法對(duì)于林地和建設(shè)用地分類的提升較為明顯，但是受同譜異物影響，在研究裸地及其工礦用地時(shí)，存在明顯的缺陷，分類精度低，若能夠結(jié)合更多的光譜信息和空間紋理信息等輔助數(shù)據(jù)，并能夠?qū)Y(jié)果進(jìn)行分類后處理，將進(jìn)一步提高決策樹(shù)分類的精度。

[1]黃立賢，沈志學(xué).基于決策樹(shù)的landsat多光譜影像分類方法.光電技術(shù)應(yīng)用，2011(6):49-51

[2]梅安新，彭望，秦其明，等.遙感導(dǎo)論[M].北京:高等教育出版社，2001

[3]王圓圓，李京.遙感影像土地利用/覆蓋分類方法研究綜述[J].遙感信息，2004(01)：53-59

[4]肖鵬峰，劉順喜，馮學(xué)智，等.中分辨率遙感圖像土地利用[J].國(guó)土資源遙感，2004(4)：41-45

[5]翁中銀，何政偉，于歡.基于決策樹(shù)分類的地表覆蓋遙感信息提取 2012(4)：110-111

[6]史忠植.知識(shí)發(fā)現(xiàn)[M].北京：清華大學(xué)出版社，2002：22-45

[7]沙晉明.遙感原理與應(yīng)用.北京:科學(xué)出版社，2012

[8]Benediktsson J A，Sveinsson J R，Kolbeinn Areas.Classi—fication and Feature Extraction of A，IRIS Data[J].IEEETransaction on Geoscience an d Remote Sensing，1995，33(5)：1194-1205

[9]閆培潔，于子凡，王勇軍.基于遙感影像光譜信息的二叉決策分類樹(shù)自動(dòng)生成方法研究[J].測(cè)繪科學(xué)，2009，34(6)：184-186