基于決策樹的植被分類研究

摘 要：基于IKONOS遙感影像，采用決策樹分類算法對南京的植被覆蓋進行分類。根據各種植被光譜特征建立知識庫，確定決策樹規則與算法對植被進行了有效分類與識別，精度較高。

關鍵詞：遙感影像；植被分類；知識庫；決策樹；紋理

1 概述

植被作為生態系統的主要組成，是生態系統存在的基礎，也是聯結土壤、大氣和水分的自然“紐帶”，它在陸地表面的能量交換過程、生物地球化學循環過程和水文循環過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]。自然界的植被類型復雜多樣，傳統的進行實地調查的方法耗費大量人力和物力，近年來日益成熟的遙感技術為植被的分類和識別提供了一條新的途徑。遙感影像全面真實地記錄了地表植被與環境的信息，植被類型的波譜特性在影像上表現為亮度值的不同，這使得對它們的區分成為可能。

目前對于植被類型的識別方法很多，但是由于各種植被類型相互摻雜，且受土壤濕度、同譜異物和同物異譜等多種因素的影響，傳統的分類方法對于植被類型識別的結果精度不高。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別；植被指數也被廣泛用來定性和定量評價植被覆蓋及其生長活力。與單波段相比，用植被指數探測綠色植被更具有靈敏性；決策樹分類法具有靈活、直觀、清晰、健壯及運算效率高等特點，相對傳統的分類方法而言，決策樹分類法對于輸入數據空間特征和分類標識具有更好的彈性和魯棒性[2]。

本實驗通過各種植被類型的光譜特征統計，得到各種植被類型的光譜曲線和NDVI區間，并利用植被分布的紋理特征，通過比較與分析確定決策樹的規則，進行植被分類。

2 研究區概況和數據

本實驗所選取的研究區為南京地區。該地區地處長江下游的丘陵地區，中心位于北緯31°56，東經119°14；海拔高度20-448m，屬北亞熱帶季風氣候區，年平均氣溫15.1℃，年降水量1019mm。該地區的植被的特征和種類具有較強的代表性。本實驗所采用的數據為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

3.1利用NDVI進行植被與非植被的區分

陳君穎、田慶久[3]經過實地考察與土地利用現狀圖相結合，確定南京的植被類型主要分為灌木林地、草地、農田。由于本試驗所用影像為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接近于裸地，故而確定南京的植被類型為灌木林地、草地、農田、裸地，目視判讀如圖1所示。由于本研究的目的是對植被進行分類，因此需要將植被與非植被分開。已有很多研究證明，用歸一化植被指數（NDVI）進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光紅波段數值之差和這兩個波段數值之和的比值。即：

NDVI=（DNNIR-DNR）/（DNNIR+DNR）

本研究選取多個植被樣本，通過比較其NDVI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 不同植被類型光譜特征的統計

不同植被類型具有不同的光譜特征，本試驗對遙感影像中各種植被類型進行了光譜特征統計分析。陳君穎、田慶久[3]利用對所有樣本四個波段的DN值、NDVI值及紋理信息進行決策樹進行植被分類取得了較好的分類結果。本試驗通過對不同植被類型進行采樣，共選擇了396個灌木林地樣本、721個草地樣本、497個農田1樣本、423個農田2樣本、398個裸地樣本。然后對所有的樣本實驗得出各種植被類型的紋理信息（利用Homogeneity指數[7]計算得到）、4個波段的DN值及NDVI進行了統計分析，見表1，其中B1、B2、B3、B4、B5、B6分別代表紋理，近紅外波段、藍光波段、綠光波段、紅光波段、NDVI。B1利用Homogeneity指數計算得到，如圖2所示。

從統計資料表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DN值較大，因此可以用B5波段的DN值將灌林與農田、草地、裸地分開；（2）從統計資料發現，農田1，農田2，草地在B5（紅光）波段上的DN值農田1相對較小，因此可以用B5波段的DN值將農田1與農田2、草地區分開；（3）農田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值區分開農田2與草地；（4）從各種植被類型的光譜特征統計（表1）和B4（綠光）波段的紋理一致性圖（圖2）上我們通過比較分析，發現可能由于地物分布較為支離破碎，紋理并不能起到區分植被類型的作用。

3.3 決策樹算法

決策樹（Decision tree）法是指根據影像的不同特征，以樹型結構表示分類或決策集合，產生規則和發現規律[4]。首先利用訓練空間實體集生成判別函數，其次根據不同取值建立樹的分支，在每個分支子集中重復建立下層結點和分支，最后形成決策樹[5]。決策樹由一個根結點（Root nodes）、一系列內部結點（Internal nodes）和終極結點（Terminal nodes）組成，每個結點只有一個父結點和兩個或多個子結點。決策樹算法在遙感分類中的應用是依據規則把遙感數據集一級級往下細分作為決策樹的各個分支，終極結點則為分類結果（圖3）。

3.4 基于光譜信息的植被分類

本試驗通過在3.2小節中對各種植被類型的光譜信息與紋理信息的比較與分析，結合ENVI軟件的決策樹自動生成模塊，對自動生成的決策樹進行了反復的試驗與改進，最終確定如圖4的決策樹算法。

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

分類過程為：

（1）計算影像的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）計算影像的NDVI值，其中大于0.5的歸為植被類，小于等于0.5的劃分為建筑與裸地；（3）在植被類型的區分中，B5波段DN值小于等于485的分為灌木林地類，大于485的提取為農田1、農田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）在農田1、農田2、草地的區分中，B5波段的DN值小于等于606的劃分為農田1，大于606的劃分為農田2與草地；（6）在建筑1、建筑3、裸地的區分中，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）在農田2與草地的區分中，B4波段的DN值大于334的提取為農田2，小于等于334的劃分為草地；（8）在裸地與建筑3的區分中，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。應用該算法對影像進行植被分類，并將建筑1、建筑2、建筑3、水體合并，得到的植被分類結果如圖5所示。

3.5 分類結果精度評價

為了對分類結果精度進行評價，本研究通過遙感影像目視判讀，分別選取了71個建筑水體樣本，769個草地樣本、400個灌木林地樣本、520個農田1樣本和460個農田2樣本，457個裸地樣本，建立混淆矩陣，計算相關指標，得到分類精度評價，結果見表2。

由圖1目視判讀也可以看出，裸地易與建筑類混淆，草地易與農田2混淆。在表2中，就每種植被類型的用戶精度而言，灌林和農田1（見圖1）的分類精度最高，裸地、農田2和草地（見圖1）的分類精度相對較低，這與目視判讀是一致的。從表2可知，測試樣本的總體分類精度達到了81.3%，證明該植被分類方法具有較好的分類能力和可行性。

4 結束語

文章提出的植被分類方法是基于各種植被類型光譜特征的知識庫采用的決策樹分類算法。研究結果表明，該植被分類方法能有效地對植被進行分類與識別，精度較高。對于不同的數據源，如能綜合利用更多的地理信息，會進一步提高分類的精度。隨著遙感理論與技術的發展，應用多種地理信息綜合分析，勢必會成為未來發展的主導方向。

參考文獻

[1]張云霞，李曉兵，陳云浩.草地植被蓋度的多尺度遙感與實地測量方法綜述[J].地球科學進展，2003，18（1）：85-93.

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

[3]陳君穎，田慶久.高分辨率遙感植被分類研究[J].遙感學報，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.

作者簡介：張文靜（1984，3-），女，工程師，廣州市水務科學研究所，現主要從事測繪、地理信息系統技術有關的應用研究、技術開發、生產管理等方面工作。