【W(wǎng)ORD可復(fù)制可編輯】基于決策樹方法的濱海地區(qū)遙感影像分類

1、 :/ docin /week114基于決策樹方法的濱海地區(qū)遙感影像分類孫俊河海大學(xué)水文水資源學(xué)院，南京210098E-mail：sunajun1231163 摘 要：決策樹分類法能夠快速地在多維特征空間中確定分類規(guī)那么，已經(jīng)成為遙感信息提取和分類的一種重要方法。針對本實驗區(qū)實際情況，探討了決策樹分類法的實現(xiàn)方法和關(guān)鍵問題，提出了以 PCBand1，濕度，亮度，綠度，NDVI 以及 Landsat TM2， TM4， TM5 構(gòu)建特征空間，建立分類決策樹，并對結(jié)果進行分析。關(guān)鍵詞：特征空間；NDVI；決策樹中圖分類號：TP791. 引言遙感圖像分類的本質(zhì)是在特征空間內(nèi)將地物在最大別離度處分開。

2、例如，在 MT 圖像的水體提取中，單波段閾值法就是以第五波段亮度值為特征空間，尋找某一閾值，因為第五波段水體與其它地物差異較大。周成虎等提出的譜間關(guān)系法1，主要依據(jù)是水體亮度值在 TM7個波段中具有 TM1TM2TM3TM4TM5 以及 TM4TM7 的規(guī)律，所以譜間關(guān)系法是以幾個波段波譜值為特征空間的。決策樹法的原理是通過一系列的特征屬性值進行判斷，按照“如果，“那么，“否那么的方法將圖像逐步細分，最終形成一個倒的樹狀決策過程。 “如果是設(shè)立條件的地方，這里的條件可以由不同的特征來擔(dān)任，可以使一種特征，也可以使多特征結(jié)合，這就決定了決策樹方法的優(yōu)勢，它可以結(jié)合多種特征屬性，多源數(shù)據(jù)來提高分類

3、精度。決策樹的使用使得分類受到軟件操作環(huán)境的影響越來越小，而遙感分類的專業(yè)邏輯知識那么占到越來越大的作用和分量。可以用于決策樹法的數(shù)據(jù)源眾多，因而特征空間可以很豐富，但是特征數(shù)據(jù)源太多的時候，容易造成決策規(guī)那么的難以確定，使決策樹復(fù)雜化。這就要求，根據(jù)分類目的，選擇合適的特征空間數(shù)據(jù)源。本次研究的圖像是 2002 年 6 月 7 日江蘇濱海濕地 Landsat7 ETM+圖像，如圖 1 為 2,4,5波段組合。圖像中地物較為復(fù)雜，包括海水，河流，海水養(yǎng)殖場，淡水養(yǎng)殖場，沼澤，光灘，樹木，旱地和人工地物等。圖 12，4，5 波段假彩色合成圖像-1- :/ docin /week1142. 決策樹

4、實現(xiàn)方法使用決策樹進行遙感圖像分類主要有以下步驟2：1輸入遙感圖像，確定待分類地物類別；2統(tǒng)計訓(xùn)練區(qū)內(nèi)各類地物的特征，如光譜曲線，分析各個波段見的別離度；還可以注意非光譜信息，如幾何信息，紋理特征等等；3以可分性最大的特征及波段作為分類結(jié)點，確定分類規(guī)那么；4在3的根底上再選擇可分性較大的特征做為決策樹的內(nèi)部結(jié)點；5重復(fù)4的步驟，逐層建立決策樹，該結(jié)點上的像元特征值相同或沒有剩余的特征能進行下一步的劃分；6檢查分類結(jié)果時候滿足要求，對決策樹進行調(diào)整。3. 特征分析及實驗亮度主要反映地物的輻射水平，用以監(jiān)測地物的反射輻射強度，圖 2 中的亮點多是人工地物。綠度圖像中植被亮度大，圖 3。濕度圖像中

5、亮的區(qū)域含水量大，多為水體，如圖 4。PCBand1 包含最大的數(shù)據(jù)方差百分比，顯示在圖像上就是各類地物亮度差異最大，如圖 5。NDVI 選擇植被波譜變化不大的第 3 和第 4 波段求指數(shù)，擴大植被與其他地物的差異3，圖像上植被較亮，如圖 6。第 2 波段是綠光波段，主要反映健康綠色植被，其中暗色區(qū)域多為植被，如圖 7。第 4 波段為近紅外波段，常用于區(qū)分植被類型和繪制水體邊界，如圖 8。第5 波段為短波紅外，常用于探測植物含水量和土壤濕度，如圖 9。本文嘗試將這幾個數(shù)據(jù)結(jié)合，構(gòu)建特征空間，進行波譜特征分析。用 ENVI 的 Tasseled Cap 工具求取亮度，綠度和濕度圖像。圖 2亮度圖

6、像圖 3綠度圖像-2- :/ docin /week114圖 4圖 6圖 8濕度圖像NDVI 圖像第 4 波段圖 5圖 7圖 9PCBand1第 2 波段第 5 波段使用 layer stack 工具將以上數(shù)據(jù)疊加成新的數(shù)據(jù)集如圖 10。-3- :/ docin /week114圖 10 多特征圖像疊加在圖像上分別選取海水，沼澤，河流，樹木，三類養(yǎng)殖場，人工地物和光灘九類地物的樣本，制作了地物類型光譜曲線，如圖 11 并進行分析?？梢钥闯鋈斯さ匚锖凸鉃┡c其他地物差異較大，而幾類水體的波譜差異不大。圖 11 地物類型光譜響應(yīng)曲線圖經(jīng)分析建立決策樹，如圖 12，分類結(jié)果見圖 13。-4- :/ d

7、ocin /week114圖 12 決策樹圖 13 分類結(jié)果圖4. 結(jié)果分析本次實驗總精度到達 80.915%，效果良好。誤差矩陣及其精度見表 1，表 2。-5- :/ docin /week114表 1 誤差矩陣類別海水沼澤河流樹木養(yǎng)殖 1養(yǎng)殖 2養(yǎng)殖 3人工光灘列總計海水520000000052沼澤084000000084河流0029002510055樹木000780000078養(yǎng)殖 1010080000081養(yǎng)殖 244000684000134養(yǎng)殖 3002400457900148人工000000069069光灘000000006464行總計9685537886154806964765表

8、 2 生產(chǎn)者精度和用戶精度海水沼澤河流樹木養(yǎng)殖 1養(yǎng)殖 2養(yǎng)殖 3人工光灘生產(chǎn)者精度用戶精度100%54.17%100%98.82%52.73%54.72%100%100%98.77%93.02%62.69%54.55%53.38%98.75%100%100%100%100%由上面的分類結(jié)果圖和精度評價表中可以看出，樹木、光灘和人工建筑物分類精度很高，到達 100%。而由于海水養(yǎng)殖和光譜特征和海水非常的接近，導(dǎo)致養(yǎng)殖場 2 有 44 個像元被錯分到海水中。同樣道理，養(yǎng)殖 3 有 24 個像元錯分成河流，河流也有很多被分成養(yǎng)殖場，養(yǎng)殖場 2 和養(yǎng)殖場 3 互相有混淆。可見由于濱海地區(qū)異物同譜現(xiàn)象

9、出現(xiàn)的較多，而決策樹方法僅僅用到地物的光譜特征，這對于光譜特征相似的地物很難區(qū)分開來，所以錯分的比擬多，針對此地區(qū)需要一些改良的方法。5. 結(jié)論遙感影像的高效、準(zhǔn)確、直觀的分類是當(dāng)前的重要研究課題。決策樹自身具有直觀性，并且除了能夠利用地物光譜信息，還可以利用非光譜信息來提高分類精度，因此，策樹分類法在遙感中的應(yīng)用必將越來越深入。本次實驗并未參加非光譜信息，因而對幾類光譜信息較為接近的水體未取得好的分類結(jié)果，可見遙感影像進行分類，要根據(jù)分類目的和地區(qū)特點采用適當(dāng)?shù)姆诸愄卣?。今后的研究重點將放在對不同類水體的波譜分析上，并要結(jié)合灰度共生矩陣和紋理信息進行進一步的細化分類。-6- :/ docin

10、 /week114參考文獻1 周成虎，杜云艷，駱劍承基于知識的 AVHRR 影像的水體自動識別方法與模型研究：遙感在中國M.北京:測繪出版社，1996，221-232.2 趙英時，等遙感應(yīng)用分析原理與方法M北京：科學(xué)出版社，2003.3 Running S W,Loveland T.R. A remote sensing based vegetation classification logic for global land coveranalysisJ.Remote Sensing of Environment, 1995,51:39-48.Decision Tree based cost

11、al area classificationSun JunDepartment of hydrology and waterresources, Hohai University, Nanjing (210098)AbstractDecision Tree is now a important method to extract and classify RS information because it can provideclassify principle via multidimensional feature space. On account of the study area, study the methodand key technology to implement the decision tree. Put forward the method of construct the features