徐肖 劉碩

摘 要：目前，國家對土地使用越來越重視，土地的劃分越來越科學化、系統(tǒng)化，為了提高土地的利用率以及實現(xiàn)土地的合理分配，土地利用的遙感監(jiān)測也就顯得尤為重要。本文使用TM衛(wèi)星數(shù)據(jù)，基于決策樹分類法，應(yīng)用ENVI、ArcGIS軟件對陜西省西安市藍田縣進行土地利用覆蓋分類，分類結(jié)果精度較高。在此基礎(chǔ)上，進一步分析研究區(qū)的土地動態(tài)變化特征。

關(guān)鍵詞：土地利用;遙感監(jiān)測;決策樹分類

土地利用分類是區(qū)分土地利用空間及組成單元的過程。這種空間地域單元由多種類別組成，能夠表現(xiàn)出人類對土地的利用、改造和最終成果，反映土地的利用形式和用途。[1]

1 研究區(qū)概況

研究區(qū)位于陜西省西安市藍田縣，秦嶺北麓，關(guān)中平原東南部，與商洛市洛南縣、商州區(qū)、柞水縣相接;西以庫峪河為界，與長安區(qū)、灞橋區(qū)毗鄰;北以驪山為界，與臨潼區(qū)、渭南市接壤。研究區(qū)介于北緯33°50′-34°19′，東經(jīng)109°07′-109°49′之間，總面積為2006平方千米。

2 數(shù)據(jù)預處理

2.1 影像數(shù)據(jù)

數(shù)據(jù)影像的選擇應(yīng)避免云量較大，選擇晴天無云遮蔽的高質(zhì)量影像，研究區(qū)盡量選擇土地利用類型比較豐富的地區(qū)。本文數(shù)據(jù)來源于地理空間數(shù)據(jù)云，Landsat5影像：LT51270362011155BKT00.tar，影像基本信息如下：

獲取時間：2011-06-04

平均云量：3.01

中心經(jīng)度：108.80004

中心緯度：34.61754

遙感數(shù)據(jù)處理主要包括大氣校正、幾何校正和圖像增強，并利用行政邊界矢量圖對影像進行裁剪。將研究區(qū)shp文件導出，在ENVI中進行裁剪，這樣避免了數(shù)據(jù)格式的轉(zhuǎn)換方便了后序的處理。

輻射定標（Radiometric calibration）是將記錄的原始DN值轉(zhuǎn)換為大氣外層的表面反射率（輻射亮度值）。計算地物的光譜反射率或光譜輻射亮度前，或者需要對不同時間、不同傳感器獲取的圖像進行比較時，都須將圖像的亮度灰度值轉(zhuǎn)換為絕對輻射亮度，這個過程就是輻射定標。其目的：消除傳感器本身的誤差，確定傳感器入口處的準確輻射值。

2.2 DEM高程數(shù)據(jù)

三幅研究區(qū)DEM數(shù)據(jù)：ASTGTM_N34E109Y.img、ASTGTM_N34E108G.img、ASTGTM_N33E109O.img。

將下載好的三幅DEM在Arcgis軟件中拼接到一起。操作較為簡單，運用ArcMap中的工具箱>地理數(shù)據(jù)庫管理>柵格>柵格數(shù)據(jù)集>鑲嵌到新圖層，就可將三張DEM影像數(shù)據(jù)鑲嵌。

3 過程參數(shù)計算

研究區(qū)土地利用信息的提取。采用決策樹分類法提取土地利用信息。通過分析地物光譜特征和其他圖像特征，利用高程、坡度等地理輔助信息提高分類精度。

3.1 計算NDVI、NDWI

植被指數(shù)是根據(jù)植被的光譜特性，將可見光與近紅外波段組合，形成各種植被指數(shù)。植被指數(shù)是對地表植被狀況的簡單、有效和經(jīng)驗的度量，廣泛應(yīng)用于全球與區(qū)域土地覆蓋、農(nóng)作物估產(chǎn)、土地分類、環(huán)境變化以及干旱監(jiān)測等方面。并且已作為全球氣候模式的一部分被運用到交互式生物圈模式和生產(chǎn)效率模式中，且被廣泛應(yīng)用于饑荒早期警告系統(tǒng)等方面，植被指數(shù)還可以轉(zhuǎn)換成葉冠生物物理學參數(shù)、植被覆蓋度等。[2]

NDWI（歸一化水指數(shù)），如歸一化植被指數(shù)，是用遙感影像的特定波段進行歸一化差值處理，凸顯水體信息。NDWI是基于中紅外與近紅外波段的歸一化比值指數(shù)。[3]與NDVI相比，能有效地提取植被冠層的水分含量;在植被冠層受水分脅迫時，NDWI指數(shù)能及時地響應(yīng)，這對于旱情監(jiān)測具有重要意義。歸一化差異水體指數(shù)計算公式：

3.2 坡度、坡向計算

4 決策樹分類

決策樹（Decision Tree）是在已知各情況發(fā)生的概率基礎(chǔ)上，通過構(gòu)成決策樹來求取凈現(xiàn)值的期望值大于等于零的概率，用來評價項目風險，判斷其可行性的決策分析方法，是直觀運用概率分析的一種圖解法。[4]決策分支的圖形像一棵樹的枝干，故稱為決策樹。在機器學習中，決策樹是一個預測模型，他代表的是對象屬性與對象值之間的一種映射關(guān)系。

根據(jù)過程參數(shù)MNWI、NDVI等進行決策樹分類。

5 分類精度分析

利用Google Earth軟件，參考高分辨率遙感影像圖，選擇樣點基于混淆矩陣對分類結(jié)果進行精度評價。在此基礎(chǔ)上，對分類錯誤的圖斑進行手動修改，得到研究區(qū)的土地利用圖。

參考文獻：

[1]李秀彬.土地利用變化的解釋[J].地理科學進展，2002（03）：2-10.

[2]李紅軍，鄭力，雷玉平.基于EOS/MODIS數(shù)據(jù)的NDVI與EVI比較研究[J].地理科學進展，2007（01）：28-34.

[3]童李霞，燕琴，駱成鳳.基于NDWI分割與面向?qū)ο蟮乃w信息提取[J].地理空間信息，2017（5）.

[4]魏紅寧.決策樹剪枝方法的比較[J].西南交通大學學報，2005（01）：47-51.