基于ENVI的決策樹方法提取土地利用信息

萬杰 楊勇 韓春峰 王訓宇

摘 要：該文章以云南省昆明市西山區(qū)為研究區(qū)域，利用WordView-2的4波段影像數(shù)據(jù)源，通過學習掌握ENVI軟件中的決策樹分類工具，以及利用不同地類的波譜信息的特征差異，分析了影像的各個地類的光譜特征，從中提取了4波段影像的NDVI（歸一化植被指數(shù)），以此確定了不同地類之間的波段均值閾，根據(jù)不同地類在不同波段以及NDVI上的變化建立對應的決策樹模型，最終得到其分類結果。本文最后采用已有的樣本感興趣區(qū)數(shù)據(jù)對其決策樹分類結果進行了精度評價，并且評價分析了其結果精度在遙感數(shù)據(jù)中的作用。

關鍵詞：決策樹 ENVI提取信息 WV-2

中圖分類號：S127 文獻標識碼：A 文章編號：1674-098X（2015）03（c）-0047-04

遙感影像信息提取是影像分析的一項重要內容。信息提取的方法由傳統(tǒng)的人工解譯，監(jiān)督分類，非監(jiān)督分類到后期的基于專家知識的決策樹分類。研究區(qū)域的不同，選擇研究方法也有所改變，尤其對于西南區(qū)域的丘陵地帶或多山地區(qū)采用傳統(tǒng)的方法不能很好的提取地類信息，因此，僅靠傳統(tǒng)的光譜特性提取地物，就容易造成地類提取的錯分或者漏分，分類結果不能滿足，后期的應用達不到精度需求[1]。為了實現(xiàn)自動、高效的影像分類方法，決策樹分類算法成為信息提取的關鍵技術之一，決策樹分類方法具有以下的優(yōu)點：（1）速度快：計算量相對較小，且容易轉化成分類規(guī)則；（2）準確性高：挖掘出的分類規(guī)則準確性高，便于理解；（3）方法操作簡單，準確度高，已在遙感圖像特征提取和圖像分類中得到廣泛應用[6-7]。

1 研究區(qū)概況與研究資料

1.1 研究區(qū)概況

西山區(qū)位于昆明市區(qū)西部，地處東經102°21′～102°45′，北緯24°41′～25°26′。東西寬36.8千米，南北長72千米，形如靈芝狀?？偯娣e1058平方千米[2] ，其中山區(qū)、半山區(qū)面積占92%，壩區(qū)面積占8%。

西山區(qū)地處滇池盆地西北邊沿，地勢西北高，東南低，西北、北部地形起伏較大，靠昆明主城區(qū)部分為壩區(qū)，其余為山區(qū)、半山區(qū)。最高海拔2622米（風擺山），最低海拔1731米[3] 。部分西山區(qū)地理位置如圖1所示。

1.2 數(shù)據(jù)源獲取

本研究采用的數(shù)據(jù)為云南省昆明市西山區(qū)的數(shù)據(jù)，根據(jù)不同中心波長波段的組合方案，本研究采用WV-2數(shù)據(jù)的4，3，2波段分別賦予紅、綠、藍，獲取近似自然的假彩色合成圖像（如圖2），方便后面的目視解譯以及結果查看。

2 決策樹分類研究

ENVIDecision Tree分類方法是一個多級分類器，它的基礎是一系列的二叉決策樹。每一個決策樹依據(jù)一個表達式將圖像中的像元分為兩類，每一個新生成的類別又可以根據(jù)其他的表達式繼續(xù)向下分為兩類?？梢愿鶕?jù)需求定義決策樹的節(jié)點，節(jié)點的個數(shù)是不受限制的。用戶可以使用來自不同來源或文件的數(shù)據(jù)共同生成一個決策樹分類器，也可以交互式編輯和“剪除”決策樹，保存后的決策樹可以用于其他數(shù)據(jù)。

ENVI的決策樹分類器有如下特征[4]：

決策樹的建立采用圖形拖放工具。

在單個決策樹中可以使用具有不同投影和不同像元尺寸的文件，使用過程中將動態(tài)對他們進行重新投影和重采樣。

可以動態(tài)計算特定的變量值（如NDVI、Aspect等），而不需要單獨準備，并將他們應用在表達式中。

基于知識的決策樹分類是基于遙感影像數(shù)據(jù)及其他空間數(shù)據(jù)，通過專家經驗總結、簡單的數(shù)學統(tǒng)計和歸納方法等，獲得分類規(guī)則并進行遙感分類。分類規(guī)則易于理解，分類過程也符合人的認知過程，最大的特點是利用多源數(shù)據(jù)。

專家知識決策樹分類的步驟大體上可分為四步：知識（規(guī)則）定義、規(guī)則輸入、決策樹運行和分類后處理。難點是規(guī)則的獲取，可以來自經驗總結，如坡度小于20度是緩坡等；也可以通過統(tǒng)計的方法從樣本中獲取規(guī)則，如C4.5算法、CART算法、S-PLUS算法等。

2.1 分類預處理

根據(jù)人工目視解譯的標準規(guī)范《中華人民共和國土地利用現(xiàn)狀分類國家標準》，根據(jù)實驗區(qū)的特點將其土地覆蓋信息分為：植被，人工建筑棚，建筑用地，水體，未利用地。

由于每一種地物之間都可能存在有同物異譜，同譜異物的特性，在進行地類樣本選擇以前，需要通過測定各個地類的光譜值進行各個地類的最值，均值和方差值統(tǒng)計，綜合運用閾值的方法，將不同的地物提取出來。

2.2 規(guī)則建立

2.2.1植被提取以及人工建筑棚提取

由于植被在近紅外波段的反射率最強，在紅光波段的吸收率最強，這兩個波段不僅是植物光譜、光合作用中的最重要的波段，而且它們對同一生物物理現(xiàn)象的光譜響應截然相反，形成的明顯反差，這種反差隨著植被覆蓋度的變化而變化，因此，可對它們用比值，差分等多種組合來增強現(xiàn)實植被或者揭示隱含的植被信息[5]。

提取的植被信息與人工建筑棚之間存在一定的聯(lián)系，通過一定的NDVI閾值設定可以看到，提取的植被信息中有被錯分的地物，主要是人造工棚以及屋頂顏色鮮艷的建筑物，通過ENVI下的統(tǒng)計分析可以看出，在藍色波段可以發(fā)現(xiàn)綠地區(qū)域的最大值與非綠地對應的最小值基本接近，可以通過設置此閾值區(qū)分植被與人間建筑棚。

2.2.2 未利用地以及建筑用地提取

未利用地域建筑用地有很大的相似性，但又有很大的區(qū)別，可以通過二者地物在綠波段以及NDVI的差值變化來進行區(qū)分。具體的區(qū)分閾值通過ENVI下的樣本選擇統(tǒng)計分析進行劃定。

2.2.3 水體信息提取

水體信息在近紅外波段以后出現(xiàn)強吸收階段，反射率幾乎為零，可以根據(jù)此特定從NDVI值的閾值設定來區(qū)分水體與非水體信息。

2.3 決策樹生成

2.3.1 決策樹生成

生成的決策樹見圖4所示。

2.3.2 ENVI下執(zhí)行決策樹規(guī)則

第一步：規(guī)則獲取

根據(jù)上述三步對于不同地類的需求，ENVI下構建的決策樹規(guī)則描述如下：

Class1（植被）：NDVI>0.3，

Class2（人工建筑棚）：0.3Class3（未利用地）：0.03