基于決策樹分類的土地利用遙感監(jiān)測

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(xué)化、系統(tǒng)化，為了提高土地的利用率以及實(shí)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(lán)田縣進(jìn)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(jìn)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(lán)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(yù)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(shí)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(qiáng)，并利用行政邊界矢量圖對影像進(jìn)行裁剪。將研究區(qū)shp文件導(dǎo)出，在ENVI中進(jìn)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(biāo)（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(jì)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(shí)間、不同傳感器獲取的圖像進(jìn)行比較時(shí)，都須將圖像的亮度灰度值轉(zhuǎn)換為絕對輻射亮度，這個(gè)過程就是輻射定標(biāo)。其目的：消除傳感器本身的誤差，確定傳感器入口處的準(zhǔn)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(yùn)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(jì)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(jì)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(yàn)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(yùn)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(xué)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(jìn)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(shí)，NDWI指數(shù)能及時(shí)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(jì)算公式：

3.2 坡度、坡向計(jì)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(jià)項(xiàng)目風(fēng)險(xiǎn)，判斷其可行性的決策分析方法，是直觀運(yùn)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(jī)器學(xué)習(xí)中，決策樹是一個(gè)預(yù)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(jìn)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(diǎn)基于混淆矩陣對分類結(jié)果進(jìn)行精度評價(jià)。在此基礎(chǔ)上，對分類錯(cuò)誤的圖斑進(jìn)行手動修改，得到研究區(qū)的土地利用圖。

參考文獻(xiàn)：

[1]李秀彬.土地利用變化的解釋[J].地理科學(xué)進(jìn)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(xué)進(jìn)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(xué)學(xué)報(bào)，2005（01）：47-51.