基于決策樹(shù)方法的青藏高原溫泉區(qū)域高寒草地植被分類研究

張秀敏，盛 煜，南卓銅，趙 林，周國(guó)英，岳廣陽(yáng)

(1.中國(guó)科學(xué)院寒區(qū)旱區(qū)環(huán)境與工程研究所 凍土工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，甘肅 蘭州 730000;2.中國(guó)科學(xué)院寒區(qū)旱區(qū)環(huán)境與工程研究所，甘肅 蘭州 730000;3.中國(guó)科學(xué)院寒區(qū)旱區(qū)環(huán)境與工程研究所 青藏高原冰凍圈觀測(cè)試驗(yàn)研究站，甘肅 蘭州 730000;4.中國(guó)科學(xué)院西北高原生物研究所，青海 西寧 810001))

植被作為一個(gè)重要的生態(tài)因子，是反映生態(tài)環(huán)境和氣候變化的敏感指示器，而植被類型又是進(jìn)行植被研究的基礎(chǔ)[1]。由于自然界植被類型的復(fù)雜多樣性，傳統(tǒng)利用人工進(jìn)行實(shí)地調(diào)查的方法將耗費(fèi)大量人力和物力[2]，尤其對(duì)于一些環(huán)境惡劣及交通不便的高山地區(qū)，如我國(guó)的青藏高原。由于山區(qū)地形的復(fù)雜性，使山區(qū)植被分類成為植被研究的一大難題[3]，近年來(lái)衛(wèi)星遙感技術(shù)的發(fā)展為區(qū)域及全球植被變化和分類研究提供了新方法，利用遙感技術(shù)進(jìn)行植被分類的關(guān)鍵在于圖像分類方法，如何將大量的遙感信息有效地應(yīng)用于較高精度的分類中，一直是人們努力的方向[4]。植被指數(shù)(VI)作為一個(gè)重要的遙感參數(shù)，能夠敏感地反映出植被覆蓋度、生物量等生物物理性質(zhì)，已成功地應(yīng)用于植被分類、農(nóng)作物估產(chǎn)、土地覆蓋、氣候變化等各項(xiàng)研究中[4-20]。常用植被指數(shù)包括歸一化差值植被指數(shù)(NDVI)和增強(qiáng)型植被指數(shù)(EVI)。近年來(lái)，國(guó)內(nèi)外學(xué)者利用植被指數(shù)數(shù)據(jù)，采用不同的分類方法對(duì)不同區(qū)域的植被分類進(jìn)行了廣泛的研究。目前分類方法主要有傳統(tǒng)的監(jiān)督和非監(jiān)督方法，這些方法僅僅依據(jù)遙感影像中地物光譜進(jìn)行分類，且不考慮遙感影像的時(shí)相信息，難以解決混合像元問(wèn)題；同時(shí)難以集成現(xiàn)有的坡向、高程等地理數(shù)據(jù)，難以解決地物“同物異譜，異物同譜”的問(wèn)題，造成分類精度較低[17]。隨著科學(xué)技術(shù)的發(fā)展，最新智能算法——決策樹(shù)，憑借其算法的靈活性和快速性，在植被分類中得到廣泛的應(yīng)用。如Yang等[18]利用決策樹(shù)的方法對(duì)加拿大西南部的一個(gè)農(nóng)場(chǎng)的農(nóng)作物和耕地進(jìn)行了分類，總體精度為89%；Mallinis等[19]基于決策樹(shù)的方法利用QUICKBIRD影像完成了地中海的森林植被類型圖，并且分類精度較高。齊紅超等[17]在基于C5.0算法的決策樹(shù)基礎(chǔ)上，利用NDVI數(shù)據(jù)來(lái)區(qū)分植被和非植被信息，完成了武威市的土地利用圖；陳君穎和田慶久[2]基于高分辨率IKONOS影像采用決策樹(shù)的方法完成了南京市區(qū)的植被類型圖；韓濤[20]利用TM遙感圖像通過(guò)一種簡(jiǎn)單的決策樹(shù)分類方法,成功地對(duì)祁連山典型地區(qū)的針葉林和灌木草進(jìn)行了分類,并對(duì)分類結(jié)果進(jìn)行檢驗(yàn)。

以上基于決策樹(shù)方法的植被分類研究多是選擇恰當(dāng)?shù)闹脖恢笖?shù)閾值對(duì)物候差異性較顯著的森林植被和農(nóng)作物進(jìn)行了分類研究，對(duì)于同一區(qū)域，具有相似時(shí)序VI譜線特征的像元往往被認(rèn)為是同一種植被類型來(lái)處理的[19]，因此取得了較好的分類結(jié)果。但是對(duì)于高寒環(huán)境下的青藏高原具有相似VI時(shí)序特征的高寒草地，利用決策樹(shù)分類算法嘗試完成高寒草地植被分類的研究尚不多見(jiàn)，而高寒草地作為高原分布最為廣泛的植被類型，包括高寒草甸、高寒草原和高寒沼澤草甸等各種類型，是進(jìn)行高原各項(xiàng)植被研究的物質(zhì)基礎(chǔ)，包括高寒草甸、高寒草原和高寒沼澤草甸等各種類型。再者，國(guó)內(nèi)外學(xué)者多是利用NDVI應(yīng)用于植被分類研究中，已有研究表明，NDVI對(duì)植冠背景的影響較為敏感，當(dāng)植被覆蓋度小于15%或大于80%時(shí)，由于土壤背景的影響與飽和度問(wèn)題，會(huì)使冠層反射率發(fā)生變化，從而導(dǎo)致NDVI對(duì)植被檢測(cè)的靈敏度下降[21-22]。而EVI數(shù)據(jù)是在NDVI的基礎(chǔ)上開(kāi)發(fā)的新的植被指數(shù)，它進(jìn)一步減小了氣溶膠的影響，同時(shí)考慮到土壤背景的影響，是綜合處理土壤、大氣及飽和度問(wèn)題的增強(qiáng)型植被指數(shù)[23-24]。因而在理論上，對(duì)高植被覆蓋區(qū)或受土壤背景影響較大的地區(qū)，如青藏高原，采用EVI代替NDVI數(shù)據(jù)來(lái)研究植被分類更具有適用性。地球觀測(cè)系統(tǒng)的中分辨率成像光譜儀(MODIS)傳感器憑借高時(shí)間分辨率、高光譜分辨率、適中的空間分辨率和全球免費(fèi)接收的特點(diǎn)，使植被指數(shù)在區(qū)域及全球植被分類研究中具有極其重要的價(jià)值。因此，以青藏高原溫泉區(qū)域?yàn)檠芯繀^(qū)，利用野外調(diào)查數(shù)據(jù)和遙感數(shù)據(jù)，綜合分析不同植被類型的MODIS/EVI時(shí)序曲線特征和地理分布特征，建立知識(shí)庫(kù)并探討決策樹(shù)分類算法進(jìn)行高寒草地植被分類的可行性，以期為高寒草地植被分類的研究提供一種新的途徑。

1 數(shù)據(jù)與方法

1.1研究區(qū)概況 研究區(qū)位于青海省瑪多縣、興?？h、都蘭縣及瑪沁縣交界處的溫泉區(qū)域(圖1a)，地理范圍為99°06′～99°42′ E，35°6′～35°42′ N，總面積約2 520 km2，區(qū)內(nèi)海拔介于3 430～5 300 m，平均海拔為4 327 m。區(qū)內(nèi)主要有鄂拉山和姜路嶺兩山脈分布，呈西北-東南走向，和青康公路方向垂直，形成一系列相間排列的山地和斷陷盆地，主要有溫泉谷地和苦海灘地(圖1b)。根據(jù)研究區(qū)附近花石峽氣象站的觀測(cè)資料[25]，該區(qū)年平均氣溫為-3.2 ℃，年極端最高氣溫為18.5 ℃，年極端最低氣溫為-32.5 ℃；年降水量500～600 mm，屬寒溫帶大陸性氣候。研究區(qū)內(nèi)河流縱橫，植被發(fā)育良好，植被類型主要有高寒草甸、高寒草原、高寒沼澤草甸和高寒灌叢。

1.2研究數(shù)據(jù) 本研究使用的遙感數(shù)據(jù)為NASA的MODIS /EVI產(chǎn)品(MOD13Q1)、30 m的Land satTM數(shù)據(jù)和中國(guó)西部環(huán)境與生態(tài)科學(xué)數(shù)據(jù)中心提供的90 m的DEM數(shù)據(jù)。其中，MODIS/EVI產(chǎn)品的空間分辨率為250 m，時(shí)間分辨率是16 d，共223個(gè)時(shí)相的影像數(shù)據(jù)(2000年3月5日-2009年10月31日)。為使用方便，將HDF 格式轉(zhuǎn)化為TIFF格式，并把SIN地圖投影轉(zhuǎn)換為WGS84經(jīng)緯度坐標(biāo)系統(tǒng)。LandsatTM數(shù)據(jù)包括13 336和13 335兩景數(shù)據(jù)，成像時(shí)間為2009年8月11日，在專家的指導(dǎo)下，利用TM數(shù)據(jù)在室內(nèi)完成了研究區(qū)域的植被分類目視解譯圖并利用野外99個(gè)樣地對(duì)分類圖像進(jìn)行精度驗(yàn)證，其分類精度為88%。

圖1 青藏高原溫泉區(qū)域的數(shù)字高程及采樣點(diǎn)分布

在“青藏高原凍土本底調(diào)查項(xiàng)目”的支持下，2009年9-10月對(duì)溫泉區(qū)域開(kāi)展了野外樣地?cái)?shù)據(jù)的采集工作。野外數(shù)據(jù)采用樣線和樣方相結(jié)合的方法進(jìn)行取樣，為了和空間分辨率250 m的MODIS/EVI數(shù)據(jù)聯(lián)系起來(lái)，樣地盡量布置在植被狀況均一、范圍廣等具有代表性的4種植被類型(高寒草甸、高寒草原、高寒沼澤草甸、高寒灌叢)的區(qū)域上。高寒草甸的建群種主要以耐寒、多年生、密叢、短根莖、地下芽的嵩草屬植物為主，如高山嵩草(Kobresiapygmaea)、矮生嵩草(K.humilis)、苔草(Carextristachya)和西藏嵩草(K.tibetica)等，其他伴生植物如小葉黃芪(Astragalushulunensis)、火絨草(Leontopodiumleontopodioides)和美麗風(fēng)毛菊(Saussureapulchra)等也有較為廣泛的分布。依據(jù)土壤含水量的不同將高寒草甸分為高寒沼澤草甸和高寒草甸。高寒草原主要是以耐寒、抗旱的多年生叢生禾草為建群種所形成的群落，紫花針茅(Stipapurpurea)是調(diào)查區(qū)高寒草原最為主要的建群種之一，其伴生植物如火絨草、小葉黃耆等在樣地中也有較為集中和廣泛的分布，高寒灌叢通常生長(zhǎng)茂密，覆蓋度較大，主要樹(shù)種有山生柳(Salixoritrepha)、金露梅(Potentillafruticosa)、鬼箭錦雞兒(Caraganajubata)等。

各樣地分別設(shè)置1條50 m樣線，每條樣線上再隨機(jī)布置5～10個(gè)1 m×1 m的樣方(間隔為5～10 m)。每個(gè)樣方記錄的內(nèi)容：植被類型、植物群落結(jié)構(gòu)、植物種類、蓋度、分種蓋度、平均株高等群落特征。利用手持GPS記錄樣地中各個(gè)樣方的經(jīng)緯度、海拔高度、坡度、坡向，每個(gè)樣地的位置為樣地內(nèi)所有樣方的經(jīng)緯度平均值。此次野外共采取了99個(gè)樣地(圖1b所示的白色方框)，其中高寒草甸(49個(gè))、高寒草原(30個(gè))、高寒沼澤草甸(16個(gè))、高寒灌叢(4個(gè))。

1.3決策樹(shù)算法 決策樹(shù)算法是指根據(jù)影像的不同特征，以樹(shù)型結(jié)構(gòu)表示分類或決策集合，產(chǎn)生規(guī)則和發(fā)現(xiàn)規(guī)律[26]。首先利用訓(xùn)練空間實(shí)體集生成判別函數(shù)，其次根據(jù)不同取值建立樹(shù)的分支，在每個(gè)分支子集中重復(fù)建立下層結(jié)點(diǎn)和分支，最后形成決策樹(shù)[27]。決策樹(shù)由一個(gè)根結(jié)點(diǎn)(R)、一系列內(nèi)部結(jié)點(diǎn)(I)和終極結(jié)點(diǎn)(T)組成，每個(gè)結(jié)點(diǎn)只有一個(gè)父結(jié)點(diǎn)和兩個(gè)或多個(gè)子結(jié)點(diǎn)。決策樹(shù)算法在遙感分類中的應(yīng)用是依據(jù)規(guī)則把遙感數(shù)據(jù)集一級(jí)級(jí)往下細(xì)分作為決策樹(shù)的各個(gè)分支，終極結(jié)點(diǎn)則為分類結(jié)果[28]，具體分類流程如圖2所示。

圖2 決策樹(shù)分類模型[27]

2 區(qū)域內(nèi)各植被類型的地理空間分布特征和EVI時(shí)序曲線特征分析

2.1野外測(cè)點(diǎn)的代表性 由于交通不便和地理?xiàng)l件的限制，在瑪日塘高平原區(qū)域(圖1b)沒(méi)有布設(shè)植被采樣點(diǎn)，從空間分布特征來(lái)看，采樣點(diǎn)分布具有不均勻性。但是通過(guò)對(duì)比分析整個(gè)溫泉區(qū)域和采樣點(diǎn)的海拔、坡度和坡向分布情況，發(fā)現(xiàn)兩者具有相近的分布特征，說(shuō)明這些采樣點(diǎn)具有較好的代表性(圖3)。但在某些方面仍有差異存在，具體表現(xiàn)在：由于坡度為35°～48°的區(qū)域在整個(gè)區(qū)域所占的比例為0.39%，對(duì)測(cè)點(diǎn)代表性的影響較小，加之交通不便，因此在坡度超過(guò)35°的陡坡沒(méi)有布設(shè)測(cè)點(diǎn)；在野外實(shí)地踏勘的基礎(chǔ)上，在海拔高于4 700 m的地方植被覆蓋比較稀疏，地表大部分為裸巖，因此在高于4 700 m的地方?jīng)]有布設(shè)測(cè)點(diǎn)；樣地坡向和整體坡向的差異主要體現(xiàn)在東北、東及西北3個(gè)方向上。

2.2區(qū)域內(nèi)各植被類型的地理空間分布特征 高寒草甸主要分布在3 900～4 500 m的高程帶上，坡度主要集中于0°～18°的區(qū)域，其中有2個(gè)測(cè)點(diǎn)處于陡坡，并在各個(gè)坡向都有分布；高寒草原主要分布在3 600～4 400 m的稍有起伏的緩坡和平坦地區(qū)(0°～15°)，有3個(gè)測(cè)點(diǎn)位于陡坡，坡向除東北，東都有分布。高寒沼澤草甸分布于4 100～4 400 m的平地以及緩坡上(0°～20°)，坡向分布與高寒草原類似。高寒灌叢分布集中于4 000～4 300 m的稍有起伏的緩坡上(0°～15°)，主要集中于北坡、西北坡、東北坡3個(gè)坡向上(圖4)。

圖3 樣地和整個(gè)區(qū)域的坡度、坡向、海拔對(duì)比

圖4 不同植被類型采樣點(diǎn)的海拔、坡向、坡度分布

2.3區(qū)域內(nèi)各植被類型的EVI時(shí)序曲線特征分析 為了消除極端氣候事件對(duì)植被的影響，利用10年長(zhǎng)時(shí)間序列EVI數(shù)據(jù)進(jìn)行分析；根據(jù)樣地經(jīng)緯度提取相應(yīng)像元EVI的方法，所獲數(shù)據(jù)代表的是局部尺度上的植被分布情況，對(duì)于具有植被類型及植被狀況均一和分布范圍較廣等特點(diǎn)的區(qū)域，采取了3×3格網(wǎng)的鄰域處理方法能更好地反映植被的生長(zhǎng)狀況。在這一前提條件下，首先計(jì)算同一時(shí)相遙感影像數(shù)據(jù)10年的EVI平均值，以99個(gè)野外樣地為中心，取3×3格網(wǎng)的平均值作為野外樣地的EVI值，最后計(jì)算每一時(shí)期同種植被類型所有測(cè)點(diǎn)的EVI平均值，得到了每種植被類型的EVI時(shí)序曲線(圖5)。各植被類型均具有相似的物候特征，自5月24日左右進(jìn)入返青期，生長(zhǎng)迅速，EVI增加明顯；8月12日左右到達(dá)盛草期，EVI達(dá)到最大值；10月31日進(jìn)入枯黃期，EVI明顯下降。由于受青藏高原特殊的高寒環(huán)境下極端低氣溫的影響，其他時(shí)期為各種植被類型的休眠期，EVI值沒(méi)有明顯的變化。不難發(fā)現(xiàn)，不同植被的差別主要反映在EVI數(shù)值的差異，即3個(gè)時(shí)期4種植被的EVI均值具有可分離性，尤其在盛草期時(shí)表現(xiàn)明顯。

圖5 不同植被類型的EVI時(shí)間序列曲線圖

對(duì)4種植被類型各時(shí)期所有測(cè)點(diǎn)進(jìn)行EVI誤差分析發(fā)現(xiàn)(圖6)，雖然每一生長(zhǎng)期任意2種植被類型的平均EVI值是不同的，但是整個(gè)EVI分布區(qū)間有重疊性。以8月12日盛草期的4種植被類型的EVI為例:高寒草甸的EVI最小值為0.12，EVI平均值為0.34，EVI最大值為0.50；高寒草原的EVI最小值為0.14，均值為0.25，最大值為0.38；高寒沼澤草甸的EVI最小值為0.28，均值為0.39，最大值為0.51；高寒灌叢的最小值為0.27，均值為0.35，最大值為0.43。假設(shè)某一種植被類型的EVI值為0.30，很難判定它的類別歸屬問(wèn)題。

圖6 不同植被類型的增強(qiáng)型植被指數(shù)(EVI)誤差分析圖

3 基于決策樹(shù)方法的植被分類結(jié)果和精度評(píng)價(jià)

3.1分類結(jié)果 分析可知，對(duì)于具有相似物候特征的植被類型，僅依據(jù)EVI均值進(jìn)行分類，會(huì)存在錯(cuò)分的現(xiàn)象。由于受水熱條件的影響，同種植被類型或不同植被類型分布在不同的地貌單元，從而各種植被類型具有地理空間分布特征的差異性，因此嘗試以EVI數(shù)據(jù)分區(qū)為基礎(chǔ)，同時(shí)考慮各種植被類型的地理空間分布特征，最后采取決策樹(shù)的方法來(lái)完成該區(qū)域的植被分類圖。

在盛草期(8月12日)時(shí)，4種植被類型的EVI均值之間具有最大的可分離性(圖5)。因此，以盛草期的EVI影像為基礎(chǔ)進(jìn)行植被分類研究。利用中國(guó)西部環(huán)境與生態(tài)科學(xué)數(shù)據(jù)中心提供的1∶10萬(wàn)的土地利用圖，選取表征低覆蓋草地和裸地的大量點(diǎn)并提取相應(yīng)點(diǎn)的EVI值，通過(guò)比較兩者的EVI均值，最終確定了植被和非植被臨界EVI值為0.14，即EVI>0.14的像元為植被，否則為非植被。當(dāng)EVI>0.5時(shí)，可以認(rèn)為像元完全被高寒沼澤草甸所覆蓋(圖6)。在保證每個(gè)EVI區(qū)間有幾種植被類型一定數(shù)量樣地的前提下，采用等間距的方法將EVI劃分了6個(gè)區(qū)間，即0.14～0.25、0.25～0.30、0.30～0.35、0.35～0.40、0.40～0.45和0.45～0.50，然后統(tǒng)計(jì)分析每個(gè)EVI區(qū)間內(nèi)每種植被類型的坡向、坡度和海拔的分布特征，最后總結(jié)出分類規(guī)則。

1)在0.14～0.25區(qū)間，高寒草甸和高寒草原分布，通過(guò)統(tǒng)計(jì)比較發(fā)現(xiàn)，高寒草甸主要集中分布在海拔高于4 300 m的西南和西坡地帶，而高寒草原在其他地帶廣泛分布。

2)在0.25～0.30區(qū)間，高寒草甸、高寒草原和高寒沼澤草甸3種植被類型分布存在，統(tǒng)計(jì)每種類型的地理空間分布特征，其中高寒草甸主要分布在海拔高于4 300 m的陰坡地帶；高寒沼澤草甸分布在海拔低于4 000 m的地表?xiàng)l件濕潤(rùn)的南坡，西南坡和西坡地帶，其余地帶為高寒草原分布。

3)在0.30～0.35區(qū)間，高寒草甸和高寒草原2種植被類型分布，統(tǒng)計(jì)對(duì)比2種植被類型的地理空間分布特征，其中高寒草原主要分布在海拔低于4 000 m的南坡、西南坡和西坡地帶，其余地帶為高寒草甸分布地帶。

4)在0.35～0.40區(qū)間，4種植被類型都有分布，統(tǒng)計(jì)分析4種類型的地理空間分布特征，其中高寒草甸主要分布在東、南、西北坡向地帶，高寒草原主要分布在西南坡向，高寒灌叢主要分布在西坡向，其余地帶為高寒沼澤草甸分布帶。

5)在0.40～0.45區(qū)間，高寒草甸、高寒沼澤草甸及高寒灌叢分布，高寒草甸主要分布在海拔高于4 000 m的東北坡向及坡度小于10°的東南坡向地帶，高寒灌叢主要分布在西坡向地帶，其余地帶為高寒沼澤草甸的分布地帶。

6)在0.45～0.50區(qū)間，高寒草甸和高寒沼澤草甸分布，高寒草甸主要分布在陽(yáng)坡地帶，其余地帶為高寒沼澤草甸分布地帶。

在EVI數(shù)據(jù)分區(qū)的基礎(chǔ)上，借助海拔、坡度和坡向的地理信息，生成了每個(gè)EVI區(qū)間的判別函數(shù)(表1)，在這些判別函數(shù)的支持下，最終構(gòu)建了溫泉區(qū)域的高寒草地植被分類的決策樹(shù)(圖7)。

在遙感軟件ENVI的支持下，利用以上溫泉區(qū)域植被分類決策樹(shù)得到了研究區(qū)的高寒草地植被分類結(jié)果圖，并對(duì)分類結(jié)果進(jìn)行后處理，將小于3個(gè)像元的小圖斑合并于周圍大圖斑中，得到的最終分類結(jié)果(圖8)。植被類型以高寒草甸和高寒草原為主，兩者的面積占整個(gè)區(qū)域的80%以上。高寒草甸和高寒沼澤草甸主要集中分布在丘陵低山的半陰坡以及地表積水的洼地地區(qū)；高寒草原主要分布在地勢(shì)平坦的瑪日塘高平原地區(qū)；由于陰坡太陽(yáng)輻射和蒸散發(fā)強(qiáng)度較弱，高寒灌叢主要分布在鄂拉山和姜路嶺的陰坡地區(qū)。

3.2精度評(píng)價(jià) 精度評(píng)價(jià)是遙感數(shù)據(jù)分類過(guò)程中一項(xiàng)不可缺少的工作，通過(guò)精度分析，分類者將改進(jìn)分類模式提高分類精度；使用者根據(jù)分類精度，能正確、有效地獲取分類結(jié)果中的信息[29]。本研究通過(guò)TM影像目視解譯和實(shí)地調(diào)查相結(jié)合，在保證每個(gè)類別都有一定數(shù)量樣本的前提下，從分類結(jié)果隨機(jī)抽取283個(gè)樣本進(jìn)行評(píng)價(jià)，采用誤差矩陣和Kappa系數(shù)對(duì)分類結(jié)果進(jìn)行評(píng)估，表2為分類精度評(píng)價(jià)的結(jié)果，總體分類精度為72%，Kappa系數(shù)為0.6。相比物候差異性較顯著的植被分類而言，分類精度相對(duì)較低，主要是由于在青藏高原特殊的高寒環(huán)境下，該區(qū)域的幾種植被具有相似的生長(zhǎng)規(guī)律即物候性相似造成的?？傮w來(lái)說(shuō)，基于決策樹(shù)方法的植被分類結(jié)果在溫泉區(qū)域具有一定的可行性，這為以后的高寒草地植被分類的研究提供了一種新的途徑。從每種植被類型的生產(chǎn)精度方面而言，高寒草原的分類精度最高，高寒灌叢的分類精度最低；使用精度方面，高寒沼澤草甸的精度最低，說(shuō)明高寒沼澤草甸和高寒灌叢出現(xiàn)錯(cuò)分漏分的現(xiàn)象較多?？赡苁怯蓛煞矫娴脑蛟斐傻模?)兩者的樣本點(diǎn)太少；2)EVI值分布區(qū)間較接近。高寒沼澤草甸有16個(gè)樣點(diǎn)，而高寒灌叢只有4個(gè)樣點(diǎn)，在生成決策規(guī)則時(shí)，可能缺乏反映情況的真實(shí)性和本研究采用的簡(jiǎn)單隨機(jī)采樣法有關(guān)，可能是沒(méi)有抽取到足夠數(shù)量的樣本。在盛草期時(shí)，高寒沼澤草甸EVI值域?yàn)?.28～0.49，而高寒灌叢的值域范圍為0.27～0.43，兩者的EVI值域比較接近，因而造成高寒沼澤草甸和高寒灌叢的分類結(jié)果不理想。

表1 決策樹(shù)的判別函數(shù)

圖7 決策樹(shù)分類方法流程圖

圖8 溫泉區(qū)域的植被類型圖

表2 植被類型分類精度評(píng)價(jià)

4 討論

本研究以青藏高原溫泉區(qū)域?yàn)檠芯繀^(qū)綜合分析了各種高寒草地植被類型的EVI時(shí)序特征和地理分布特征，采用決策樹(shù)的方法進(jìn)行植被分類研究，并對(duì)分類結(jié)果進(jìn)行了精度評(píng)價(jià)，說(shuō)明該方法在溫泉區(qū)域具有可行性。

對(duì)于季相節(jié)律性和物候特征差異不顯著的高寒草地植被類型的分類研究，僅僅利用EVI的均值進(jìn)行植被分類存在一定的誤分現(xiàn)象，但是結(jié)合植被的地形特征數(shù)據(jù)，采用決策樹(shù)的方法能有效地識(shí)別出各種植被類型，并獲得了較好的分類結(jié)果。同時(shí)本研究利用野外樣地每一時(shí)序10年的EVI均值數(shù)據(jù)來(lái)分析分布特性，這種處理長(zhǎng)時(shí)間序列數(shù)據(jù)的方法更能反映植被的實(shí)際生長(zhǎng)狀況以及消除極端事件對(duì)植被的影響。決策樹(shù)方法在溫泉區(qū)域具有可行性，為以后的高寒草地植被分類的研究提供了一種新的途徑，但能否應(yīng)用于青藏高原其他地方有待于進(jìn)一步研究。

盡管此方法在研究區(qū)取得了較好的分類結(jié)果，但仍存在著由于算法參數(shù)選擇所引起的算法穩(wěn)定性問(wèn)題，如采樣點(diǎn)的數(shù)目問(wèn)題而引起的判別函數(shù)缺乏真實(shí)性和全面性。由于研究區(qū)的高寒灌叢和高寒沼澤草甸在野外實(shí)際工作中采點(diǎn)數(shù)目少，導(dǎo)致誤差較大，因而在以后的研究中應(yīng)注重樣地?cái)?shù)目的均勻性來(lái)進(jìn)一步提高決策樹(shù)方法的分類精度。

致謝:本文得到青藏高原多年凍土本底調(diào)查研究項(xiàng)目資助，野外工作得到吳吉春、陳繼、史健宗、石偉、劉楊等的幫助，在此表示衷心感謝。同時(shí)感謝中國(guó)西部環(huán)境與生態(tài)科學(xué)數(shù)據(jù)中心為本研究提供研究區(qū)域的數(shù)字高程模型以及NASA提供的250 m的EVI數(shù)據(jù)和30 m的Landsat TM數(shù)據(jù)(https://wist.echo.nasa.gov/api)。

[1]李曉兵,史培軍.基于NOAA/AVHRR數(shù)據(jù)的中國(guó)主要植被類型NDVI變化規(guī)律研究[J].植物學(xué)報(bào),1999,41(3):314-324.

[2]陳君穎,田慶久.高分辨率遙感植被分類研究[J].遙感學(xué)報(bào),2007,11(2):221-227.

[3]競(jìng)霞,王錦地,王紀(jì)華,等.基于分區(qū)和多時(shí)相遙感數(shù)據(jù)的山區(qū)植被分類研究[J].遙感技術(shù)與應(yīng)用,2008,23(4):394-397.

[4]顧娟,李新,黃春林.基于時(shí)序MODIS NDVI的黑河流域土地覆蓋分類研究[J].地球科學(xué)進(jìn)展,2010,25(3):318-326.

[5]華維,范廣洲,周定文,等.青藏高原植被變化與地表熱源及中國(guó)降水關(guān)系的初步分析[J].中國(guó)科學(xué):D輯,2008,27(4):732-740.

[6]趙冰茹,劉闖,劉愛(ài)軍,等.利用 MODIS-NDVI進(jìn)行草地估產(chǎn)研究——以內(nèi)蒙古錫林郭勒草地為例[J].草業(yè)科學(xué),2004,21(8):12-15.

[7]周兆葉,儲(chǔ)少林,王志偉,等.基于 NDVI 的植被覆蓋度的變化分析[J].草業(yè)科學(xué),2005,25(12):23-29.

[8]李霞,崔霞,黃曉東,等.北疆不同草地類型MODIS植被指數(shù)的時(shí)空變化研究[J].草業(yè)科學(xué),2007,24(9):5-11.

[9]王兮之,杜國(guó)楨,梁天剛,等.基于RS和GIS的甘南草地生產(chǎn)力估測(cè)模型構(gòu)建及其降水量空間分布模式的確立[J].草業(yè)學(xué)報(bào),2001,10(2):95-102.

[10]王鶯,夏文韜,梁天剛,等.基于MODIS植被指數(shù)的甘南草地凈初級(jí)生產(chǎn)力時(shí)空變化研究[J].草業(yè)學(xué)報(bào),2010,19(1):201-210.

[11]王曉爽,胡卓瑋,趙文吉,等.基于EVI 植被指數(shù)的大尺度草地多源信息綜合分類研究[J].草業(yè)科學(xué),2011,28(1):10-17.

[12]馬軒龍,李文娟,陳全功.基于GIS與草原綜合順序分類法對(duì)甘肅省草地類型的劃分初探[J].草業(yè)科學(xué),2009,26(5):7-13.

[13]Wardlow B D,Egbert S L.Large-area crop mapping using time-series MODIS 250m NDVI data:an assessment for the US Central Great Plains [J].Remote Sensing of Environment,2008,112:1096-1116．

[14]Hansen M C,DeFries R S,Townshend J R G,etal.Towards an operational MODIS continuous field of percent tree cover algorithm: Examples using AVHRR and MODIS data[J].Remote Sensing of Environment,2002,83:303-319．

[15]Zhan X,Ohlberg R A,Townshend J R G,etal.Detection of land cover changes using MODIS 250 m data [J].Remote Sensing of Environment,2002,83:336-350．

[16]Wessels K J,DeFries R S,Dempewolf J,etal.Mapping regional land cover with MODIS data for biological conservation:Examples from the Great Yellowstone Ecosystem,USA and Para State,Brazil [J].Remote Sensing of Environment,2004,92:67-83．

[17]齊紅超,祁元,徐瑱.基于C5.0決策樹(shù)算法的西北干旱區(qū)土地覆蓋分類研究——以甘肅省武威市為例[J].遙感技術(shù)與應(yīng)用,2009,24(5):648-654．

[18]Yang C C,Prasher S O,Enright P,etal.Application of decision tree technology for image classification using remote sensing data[J].Agricultural Systems,2003,76(3):1101-1117．

[19]Mallinis G,Koutsias N,Tsakiri-Strati M,etal.Object-based classification using Quick bird imagery for delineating forest vegetation polygons in a Mediterranean test site,ISPRS[J].Journal of Photogrammetry and Remote Sensing,2008,63:237-250．

[20]韓濤.用TM資料對(duì)祁連山部分地區(qū)進(jìn)行針葉林、灌木林分類研究[J].遙感技術(shù)與應(yīng)用,2002,17(6):317-321.

[21]宋楊,萬(wàn)幼川,申紹洪,等,基于傅立葉變換的混合分類模型用于NDVI時(shí)序影像分析[J].武漢大學(xué)學(xué)報(bào),2007,32(5)：406-409.

[22]趙英時(shí).遙感應(yīng)用分析原理與方法[M].北京：科學(xué)出版社，2003.

[23]劉玉潔,楊忠東.MODIS遙感信息處理原理與算法[M].北京:科學(xué)出版社，2001.

[24]王正興,劉闖，陳文波,等.MODIS增強(qiáng)型植被指數(shù)EVI與NDVI初步比較[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2006，31(5):407-410.

[25]丑亞玲,盛煜,韋振明.多年凍土區(qū)公路路基陰陽(yáng)坡溫度及變形差異分析[J].巖石力學(xué)與工程學(xué)報(bào), 2009,28(9):1896-1903．

[26]Quinlan J.Introduction of decision trees [J].Machine Learning,1986,1(1):81-106．

[27]李德仁,王樹(shù)良,李德毅,等.論空間數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)的理論與方法[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2002,27(3):221-233．

[28]Friedl M,Brodley C.Decision tree classification of land covers from remotely sensed data [J].Remote Sensing of Environment,1997,61(3):399-409．

[29]趙萍,傅云飛.基于分類回歸樹(shù)分析的遙感影像土地利用/覆被分類研究[J].遙感學(xué)報(bào),2005,9(6):708-716．