摘 要：基于IKONOS遙感影像，采用決策樹(shù)分類(lèi)算法對(duì)南京的植被覆蓋進(jìn)行分類(lèi)。根據(jù)各種植被光譜特征建立知識(shí)庫(kù)，確定決策樹(shù)規(guī)則與算法對(duì)植被進(jìn)行了有效分類(lèi)與識(shí)別，精度較高。

關(guān)鍵詞：遙感影像；植被分類(lèi)；知識(shí)庫(kù)；決策樹(shù)；紋理

1 概述

植被作為生態(tài)系統(tǒng)的主要組成，是生態(tài)系統(tǒng)存在的基礎(chǔ)，也是聯(lián)結(jié)土壤、大氣和水分的自然“紐帶”，它在陸地表面的能量交換過(guò)程、生物地球化學(xué)循環(huán)過(guò)程和水文循環(huán)過(guò)程中扮演著重要的角色，在全球變化研究中起著“指示器”的作用[1]。自然界的植被類(lèi)型復(fù)雜多樣，傳統(tǒng)的進(jìn)行實(shí)地調(diào)查的方法耗費(fèi)大量人力和物力，近年來(lái)日益成熟的遙感技術(shù)為植被的分類(lèi)和識(shí)別提供了一條新的途徑。遙感影像全面真實(shí)地記錄了地表植被與環(huán)境的信息，植被類(lèi)型的波譜特性在影像上表現(xiàn)為亮度值的不同，這使得對(duì)它們的區(qū)分成為可能。

目前對(duì)于植被類(lèi)型的識(shí)別方法很多，但是由于各種植被類(lèi)型相互摻雜，且受土壤濕度、同譜異物和同物異譜等多種因素的影響，傳統(tǒng)的分類(lèi)方法對(duì)于植被類(lèi)型識(shí)別的結(jié)果精度不高。植被的光譜特征可使其在遙感影像上有效地與其他地物相區(qū)別；植被指數(shù)也被廣泛用來(lái)定性和定量評(píng)價(jià)植被覆蓋及其生長(zhǎng)活力。與單波段相比，用植被指數(shù)探測(cè)綠色植被更具有靈敏性；決策樹(shù)分類(lèi)法具有靈活、直觀、清晰、健壯及運(yùn)算效率高等特點(diǎn)，相對(duì)傳統(tǒng)的分類(lèi)方法而言，決策樹(shù)分類(lèi)法對(duì)于輸入數(shù)據(jù)空間特征和分類(lèi)標(biāo)識(shí)具有更好的彈性和魯棒性[2]。

本實(shí)驗(yàn)通過(guò)各種植被類(lèi)型的光譜特征統(tǒng)計(jì)，得到各種植被類(lèi)型的光譜曲線和NDVI區(qū)間，并利用植被分布的紋理特征，通過(guò)比較與分析確定決策樹(shù)的規(guī)則，進(jìn)行植被分類(lèi)。

2 研究區(qū)概況和數(shù)據(jù)

本實(shí)驗(yàn)所選取的研究區(qū)為南京地區(qū)。該地區(qū)地處長(zhǎng)江下游的丘陵地區(qū)，中心位于北緯31°56，東經(jīng)119°14；海拔高度20-448m，屬北亞熱帶季風(fēng)氣候區(qū)，年平均氣溫15.1℃，年降水量1019mm。該地區(qū)的植被的特征和種類(lèi)具有較強(qiáng)的代表性。本實(shí)驗(yàn)所采用的數(shù)據(jù)為IKONOS遙感影像。影像成像于3月份，大小為400×400像素，影像的空間分辨率為4m，如圖1所示。

3 基于光譜信息的植被分類(lèi)

3.1利用NDVI進(jìn)行植被與非植被的區(qū)分

陳君穎、田慶久[3]經(jīng)過(guò)實(shí)地考察與土地利用現(xiàn)狀圖相結(jié)合，確定南京的植被類(lèi)型主要分為灌木林地、草地、農(nóng)田。由于本試驗(yàn)所用影像為3月份成像，考慮到植被的季相不同，例如豌豆等作物在影像上的表現(xiàn)接近于裸地，故而確定南京的植被類(lèi)型為灌木林地、草地、農(nóng)田、裸地，目視判讀如圖1所示。由于本研究的目的是對(duì)植被進(jìn)行分類(lèi)，因此需要將植被與非植被分開(kāi)。已有很多研究證明，用歸一化植被指數(shù)（NDVI）進(jìn)行閾值分割可較精確地提取出植被信息。NDV I被定義為近紅外波段與可見(jiàn)光紅波段數(shù)值之差和這兩個(gè)波段數(shù)值之和的比值。即：

NDVI=（DNNIR-DNR）/（DNNIR+DNR）

本研究選取多個(gè)植被樣本，通過(guò)比較其N(xiāo)DVI值，確定了NDVI的閾值為0.5，即NDVI≥0.5的像元為植被，否則為非植被。

3.2 不同植被類(lèi)型光譜特征的統(tǒng)計(jì)

不同植被類(lèi)型具有不同的光譜特征，本試驗(yàn)對(duì)遙感影像中各種植被類(lèi)型進(jìn)行了光譜特征統(tǒng)計(jì)分析。陳君穎、田慶久[3]利用對(duì)所有樣本四個(gè)波段的DN值、NDVI值及紋理信息進(jìn)行決策樹(shù)進(jìn)行植被分類(lèi)取得了較好的分類(lèi)結(jié)果。本試驗(yàn)通過(guò)對(duì)不同植被類(lèi)型進(jìn)行采樣，共選擇了396個(gè)灌木林地樣本、721個(gè)草地樣本、497個(gè)農(nóng)田1樣本、423個(gè)農(nóng)田2樣本、398個(gè)裸地樣本。然后對(duì)所有的樣本實(shí)驗(yàn)得出各種植被類(lèi)型的紋理信息（利用Homogeneity指數(shù)[7]計(jì)算得到）、4個(gè)波段的DN值及NDVI進(jìn)行了統(tǒng)計(jì)分析，見(jiàn)表1，其中B1、B2、B3、B4、B5、B6分別代表紋理，近紅外波段、藍(lán)光波段、綠光波段、紅光波段、NDVI。B1利用Homogeneity指數(shù)計(jì)算得到，如圖2所示。

從統(tǒng)計(jì)資料表1與圖2比較分析得到：

（1）在B5（紅光）波段上，灌木林地相比于其它植被種類(lèi)DN值較大，因此可以用B5波段的DN值將灌林與農(nóng)田、草地、裸地分開(kāi)；（2）從統(tǒng)計(jì)資料發(fā)現(xiàn)，農(nóng)田1，農(nóng)田2，草地在B5（紅光）波段上的DN值農(nóng)田1相對(duì)較小，因此可以用B5波段的DN值將農(nóng)田1與農(nóng)田2、草地區(qū)分開(kāi)；（3）農(nóng)田2與草地在B4（綠光）波段上DN值差別較大，因此可以用B4波段上的DN值區(qū)分開(kāi)農(nóng)田2與草地；（4）從各種植被類(lèi)型的光譜特征統(tǒng)計(jì)（表1）和B4（綠光）波段的紋理一致性圖（圖2）上我們通過(guò)比較分析，發(fā)現(xiàn)可能由于地物分布較為支離破碎，紋理并不能起到區(qū)分植被類(lèi)型的作用。

3.3 決策樹(shù)算法

決策樹(shù)（Decision tree）法是指根據(jù)影像的不同特征，以樹(shù)型結(jié)構(gòu)表示分類(lèi)或決策集合，產(chǎn)生規(guī)則和發(fā)現(xiàn)規(guī)律[4]。首先利用訓(xùn)練空間實(shí)體集生成判別函數(shù)，其次根據(jù)不同取值建立樹(shù)的分支，在每個(gè)分支子集中重復(fù)建立下層結(jié)點(diǎn)和分支，最后形成決策樹(shù)[5]。決策樹(shù)由一個(gè)根結(jié)點(diǎn)（Root nodes）、一系列內(nèi)部結(jié)點(diǎn)（Internal nodes）和終極結(jié)點(diǎn)（Terminal nodes）組成，每個(gè)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)。決策樹(shù)算法在遙感分類(lèi)中的應(yīng)用是依據(jù)規(guī)則把遙感數(shù)據(jù)集一級(jí)級(jí)往下細(xì)分作為決策樹(shù)的各個(gè)分支，終極結(jié)點(diǎn)則為分類(lèi)結(jié)果（圖3）。

3.4 基于光譜信息的植被分類(lèi)

本試驗(yàn)通過(guò)在3.2小節(jié)中對(duì)各種植被類(lèi)型的光譜信息與紋理信息的比較與分析，結(jié)合ENVI軟件的決策樹(shù)自動(dòng)生成模塊，對(duì)自動(dòng)生成的決策樹(shù)進(jìn)行了反復(fù)的試驗(yàn)與改進(jìn)，最終確定如圖4的決策樹(shù)算法。

圖4中，B2、B3、B4、B5分別為近紅外、藍(lán)光、綠光、紅光波段的DN值， B6為植被的NDVI。

分類(lèi)過(guò)程為：

（1）計(jì)算影像的B5波段的DN值， 其中DN值小于等于291的提取為水體，DN值大于291的提取為植被、建筑、裸地；（2）計(jì)算影像的NDVI值，其中大于0.5的歸為植被類(lèi)，小于等于0.5的劃分為建筑與裸地；（3）在植被類(lèi)型的區(qū)分中，B5波段DN值小于等于485的分為灌木林地類(lèi)，大于485的提取為農(nóng)田1、農(nóng)田2、草地；（4）在建筑與裸地的去分中，B3波段DN值大于609的劃分為建筑2，小于等于609的提取為建筑1、建筑3與裸地；（5）在農(nóng)田1、農(nóng)田2、草地的區(qū)分中，B5波段的DN值小于等于606的劃分為農(nóng)田1，大于606的劃分為農(nóng)田2與草地；（6）在建筑1、建筑3、裸地的區(qū)分中，B2波段的DN值大于484的提取為建筑1，相反提取為裸地與建筑3；（7）在農(nóng)田2與草地的區(qū)分中，B4波段的DN值大于334的提取為農(nóng)田2，小于等于334的劃分為草地；（8）在裸地與建筑3的區(qū)分中，B5波段的DN值大于368的提取為裸地，小于等于368的劃分為建筑3。應(yīng)用該算法對(duì)影像進(jìn)行植被分類(lèi)，并將建筑1、建筑2、建筑3、水體合并，得到的植被分類(lèi)結(jié)果如圖5所示。

3.5 分類(lèi)結(jié)果精度評(píng)價(jià)

為了對(duì)分類(lèi)結(jié)果精度進(jìn)行評(píng)價(jià)，本研究通過(guò)遙感影像目視判讀，分別選取了71個(gè)建筑水體樣本，769個(gè)草地樣本、400個(gè)灌木林地樣本、520個(gè)農(nóng)田1樣本和460個(gè)農(nóng)田2樣本，457個(gè)裸地樣本，建立混淆矩陣，計(jì)算相關(guān)指標(biāo)，得到分類(lèi)精度評(píng)價(jià)，結(jié)果見(jiàn)表2。

由圖1目視判讀也可以看出，裸地易與建筑類(lèi)混淆，草地易與農(nóng)田2混淆。在表2中，就每種植被類(lèi)型的用戶(hù)精度而言，灌林和農(nóng)田1（見(jiàn)圖1）的分類(lèi)精度最高，裸地、農(nóng)田2和草地（見(jiàn)圖1）的分類(lèi)精度相對(duì)較低，這與目視判讀是一致的。從表2可知，測(cè)試樣本的總體分類(lèi)精度達(dá)到了81.3%，證明該植被分類(lèi)方法具有較好的分類(lèi)能力和可行性。

4 結(jié)束語(yǔ)

文章提出的植被分類(lèi)方法是基于各種植被類(lèi)型光譜特征的知識(shí)庫(kù)采用的決策樹(shù)分類(lèi)算法。研究結(jié)果表明，該植被分類(lèi)方法能有效地對(duì)植被進(jìn)行分類(lèi)與識(shí)別，精度較高。對(duì)于不同的數(shù)據(jù)源，如能綜合利用更多的地理信息，會(huì)進(jìn)一步提高分類(lèi)的精度。隨著遙感理論與技術(shù)的發(fā)展，應(yīng)用多種地理信息綜合分析，勢(shì)必會(huì)成為未來(lái)發(fā)展的主導(dǎo)方向。

參考文獻(xiàn)

[1]張?jiān)葡?，李曉兵，陳云?草地植被蓋度的多尺度遙感與實(shí)地測(cè)量方法綜述[J].地球科學(xué)進(jìn)展，2003，18（1）：85-93.

[2]李爽，張二勛.基于決策樹(shù)的遙感影像分類(lèi)方法研究[J].地域研究與開(kāi)發(fā)，2003，22（1）：17-21.

[3]陳君穎，田慶久.高分辨率遙感植被分類(lèi)研究[J].遙感學(xué)報(bào)，2007，11（2）：221-227.

[4]Quinlan J. Introduction of Decision Trees[J].Machine Learning，1986（5）：239-266.

[5]Li D R， Wang S L， LiD Y， etal. Theories and Technologies of Spatial Data Mining and Knowledge Discovery [J]. Geomantic and Information Science of Wuhan University，2002，27（3）：221-233.

[6]Friedl M A，Brodeley C E. Decision Tree Classification of Land Cover from Remotely Sensed Data [J].Remote Sens.Environ，1997（61）：399-409.

[7]Haralick R. Statistical and Structural Approaches to Texture [J].Proceedings of the IEEE，1979，67（5）：786-804.

作者簡(jiǎn)介：張文靜（1984，3-），女，工程師，廣州市水務(wù)科學(xué)研究所，現(xiàn)主要從事測(cè)繪、地理信息系統(tǒng)技術(shù)有關(guān)的應(yīng)用研究、技術(shù)開(kāi)發(fā)、生產(chǎn)管理等方面工作。