基于面向?qū)ο驝ART決策樹的土地利用分類研究

張靜懿，王金亮,2，胡文英,2*，張 碩，王 帆

（1.云南師范大學(xué) 地理學(xué)部，云南 昆明 650500；2.云南省高校資源與環(huán)境遙感重點(diǎn)實(shí)驗室，云南 昆明 650500；3.云南廣廈規(guī)劃建筑設(shè)計院有限公司，云南 楚雄 675000；4.云南師范大學(xué) 生命與科學(xué)學(xué)院，云南 昆明 650500）

遙感數(shù)據(jù)具有快速、準(zhǔn)確、宏觀、及時更新等特點(diǎn)，應(yīng)用遙感影像可以方便快捷地提取大量地表信息[1]。利用多波段衛(wèi)星遙感影像進(jìn)行土地利用分類是提取土地利用信息的重要方法之一，也是開展土地利用時空演化、動態(tài)變化等研究的基礎(chǔ)。目前流行的監(jiān)督分類、非監(jiān)督分類、神經(jīng)網(wǎng)絡(luò)分類[2]以及模糊分類[3]等都是以地物光譜特征為基礎(chǔ)的分類方法，在分類過程中會因“同物異譜、異物同譜”而引發(fā)漏分、錯分問題[4]。面向?qū)ο蟮臎Q策樹分類方法依據(jù)分割后圖像地物的紋理、光譜和形狀特征進(jìn)行土地利用分類，可以很好地解決上述問題，分類效果較好。目前，一些學(xué)者基于遙感影像開展面向?qū)ο蟮牡匚锓诸愐讶〉昧艘欢ǔ尚В鐚O建偉[5]等基于ZY-3號遙感數(shù)據(jù)，采用CART決策樹分類法對湖北省荊州八嶺山鎮(zhèn)進(jìn)行了土地利用分類；張睎偉[6]等采用決策樹分類法提取了中衛(wèi)市沙坡頭區(qū)的沙地信息；李恒凱[7]等采用模糊分類和CART決策樹分類相結(jié)合的方法提取了東江流域土地利用分類信息。基于遙感影像的土地利用分類研究已應(yīng)用于土地資源管理規(guī)劃、環(huán)境評估等各個領(lǐng)域，其研究結(jié)果有利于政府和科研人員了解土地利用分布現(xiàn)狀[8]。基于上述研究，本文采用面向?qū)ο蟮腃ART決策樹分類方法，結(jié)合光譜、形狀和紋理特征對鹿城鎮(zhèn)進(jìn)行土地利用分類研究，挖掘適宜構(gòu)建CART決策樹開展土地利用分類研究的特征變量；同時將二級分類體系與一級分類體系的分類結(jié)果進(jìn)行比較，探索解決一級地類中相似地物因光譜、紋理不同而產(chǎn)生地物錯分問題。

1 研究區(qū)概況

鹿城鎮(zhèn)位于楚雄市東北部，地理范圍為24°30′～25°15′N、100°35′～101°48′E，包含山區(qū)、壩區(qū)和城區(qū)，總面積為370 km2，地勢東南低西北高；氣候溫和濕潤，年均氣溫為15.7℃，年均降雨量為813.8 mm，平均空氣相對濕度為68%。鹿城鎮(zhèn)是楚雄市唯一的一類鄉(xiāng)鎮(zhèn)，下轄東興、北浦、萬家壩等19個社區(qū)，各項經(jīng)濟(jì)指標(biāo)均處于全州前列，其經(jīng)濟(jì)發(fā)展一直以來都對楚雄市產(chǎn)生巨大影響。

2 數(shù)據(jù)來源與預(yù)處理

國產(chǎn)GF-1號衛(wèi)星WFV數(shù)據(jù)回訪周期短、幅寬大，適用于大范圍土地利用變化檢測。本文采用向云南高分中心申請的2013年WFV數(shù)據(jù)，云量不超過1，包含藍(lán)、綠、紅和近紅外4個波段，分辨率為16 m。輔助數(shù)據(jù)為從地理空間數(shù)據(jù)云獲取的Landsat8 OLI影像、GDEMV2 30 m分辨率的DEM數(shù)據(jù)以及鹿城鎮(zhèn)邊界矢量數(shù)據(jù)。GF-1號遙感影像的預(yù)處理包括輻射定標(biāo)、大氣校正、正射校正和圖像裁剪等，需從中國資源衛(wèi)星應(yīng)用中心（http://www.cresda.com/CN/sjfw/zxsj/index.shtml）下載定標(biāo)參數(shù)和WFV波譜響應(yīng)文件輔助輻射定標(biāo)和大氣校正。實(shí)驗采用的影像數(shù)據(jù)如表1所示。

表1 影像類型與獲取時間

3 研究方法

本文的研究過程主要包括多尺度分割、CART決策樹分類和精度驗證3個部分。首先，以2013年GF-1號數(shù)據(jù)為數(shù)據(jù)源進(jìn)行數(shù)據(jù)預(yù)處理，利用影像的光譜和空間特征尋找最優(yōu)分割尺度，生成圖像對象[9]；再結(jié)合植被指數(shù)、波段均值、紋理和長寬比等特征，在二級分類體系下采用面向?qū)ο蟮腃ART決策樹分類方法對鹿城鎮(zhèn)進(jìn)行土地利用分類研究。技術(shù)路線如圖1所示。

圖1 技術(shù)路線圖

3.1 分類體系與解譯標(biāo)志的建立

根據(jù)研究區(qū)實(shí)際地表情況，參考GB/T 21010-2007《土地利用現(xiàn)狀分類》的分類系統(tǒng)[8]，將鹿城鎮(zhèn)的土地利用類型分為耕地、草地、裸地、林地、建設(shè)用地、水體和道路7個一級地類。在eCognition9.1中進(jìn)行土地利用分類時發(fā)現(xiàn)，一級地類中相似地物因光譜、紋理不同會產(chǎn)生錯分的情況，因此需建立更詳細(xì)的二級分類體系，并確立目視解譯標(biāo)志（表2）。本文首先按照二級分類體系進(jìn)行分類，再利用ArcGIS將二級地類歸并到一級地類，由此得到鹿城鎮(zhèn)的土地利用分類結(jié)果。為了更好地反映二級分類體系對分類精度的影響，本文進(jìn)行了一級分類體系下的土地利用分類，并比較了其精度。

表2 分類體系與解譯標(biāo)志

3.2 多尺度分割

多尺度分割是開展面向?qū)ο蠓诸惖幕A(chǔ)，利用影像對象的光譜和形狀特征，基于影像對象間的最小異質(zhì)性合并相鄰像素，最終把影像劃分為多個不重疊的對象。分割效果的好壞將決定地物分離的效果，分割不足與過度分割都會導(dǎo)致分類精度下降。因此，分割尺度的選擇對于獲取高精度的土地利用分類至關(guān)重要。

本文通過ESP工具[10]尋找最優(yōu)尺度，設(shè)置起始尺度為10、20、40，步長為1、10、100，結(jié)合局部方差變化率中較明顯的幾個峰值，尋找最佳形狀因子（形狀因子包括緊致度和平滑度）和光譜因子。經(jīng)反復(fù)試驗得到，各波段權(quán)重為1、分割尺度為26、形狀因子為0.3、緊致度為0.2時，分割得到的影像對象輪廓最貼近實(shí)際地物。

3.3 影像特征提取

分割得到的影像對象含有相似的屬性特征[11]，通過構(gòu)建特征空間將屬性相似的地物篩選出來即可達(dá)到地物分類的目的[12]。本文主要利用3個方面的特征來建立地物識別的特征空間。

1）光譜特征。運(yùn)用多光譜數(shù)據(jù)可提取植被指數(shù)，其指數(shù)大小能反映地表植被覆蓋程度的高低，不同地物計算得到的植被指數(shù)差別也較大。利用eCognition9.1軟件中的波段均值計算植被指數(shù)，可輔助地物進(jìn)行分類，本文采用的植被指數(shù)及其計算公式見表3。除了植被指數(shù)外，還可運(yùn)用4個波段均值、Brightnes、Max.diff和Standard Deviation等光譜特征參數(shù)輔助分類，如植被呈墨綠色或淡黃色，水體呈青色，建筑物呈白色、紅色或藍(lán)色；建筑物亮度較高，山坡背陰面亮度較低等，不同地物所含有的光譜特征均有所差別。

表3 植被指數(shù)統(tǒng)計表

2）形狀特征。形狀指數(shù)的運(yùn)用可快速準(zhǔn)確地識別出幾何特征差異明顯的地物，如研究區(qū)道路長寬比較大，運(yùn)用形狀指數(shù)Length/Width可快速識別道路；在水體分類過程中，由于山體背陰面和水體的光譜特征極為相似，運(yùn)用光譜特征很難區(qū)分開，而河流和湖泊的形狀特征明顯，塊狀湖泊的長寬比接近1，條狀河流的長寬比遠(yuǎn)遠(yuǎn)大于1，因此通過形狀指數(shù)就可識別出河流和湖泊。

3）紋理特征。紋理反映了影像灰度級的空間分布與聯(lián)系，利用紋理特征可將光譜特征相似的地物很好地區(qū)分開。通過目視解譯可知，耕地形狀規(guī)則，其條帶狀和塊狀紋理較明顯。紋理特征分析方法中灰度共生矩陣提供了圖像灰度相鄰間隔、變化幅度以及關(guān)于方向等的綜合信息[13]。本文采用均值（Mean）、均一性（Homogeneity）、二階矩（Second Moment）、非相似性（Dissimilarity）、標(biāo)準(zhǔn)差（StdDev）、相關(guān)性（Correlation）、對比度（Contrast）和熵（Entropy）8個紋理特征輔助分類，可準(zhǔn)確識別紋理特征明顯的地物。紋理特征參數(shù)及其計算公式見表4。

表4 紋理特征參數(shù)及其計算公式

基于面向?qū)ο蟮腃ART決策樹分類可充分利用特征信息進(jìn)行土地利用分類。經(jīng)過反復(fù)分類嘗試，本文最終確定用來分類的特征為波段均值（B1-B4）、Brightnes、Max.diff、Standard Deviation、植 被 指 數(shù)（NDVI、RVI、DVI）、形狀指數(shù)Length/Width、紋理特征（Mean、Homogeneity、Second Moment、StdDev）等共計19個。

3.4 CART決策樹分類

在實(shí)際分類中，不同的分類方法具有不同的適宜性。為了避免GF-1號影像“同物異譜、異物同譜”現(xiàn)象對分類精度的影響，本文采用面向?qū)ο蟮腃ART決策樹分類方法。該方法能充分利用分割圖像中包含的光譜、形狀和紋理信息，使分類結(jié)果更接近現(xiàn)實(shí)。CART決策樹具有超強(qiáng)的分析解譯功能，自動化程度較高，在每一步分類中，利用“是”或“否”將數(shù)據(jù)分為兩類，通過多次遞歸分割完成土地利用分類[14]。CART決策樹分類方法以基尼系數(shù)（Gini Index）為閾值分割依據(jù)，其定義為：

式中，P(j h)、ni(h)分別為訓(xùn)練樣本集中測試變量為h時，屬于j類的概率和樣本數(shù)；j為類別數(shù)；n(h)為訓(xùn)練樣本中測試變量為h時的樣本數(shù)[4]。

CART決策樹是一種特殊的監(jiān)督分類方法，分類前需選取學(xué)習(xí)樣本集進(jìn)行決策樹的構(gòu)造并評估。本文采用eCognition9.1構(gòu)建CART決策樹進(jìn)行分類，實(shí)驗簡單且容易實(shí)現(xiàn)[10]。根據(jù)分割所得的影像對象，選取訓(xùn)練樣本，測試變量為植被指數(shù)（NDVI、RVI、DVI）、4個波段均值、Brightnes、Max.diff、Standard Deviation、8個紋理特征（Mean、Homogeneity、Second Moment、StdDev等）和形狀指數(shù)長寬比Length/Width，目標(biāo)變量為河流、水庫、湖泊、旱地、水田、建設(shè)用地、道路、林地等12個地類。CART決策樹在eCognition9.1軟件中生成并進(jìn)行分類，部分分類規(guī)則如表5所示，可以看出，分類過程充分應(yīng)用了光譜、形狀和紋理特征的統(tǒng)計指標(biāo)。利用分類規(guī)則推理得到的部分CART決策樹如圖2所示。

圖2 部分CART決策樹

表5 CART決策樹部分分類規(guī)則

4 分類結(jié)果與精度評價

利用所建CART決策樹對鹿城鎮(zhèn)進(jìn)行土地利用分類，可以清楚地看到鹿城鎮(zhèn)土地利用類型分為林地、天然草地、人造草地、水田、旱地等14個二級地類。在ArcGIS10.4軟件中，根據(jù)數(shù)據(jù)屬性信息，將二級地類歸并到一級地類，得到一級地類的分類結(jié)果如圖3所示。為了比較二級分類體系對分類精度的影響，本文基于同樣的分類規(guī)則，按照一級分類體系直接進(jìn)行CART決策樹分類，得到的分類結(jié)果如圖4所示。

圖3 鹿城鎮(zhèn)二級分類體系下土地利用分類結(jié)果

圖4 鹿城鎮(zhèn)一級分類體系下土地利用分類結(jié)果

本文采用隨機(jī)采樣、分類檢驗的方法開展精度評價。隨機(jī)選取的樣本點(diǎn)需滿足兩方面要求：①樣本點(diǎn)應(yīng)包含所有地類且數(shù)量合理；②選取的樣本點(diǎn)應(yīng)具有普遍性和隨機(jī)性，包含同一土地利用類型下的所有地物特征，不能單純選擇特征突出的地物。本文共采集751個檢驗樣本點(diǎn)，其中耕地289個、林地170個、草地33個、建設(shè)用地143個、水體35個、道路44個、裸地37個。本文依據(jù)所選的樣本點(diǎn)在eCognition9.1軟件中建立混淆矩陣，計算Kappa系數(shù)和總體精度，對面向?qū)ο蟮腃ART決策樹分類結(jié)果進(jìn)行精度評價，并對一級分類體系和二級分類體系的分類結(jié)果進(jìn)行比較。驗證結(jié)果如表6所示，可以看出，選取19個特征變量開展的面向?qū)ο驝ART決策樹分類效果較好，Kappa系數(shù)達(dá)到了86.84%，總體精度達(dá)到了90.22%，其中林地的分類精度最高，其次是建設(shè)用地和耕地；二級分類系統(tǒng)的應(yīng)用明顯提高了耕地、裸地的分類精度，二級分類體系下CART決策樹分類的總體精度提高了7.06%，Kappa系數(shù)提高了8.71%。

表6 各分類體系下面向?qū)ο驝ART決策樹分類精度/%

5 結(jié)語

本文基于2013年GF-1號數(shù)據(jù)，采用多尺度分割面向?qū)ο蟮腃ART決策樹分類方法，運(yùn)用二級分類體系在光譜特征的基礎(chǔ)上融入形狀特征和紋理特征，選取19個特征變量，將楚雄市鹿城鎮(zhèn)的土地利用類型分為草地、道路、耕地、建設(shè)用地、林地、裸地、水體7類，得到的結(jié)論為：

1）影像對象是開展面向?qū)ο驝ART決策樹分類研究的基礎(chǔ)。本文經(jīng)過多次嘗試發(fā)現(xiàn)，當(dāng)最優(yōu)分割尺度為26、波段權(quán)重為1、形狀因子為0.3、光譜因子為0.7、緊致度因子為0.2、平滑度因子為0.8時，分割得到的影像對象輪廓更加貼近實(shí)際地物。

2）本文運(yùn)用多尺度分割下影像對象所包含的光譜、形狀和紋理信息對鹿城鎮(zhèn)開展面向?qū)ο蟮腃ART決策樹分類，挖掘出有利于識別各類地物的19個特征變量。通過精度驗證可知，該方法所得的土地利用分類效果較好，Kappa系數(shù)為86.84%，總體精度達(dá)到90.22%。從各地類的分類精度來看，林地的分類效果最好，其次是耕地、裸地和建設(shè)用地。

3）二級分類體系的構(gòu)建與應(yīng)用有效解決了一級地類中耕地、裸地等相似地物因光譜、紋理不同而產(chǎn)生的錯分問題，提高了土地利用分類精度，總體精度提高了7.06%，Kappa系數(shù)提高了8.71%。

基于19個特征變量開展的面向?qū)ο驝ART決策樹分類效果總體較好，但草地、道路、水體的分類效果不是很理想，易產(chǎn)生錯分情況。鹿城鎮(zhèn)的草地占地面積較小，與裸地、耕地的地理位置相近，光譜特征也較相似，受耕地和裸地的影響，其在二級分類體系下得到的分類精度較低。今后可進(jìn)一步分析造成地物錯分的原因，深入探索其他特征變量，以提高草地、道路、水體的分類精度。