利用粗糙集理論進行遙感分類信息提取

周林飛，陳啟新，成 遣，張 靜

沈陽農業大學水利學院，沈陽 110161

?

利用粗糙集理論進行遙感分類信息提取

周林飛，陳啟新，成 遣，張 靜

沈陽農業大學水利學院，沈陽 110161

以遼寧省雙臺子河口濕地為研究對象，以Landsat 8和HJ-1-A/HJ-1-B的多時相遙感影像為數據源，根據研究區現狀，將研究區分為旱地、蘆葦、水田、堿蓬、混合植被、水面、灘涂、居民點、養殖塘九個類型。利用時間序列的歸一化植被指數提取植被與非植被的分類閾值，采用粗糙集理論和多時相遙感影像，對植被和非植被分別進行分類規則的獲取，建立了研究區決策樹分類模型。為了進行精度評價，利用相同的訓練點又進行了同樣基于像元的最大似然法分類。最后利用混淆矩陣對上述兩種方法進行了精度評估，基于粗糙集的決策樹分類法與最大似然法總體分類精度分別為93.70%和91.62%，Kappa系數分別為0.92和0.90，兩項指標值基于粗糙集理論法均比最大似然法有所提高。這為構建決策樹分類模型進行濕地地表分類信息提取提供了一條新的研究思路。

雙臺子河口濕地；遙感分類；歸一化植被指數(NDVI)；粗糙集理論；決策樹

0 前言

天然濕地一般面積較大、地形條件復雜，加之濕地的季節性變化等因素，給濕地覆被信息變化監測帶來挑戰。如何利用一種高效精確的方法對大面積的濕地進行監測成為濕地研究的一個熱點問題。衛星遙感技術是伴隨航空航天技術發展而形成的一門新型對地觀測技術，具有觀測范圍廣、精度高、速度快等優點。自從20世紀70年代美國第一代Landsat衛星發射成功，衛星遙感技術便開始用于濕地研究。由于早期遙感影像空間分辨率的限制，遙感技術僅用于大尺度范圍濕地分布圖的繪制[1-2]。隨著傳感器技術的發展，遙感影像的空間分辨率和光譜分辨率得到極大提高，目前遙感技術已經成為濕地覆被信息變化監測的一種重要手段。

一切地物都具有特定的電磁輻射特性、空間分布特征以及時間變化規律，而遙感影像就是通過收集這些信息，并用不同的成像方式表現地物特性的一種電子存儲數據。地物之間同一時期或不同時期的差異性是利用遙感技術進行地物信息提取或分類的理論基礎[3]。遙感分類是獲取地表信息的重要手段，也是目前遙感技術應用領域研究的重要內容。目視解譯是遙感信息獲取的常用辦法，但是該方法獲取信息周期較長、工作量大、成本較高等缺點在一定程度上限制了它的推廣。越來越多的學者傾向于利用計算機人工智能技術進行遙感信息的自動提取，以使遙感信息提取更加高效[4]。

計算機自動解譯是目前遙感信息提取的主要研究方向。決策樹分類是一種基于空間數據挖掘和知識發現的監督分類方法，它突破了其他分類方法分類模型構建需要分類者有扎實的生態學和遙感知識的瓶頸，通過決策樹學習過程獲取分類規則，具有很好的靈活性和魯棒性，結構清晰直觀，能夠有效抑制訓練樣本的噪音和屬性缺失問題[5]。在本研究中，筆者以雙臺子河口濕地為研究對象，以新一代Landsat系列衛星Landsat 8遙感影像、環境減災小衛星HJ-1-A/HJ-1-B遙感影像和研究區內樣本點信息為基礎數據，采用多時相的遙感影像，利用粗糙集理論獲取分類規則，構建決策樹分類模型，對雙臺子河口自然保護區內的濕地覆被信息進行提取。

1 研究基礎

1.1 研究區概況

雙臺子河口濕地位于遼寧省盤錦市遼河三角洲最南端，南接渤海(圖1)，地理坐標為東經121°30′--122°00′，北緯40°45′--41°10′，區域面積1 280 km2，年平均氣溫8.4 ℃，年平均降雨量623.2 mm，屬北溫帶大陸性半濕潤季風氣候區。區域內植被類型多樣，動植物資源豐富；蘆葦和堿蓬是這里主要的植物群落，形成了獨特的蘆葦蕩和紅海灘景觀；這里也是我國珍貴野生動物丹頂鶴、東方白鸛、黑嘴鷗等的棲息之地，具有很高的生態研究價值。

1.2 影像數據及預處理

本研究采用3期Landsat 8多光譜遙感影像和2期HJ-1-A/HJ-1-B多光譜遙感影像構成研究區不同時相的基礎數據(表1)。Landsat 8衛星由美國宇航局(NASA)和美國地質調查局(USGS)共同負責完成，于2013年2月11日成功發射。該衛星上攜帶的陸地成像儀(OLI)用于多光譜數據的獲取，圖幅大小185 km×185 km，星下分辨率30 m，全球運行周期為16 d；相較于之前的Landsat系列衛星，Landsat 8在波段設置上進行了一定的調整，增加了深藍波段(波段1)和短波波段(波段9)[6-7]。環境減災衛星是我國專門用于監測環境和災害監測預報的衛星，由2顆光學星(HJ-1-A/HJ-1-B)組成，上面攜帶多光譜CCD(charge-coupled device)相機進行地面拍攝，幅寬711 km，星下分辨率30 m，可以實現2 d對國土的全覆蓋[8]。

圖1 研究區地理位置圖Fig.1 Location of the study area

遙感影像在獲取過程中必然受到大氣散射、空間顆粒物質等因素的干擾，使影像無法真實地反映地物的真實光譜信息，因此要首先對獲取的影像進行大氣校正。由于本區域地勢平坦，屬于平原區，宜采用FLAASH(fast line-of-sight atmospheric analysis of hypercube)模型對基礎影像數據進行大氣校正[9]。由于單幅的Landsat 8影像無法完全覆蓋研究區，首先對兩幅Landsat 8影像進行鑲嵌處理；然后對鑲嵌處理后的影像進行幾何校正，并以Landsat 8為基準對HJ-1-A/HJ-1-B衛星影像進行幾何校正；最后根據研究區的矢量化邊界進行裁剪，獲取研究區的基礎數據，且含云量均滿足研究需求。

表1 研究采用遙感影像概況

注：OLI多光譜數據包含一個全色波段。

1.3 濕地覆被分類體系的建立與樣本點的采集

根據對研究區的實際野外調查，以及對研究區遙感影像的人工解譯結果，結合遼寧省土地分類系統，確定研究區的覆被信息分為旱地、蘆葦、水田、堿蓬、混合植被、水面、灘涂、居民點、養殖塘九個類型，構成了雙臺子河口濕地覆被信息的研究體系。經野外調查，雙臺子河口屬于蘆葦沼澤濕地，蘆葦是關鍵物種，此外還有堿蓬；水田與旱田為人工種植區；其他植被不易細分，混生在一起，因此稱為混合植被。

決策樹是通過對訓練樣本進行歸納學習生成決策規則，然后使用決策規則對新數據進行分類的一種數學方法。為了建立訓練區的需求，利用手持式GPS機在研究區內進行現場樣本點的采集，每種類型共獲取150個樣本點，其中100個樣本點作為訓練點，50個樣本點用于最終結果的精度驗證。在采集過程中記錄下樣本點周圍的地表信息和地理坐標信息，利用ArcGIS平臺對各個點進行矢量化處理。

2 基于粗糙集理論的決策樹分類模型建立

2.1 方法概述

決策樹分類模型基于遙感影像數據及其他空間數據，采用專家總結、簡單數學統計和歸納方法等設定分類規則實現遙感分類，其關鍵在于利用何種數學方法建立分類規則。建立決策樹模型的總體思路如下：1)確定根節點。濕地內生態類型多樣，為使決策樹更加簡潔，需要用最大信息增益的屬性作為決策樹的根節點。2)建立分類規則。由于濕地的生態類型多樣性、復雜多變性、分布廣泛性，不同類型地物空間邊界模糊，因此，利用空間數據挖掘和知識發現從空間數據庫中自動或半自動地挖掘事先未知卻潛在有用的空間模式變得十分必要。本研究基于粗糙集理論，結合多時相遙感影像數據進行分類規則知識發現的研究，分別確定根節點兩側不同類型的決策樹分類規則。3)決策樹分類模型的建立。根據分類規則建立決策樹分類模型。

2.2 植被和非植被分類閾值----根節點的確定

分析雙臺子河口濕地覆被信息體系九個類型的特征，應先區分為植被和非植被。植被指數是反映植被信息的重要參數，它利用綠色植被在近紅外波段具有較強反射率的性質，通過一定的波段運算，反映植被的“綠度”。研究表明，利用遙感衛星的紅光和近紅外波段的不同組合對植被研究為最佳。歸一化植被指數(NDVI)是目前植被研究領域應用最廣泛的植被指數之一，其限定值為[-1,1][10]。

(1)

式中：DNNIR為近紅外波段的反射率；DNR為紅光波段的反射率。

首先，提取植被指數的值，然后進行統計分析，找出區分植被和非植被的分類閾值，作為決策樹的根節點[11-12]。然后再采用粗糙集理論分別確立植被和非植被的決策樹分類規則。

利用歸一化植被指數獲取植被和非植被的分類閾值是一種基于統計學理論分類思路，提取訓練點內植被和非植被的反射率值，利用統計學理論，獲取各個分類類型訓練點反射率置信水平為95%的置信區間，分別對比植被和非植被反射率置信下限和置信上限，獲取一個區分二者的最佳閾值。由于不同時期植被生長特性的差異性，利用單一時期歸一化植被指數獲取的分類閾值不具有推廣性，但可以利用這種思路進行其他時期分類閾值的獲取。

2.3 基于粗糙集理論的決策分類規則的確定

粗糙集是一個強大的數據分析工具，它可以利用不精確、不確定和部分真實的信息來獲取知識規則，在知識獲取過程中只依賴于樣本數據本身，而不需要其他先驗知識或附加信息。其主要思想是在保持知識庫分辨能力不變的前提下，通過知識的約簡，剔除其中不相關或者不重要的冗余信息[13]。同時它還與概率論、模糊數學、證據理論等不確定性與不精確性信息處理工具有很好的互補性，因而被廣泛應用于機器學習、模式識別、數據挖掘、智能控制等領域。目前，粗糙集的應用研究主要集中在屬性的約簡和模式分類兩個方面[14]。粗糙集理論以及利用粗糙集理論進行遙感分類的主要思路如下[15-16]。

2.3.1 粗糙集理論

定義一個信息系統S=(U,A)，U表示一個非空的有限對象集，稱為論域，A為非空的有限屬性的集合。若R?A且R≠Φ,則∩R(表示R的所有等價類的交集)是一個等價關系，稱為R上的不可區分(indiscernibility)關系，記作ind(R)，且有

式中：[X]ind(R)表示集合X在R上的不可區分關系；[X]R表示U中所有與X在關系ind(R)下是等價的元素構成的集合。

在粗糙集理論中，一個粗糙集可以用兩個精確集來表示，分別為上近似集(upper approximation)和下近似集(lower approximation)。上近似集表示那些知識R中可能屬于X的U中元素的集合，下近似集表示那些知識R中肯定屬于X的U中元素的集合。

式中：X表示U的子集；x表示U中的一個對象。

對于一個給定的信息系統S=(U,A)，如果存在r∈A，且ind(A)=ind(A-{r})，則可以認為r是A中可以忽略的，去掉它不會對分類結果造成影響。對于P?A，滿足ind(P)=ind(A)且對于P的子屬性P′?P，ind(P′)≠ind(P)，則成P是A的一個約簡(reduct)，記作red(A)。core(A)=∩red(A)，即A的所有約簡的交集。它表示一個信息系統不可少的屬性集。

2.3.2 屬性約簡算法

屬性約簡是粗糙集理論的核心內容之一，它通過對知識表達信息進行屬性簡約和屬性值約簡，從而得到最小的決策表[16]。目前對屬性約簡有很多的算法，其中最為常用的是Susmaga等[17]提出的分辨矩陣和分辨函數算法。假如研究對象有m個，利用這種算法進行屬性約簡只需要m(m-1)/2次的比較。算法如下：設某決策信息系統S=(U,E∪g0gggggg),其中E為對象的屬性集，g0gggggg為決策屬性集，那么定義分辨矩陣為C(S),每個元素Cij為

(2)

分辨函數f定義為

(3)

根據Local分辨函數獲得每個分類規則的屬性組合：

(4)

2.3.3 決策信息系統屬性集

在遙感分類中，將訓練點在多光譜遙感影像各個波段的反射率值作為決策信息系統的屬性集，分類體系作為決策屬性集。經過約簡，找出能區分各個分類的最優波段組合，生成決策規則，然后使用決策規則對新數據進行分類。

3 模型應用

3.1 分類閾值----根節點的確定

由于地物之間存在“異物同譜”現象，以及植被生長周期的原因，因此運用單一時期的NDVI數據不容易提取植被信息[18-19]。因此，將研究區2013年6月8日、2013年7月26日、2013年9月3日、2013年9月28日、2013年10月30日的NDVI數據構成的時間序列并分別命名為N1，N2，N3，N4，N5。利用ENVI 5.0提取訓練點的歸一化植被指數，將每個時期的指數值進行統計分析，得出該系列指數值置信水平為95%的置信區間(表2)。

通過表2置信區間上限和下限的對比可以看出，N1，N2，N5中植被的置信下限與非植被的置信上限均有重疊，所以不適合建立決策樹的根節點。N3處于9月上旬，在居民點會有局部的綠色植被，加之本研究所采用的遙感影像空間分辨率不高，在居民點會出現很多混合像元，進而對采集點的NDVI造成影響。N4處于9月末，居民點局部的綠色植被對NDVI的影響較小，通過對此時期綠色植被的置信下限與非植被的置信上限比較，選擇堿蓬的置信下限0.232作為區分植被和非植被的閾值。

3.2 分類規則的建立

以堿蓬的置信下限0.232作為分類閾值，將雙臺子河口濕地分為植被與非植被兩類，然后利用粗糙集理論，分別對兩者建立更為詳細的分類規則。

3.2.1 植被分類規則

植被是濕地生態系統重要的生態因子，因此植被一直是濕地研究的重要內容；利用遙感技術對濕地進行分類具有很大優勢。植被在夏季的7--8月份光譜特性表現出極大的相似性，一般提取植被信息不宜采用這一時期的影像數據。本研究采用2013年6月8日Landsat 8影像進行植被信息提取。通過對標準假彩色影像的觀察，在這一時期蘆葦的植被特性表現明顯，其他植被也表現出不同程度的植被特性，適合進行植被信息提取。令X1、X2、X3、X4、X5分別表示旱地、蘆葦、水田、堿蓬、混合植被，構成植被分類體系，B1、B2、B3、B4、B5、B6、B7分別代表Landsat 8影像的深藍、藍、綠、紅、近紅、短波紅外1、短波紅外2一共七個波段的地表反射率。提取各個訓練點在不同波段的地表反射率，經過統計分析，得出置信水平為95%的置信區間(表3)。根據式(2)得分辨矩陣(表4)。

表2 歸一化植被指數統計值

表3 2013年6月8日植被各分類波段反射率統計值

表4 2013年6月8日遙感影像植被各分類區分矩陣

根據式(4)，可以得到X1的分辨函數fX1：

fX1=(B6∨B7)∧(B5∨B6∨B7)∧(B3∨B4∨B6∨B7)=(B6∨B7)。

根據數學運算定律(吸收律)，得到區分X1的兩個約簡{B6}、{B7}，分類規則如下：

當B6∈[1 732,2 795]時，分類=X1=旱地；

或當B7∈[1 432,2 230]時，分類=X1=旱地。

同理，從這個決策矩陣中，還可以獲取蘆葦、水田、堿蓬的約簡，進而得到它們的分類規則(表5)。由于混合植被的反射率不具有統計規律，因此利用排除法，將剩余的歸為混合植被。

3.2.2 非植被分類規則的建立

以研究區內2013年10月30日Landsat 8遙感影像為數據源，進行非植被信息的提取。令Y1、Y2、Y3、Y4分別代表水面、灘涂、居民點和養殖塘，利用ENVI5.0分別提取訓練點在各個波段的亮度值，經統計分析，得出置信水平為95%的置信區間(表6)。根據式(2)可以得到非植被各分類的區分矩陣(表7)。通過計算，利用單一時相的影像數據可以獲取水面和養殖塘的分類規則。

利用2013年10月30日的遙感影像，只能區分出水面與養殖塘， 這是由于非植被的光譜曲線本身具有混淆性所致；非植被地表信息的提取宜采取多時相的影像數據。因此，灘涂和居民點采用2013年6月8日的遙感影像作為信息提取的數據源。訓練點的反射率值見表8，分辨矩陣見表9。通過計算，可以獲取居民點的分類規則(表10)，再利用排除法獲取灘涂的覆被信息，這樣通過多時相的影像數據便得到了完整的非植被信息的分類規則。

表5 植被分類規則

表6 2013年10月30日非植被各分類波段反射率統計值

表7 2013年10月30日遙感影像非植被各分類區分矩陣

Table 7 Discernibility matrix of each non-vegetation category on Oct 30, 2013

Y1Y2Y3Y4Y1ΦY2B5∨B6∨B7ΦY3B1∨B2∨B5∨B6∨B7ΦΦY4B6∨B7B5B1∨B2∨B5∨B6∨B7Φ

3.3 決策樹分類模型的建立

利用粗糙集理論，根據植被和非植被各個分類類型的分辨函數，選擇各個分類的任意一個分類規則，即可獲得已建立分類系統的遙感分類模型(圖2)。

3.4 分類的執行及分類后處理

根據已建立的雙臺子河口濕地決策樹分類模型，利用ENVI5.0 SP3提供的決策樹分類模塊，得到雙臺子河口濕地初步分類圖。通過分類器的初步分類，會有很多的孤立像元存在，即所謂的“椒鹽”現象(圖3a)；不管是從實際的角度還是制圖的角度出發，都需要對這些小圖斑進行剔除并進行重新分類，即分類后處理，最終達到理想的分類結果[20]。分類后處理一般包括分類顏色的設置、分類統計分析、小斑點處理、柵格轉換等。筆者主要對初步生產的分類圖進行主次(majority/minority)分析、過濾(sieve)和聚類(clump)處理(圖3a、b)，得到雙臺子河口濕地最終的分類圖(圖4)。

表8 2013年6月8日非植被各分類波段反射率統計值

表9 2013年6月8日遙感影像非植被各分類區分矩陣

Table 9 Discernibility matrix of each non-vegetation class type on Jun 8, 2013

Y1Y2Y3Y4Y1ΦY2ΦΦY3B5∨B6∨B7B5∨B6∨B7ΦY4ΦΦB5Φ

表10 非植被分類規則

NDVISep.9月份NDVI值；B7-Jun.6月份第7波段(Band 7)地物反射率。其余依次類推。圖2 研究區決策樹分類模型Fig.2 Decision tree classification model of the study area

圖3 預處理前(a)后(b)對比圖Fig.3 Comparison of classification map between initial map (a) and after post-classification (b)

圖4 雙臺子河口濕地信息提取及分類圖Fig.4 Classification results of Shuangtaizi Estuarine wetlands

4 分類精度評估

分類精度的評估是遙感分類工作的重要組成部分。從某種意義上來講，只有通過了精度評估后，分類過程才算完成[21]。目前，精度評估常見以下幾種方法[11,22]：1)通過高分辨率影像獲取研究區內各個分類特征點，將分類結果與特征點比較，進行精度的驗證；2)查閱研究區年鑒或者土地利用數據庫等資料，獲取各個分類的面積， 進行精度驗證；3)利用GPS到研究區現場定點，利用這些點計算混淆矩陣和Kappa系數。

為了驗證分類精度，筆者又利用相同的訓練點進行同樣基于像元的最大似然法分類，然后采用計算混淆矩陣和Kappa系數分別對它們分別進行精度評估。根據GPS定點數據，利用ENVI5.0 SP3軟件，計算得基于粗糙集理論的決策樹分類整體分類精度為93.70%，Kappa系數為0.92；最大似然法整體分類精度為91.62%，Kappa系數為0.90。二者相比，決策樹分類方法整體分類精度比最大似然法整體分類精度高2.08%,Kappa系數提高了0.02。同時獲取了各分類類型的精度(表11)。

5 結論與討論

1)筆者以Landsat 8和環境減災小衛星(HJ-1-A/HJ-1-B)的多時相遙感影像為數據源，利用時間序列的歸一化植被指數，將研究區分為植被與非植被兩個大類，達到初步分類降維。又利用粗糙集理論對不同時相的遙感影像進行研究，分別獲取植被和非植被的分類規則，并建立決策樹分類模型，對雙臺子河口濕地進行分類研究。利用混淆矩陣對分類精度進行了評估，總體分類精度為93.70%，Kappa系數為0.92，取得很好的分類效果。

表11 不同分類方法精度對比

2)單純利用粗糙集理論和訓練點的反射率很難獲取完整的分類規則。本研究采用統計方法，利用歸一化植被指數對分類系統進行初步的分類降維，取得了很好的效果。這種降維的思路可為其他研究提供一定的借鑒。

3)利用中等分辨率的Landsat 8和環境減災小衛星(HJ-1-A/HJ-1-B)遙感影像進行濕地典型地表信息提取基本可以滿足需求，但是對于細部信息的提取還存在一定的不足,可以探索通過高空間分辨率和高光譜遙感數據進行彌補。對于濕地的遙感監測需要各種分辨率的影像結合使用，以彌補彼此的不足，為更好的科學管理濕地提供依據。

4)以粗糙集理論為數據挖掘工具可以利用不精確、不確定和部分真實的信息來獲取知識規則，在知識獲取過程中，只依賴于樣本數據本身，而不需要其他先驗知識或附加信息。

5)研究表明利用Landsat 8和環境減災小衛星(HJ-1A/1B)的多期遙感影像進行信息獲取時，采用研究區6月、7月、9月和10月的遙感影像組合效果最佳。本研究所建立的雙臺子河口濕地決策樹分類模型可以用于同數據源、同期遙感影像的雙臺子河口濕地的信息提取。此濕地分類規則的建立方法以及信息提取的方法也可用于其他濕地覆被信息的自動提取。

[1] Ozesmi S L, Bauer M E. Satellite Remote Sensing of Wetlands[J].Wetlands Ecology Management , 2002, 10: 381-385.

[2] Chen H, Zhao Y W. Evaluating the Environmental Flows of China's Wolonghu Wetland and Land Use Changes Using a Hydrological Model, a Water Balance Model, and Remote Sensing[J]. Ecological Modelling, 2011, 222: 253-260.

[3] 王文杰,蔣衛國,王維,等.環境遙感監測與應用[M].北京:中國環境科學出版社,2011. Wang Wenjie, Jiang Weiguo, Wang Wei, et al. Environmental Remote Sensing Monitoring and Application[M]. Beijing: China Environmental Science Press,2011.

[4] 黃穎,周云軒,吳穩,等.基于決策樹模型的上海城市濕地遙感提取與分類[J].吉林大學學報:地球科學版,2009,39(6):1156-1161. Huang Ying, Zhou Yunxuan, Wu Wen, et al. Shanghai Urban Wetland Extraction and Classification with Remote Sensed Imageries Based on a Decision Tree Model[J]. Journal of Jilin University: Earth Science Edition, 2009, 39(6): 1156-1161.

[5] 申文明,王文杰,羅海江,等.基于決策樹分類技術的遙感影像分類方法研究[J].遙感技術與應用,2007,22(3): 333-334. Shen Wenming, Wang Wenjie, Luo Haijiang, et al. Classification Methods of Remote Sensing Image Based on Decision Tree Technologies[J]. Remote Sensing Technology and Application, 2007, 22(3): 333-334.

[6] 張玉君.Landsat 8簡介[J].國土資源遙感,2013,25(1):176-177. Zhang Yujun. Landsat 8 Introduction[J]. Remote Sensing for Land & Resources, 2013,25(1),176-177.

[7] 徐涵秋,唐菲.新一代Landsat系列衛星:Landsat8遙感影像新增特征及其生態環境意義[J].生態學報,2013,33(11):3250-3257. Xu Hanqiu, Tang Fei. Analysis of New Characteristics of the First Landsat 8 Image and Their Eco-Environment Significance[J]. Acta Ecologica Sinica, 2013, 33(11), 3250-3252.

[8] 曲偉,路京選,李琳,等.環境減災小衛星影像水體和濕地自動提取方法研究[J].遙感應用,2011,4(4):28. Qu Wei, Lu Jingxuan, Li Lin, et al. Research on Automatic Extraction of Water Bodies and Wetlands on HJ Satellite CCD Images[J].Remote Sensing Application,2011,4(4):28.

[9] 李鑫川,徐新剛,王紀華,等.基于時間序列環境衛星影像的作物分類識別[J].農業工程學報,2013,29(2): 169-173. Li Xinchuan, Xu Xingang, Wang Jihua, et al. Crop Classification Recognition Based on Time-Series Images from HJ Satellite[J]. Transactions of the Chinese Society of Agricultural Engineering,2013,29(2):169-173.

[10] 李小文,劉素紅.遙感原理與應用[M].北京:科學出版社,2008. Li Xiaowen, Liu Suhong. Remote Sensing Principles and Applications[M]. Beijing: Science Press,2008.

[11] 張健康,程彥培,張發旺,等.基于多時相遙感影像的作物種植信息提取[J].農業工程學報,2012,28(2):134-135. Zhang Jiankang, Cheng Yanpei, Zhang Fawang, et al. Crops Planting Information Extraction Based on Multi-Temporal Remote Sensing Images[J]. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(2):134-135.

[12] 徐娜,丁建麗,劉海霞.基于NDVI和LSMM的干旱區植被信息提取研究:以新疆吐魯番市為例[J].測繪與空間地理信息,2012,35(7):52-57. Xu Na, Ding Jianli, Liu Haixia. Extraction of Vegetation Information in Arid Area Based on NDVI and LSMM：A Case Study of Turpan[J]. Geomatics & Spatial Information Technology, 2012,35(7):52-57.

[13] 王婧,趙天忠,曾怡.基于粗糙集規則提取的面向對象樹種分類方法[J].遙感信息，2013,28(4):90-96. Wang Jing, Zhao Tianzhong, Zeng Yi. Object-Oriented Classification of Tree Species Based on Rule Extraction from Rough Set[J]. Remote Sensing Information, 2013, 28(4): 90-96.

[14] 王學恩,韓崇昭,韓德強,等.粗糙集研究綜述[J].控制工程,2013,20(1):1-5. Wang Xueen, Han Chongzhao, Han Deqiang, et al. A Survey of Rough sets Theory[J]. Control Engineering of China, 2013,20(1):1-5.

[15] 張樹清.3S支持下中國典型沼澤濕地景觀時空動態變化研究[M].長春.吉林大學出版社,2008. Zhang Shuqing. Temporal Dynamic Changes of Wetland Landscape in China Based on 3S Technology[M]. Changchun: Jilin University Press,2008.

[16] Yee Leung,Tung Fung,JuSheng Mi,et al.A Rough Set Approach to the Discovery of Classification Rules in Spatial Data[J].International Journal of Geographical Information Science,2007,21(9):1033-1058.

[17] Susmaga R, Slowinski R, Greco S, et al. Generation of Reducts and Rules in Multi-Attribute and Multi-Criteria Classification[J].Control and Cybemetics, 2000, 29(4): 969-988.

[18] 鄧傳輝,侍洪波.一種基于粗糙集理論的決策樹分類模型的構造[J].中南工業大學學報:自然科學版,2003,34(1):85-88. Deng Chuanhui, Shi Hongbo. Construction of Decision Trees Model Based on Rough Sets Theory[J]. Journal of Central South Unitersity of Technology: Natural Science, 2003, 34(1):85-88.

[19] 郭琳,裴志遠,吳全,等.面向對象的土地利用/覆蓋遙感分類方法與流程應用[J].農業工程學報，2010，26(7)：194-195. Guo Lin, Pei Zhiyuan，Wu Quan, et al. Application of Method and Process of Object-Oriented Land Use-Cover Classification Using Remote Sensing Images[J]. Transactions of the Chinese Society of Agricultural Engineering, 2010,26(7);194-195.

[20] 鄧書斌.ENVI遙感圖像處理方法[M].北京:科學出版社,2012. Deng Shubin. Remote Sensing Image Processing Using ENVI[M]. Beijing: Science Press, 2012.

[21] Thomas M, Ralph W. Remote Sensing and Image Interpretation[M]. New York: Wiley,2000.

[22] 蔡學良,崔遠來.基于異源多時相遙感數據提取灌區作物種植結構[J].農業工程學報,2009,25(8):128. Cai Xueliang, Cui Yuanlai. Crop Planting Structure Extraction in Irrigated Areas from Multi-Sensor and Multi-Temporal Remote Sensing Data[J]. Transa-tions of the Chinese Society of Agricultural Engineering, 2009, 25(8): 128.

Remote Sensing Classification Information Extraction Based on Rough Set Theory

Zhou Linfei, Chen Qixin, Cheng Qian, Zhang Jing

CollegeofWaterConservancy,ShenyangAgriculturalUniversity,Shenyang110161,China

Using Shuangtaizi estuarine wetland as the research area, and Landsat 8 and HJ-1-A/HJ-1-B remote sensing data as the data sources, this study was conducted for land-cover information extraction. According to the status of the land, the study area was divided into 9 categories, including upland, reed, paddy field, Suaeda, mixed vegetation, water body, beach, residential land, culture pond. First, the study area was divided into vegetation and non-vegetation using the time-series normalized difference vegetation index (NDVI). Then, the classification rules of vegetation and non-vegetation were extracted based on the rough set theory and on multi-temporal remote sensing data. Finally, a decision tree classification model was established. For the purpose of an accurate evaluation, the maximum likelihood classification was conducted based on the pixels using the same training samples; and the confusion matrix and kappa coefficient were calculated. The results showed that the overall accuracy both of the deeision tree and the maximum likelihood classification reached up to 93.70% and 91.62% with a kappa coefficient of 0.92 and 0.90 respectively. The two evaluation index values were improved. It provided a novel research idea for a wetland classification information extraction based on remote sensing images.

Shuangtaizi estuarine wetlands; remote sensing classification; normalized difference vegetation index (NDVI); rough set theory; decision tree

10.13278/j.cnki.jjuese.201504304.

2014-10-21

高等學校博士學科點專項基金(20112103120003)；遼寧省水利科技指導性計劃項目(〔2011〕137號-12)

周林飛(1971--)，女，副教授，博士, 主要從事3S技術應用研究，E-mail:zlf924@163.com。

10.13278/j.cnki.jjuese.201504304

TP79

A

周林飛，陳啟新，成遣，等. 利用粗糙集理論進行遙感分類信息提取.吉林大學學報:地球科學版,2015,45(4):1246-1256.

Zhou Linfei, Chen Qixin, Cheng Qian, et al. Remote Sensing Classification Information Extraction Based on Rough Set Theory.Journal of Jilin University:Earth Science Edition,2015,45(4):1246-1256.doi:10.13278/j.cnki.jjuese.201504304.