基于決策樹模型的面向對象方法的遙感濕地信息提取

孫宇翼，譚　政，石丹丹（.蘭州大學資源環(huán)境學院，甘肅　蘭州　730000；.甘肅省城鄉(xiāng)規(guī)劃設計研究院，甘肅　蘭州　730000）

?

基于決策樹模型的面向對象方法的遙感濕地信息提取

孫宇翼1，譚政2，石丹丹1
（1.蘭州大學資源環(huán)境學院，甘肅蘭州730000；2.甘肅省城鄉(xiāng)規(guī)劃設計研究院，甘肅蘭州730000）

摘要：以寧夏回族自治區(qū)中衛(wèi)市與騰格里沙漠邊緣及其毗鄰區(qū)域為研究區(qū)，運用基于決策樹模型的面向對象方法，對圖像融合后15m分辨率的Landsat 8 OLI遙感影像進行濕地信息提取研究，并與基于對象的最大似然法的分類結果進行比較，結果表明，基于決策樹模型的面向對象法相比于基于對象的最大似然法的濕地分類總體精度提高了18.45%，Kappa系數(shù)提高了0.17，分類結果精度顯著提高。

關鍵詞：Landsat 8 OLI遙感影像；決策樹模型；面向對象；濕地提取

1　概述

濕地是陸地系統(tǒng)和水體系統(tǒng)相互作用形成的自然綜合體，被稱為天然的“物種基因庫”、“地球之腎”，在保護生態(tài)環(huán)境和物種多樣性等方面發(fā)揮著重要作用，具有重要的經濟和社會效益。然而，隨著人類對濕地開發(fā)強度日益提升，濕地面積大幅萎縮、生物多樣性逐漸下降，濕地的生態(tài)功能也逐漸減弱。因此，如何科學合理地利用和保護濕地，實現(xiàn)經濟社會的可持續(xù)發(fā)展，成為目前國內外學者研究的熱點[1]。傳統(tǒng)野外實地的濕地調查和測繪方法費時費力，而遙感技術的快速發(fā)展為監(jiān)測研究濕地提供了新的途徑。

早期的人工目視解譯和基于像元的監(jiān)督分類方法效率低，精度差，而近年來出現(xiàn)的面向對象的影像分析方法可以充分利用影像的光譜、形狀、紋理等細節(jié)信息處理遙感圖像數(shù)據(jù)，其高效、準確的特點得到了國內外學者的青睞。安如等利用面向對象方法構建了黃河源瑪多縣地區(qū)的遙感濕地提取方法[2]。牟鳳云等以山東省微山湖濕地為實驗區(qū)，探索了面向對象技術在提高濕地植被分類精度的有效方法[3]。趙志龍等利用面向對象方法對羌塘高原內的典型沼澤1976-2010年的面積變化狀況開展了遙感提取分析[4]。

寧夏回族自治區(qū)中衛(wèi)市地處西北半干旱氣候區(qū)，是我國重要的濕地分布區(qū)。但是該區(qū)域濕地的研究工作尚少，且多以遙感影像人工目視解譯結合現(xiàn)場調查為主，效率低、受主觀經驗影響嚴重，因此，研究一種有效的適用于該地區(qū)的濕地遙感監(jiān)測技術顯得十分重要。

本文以寧夏回族自治區(qū)中衛(wèi)市及其周邊為研究區(qū)，研究適合于該地區(qū)不同類型濕地信息提取的分類決策樹模型，利用面向對象方法進行濕地信息提取，為深入探討研究西北干旱半干旱氣候區(qū)的濕地遙感監(jiān)測等問題提供有效的技術手段。

2　研究區(qū)概況

研究區(qū)位于寧夏回族自治區(qū)中衛(wèi)市與騰格里沙漠邊緣及其毗鄰區(qū)域，屬中溫帶半干旱氣候區(qū)。地理范圍：105°1′37.77″～105°10′30.59″E，37°29′55.68″～37°35′53.95″N，面積約144.05km2。中衛(wèi)地處黃河前套之首，研究區(qū)內存在馬場湖和龍宮湖兩個較大的湖泊，水稻種植與魚類養(yǎng)殖業(yè)較為發(fā)達。研究區(qū)范圍內的濕地對防治沙漠東移、維持綠洲生態(tài)平衡發(fā)揮著巨大的作用。

3　數(shù)據(jù)源及其預處理

論文使用的數(shù)據(jù)源是Landsat8OLI影像（成像時間2015年9月5號，影像分幅：130/034）。Landsat8的OLI陸地成像儀在ETM+傳感器的基礎上，增加了可用于海岸帶觀測的藍色波段和具有水汽強吸收特征的短波紅外波段，并對近紅外波段進行了調整，以便消除大氣在0.825μm處水汽吸收特征的影響（見表1）。首先利用FLAASH模型對Landsat8OLI影像進行大氣輻射糾正，獲取了更加準確的地表反射率信息。然后，使用Gram-Schmidt融合方法，將Landsat 8OLI影像中的全色波段數(shù)據(jù)和大氣輻射糾正后的多光譜波段數(shù)據(jù)進行圖像融合，使遙感數(shù)據(jù)既有較高的空間分辨率，又具有豐富的多光譜特征。

表1　Landsat 8OLI數(shù)據(jù)特征

4　研究區(qū)濕地分類決策樹模型的構建

4.1分類體系的建立

根據(jù)研究區(qū)的遙感數(shù)據(jù)特點和野外實地調查結果，參照全國濕地資源調查技術規(guī)程，建立如表2所示的研究區(qū)濕地分類體系。選取可靠性高的訓練樣本是建立研究區(qū)濕地分類決策樹模型的關鍵，直接影響到規(guī)則設立的質量[5]。通過對研究區(qū)Landsat 8OLI影像的目視解譯，參考Google earth高分辨率影像和野外實地考察數(shù)據(jù)，選擇113個影像對象作為訓練樣本（每種濕地類型的訓練樣本不得小于該濕地類型樣本對象總數(shù)的2/3），建立研究區(qū)的濕地分類決策樹模型。

表2　研究區(qū)濕地分類體系

4.2影像分割

面向對象的影像分析方法首先通過影像分割形成由同質像元組成的影像對象，然后利用影像對象的光譜、紋理、形狀和上下文等特征進行影像分類[6]。多尺度分割算法包含尺度因子（scale）、形狀因子（shape）、緊湊度因子（compactness）三個參數(shù)，決定了影像分割后生成的影像對象的大小、數(shù)目和形狀等。本文的多尺度分割采用Liu等[7]提出的不一致性評價法，對分割參數(shù)組合進行優(yōu)選。土地覆蓋類型具有層次性，因此，論文以分層提取的方法進行研究區(qū)的濕地分類，根據(jù)各層提取地物類型的不同，建立不同尺度大小的參考數(shù)據(jù)集并分別從分割數(shù)據(jù)集中挑選出匹配對象，以其綜合評價參數(shù)ED2最小的參數(shù)組合作為最終的多尺度分割參數(shù)（見表3）。

表3　多尺度分割參數(shù)

4.3特征分析

4.3.1光譜特征

Landsat 8 OLI影像中新增加的Band1藍色波段對水體的穿透性強，可用于區(qū)分土壤和植被。Band5近紅外波段處于水體的強吸收區(qū)，對綠色植被差異敏感，可增強陸地-水域與土壤-農作物之間的反差。SWIR2中紅外波段2也處于水的強吸收區(qū)，對植被水分含量十分敏感。通過訓練樣本的統(tǒng)計分析，在Level1層上，可有效利用遙感影像的光譜信息，將濕地（含有部分水澆地）和非濕地信息區(qū)分出來。

研究區(qū)的農作物以水田和水澆地（小麥、玉米）為主，影像獲取時間的水田處于抽穗期和乳熟期之間，光譜特征易于水澆地混淆。因而，在Level2層上，僅僅依靠單波段的光譜反射率難以區(qū)分出各濕地類型，所以，本文除了選取Landsat 8 OLI影像的7個波段反射率均值之外、還選擇了各個波段的標準差和歸一化指數(shù)對研究區(qū)的湖泊、坑塘、蘆葦?shù)睾退锛捌涑凉竦赝獾钠渌匚镱愋瓦M行統(tǒng)計分析，結果發(fā)現(xiàn)：差異環(huán)境植被指數(shù)（DVI）對土壤背景的變化反應敏感，可以將錯分為水田的部分水澆地從濕地中剔除。

4.3.2紋理特征

本研究加入了Landsat 8 OLI影像的7個多光譜波段數(shù)據(jù)通過計算得到的紋理均值（Mean），方差（StdDev），同質性（Homogeneity），相異性（Dissimilarity），對比度（Contrast），相關性（Correlation）和角度二階矩（Second Moment）6個特征變量作為統(tǒng)計變量，計算窗口選用33。影像分析發(fā)現(xiàn)，應用影像近紅外波段的同質性易于將湖泊、庫塘與蘆葦?shù)亍⑺咎飬^(qū)分開來。近紅外波段的方差再求其標準差后的影像對綠色植被的類別差異更為敏感，可以進一步將蘆葦?shù)睾退咎飬^(qū)分開來。

4.3.3形狀特征

地物的幾何特征有助于突破光譜信息無法解決的“同物異譜”和“異物同譜”現(xiàn)象，提高了遙感圖像處理分析結果的精度。研究區(qū)中湖泊和部分庫塘的面積存在較大差異，可利用面積特征將湖泊和庫塘進行區(qū)分，余下較大面積的庫塘其形狀近似矩形，因此，可以采用矩形擬合度將其與湖泊區(qū)分開來。蘆葦?shù)刂饕植加诤粗苓?，可以利用其橢圓形擬合度小的特點，將其與水田區(qū)分出來。

4.4模型構建

基于對典型地物的光譜特征、紋理特征和形狀特征分析，構建出研究區(qū)遙感影像濕地信息提取的決策樹分類模型，如圖1和圖2所示。

圖1　Level1上構建的面向對象的決策樹模型

圖2　Level2上構建的面向對象的決策樹模型

5　結果及精度評價

在eCognitionDeveloper 9.0、ArcGIS10.2等遙感圖像處理和GIS軟件的支持下，以構建的分類決策樹模型為基礎，利用分層提取的面向對象法進行了研究區(qū)遙感濕地提取分類，得到了濕地分類結果圖，然后隨機選擇100個對象作為評價樣本，針對模型分類結果采用混淆矩陣對結果進行精度評價（見表4）。同時，為了更加客觀地評價基于決策樹模型的面向對象法的分類結果，在ENVI5.1軟件的支持下對研究區(qū)的遙感影像進行了基于像元的最大似然法分類，分類結果如圖3所示，精度評價見表5。

圖3　基于像元的最大似然法分類結果

表4　基于決策樹模型的面向對象法精度評價

表5　基于像元的最大似然法精度評價

從分類結果圖看，基于決策樹模型的面向對象法的分類結果與基于像元的最大似然法的分類結果相比，“椒鹽現(xiàn)象”得到緩解，圖斑規(guī)整，邊界明確，尤其是水田濕地和沼澤濕地的區(qū)分效果更好。從精度評價結果看，基于決策樹模型的面向對象法的結果中濕地總體精度是84%，Kappa系數(shù)是0.78，基于像元的最大似然法的結果中濕地的總體精度是65.55%，Kappa系數(shù)為0.61。可見，基于決策樹模型的面向對象法在濕地信息提取中的精度更高，總體精度提高了18.45%，Kappa系數(shù)提高了0.17。

6　結論與討論

本文針對研究區(qū)的Landsat8OLI遙感影像，利用基于決策樹模型的面向對象法分析得到的濕地分類結果較基于像元的最大似然法的分類結果精度高，有效的減弱了分類結果圖的“椒鹽”現(xiàn)象。

本文基于決策樹模型的面向對象法在寧夏回族自治區(qū)中衛(wèi)市與騰格里沙漠邊緣及其毗鄰區(qū)域的濕地信息提取工作中具有良好的適用性，有效地結合了遙感地學領域的專家知識，充分發(fā)揮了遙感影像中的光譜、紋理、幾何等多種特征的優(yōu)越性，準確高效的提取了地物信息，提高了遙感影像的分類精度，對于今后西北干旱半干旱氣候區(qū)的濕地遙感監(jiān)測工作具有重要的借鑒意義。

參考文獻：

[1]鄧凡雙.基于面向對象技術的遼東灣雙臺子河口濕地信息提取研究[D].東北師范大學,2012.

[2]安如,陳志霞,陸玲,等.面向對象的黃河源典型區(qū)濕地信息提取[J].河海大學學報:自然科學版,2011,39(4):355-360.

[3]牟鳳云,韓葵.面向對象的遙感濕地植被分類與信息提取—以微山湖為例[J].安徽農業(yè)科學,2012,40(12):7574-7576.

[4]趙志龍.羌塘高原濕地信息提取與典型濕地變化分析[D].青海師范大學,2014.

[5]黃穎,周云軒,吳穩(wěn),等.基于決策樹模型的上海城市濕地遙感提取與分類[J].吉林大學學報(地球科學版),2009(6): 1156-62.

[6]陳云浩,馮通,史培軍,等.基于面向對象和規(guī)則的遙感影像分類研究[J].武漢大學學報(信息科學版),2006(4):316-320.

[7]LIUY,BIAN L, MENG Y, et al. Discrepancy measures for selecting optimal combination of parameter values in object-basedimageanalysis[J].ISPRSJournalofPhotogrammetry and Remote Sensing, 2012(68):144-156.

中圖分類號：TP751.1