決策樹在高分辨率影像目標為小地物的分類應用研究

張妤琳 ，趙 宇 ，劉曉南 *

（1.韶關學院 英東農業科學與工程學院，廣東 韶關 512005；2.廣東省生態環境與土壤研究所，廣東 廣州 510650）

航天遙感技術經過幾十年發展，已形成全天時、全天候、實時/準實時的高空間分辨率對地觀測能力，更多的應用領域如土地利用、城市規劃、全球變化、農業、林業、測繪制圖、軍事有了更便利、更詳細、更具現勢性的數據來源［1-2］.當圖像空間分辨率突破米級時，人們平常視覺所見的多數目標物個體如單株樹、汽車和房屋等在圖像上直接可見，能提供更多的地面目標和細節特征，提高信息提取和監測的精度，以解決更多與經濟、社會和生活密切相關的問題，造福于人類及其居住環境［3-4］.快鳥（Quick Bird）遙感衛星影像數據（以下簡稱快鳥數據）分辨率為0.61 m，具有空間分辨率高、不受地形和空域限制、數據更新快，可定時/定向/定點、費用合理等優點，廣泛應用于各領域.

但在加快高分辨率影像應用的同時，其局限性也逐漸顯現，如高空間分辨率往往伴隨低的光譜分辨率［5］；數據量大、處理耗時、對硬件要求高［6］；高昂的成本讓一般項目望而卻步等.應用相關軟件從Google Earth上下載快鳥、Ikonos等數據已成為免費獲取高空間分辨率影像的有效途徑［7-8］，但因無光譜信息，對其解譯局限大.因此，研究如何充分利用易獲得的高空間分辨率的優越性、提高分類精度與目標提取的可靠性有重要意義.

1 研究背景

遙感影像必須經過處理和解譯才能成為有用的信息，主流解譯方法包括目視解譯、人機交互式解譯、RS與GIS一體化解譯和影像智能解譯（即自動解譯）［1,9］等.目前也出現了神經網絡、向量機、面向對象［10］等多種新型方法，但這些方法或對分類人員者有較高的知識要求，或算法復雜、難以理解和解釋，均未能得到更廣的應用.高空間分辨率影像解譯的局限性主要表現為：（1）同面積遙感影像因分辨率提高而數據增大，數據傳輸要承受更大壓力，解譯方法須可操作性較強且計算量較低；（2）影像視角范圍擴大并且光照條件趨于復雜，同一地物像點位移、反射多變、景物遮擋等現象更普遍，但自動解譯分類處理時易產生錯誤，對傳統解譯方法提出嚴峻挑戰.

決策樹分類方法已在各類遙感信息提取和土地利用/覆蓋（LUCC）分類中被應用［11-12］.在美國“土地覆蓋數據庫”計劃中，該方法在土地分類、城市密度、林冠密度等信息提取均有應用，但研究應用于高空間分辨率遙感影像的解譯中還較少.本文結合高分辨率遙感研究領域中重點科學問題之一：如何對目標為小物體的研究，對小型地物——水塘進行遙感影像解譯研究實踐.

2 研究對象與方法

本文對目標為水塘研究的廣州市天河區快鳥數據，分別運用最大似然分類法、面向對象分類法和決策樹分類方法進行遙感解譯.通過ENVI中混淆矩陣工具，結合野外調研的146個GPS點，構建誤差混淆矩陣，計算分類精度及Kappa系數以評估前述三種方法的解譯精度.

2.1 研究區概況

研究區位于廣州市天河區， 位于 113°15′55″～113°26′30″E，23°6′0″～23°14′45″N 之間. 區徑東西極限長18.75 km，南北極限長15.75 km，總面積137.38 km2，是廣州市的新城市中心.地勢由北向南傾斜，形成低山丘陵、臺地、沖積平原三級地臺.水資源豐富，河涌遍布.土地利用以城鄉建設用地、園林地為主.

2.2 數據準備和預處理

數據源為從Google Earth下載的天河區2007年快鳥數據，選取外業調研采集的25個GPS點對影像進行幾何校正，為增強可比性和推廣性，不做圖像增強.采用的輔助數據包括1∶1萬的DEM、交通及水利部門土地利用數據以及該區域的SPOT5影像.分類完成后，都采用Majority分析對小圖斑重新分類.

2.3 分類體系

以檢驗分類技術和方法對比為目的，突出以小地物為目標的特點，參照第二次全國土地利用調查分類體系，根據研究區的特點，確定土地利用的類別為：塘、耕地、園林地、城鄉建設用地、交通用地、水利用地和其他土地.

3 結果與分析

3.1 最大似然分類法

最大似然分類是基于參數化密度分布模型的遙感分類主要方法［13］.若影像數據的空間分布特征較為離散、復雜,或訓練樣本不充分、無代表性，或函數參數計算不準確,則可能造成分類結果偏離實際情況，導致精度下降.廣州市天河區的快鳥影像用該法分類得到的結果如圖1所示.該方法在此次研究中的分類精度并不理想，尤其是研究目標——塘的分類結果遠遠達不到要求.因為數據空間分辨率高，所以特征空間分布較為復雜和離散，且從Google Earth下載的數據無光譜信息，這在其他土地高精度的分類結果上也能體現出來，該分類精度和kappa系數分別為78.330 3%和0.739 0.

3.2 面向對象分類方法

面向對象分類方法是以像元為單元［14］，分類過程步驟多，數據量大，耗時，對硬件要求高，不適宜用于分辨率高數據量大的遙感數據.

該方法用影像的顏色（光譜）信息進行信息的提取與歸并［15］，分類的規則局限于影像本身的光譜比率、形狀、面積等信息，而從Google Earth下載的快鳥數據無光譜信息.在分割和合并的過程中，對邊界明顯的地物如高速公路、河涌等斑塊效果較好，而對邊界不明顯的斑塊，如林地和耕地的斑塊分類效果較差.該方法分類精度取決于設定的斑塊大小，斑塊過大則分類誤差大，如交通用地與城鄉建設用地，斑塊過大則合并為一類；斑塊過小則數據量大，如天河區的城中村建筑物斑塊細小密集；對尺度不同、內部變化不同的地物分割精度和融合度顯著不同，缺乏統一可靠的圖像分割融合精度與評價標準，斑塊的大小不好掌控，主觀性大.圖2為用面向對象分類法對廣州市天河區快鳥數據進行分類得到的結果，該分類精度和kappa系數分別為74.181%和0.689 1.

3.3 決策樹分類結果

本次研究采用決策樹算法中最主流的基于ID3算法發展的C4.5算法［16］，針對本次研究數據量大和目標地物小的特點，采用單變量決策樹［9］，即在每一內部結點處的判別界面輸入數據的單一特征定義.在每一內部結點，輸入數據被單一判決特征分割成兩個或多個子數據集.分類過程從“原級”到“終極”回歸分割直到每一個葉結點終止，每一葉結點的分類值即是分類開始時所定義的 “種子”值，具體流程見圖3.

圖4為依據圖3建立分類規則進行分類所得結果，從該圖可看出，塘和耕地的精度最高，因兩類數據來源于目視解譯成果；交通和水利用地次之，因數據來源于往年土地調查結果；園林地和城鄉建設用地間精度較低，因兩者分類是基于NDVI數據，計算的精度依賴于SPOT5的精確度和NDVI的選值，另在城鄉建設和水利用地中，有綠化用地被劃分為園林地；精度最低是其他土地，該類土地通常以裸地為主，裸地是過渡性質的土地利用類型，最終去向為城鄉建設用地，這對目標于小地物研究來說影響很小.因此決策樹的總體分類精度為94.857 4%，相對最大似然分類法和面向對象分類方法提高了16.52%和20.68%，kappa系數分別提高了0.18和0.23，為 0.916 2.

圖2 廣州市天河區快鳥數據面向對象方法分類圖

圖3 基于決策樹的快鳥數據分類流程

圖4 廣州市天河區快鳥數據決策樹分類圖

4 結語

在本次決策樹規則的編寫中融合目視解譯、人機交互解譯（NDVI）、RS與GIS一體化（土地調查數據）的三種解譯方法.在結合這三種方法能利用GIS多源信息輔助分類、增加信息量、減少解譯中的不確定性等優點外，決策樹方法也具備自身獨特優勢：（1）對分類者要求較低：不需備具大量知識以先驗確定，分類更方便、快捷，結果更客觀；（2）對遙感數據要求較低：當影像空間分布復雜、光譜信息和屬性缺失、數據多源且有不同分布和尺度等時，不需假設先驗概率分布，分類結果也較理想；（3）能單獨或同時應用高空間分辨率和高光譜分辨率的優點，解決兩者不可兼得的矛盾；（4）決策樹既是直觀明了的知識表示，也是高效的分類器，易于表達和應用；（5）在對影像數據特征空間的分割上，更有效提取小目標地物，運算速度快、效率和魯棒性高，對應用于未來使用更廣泛同時數據量更大的高分辨率遙感影像上更具優勢.

在本文研究中，決策樹的解譯結果精度最高，這與輔助數據精度高息息相關，這既是該分類法的優點，也是缺點.當輔助數據較少、精度較低、與遙感影像成像日期不匹配等時，只能利用遙感數據本身獲取分類信息，這時的分類精度則可能低于最大似然和面向對象兩種分類方法.在以后的研究中，如何用決策樹更好的挖掘遙感影像本身的數據信息將是研究的一個方向.

［1］何凱濤，甘甫平，王永江.高空間分辨率衛星遙感地質微構造及蝕變信息識別［J］.國土資源遙感,2009（1）:97-99.

［2］周兆葉，儲少林，王志偉，等.基于 NDVI的植被覆蓋度的變化分析［J］.草業科學,2008，25（12）：23-29.

［3］明冬萍，駱劍承，沈占鋒，等.高分辨率遙感影像信息提取與目標識別技術研究［J］.測繪科學，2005，30（3）：18-20.

［4］黃慧萍，吳炳方，李苗苗，等.高分辨率影像城市綠地快速提取技術與應用［J］.遙感學報，2004,1（1）：68-74.

［5］王蘭，耿澤勛，馮穎.高輻射分辨率遙感影像的特性分析與處理［J］.海洋測繪，2010,30(4):79-82.

［6］孫丹峰，楊冀紅，劉順喜.高分辨遙感衛星影像在土地利用分類及其變化監測的應用研究［J］.農業工程學報，2002，18（2）：160-164.

［7］莫平浩，胡茂林.利用 Google Earth 制作衛星影像圖［J］.電力勘測設計，2008,4（2）：30-31.

［8］馬謙.智慧地圖:Google Earth/Maps/KML核心開發技術揭秘［M］.北京：電子工業出版社，2010.

［9］黃建文，鞠洪波，趙峰.快鳥數據在退耕還林中應用方法的研究［J］.林業科學研究,2004（3）：267-271.

［10］趙磊.基于多源遙感數據的區域景觀格局尺度效應［J］.遙感應用，2009（8）：55-60.

［11］那曉東，張樹清，孔博，等.基于決策樹方法的淡水沼澤濕地信息提取［J］.遙感技術與應用，2008，23（4）：365-373.

［12］王占昌.利用決策樹對衛星遙感數據進行分類［J］.青海科技，2005（5）：28-33.

［13］陳亮，劉希，張元.結合光譜角的最大似然法遙感影像分類［J］.測繪工程，2007，16（3）：40-47.

［14］李霞，王飛，徐德斌，等.基于混合像元分解提取大豆種植面積的應用提取［J］.農業工程學報，2008，24（1）：213-217.

［15］陳云浩，馮通，史培,等.基于面向對象和規則的遙感影像分類研究［J］.武漢大學學報，2006，31（4）：316-320.

［16］洪家榮，丁明峰，李星原，等.一種新的決策樹歸納學習算法［J］.計算機學報，1995，18（6）：470-474.