基于特征優選決策樹模型的河套灌區土地利用分類

孫亞楠，李仙岳，史海濱，崔佳琪，馬紅雨，王維剛

基于特征優選決策樹模型的河套灌區土地利用分類

孫亞楠，李仙岳※，史海濱，崔佳琪，馬紅雨，王維剛

（內蒙古農業大學水利與土木建筑工程學院，呼和浩特 010018）

為了提高土地利用遙感識別精度，探索不同識別期及不同特征變量對土地利用類型遙感識別精度的影響。該研究采用Landsat時間序列影像數據，考慮不同月份和不同特征變量（波段、光譜指數及紋理特征）組合方式建立土地利用決策樹分類模型，并利用河套灌區永濟灌域實測數據和Google earth影像對不同組合方式的土地利用模型進行數量結構和空間布局的驗證，篩選出最優的土地利用遙感模型并確定最佳識別期。結果表明：在不同月份Green（綠波段）和Ent（熵Entropy）分別與波段和紋理特征變量中的因子所含有的信息重復率最高，需剔除，歸一化植被指數（Normalized Differential Vegetation Index, NDVI）和增強型植被指數（Enhanced Vegetation Index，EVI）在今后的研究中可選其一應用；與單一特征變量相比，不同特征變量組合后能提高模型精度，平均總體精度和Kappa系數分別提高了6.72個百分點和0.09。采用8月影像數據構建的遙感模型精度最高，最優遙感模型的特征變量組合方式為波段+光譜指數+紋理特征，總體精度、Kappa系數、制圖精度和用戶精度分別為80.23%、0.74、80.95%和86.26%，且減少了未利用地和居民工況用地空間布局的錯分。通過綜合比較，該研究區土地利用最佳識別期為8月，其次為9月。利用8月最優遙感模型（最佳識別期和最優組合）識別的耕地、林地、草地、未利用地、水域和居民工礦用地的制圖精度分別為96.83%、73.33%、70.00%、65.52%、100.00%和80.00%，用戶精度分別為76.62%、100.00%、82.35%、82.61%、100.00%和80.00%。因此可選用8月最優模型應用于長時間序列的土地利用類型識別。

土地利用；遙感；光譜特征；紋理特征；最佳識別期；組合方式；決策樹

0 引 言

區域土地利用信息快速、準確獲取是該地區土地動態監測、規劃、管理、開發與保護等工作的基礎，也是各類區域模型正常運行的前提[1]。隨著國家經濟建設的穩步推進，迫切需要準確獲得土地利用的詳細信息，為制定相應政策和規劃提供基礎[2]。

傳統的土地利用類型識別主要采用實地調查與統計學相結合的方式，但成本高、效率低，且結果也存在一定偏差。隨著3S空間技術發展，國內外學者從區域、國家乃至全球尺度出發，圍繞多源影像數據融合[3]、特征變量優選[4]和分類器選擇[5]等關鍵技術對土地利用類型進行了遙感解譯，但由于中國農業區的土地利用類型分布分散、農業景觀破碎和作物種植結構復雜等特點[6]，給土地利用類型的遙感解譯帶來了持續性挑戰。現有利用遙感進行土地利用識別的相關研究，主要基于影像數據中光譜（原始光譜和光譜指數）和紋理特征進行分類。對于僅采用原始影像信息的分類方法，圖斑較為破碎[7]。而在此基礎上，通過數學變換形成的光譜指數特定地物能在一定程度上更準確地識別[8]。然而這種僅基于光譜特征的方法通常對單一地物類識別有較高的精度，但是在實際應用中，分類結果一定程度上存在同譜異物、同物譜異的現象[9]。紋理特征作為遙感影像中重要空間結構信息和基本特征，可以有效地抑制同譜異物、同物譜異現象的發生，從而能夠改善分類精度，但紋理特征提高土地利用識別精度需在結合光譜特征信息的基礎上進行[10]。所以，將原始光譜、光譜指數和紋理特征進行耦合，以提高土地分類的精度已被廣泛采用[9]。盡管這種多特征耦合豐富了遙感數據信息量，但增加了數據冗余和維度災難的風險。故如何在多特征變量研究中選擇有效的特征因子，以及對特征變量進行有效的組合是提高多特征變量分類模型識別精度和識別效率的關鍵。

目前對土地利用類型識別的數據源主要分為時間序列數據[11]和單一時相數據[4]兩類，其中基于時間序列的影像能夠反映不同土地利用類型光譜等特征隨季節變化的差異，增大了可分性，但模型的應用受到兩方面的制約，一方面基于時間序列遙感影像數據的分類模型涉及較多時相影像數據[12]，如果某個時期影像的不可用（比如云量較大）將會導致分類模型無法應用。另一方面，在時間序列影像的分類模型中，影像數據多為高分辨率遙感影像[13]，而通常這些高分辨率影像不易獲取，且在軌時間短，所構建的模型難以應用于長序列的土地利用信息提取的研究。而基于單時相的中低分辨率影像既具有相對豐富的信息，同時擁有大量的歷史影像數據，又具有一定的空間信息，已在土地利用信息的提取和地類時空演變研究中得到了廣泛應用[14]。而以單時相影像數據為基礎數據的研究中，由于不同時期土壤類型和利用方式的光譜等特征具有一定的差異，導致不同時期可分性不同，從而使影像時期的選擇成為影響單時相影像模型精度的決定性因素[15-16]。故通過篩選土地利用類型的最佳識別期和特征變量的組合方式是提高基礎數據有效性和模型精度的關鍵。

本文基于Landsat時間序列影像數據，利用主成分分析的方法對影像數據的波段、光譜指數和紋理特征變量中各因子進行篩選，并構建不同時期、不同組合方式的決策樹模型，對比分析各方案的分類精度，利用混淆矩陣和Google earth影像分別對分類結果進行數量結構和空間布局的驗證，篩選出土地利用分類最優組合的遙感模型并確定最佳識別期，從而為河套灌區土地利用類型的快速識別提供新的思路。

1 數據與方法

1.1 研究區概況

內蒙古河套灌區永濟灌域，107°13′～107°42′E，40°36′～41°13′N，南北長60 km，東西寬40 km，總土地面積18.36萬hm2，現灌溉面積約11.22萬hm2，經過30年快速發展，經濟增幅達96倍，城鎮化率31.19%，年均提高1.23個百分點[17]。耕地是研究區主要的土地利用類型，種植的主要作物為小麥、向日葵和玉米。其他土地利用類型中，林地主要以1～10 a生的楊樹和柳樹經濟林為主，未利用地主要以鹽荒地和部分沙地組成。隨著黃河流域經濟的發展，從1998年河套灌區實施節水改造開始，用水指標逐年減少，對土地利用方式的轉換產生了一定的影響。

1.2 數據的采集與處理

1.2.1 土地利用樣本采集

野外采樣基于網格法在研究區進行均勻布設樣點，采集時間為4－9月。由于研究區小麥播種及收割時間與其他作物差異較大，所以本文在中國土地利用現狀分類一級系統[18]的基礎上將耕地進一步細分為小麥和其他耕地兩類，以最大程度地減少分類誤差。實際采樣點則根據實際情況進行適度調整，確保采樣點數滿足模型的構建和驗證的要求。樣點采集時利用GPS進行定位，并記錄其相應的經緯度以及土地利用的類型，最終確定的土地利用的類型分別為小麥、耕地、林地、草地、未利用地、水域和居民工礦用地7大類，采樣點個數分別為57、85、37、37、79、30和45個，共計370個（圖1）。

1.2.2 遙感影像數據的下載與處理

遙感影像數據采用Landsat 7 ETM+數據（30m分辨率），下載網址為https://earthexplorer.usgs.gov/，時間序列影像獲取時間分別為2019年4月13日、5月15日、6月16日、7月2日、8月3日、9月4日、9月20日和10月6日，行列號分別為129/31和129/32。利用ENVI 5.3軟件對遙感影像數據進行輻射定標、大氣校正、幾何精校正、無縫鑲嵌、裁剪等預處理，并通過ArcGIS10.4軟件提取采樣點對應的特征變量。

1.3 研究方法

本文基于Landsat時間序列影像數據，對影像的波段特征、光譜指數特征和紋理特征進行提取，組成7種方案（表1），包括3種單類別方案（方案1～3）和4種組合類別方案（方案4～7），利用主成分分析的方法篩選出各特征變量的特征因子，并基于上述7種方案構建不同時期的土地利用決策樹提取模型，通過對比精度（分類精度和驗證精度）從而篩選出土地利用最優遙感模型并確定最佳識別期。

表1 方案的設定

1.3.1 特征變量提取

本研究選取波段、光譜指數和紋理3種特征作為土地利用分類的特征變量，其中共包括6個波段因子、6個光譜指數因子以及8個紋理因子（表2）。為了提高紋理特征提取效率，對影像數據進行主成分分析，利用灰度共生矩陣（Gray-level Co-occurrence Matrix, GLCM）方法對第一主成分進行紋理特征信息的提取（圖2），滑動窗口尺度分別設置為3×3、5×5、7×7和9×9，最終最佳窗口選定為3×3，步長選定為1。

表2 特征變量統計

1.3.2 特征因子的優選

由于特征變量中因子較多，為避免由于指標選取過多使問題復雜化或者指標選取過少而影響結果準確度等問題，利用主成分分析（Principal Component Analysis, PCA）通過線性變換從多個變量（或因子）中選出較少重要變量[25]，既能夠盡量多地反映原來較多指標的信息，也能達到使彼此相互獨立的目的。本文利用PCA對波段、光譜指數和紋理特征變量的因子進行分析，并將相關系數絕對值大于0.90的因子剔除，從而減小模型的冗余性。

1.3.3 分類模型的構建與評價指標

本文先將實測樣本以2:1比例分為訓練樣本和驗證樣本，利用訓練樣本分別構建小麥、其他耕地、林地、草地、未利用地、水域和居民工礦用地的感興趣區，然后利用感興趣區確定各土地利用的特征指標屬性規則，從而構建決策樹分類模型，并利用混淆矩陣和Google earth影像對分類結果進行數量結構和空間布局的驗證。

1）模型的構建

決策樹分類模型是先通過分析像元特征值，設定每個節點合適的分割值，從而進行分層逐次的比較歸類的分類技術，比較常用的分類方法有C4.5算法、C5.0算法、CART算法（Classification And Regression Tree）和S-PLUS等算法，本文利用CART算法構建決策樹分類模型，CART算法采用經濟學領域中的基尼（Gini）系數[26]作為選擇最佳測試變量和分割閾值的準則，并采用交叉驗證的方法對生成樹進行修剪，從而形成一棵兼顧復雜度和錯誤率的最優二叉樹。

2）模型的驗證

混淆矩陣法是目前評價分類精度的普遍方法，常用的指標包括總體精度（Overall Accuracy, OA）、Kappa系數、制圖精度（Producer Accuracy, PA）和用戶精度（User Accuracy, UA）[11]（公式（1）～（3）），本文利用上述4種指標對分類結果進行數量結構的精度驗證，利用Google earth影像分析分類結果的空間布局誤差。

式中為驗證樣本的個數，X和X為分類結果中第類樣本的總數和驗證樣本中第類樣本的總數，X為誤差矩陣中的第行列中的數，代表第類樣本中被正確分類的個數，為分類的類別數。

2 結果與分析

2.1 特征變量中特征因子的選擇

2.1.1 波段特征

分別對不同時期的波段進行主成分分析，得到各波段間的相關系數矩陣（圖3），以2019-04-13的波段間的相關系數矩陣為例（圖3a）進行篩選過程的說明，Blue與Green的相關系數為0.94，Green與Red的相關系數為0.95，為降低因子的冗余性，需將其中一個或者兩個剔除，進一步分析Blue和Red的相關性，相關系數為0.88，所以將Green剔除。其他波段中，Red與NIR的相關系數為0.91，NIR與SWIR1的相關系數為0.93，而Red和SWIR1的相關系數為0.81，所以將NIR剔除。SWIR1與SWIR2間相關系數為0.97，而二者與其他的因子的相關系數均小于0.90，所以將SWIR1和SWIR2分別與未剔除的因子進行相關性分析，并計算其相關系數絕對值的平均值，分別為0.76和0.77，所以將SWIR2剔除，最終選定Blue、Red和SWIR1作為2019-04-13的波段特征因子。利用上述方法對其他各時期的因子進行特征因子的篩選，最終選定Blue、Red、NIR和SWIR1作為2019-05-15和2019-06-16的波段特征因子，Blue、NIR和SWIR2作為2019-07-2、2019-09-04和2019-10-06的波段特征因子，Blue、Red、NIR和SWIR2作為2019-08-03和2019-09-20的波段特征因子。結果表明Green在不同時期與其他因子所含有的信息重復率最高，而Blue作為各時期的特征因子，不僅與其他因子組合能夠包含較多的信息，還能避免因子的維度災難。

2.1.2 光譜指數特征

對光譜指數進行主成分分析，得到各光譜指數間的相關系數矩陣（圖4），負相關關系主要出現在MNDWI與NDVI、EVI、BI和RVI之間，且MNDWI與NDVI、EVI相關性最為顯著，特別是在2019-04-13-2019-07-02期間（圖4a～4d）間，相關系數絕對值均大于0.60。不同月份中，NDVI與EVI的相關性均維持在較高的水平，相關系數大于0.90，平均相關系數為0.95，根據篩選原則需對其中一個因子進行剔除，NDVI是研究植被類型采用最廣泛的指數之一，而EVI能夠解決NDVI的高覆蓋度下容易飽和的問題，所以對二者進行進一步的篩選，分析二者與其他光譜指數因子的相關性，其中NDVI與其他光譜指數的相關性在2019-04-13、2019-05-15和2019-06-16高于EVI與其他光譜指數的相關性，平均高4.01%，所以將NDVI剔除，而2019-07-02、2019-08-03、2019-09-04、2019-09-20和2019-10-06中EVI與其他光譜指數的相關性高于NDVI，平均高2.75%，所以將EVI剔除。NDVI和EVI在各時期包含的信息重復率均較高，為避免信息的冗余，在今后的研究中可選其一應用。

2.1.3 紋理特征

對紋理特征進行主成分分析，得到不同時期紋理特征變量因子間的相關系數矩陣（圖5），各紋理特征變量的因子間相關性總體低于各波段、各光譜指數間的相關性，表明紋理特征變量中各因子間重疊信息較少。不同月份中僅Ent與Sm的相關性較高，相關系數在?0.95～?0.97之間，其中Ent在各時期與其他各因子的相關系數絕對值的平均值均高于Sm，平均高18.74%，所以將Ent剔除，最終選定Mean、Var、Hom、Con、Dis、Sm和Cor作為各時期紋理特征變量的特征因子。

2.2 基于不同特征變量的土地利用類型分類精度對比

基于上述7種方案構建不同時期的土地利用決策樹分類模型，利用混淆矩陣和Google earth影像對分類后的結果進行數量結構和空間分布的驗證。首先利用實測點的驗證樣本計算模型的混淆矩陣，其中總體精度和Kappa系數（表3）用來對不同時期、不同方案的分類精度進行總體性的評價，從而優選出各時期分類效果最好的方案，而制圖精度和用戶精度（表4）則對不同時期最優方案中耕地、林地、草地、未利用地、水域和居民工況用地的分類精度進行評價，進一步獲取錯分與漏分的情況。結果表明，不同時期不同方案的總體精度在57.06%～80.23%之間，平均值為72.63%，Kappa系數在0.43～0.74之間，平均值為0.64。基于單一的波段或光譜指數方案分類精度在各時期精度均滿足要求，在土地利用識別中可單獨應用，可見本文選取的光譜指數對研究區的土地利用類型應用效果較好。方案3（紋理特征）在各時期分類精度最低，總體精度平均值為62.64%，而紋理特征與波段或光譜指數特征綜合應用時均能有效提高精度，所以在土地利用識別過程中紋理特性需與光譜特征變量綜合應用。不同時期單類別方案（方案1～3）的總體精度分別在57.06%～75.14%之間，平均值為68.80%，平均Kappa系數在0.55～0.62之間，而組合類別方案相比單類別方案平均總體精度平均提高了6.72個百分點，平均Kappa系數平均提高了0.09，表明特征變量組合后能夠明顯提高模型的分類精度。利用總體精度和Kappa系數對不同時期的最優方案進行篩選，最終選定方案7作為2019-04-10、2019-05-15、2019-08-03和2019-09-04的優選方案。選定方案4作為2019-06-16、2019-07-02、2019-09-20和2019-10-06的優選方案。

表3 各方案分類模型精度對比

表4 優選方案的土地利用類型的制圖精度和用戶精度

利用制圖精度和用戶精度（表4）對不同時期最優方案的分類精度進行評價，不同時期最優方案的各土地利用類型的平均制圖精度和平均用戶精度分別在62.90%～97.06%和71.89%～96.56%之間，平均值分別為77.43%和84.06%，表明平均用戶精度大于制圖精度，即漏分誤差大于錯分誤差。不同時期各土地利用的分類結果中，水域的分類精度最高，制圖精度和用戶精度平均值分別為97.06%和96.56%，其次是耕地、林地、居民工礦用地、未利用地和草地。各時期的分類結果中，2019-08-03和2019-09-04的各土地利用類型的制圖精度和用戶精度均能滿足要求，且平均精度均較高，其中平均制圖精度分別為80.95%和79.28%，平均用戶精度分別為86.26%和86.77%。

圖6為基于Google earth影像對分類結果空間分布的驗證。在研究區中利用Google Earth影像（圖6a、6d）選取兩塊典型區域對2019-08-03（圖6b、6e）和2019-09-04（圖6c、6f）結果的空間分布進行進一步的對比分析，兩個時期水域的識別效果較好，輪廓與實際一致。2019-09-04（圖6c）對市區范圍內中道路硬化等較為完備的高層建筑識別效果較好，而將部分分布零散的建筑物識別為未利用地，且對于較多的低層住宅區識別效果較差，從而導致市區的居民工況用地面積小于實際情況，部分道路識別為未利用地（圖6f）。可知，2019-08-03和2019-09-04的分類結果中，2019-08-03的分類效果較好，相比2019-09-04，減少了未利用地和居民工況用地空間布局的錯分。采用8月份數據構建的遙感模型精度最高，最優組合方式為波段(Blue+Red+NIR+SWIR2)+光譜指數(NDVI+MNDWI+ EBSI+BI+RVI)+紋理特征(Mean+Var+Hom+Con+Dis+Sm +Cor)，其中總體精度和Kappa系數分別為80.23%和0.74（表3），耕地、林地、草地、未利用地、水域和居民工礦用地的制圖精度分別為96.83%、73.33%、70.00%、65.52%、100.00%和80.00%，用戶精度分別為76.62%、100.00%、82.35%、82.61%、100.00%和80.00%（表4）。其次為9月。

3 討 論

在土地利用識別方法的研究中，傳統分類方法是以像元為基本單元，近年來，隨著遙感技術的發展，國內外學者發展了一系列能綜合運用影像的光譜、紋理等多種特征的分類方法，這些方法在一定程度上改善了基于像元分類方法的精度，如王李娟等[4]研究發現加入植被指數、紋理特征等信息可以有效提升土地利用分類精度。林楠等[1]增加了形狀和紋理信息后的多源信息數據的分類精度明顯高于基于純光譜信息數據的分類精度，尤其是通過形狀信息對易于混淆的建筑用地邊界進行了有效的劃分，分類精度提高了9.32%。本研究通過對不同時期不同方案精度的對比分析可以得出，基于單一的紋理特征的方案在各時期的分類精度均低于其他方案，各時期平均總體精度相比其他方案降低了11.66個百分點，平均Kappa系數相比其他方案降低了0.16，而紋理特征與波段或光譜指數特征綜合應用時均能有效提高精度，如方案5（波段+紋理特征）在各時期的平均總體精度和平均Kappa系數相比方案1（波段特征）分別平均提高了3.05個百分點和0.05。所以紋理特征在土地利用識別中單獨作為特征變量的識別精度較低，需與光譜特征變量結合使用；基于單一的波段或光譜指數的方案在各時期精度均能滿足要求，即針對分類精度要求不高的研究中可應用該種方法；綜合多特征變量的方案精度均高于單一方案，不同時期組合類方案模型的平均總體精度和平均Kappa系數相比僅采用單一特征變量的方案分別提高了6.72個百分點和0.09。結果表明綜合多特征變量的方法仍是土地利用識別中最為可靠的方案。由于本研究主要針對灌域尺度地類識別，并沒有探索尺度效應。在后續研究中，將以田間、景觀、灌域、灌區等不同尺度進行數據采樣和遙感識別，深入探討各特征變量在土地利用信息識別過程中的尺度問題為灌區多尺度土地利用識別提供新的技術。不同時期不同土地利用的光譜特征和紋理特征具有顯著性差異，選擇差異性較大的時期能一定程度提高遙感模型精度[15-16]。本研究也顯示分類時期對模型的精度有一定的影響，如基于8月影像構建的最優組合模型精度優于其他時期（表3～表4），其總體精度、Kappa系數、制圖精度和用戶精度相比其他時期的最優方案分別提高了1.13～6.22、0.01～0.08、0.57～11.64個百分點和?0.50～8.02個百分點。但是本研究錯分率較高的為草地和未利用地，主要集中于生育期初期（4－6月）和末期（9－10月），這是由于該時期草地覆蓋度低，其NDVI與未利用地非常相近，由于該時期的特殊性也無法利用時間序列的物候期識別來提高本研究中草地和未利用地的識別精度，且在基于時間序列土地利用分類的部分研究中，草地和未利用地的分類精度仍偏低，如Zhang等[27]基于時間序列土地利用分類顯示草地的制圖精度為70.79%。且所需基礎影像數據量較大，并會導致影像可用性不規律，影響模型的穩健性和時空一致性[28]，從而增大了模型的應用難度，所以選擇合適的單時期影像進行土地利用分類具有重要意義。本研究確定8月為分類的最佳時期，該時期草地與未利用地的分類精度能夠滿足模型的精度要求。

不同時期土地利用識別的精度在一定程度上受季節性影響，如4－5月耕地、草地和未利用地由于植被均處于生長初期，錯分率相對較大；而在9月末至10月，耕地中作物進入收割末期，耕地中主要為作物殘茬，而草地和未利用地中植被處于生長末期覆蓋率也較低，從而該時期此3種地類光譜特征也較為相近[29]，錯分率也會增加。6－7月耕地由于葵花的長勢較低，易與植被覆蓋度較小的草地相混淆，而7月份相比6月份，耕地開始有部分錯分為林地，分析由于7月的耕地長勢高于6月，且葉面積指數較低，與部分行道樹相近，故7月的識別精度相比會更低。8月份耕地中作物葉面積指數明顯高于其他地類[30]，且該地區耕地占比大于50%[31]，所以該時期總體識別精度較高。另外分類精度也受地類分布的影響，在本研究中林地多為道路兩旁的行道樹和少數農田中的經濟林，分布較為零散，識別難度增大；草地、未利用地多分布于居民工礦用地周圍，且比較零散，在30 m×30 m的分辨率遙感影像中較難區分，這也會導致其錯分率進一步增加。

4 結 論

1）特征變量的特征因子篩選過程中，歸一化植被指數和增強型植被指數在各時期包含的信息重復率均較高，為避免信息的冗余，在今后的研究中可選其一應用，綠波段、熵在各時期與其他因子信息重復率較高；紋理各因子間的相關性均明顯低于波段因子和光譜指數因子。

2）采用單一紋理特征的方案精度較差，各時期總體精度與Kappa系數相比其他方案分別降低了11.66個百分點和0.16，而紋理特征與波段或光譜指數特征組合后均能有效提高精度；多特征變量組合模型精度均高于基于單一特征變量的模型精度，不同時期組合類方案模型的平均總體精度和平均Kappa系數相比僅采用單一特征變量的模型分別提高了6.72個百分點和0.09。

3）基于8月份波段+光譜指數+紋理特征的遙感模型精度最高，總體精度、Kappa系數、平均制圖精度和平均用戶精度分別為80.23%、0.74、80.95%和86.26%，且減少了未利用地和居民工況用地空間布局的錯分。其中耕地、林地、草地、未利用地、水域和居民工礦用地的制圖精度分別為96.83%、73.33%、70.00%、65.52%、100.00%和80.00%，用戶精度分別為76.62%、100.00%、82.35%、82.61%、100.00%和80.00%。

[1] 林楠，姜琦剛，楊佳佳，等. 基于資源一號02C高分辨率數據的農業區土地利用分類[J]. 農業機械學報，2015，46(1)：278-284.

Lin Nan, Jiang Qigang, Yang Jiajia, et al. Classifications of agricultural land use based on high-spatial resolution ZY1-02C remote sensing images[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(1): 278-284. (in Chinese with English abstract)

[2] 吳迪. 節水改造后河套灌區沈烏灌域土壤鹽分時空變化規律研究[D]. 呼和浩特：內蒙古農業大學，2020.

Wu Di. Study on the Spatial and Temporal Changes of Soil Salt in Shenwu Irrigation District of Hetao Irrigation District after Water Saving Transformation[D]. Huhhot: Inner Mongolia Agricultural University, 2020. (in Chinese with English abstract)

[3] 劉曉龍，徐瑞，付卓，等. 基于多源遙感數據的納板河國家級自然保護區人類活動用地監測[J]. 農業工程學報，2018，34(19)：266-275.

Liu Xiaolong, Xu Rui, Fu Zhuo, et al. Monitoring land use for human activities in Nabanhe National Nature Reserve based on multi-source remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(19): 266-275. (in Chinese with English abstract)

[4] 王李娟，孔鈺如，楊小冬，等. 基于特征優選隨機森林算法的農耕區土地利用分類[J]. 農業工程學報，2020，36(4)：244-250.

Wang Lijuan, Kong Yuru, Yang Xiaodong, et al. Classification of land use in farming areas based on feature optimization random forest algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(4): 244-250. (in Chinese with English abstract)

[5] 陳元鵬，羅明，彭軍還，等. 基于網格搜索隨機森林算法的工礦復墾區土地利用分類[J]. 農業工程學報，2017，33(14)：250-257.

Chen Yuanpeng, Luo Ming, Peng Junhuan, et al. Classification of land use in industrial and mining reclamation area based grid-search and random forest classifier[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(14): 250-257. (in Chinese with English abstract)

[6] 田海峰，鄔明權，牛錚，等. 基于Radarsat-2影像的復雜種植結構下旱地作物識別[J]. 農業工程學報，2015，31(23)：154-159.

Tian Haifeng, Wu Mingquan, Niu Zheng, et al. Dryland crops recognition under complex planting structure based on Radarsat-2 images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(23): 154-159. (in Chinese with English abstract)

[7] 胡月瑤. 基于Landsat指數影像的城市區域自動分類方法研究[D]. 武漢：武漢大學，2018.

Hu Yueyao. An Automatic Land-Cover Mapping Method Over Urban Areas Using Spectral Indices Based on Landsat Imagery[D]. Wuhan：Wuhan University, 2018. (in Chinese with English abstract)

[8] 陳靜秋，王莉，姜小三. 決策樹方法在云貴高原典型區域ALOS影像土地利用分類中的應用[J]. 南京農業大學學報，2013，36(6)：45-50.

Chen Jingqiu, Wang Li, Jiang Xiaosan. Decision tree method application on land use classification using ALOS image in typical area of Yunnan-Guizhou Plateau[J]. Journal of Nanjing Agricultural University, 2013, 36(6): 45-50. (in Chinese with English abstract)

[9] 馬正龍. 長株潭城市群土地利用/覆蓋變化遙感動態監測[D]. 長沙：中南大學，2011.

Ma Zhenglong. The Dynamic Monitoring of Land Use and Land Cover Change in Changsha-Zhuzhou-Xiangtan Urban Agglomerations Based on Remote Sensing[D]. Changsha: Central South University, 2011. (in Chinese with English abstract)

[10] Chen S B, Useya h, Mugiyo H. Decision-level fusion of Sentinel-1 SAR and Landsat 8 OLI texture featuresfor crop discrimination and classification: Case of Masvingo, Zimbabwe[J]. Heliyon, 2020, 6(11): e05358.

[11] 汪小欽，邱鵬勛，李婭麗，等. 基于時序Landsat遙感數據的新疆開孔河流域農作物類型識別[J]. 農業工程學報，2019，35(16)：180-188.

Wang Xiaoqin, Qiu Pengxun, Li Yali, et al. Crops identification in Kaikong River Basin of Xinjiang based on time series Landsat remote sensing images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(16): 180-188. (in Chinese with English abstract)

[12] 張平，孫強強，孫丹峰，等. 基于遙感光譜的干旱區土地退化評價體系構建[J]. 農業工程學報，2019，35(9)：228-237.

Zhang Ping, Sun Qiangqiang, Sun Danfeng, et al. Establishment of land degradation assessment system in arid region based on remote sensing spectrum[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(9): 228-237. (in Chinese with English abstract)

[13] 楊閆君，占玉林，田慶久，等. 基于 GF-1/WFV NDVI 時間序列數據的作物分類[J]. 農業工程學報，2015，31(24)：155-161.

Yang Yanjun, Zhan Yulin, Tian Qingjiu, et al. Crop classification based on GF-1/WFV NDVI time series[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(24): 155-161. (in Chinese with English abstract)

[14] 梁明，聶拼，陸胤昊，等. 淮南市土地利用程度變化過程的時空演化特征[J]. 農業工程學報，2019，35(22)：99-106.

Liang Ming, Nie Pin, Lu Yinhao, et al. Spatiotemporal evolution characteristics of land use intensity change process of Huainan[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(22): 99-106. (in Chinese with English abstract)

[15] Gong C, Wu W. Comparisons of regression tree models for sub-pixel imperviousness estimation in a Gulf Coast city of Mississippi, USA[J]. International Journal of Remote Sensing, 2014, 35(9/10): 3722-3740.

[16] 孫亞楠，李仙岳，史海濱，等. 基于多源數據融合的鹽分遙感反演與季節差異性研究[J]. 農業機械學報，2020，51(6)：169-180.

Sun Yanan, Li Xianyue, Shi Haibin, et al. Remote sensing inversion of soil salinity and seasonal difference analysis based on multi-source data fusion[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(6): 169-180. (in Chinese with English abstract)

[17] 郭姝姝. 基于遙感及CLUE-S模型的內蒙古河套灌區土壤鹽漬化時空演變與調控研究[D]. 北京：中國水利水電科學研究院，2018.

Guo Shushu. Study on Spatiotemporal Evolution and Regulation of Soil Salinization in Hetao Irrigation District, Inner Mongolia, China Using Remote Sensing and CLUE-S Model[D]. Beijing: China Institute of Water Resources & Hydropower Research (IWHR), 2018. (in Chinese with English abstract)

[18] 龔文峰，袁力，范文義. 基于CA-Markov的哈爾濱市土地利用變化及預測[J]. 農業工程學報，2012，28(14)：216-222.

Gong Wenfeng, Yuan Li, Fan Wenyi. Dynamic change and prediction of land use in Harbin city based on CA-Markov model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(14): 216-222. (in Chinese with English abstract)

[19] Rouse J, Haas R, Schell J, et al. Monitoring vegetation systems in the Great Plains with ERTS[J]. Third ERTS Symposium: NASA SP-351. 1973: 309-317.

[20] Huete A, Justice C, Liu H. Development of vegetation and soil indices for MODIS-EOS[J]. Remote Sensing of Environment, 1994, 49: 224-234.

[21] 徐涵秋. 利用改進的歸一化差異水體指數(MNDWI)提取水體信息的研究[J]. 遙感學報，2005，9(5)：589-595.

Xu Hanqiu. A study on information extraction of water body with the Modified Normalized Difference Water Index (MNDWI)[J]. Journal of Remote Sensing, 2005, 9(5): 589-595. (in Chinese with English abstract)

[22] 吳志杰，趙書河. 基于TM圖像的“增強的指數型建筑用地指數”研究[J]. 國土資源遙感，2012，24(2)：50-55.

Wu Zhijie, Zhao Shuhe. A study of enhanced index-based built-up index based on Landsat TM imagery[J]. Remote Sensing for Land & Resources, 2012, 24(2): 50-55. (in Chinese with English abstract)

[23] Major D J, Baret F, Guyot G. A ratio vegetation index adjusted for soil brightness[J]. International Journal of Remote Sensing, 1990, 11(5): 727-740.

[24] Khan N M, Rastoskuev V V, Sato Y, et al. Assessment of hydrosaline land degradation by using a simple approach of remote sensing indicators[J]. Agricultural Water Management, 2005, 77(1): 96-109.

[25] 強芳，張明軍，王圣杰，等. 基于格點數據的1961-2012年祁連山面雨量特征分析[J]. 地理學報，2015，70(7)：1125-1136.

Qiang Fang, Zhang Mingjun, Wang Shengjie, et al. Changes of areal precipitation based on gridded dataset in Qilian Mountains during 1961-2012[J]. Geographical Research, 2015, 70(7): 1125-1136. (in Chinese with English abstract)

[26] 劉建光，李紅，孫丹峰，等. MODIS土地利用/覆被多時相多光譜決策樹分類[J]. 農業工程學報，2010，26(10)：312-318.

Liu Jianguang, Li Hong, Sun Danfeng, et al. Land use/cover decision tree classification fusing multi-temporal and multi- spectral of MODIS[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(10): 312-318. (in Chinese with English abstract)

[27] Zhang X, Sun R, Zhang B, et al. Land cover classification of the North China Plain using MODIS EVI time series[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2008, 63: 476-484.

[28] Gómez C, White J C, Wulder M A. Optical remotely sensed time series data for land cover classification: A review[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 116: 55-72.

[29] Yang X Y, Chen L G, Li Y K, et al. Rule-based land use/land cover classification in coastal areas using seasonal remote sensing imagery: A case study from Lianyungang City, China[J]. Environment Monitoring and Assessment, 2015, 187(7): 449.

[30] Andrade J, Cunha J, Silva J, et al. Evaluating single and multi-date Landsat classifications of land-cover in a seasonally dry tropical forest[J]. Remote Sensing Application: Society and Environment, 2021, 22: 100515.

[31] 葛洲. 永濟灌域典型區土壤鹽堿化時空分布控制因素研究[D]. 揚州：揚州大學，2020.

Ge Zhou. Study on Controlling Factors of Spatial-Temporal Distribution of Soil Salinization in Typical Area of Yongji Irrigation Area[D]. Yangzhou:Yangzhou University, 2020. (in Chinese with English abstract)

Classification of land use in Hetao Irrigation District of Inner Mongolia using feature optimal decision trees

Sun Yanan, Li Xianyue※, Shi Haibin, Cui Jiaqi, Ma Hongyu, Wang Weigang

(010018,)

Up-to-dateclassification of land use types has become a critical component in current strategies to manage natural resources and the regional environment. Alternatively, remote sensing has also been widely used over the past 20 years as an effective tool for spatial data acquisition, particularly for the sustainable management of natural resources and economical perspective to the land use and land cover changes. However, the land use classification using remote sensing is subjected to the characteristics of dispersion and fragmentation in the Hetao irrigation district of northwest China in recent years. This study aims to quantify the effects of duration and characteristic variables on the recognition accuracy of remote sensing for land use types. A decision-tree model was also established to classify the land use types using the integrated band reflectance, spectral index, and texture feature of different periods based on Landsat time-series image data. The model was finally verified by the measured data and Google Earth images from the quantitative structure and spatial layout. The specific procedure was as follows. Firstly, the characteristic variables were extracted from the Landsat time-series images of different periods, including the features of band, spectra, and texture. Principal Component Analysis (PCA) was selected to extract the feature factors. Only a few independent variables were selected from multiple variables or factors, aiming to fully reflect the information of more original indexes. Secondly, seven schemes were constructed using the characteristic factors, including three single-category schemes (Scheme 1 to 3), and four combined-category schemes (Scheme 4 to 7). Finally, a classification model of land use was constructed and then verified in different periods via the decision tree. The results showed that: 1) The highest repetition rate was found in the Green and Ent (entropy) with other factors in different months. The correlation between Normalized Differential Vegetation Index (NDVI) and Enhanced Vegetation Index (EVI) was much higher to be selected in future research. 2) The combined feature variables greatly improved the accuracy of classification, where the average overall accuracy and Kappa coefficient increased by 6.72% and 0.09, respectively, compared with the single feature variable. 3) There were some effects of different recognition periods on the accuracy of the model. The accuracy of the classification model in the band, spectral index, and texture feature using remote sensing images in August was better than that of other periods, where the misclassification was reduced on the spatial layout of unused and residential land. Specifically, the overall accuracy, Kappa coefficient, producer accuracy, and user accuracy were 80.23%, 0.74%, 80.95%, and 86.26%, respectively. Correspondingly, the best identification period was August in the study area, followed by September. 4) The optimal remote-sensing model was utilized to identify the agricultural land, forest, grassland, wasteland, water bodies, and build-up land under the optimal recognition period and combination, where the high accuracies were achieved: 96.83%, 73.33%, 70.00%, 65.52%, 100.00%, and 80.00%, respectively. In addition, the user accuracies were 76.62%, 100.00%, 82.35%, 82.61%, 100.00%, and 80.00%, respectively. In a word, the feature optimal decision-tree model under the optimal identification period significantly reduced the amount of data and the difficulty of model application, particularly suitable for the long-time and spatial changes of land use types. The finding can provide promising technical support to effectively improve the accuracy of land use classification in modern resource management.

land use; remote sensing; spectral features; texture features; optimal identification period; combination method; decision tree

孫亞楠，李仙岳，史海濱，等. 基于特征優選決策樹模型的河套灌區土地利用分類[J]. 農業工程學報，2021，37(13)：242-251.

10.11975/j.issn.1002-6819.2021.13.028 http://www.tcsae.org

Sun Yanan, Li Xianyue, Shi Haibin, et al. Classification of land use in Hetao Irrigation District of Inner Mongolia using feature optimal decision trees[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(13): 242-251. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.13.028 http://www.tcsae.org

2021-04-08

2021-06-02

國家自然科學基金項目（51539005）；內蒙古水利科技重大專項（NSK2017-M1）；國家重點研發計劃項目（2016YFC0400205）

孫亞楠，博士生，主要研究方向為干旱區農業遙感與應用。Email：995021096@qq.com

李仙岳，教授，博士生導師，主要研究方向為干旱節水灌溉及鹽堿地改良。Email：lixianyue80@126.com

10.11975/j.issn.1002-6819.2021.13.028

S127

A

1002-6819(2021)-13-0242-10