基于J48決策樹的面向?qū)ο蠓椒ǖ耐恋馗脖恍畔⑻崛?/h1>
2016-12-23 07:09:16孫宇翼趙軍利王苗苗劉勇
自然資源遙感 2016年4期
孫宇翼， 趙軍利， 王苗苗， 劉勇
(1.蘭州大學(xué)資源環(huán)境學(xué)院，蘭州 730000； 2.甘肅省地圖院，蘭州 730000； 3.中國人民解放軍61175部隊(duì)，南京 210000)
?
基于J48決策樹的面向?qū)ο蠓椒ǖ耐恋馗脖恍畔⑻崛?/p>
孫宇翼1,2， 趙軍利1,3， 王苗苗1， 劉勇1
(1.蘭州大學(xué)資源環(huán)境學(xué)院，蘭州 730000； 2.甘肅省地圖院，蘭州 730000； 3.中國人民解放軍61175部隊(duì)，南京 210000)
過去10多a來,面向?qū)ο蟮挠跋穹治龇椒ㄔ诟叻直媛视跋裥畔⑻崛≈斜憩F(xiàn)出了明顯優(yōu)勢，得到了快速發(fā)展。該方法中一個(gè)難題是，如何有效地建立滿足健壯性和通用性準(zhǔn)則的分類規(guī)則集?；跀?shù)據(jù)挖掘原理的決策樹方法有望提供有效的解決方案。選用WEKA J48算法從影像光譜、紋理和地形特征等諸多參數(shù)中優(yōu)選出部分參數(shù)構(gòu)建決策樹分類模型，以此建立分類規(guī)則集，并集成于面向?qū)ο蟮挠跋穹诸惙椒ㄖ?。利用Landsat5 TM影像和ASTER數(shù)字高程模型數(shù)據(jù)進(jìn)行的甘肅省會(huì)寧縣白草塬地區(qū)土地覆被分類的結(jié)果表明，本方法所建立的分類規(guī)則集具有較佳的健壯性和通用性，其分類精度明顯優(yōu)于基于像元的最大似然法和基于試錯(cuò)性規(guī)則集的面向?qū)ο蠓ā?/p>
面向?qū)ο蟮挠跋穹治觯?J48算法； 決策樹； 土地覆被分類
0 引言
遙感技術(shù)是土地利用/土地覆被變化信息提取的重要手段[1]。早期的影像分類主要基于像元光譜特征和有限紋理特征進(jìn)行處理，其結(jié)果通常難以滿足生產(chǎn)部門的制圖要求[2]。2000年以來，高分辨率衛(wèi)星遙感數(shù)據(jù)呈爆炸式的增長，快速準(zhǔn)確提取地學(xué)信息的社會(huì)需求有力地推動(dòng)了自動(dòng)化遙感分類方法的發(fā)展[3]，一種新的面向?qū)ο蟮挠跋穹治龇椒☉?yīng)運(yùn)而生。該方法可以充分利用影像對(duì)象的光譜、紋理、形狀和上下文等特征，完成遙感影像的信息提取[4]。
杜鳳蘭等[5]結(jié)合南京市區(qū)IKONOS高分辨率遙感數(shù)據(jù)，研究了利用面向?qū)ο蠓诸惙▽?shí)現(xiàn)地物精確分類的方法。曹寶等[6]對(duì)北京市海淀區(qū)SPOT5影像應(yīng)用面向?qū)ο蠓椒ㄟM(jìn)行了分類試驗(yàn)。蘇偉等[7]論述了基于多尺度影像分割的面向?qū)ο蠓诸惣夹g(shù)對(duì)馬來西亞吉隆坡市城市中心區(qū)所進(jìn)行的土地覆被分類研究。龍娟等[8]基于濕生植物光譜特征分析，采用面向?qū)ο蠓诸惙椒ㄌ崛×藵竦氐湫椭脖?。建立分類?guī)則集是面向?qū)ο蟮挠跋穹治龇椒ㄖ械囊粋€(gè)關(guān)鍵步驟，它是通過選取對(duì)象的一系列的特征變量來提取影像中的地物信息。目前的實(shí)際工作中普遍基于操作者個(gè)人的經(jīng)驗(yàn)，通過試錯(cuò)法建立規(guī)則集，不僅工作效率低，而且方法的可靠性、通用性不盡如人意。
本文擬以甘肅省會(huì)寧縣白草塬地區(qū)為例，探討利用集成J48決策樹在面向?qū)ο笥跋穹治龇椒ㄖ羞M(jìn)行土地覆被信息提取的技術(shù)，并與傳統(tǒng)的基于像元的最大似然法和基于試錯(cuò)性規(guī)則集的面向?qū)ο蠓ㄟM(jìn)行比較分析，探索快速可靠地提取遙感影像中地物信息的自動(dòng)化方法，以求為區(qū)域農(nóng)村經(jīng)濟(jì)和社會(huì)發(fā)展的動(dòng)態(tài)監(jiān)測尋找可行的途徑。
1 研究區(qū)概況
研究區(qū)地處甘肅省會(huì)寧縣北部，南北寬9.4 km，東西長17.33 km，總面積162.9 km2。研究區(qū)地處隴西黃土高原核心區(qū)域，塬、墚、峁、川、臺(tái)、溝壑類型齊全。海拔高度1 550～1 900 m。整個(gè)地勢由東南向西北傾斜，墚峁起伏，遍布“V”型深谷。研究區(qū)屬溫帶季風(fēng)氣候，年平均氣溫6～7.5 ℃，光照充足，年平均日照數(shù)2 520 h，干燥少雨，年均降雨量為366 mm，且集中分布在7～8月，年均蒸發(fā)量約為1 750 mm。祖厲河在研究區(qū)西側(cè)發(fā)育并形成河川谷地。研究區(qū)的基本特點(diǎn)可以概括為： 水資源短缺，生態(tài)環(huán)境脆弱。引黃工程建設(shè)從根本上改善了該地區(qū)水資源利用格局，使白草塬地區(qū)灌溉農(nóng)田面積得到顯著擴(kuò)展，并成為會(huì)寧縣較先發(fā)展并富裕起來的地區(qū)。
2 數(shù)據(jù)和方法
2.1 數(shù)據(jù)準(zhǔn)備
研究使用Landsat5 TM影像(成像時(shí)間2011年6月28日，影像分幅號(hào)： 130/035)和ASTER DEM數(shù)據(jù)，空間分辨率均為30 m。利用LEDAPS大氣校正軟件對(duì)Landsat5 TM數(shù)據(jù)進(jìn)行了大氣輻射校正，并反演獲得了高質(zhì)量的地表反射率數(shù)據(jù)。
2.2 研究方法
面向?qū)ο蟮挠跋穹治龇椒ㄊ紫韧ㄟ^影像分割生成影像對(duì)象，然后利用影像對(duì)象的光譜、紋理、形狀、上下文等特征進(jìn)行影像分類[9-10]。其分類方法主要包括最鄰近法和規(guī)則集法2種。
數(shù)據(jù)挖掘是從數(shù)據(jù)中揭示隱含的、先前未知的，并有潛在價(jià)值信息的過程[11]。決策樹屬于數(shù)據(jù)挖掘方法中的一種預(yù)測模型，包括決策節(jié)點(diǎn)、分支和葉節(jié)點(diǎn)3部分。其中，決策節(jié)點(diǎn)代表待分類樣本的某個(gè)屬性，在該屬性上的不同測試結(jié)果代表一個(gè)分支，分支表示某個(gè)決策節(jié)點(diǎn)的不同取值。每個(gè)葉節(jié)點(diǎn)存放某個(gè)類別標(biāo)簽，表示一種可能的分類結(jié)果。決策樹算法通過將訓(xùn)練集劃分為較純子集，以遞歸的方式建立決策樹[12]。
目前已經(jīng)發(fā)展了許多歸納方法可以自動(dòng)選擇分類特征及其閾值[13]。C4.5算法是一種高效的決策樹算法，采用信息增益率選取分類屬性，遞歸構(gòu)造決策樹的各個(gè)分枝，完成對(duì)連續(xù)屬性的離散化處理[14]。WEKA J48決策樹算法是對(duì)C4.5決策樹算法的實(shí)現(xiàn)，增加了有效的剪枝過程，訓(xùn)練出的決策樹規(guī)則易于理解且準(zhǔn)確度較高[15]。基于決策樹J48算法的面向?qū)ο蠓诸惙椒ǖ募夹g(shù)路線主要包括： 影像分割、分類特征變量選擇、樣本訓(xùn)練集的創(chuàng)建、決策樹的建立、決策樹的解譯和評(píng)價(jià)、基于生成的決策樹進(jìn)行面向?qū)ο蟮挠跋穹诸惡头诸惤Y(jié)果的精度評(píng)價(jià)。
本文采用J48算法產(chǎn)生的決策樹建立分類規(guī)則集，進(jìn)而完成影像分類，并與基于像元的最大似然法和基于試錯(cuò)性規(guī)則集的面向?qū)ο蠓ㄟM(jìn)行對(duì)比分析。
3 分類體系的確立
根據(jù)研究區(qū)的地理特征、自然狀況和野外調(diào)查結(jié)果，結(jié)合遙感數(shù)據(jù)源的特征，將研究區(qū)分為5種土地覆被類型(表1)。通過對(duì)研究區(qū)Landsat5 TM影像的目視解譯，結(jié)合野外的實(shí)地考察數(shù)據(jù)，并參考Google earth高分辨率影像，共選擇502個(gè)對(duì)象作為訓(xùn)練樣本，建立決策樹。
表1 土地覆被分類體系
4 分類特征變量選擇
4.1 光譜特征
光譜特征反映了影像中地物類型的顏色及灰度，是影像目視解譯的基本依據(jù)[16]。本研究選取經(jīng)過大氣輻射糾正的Landsat5 TM影像的6個(gè)波段反射率均值、標(biāo)準(zhǔn)差、各光譜指數(shù)以及纓帽變換后的亮度、綠度、濕度分量作為測試變量。
4.2 紋理特征
紋理特征描述了影像灰度的空間變化和排列規(guī)律，常使用灰度共生矩陣來檢測紋理特征的空間定向、幅度變化[17]。由于研究區(qū)內(nèi)的黃土塬頂面地勢平坦，Landsat TM影像上塬區(qū)與山地間的紋理差異明顯。因此加入了Landsat5 TM影像在可見光和近紅外的6個(gè)波段數(shù)據(jù)通過計(jì)算得到的同質(zhì)性(homogeneity)，對(duì)比度(contrast)，相異性(dissimilarity)，均值(Mean)，方差(StdDev)，角度二階矩(second moment)和相關(guān)性(correlation)6個(gè)特征變量作為測試變量，計(jì)算窗口選用3×3。
4.3 地形特征
研究區(qū)的耕地和居民地的坡度集中在0°～5°之間，退耕還林草地集中在5°～10°之間，而大部分荒漠草地和造林地所處的地形坡度都大于30°。利用研究區(qū)DEM數(shù)據(jù)計(jì)算其坡度(slope)和坡向(aspect)，作為影像分類的測試變量。表2顯示了用于研究區(qū)影像決策樹分類的屬性變量。
表2 用于構(gòu)建決策樹模型的屬性變量
5 數(shù)據(jù)分析
采用表2中的參數(shù)并運(yùn)用WEKAJ48算法構(gòu)建決策樹模型，面向?qū)ο蟮挠跋穹诸愒趀Cognition軟件中執(zhí)行。多尺度分割采用不一致性評(píng)價(jià)法，對(duì)多尺度分割參數(shù)進(jìn)行優(yōu)選[19]，通過歐幾里德距離(ED2)與尺度因子的關(guān)系圖(圖1)得到，分割參數(shù)組合的最優(yōu)值分布尺度因子為25～30。查找結(jié)果表格確定了研究區(qū)影像的最優(yōu)分割參數(shù)組合為尺度因子(scale)為25，形狀因子(shape)為0.3，緊湊度因子(compactness)為0.5。得到的多尺度分割影像見圖2，分割多邊形與參考多邊形的擬合度很好。
圖1 ED2與scale的關(guān)系圖
為客觀評(píng)價(jià)基于J48決策樹算法的面向?qū)ο蠓椒ㄌ崛⊥恋馗脖恍畔⒌木群涂煽啃裕瑢?duì)研究區(qū)的數(shù)據(jù)進(jìn)行了基于像元的最大似然法分類和基于試錯(cuò)性規(guī)則集的面向?qū)ο蠓ǚ诸?。在基于像元的最大似然法分類中，使用的參?shù)包括Landsat5TM影像的第1—5，7波段的均值和標(biāo)準(zhǔn)差。在基于試錯(cuò)性規(guī)則集的面向?qū)ο蠓椒ㄖ校詫＜抑R(shí)為經(jīng)驗(yàn)基礎(chǔ)，結(jié)合研究區(qū)影像特點(diǎn)建立了用于研究區(qū)土地覆被類型分類的規(guī)則集(表3)。
表3 試錯(cuò)性分類規(guī)則集列表
5.1 決策樹模型合理性
通過訓(xùn)練樣本，在WEKA中應(yīng)用J48算法，獲得用于影像分類的決策樹模型(圖3)。括號(hào)中的第1個(gè)數(shù)值表示最終被分類為該地物覆被類型的總訓(xùn)練樣本數(shù)目，第2個(gè)數(shù)值表示這些訓(xùn)練樣本中被誤分類的樣本數(shù)目。根據(jù)此決策樹模型，選擇10對(duì)參數(shù)進(jìn)行交叉驗(yàn)證，正確的分類率為94.62%，Kappa系數(shù)為0.93。
在決策樹的第1層上，歸一化差異水體指數(shù)在1號(hào)節(jié)點(diǎn)將農(nóng)田劃分為： 旱地和水澆地。研究區(qū)干旱少雨，旱地水澆地的植株冠層水分的蒸發(fā)量大，歸一化差異水體指數(shù)能夠有效地提取植被冠層的水分含量。當(dāng)植被冠層受水分脅迫時(shí)，NDWI指數(shù)能及時(shí)響應(yīng)，作為決策樹中的根節(jié)點(diǎn)，首先將旱地與水澆地區(qū)分出來(植被水分指數(shù)低于-0.49)，剩余的對(duì)象(植被水分指數(shù)高于-0.49)屬于決策樹的右支，為植被覆蓋度低的地物覆被類型，即居民地、草地、林地和砂田。
在決策樹的第2層上，未被分類的不同的地物覆被類型，具有不同的地表水分含量。相同的地物覆被類型，由于處于不同的地理位置和成長狀態(tài)，其地表水分含量也存在差異。因而，在節(jié)點(diǎn)2處，采用影像的地表水分含量指數(shù)，將影像劃分為地表水分含量相對(duì)低的區(qū)域(低于-0.07)和地表水分含量相對(duì)高的區(qū)域(高于-0.07)。
圖3 利用J48算法得到的土地覆被類型分類的決策樹
Fig.3 Decision tree generated by algorithm J48 to Land cover classification
在決策樹的第3層上，利用Landsat5 TM影像第2波段紋理均值將大部分草地與其他地物覆被類型區(qū)別開來(高于30.62)。對(duì)于地表水分含量相對(duì)較高的區(qū)域(2號(hào)節(jié)點(diǎn)的右支)，Landsat5 TM影像的第4波段可以有效地識(shí)別農(nóng)作物和突出土壤/農(nóng)作物、陸地/水體的對(duì)比度，砂田對(duì)比于居民地和水體的生物量大，居民地中雖有植被種植，但以裸土、房屋為主，因而，在4號(hào)節(jié)點(diǎn)處，利用第4波段的反射率均值分出砂田(高于3 089.22)。
在決策樹的第4層上，在5號(hào)節(jié)點(diǎn)處將剩下的小部分未被分類的草地利用第4波段的紋理同質(zhì)性區(qū)分出來(低于0.25)。在6號(hào)節(jié)點(diǎn)處，利用Landsat5 TM影像經(jīng)過纓帽變換后得到的濕度分量，將居民地(低于-1 056.38)與水體(高于-1 056.38)區(qū)分出來。
在決策樹的第5層上，在7號(hào)節(jié)點(diǎn)處針對(duì)居民地和林地分布的地形坡度特征存在明顯差異，分出地表水分含量相對(duì)較低區(qū)域(節(jié)點(diǎn)2的左支)中余下的居民地(坡度低于3.74)和造林地(坡度高于3.74)。
5.2 分類結(jié)果及其精度評(píng)價(jià)
研究區(qū)原圖和3種分類方法得到的分類結(jié)果見圖4。
(a) 研究區(qū)原影像(b) 基于像元的最大似然法分類結(jié)果圖
圖4-1 研究區(qū)原圖像和3種分類方法得到的分類結(jié)果
Fig.4-1 Land cover classification map of different image analysis method
(c) 基于試錯(cuò)性規(guī)則集的面向?qū)ο蠓ǚ诸惤Y(jié)果圖 (d) 本文方法的分類結(jié)果圖
圖4-2 研究區(qū)原圖像和3種分類方法得到的分類結(jié)果
Fig.4-2 Land cover classification map of different image analysis method
圖4中，基于像元的最大似然法得到的分類結(jié)果中“椒鹽現(xiàn)象”明顯； 基于試錯(cuò)性規(guī)則集的面向?qū)ο蠓ǖ姆诸惤Y(jié)果“椒鹽現(xiàn)象”得到緩解，但由于研究區(qū)地處中國西北干旱、半干旱區(qū)，且居民地為農(nóng)村居民地，其周邊的草地、造林地均稀疏分布，“異物同譜”現(xiàn)象嚴(yán)重，難以單純地依靠試錯(cuò)法建立有效的規(guī)則集進(jìn)行影像分類，導(dǎo)致居民地與耕地，草地與造林地間的區(qū)分效果較差。本文方法得到的分類結(jié)果不僅各土地覆被類型均被有效地區(qū)分出來，擁有較高的分類精度，而且“椒鹽現(xiàn)象”得到顯著緩解，其分類圖斑少而規(guī)整，更加易于專題制圖應(yīng)用。
選取673個(gè)獨(dú)立于前述模型構(gòu)建的訓(xùn)練樣本數(shù)據(jù)集對(duì)以上3種方法的分類結(jié)果進(jìn)行精度評(píng)價(jià)分析(表4)。從中可以看出，最大似然法分類結(jié)果的總精度為64.56%，Kappa系數(shù)為0.60； 基于試錯(cuò)性規(guī)則集的面向?qū)ο蠓ǖ目偩葹?2.53%，Kappa系數(shù)為0.63； 本文分析方法分類結(jié)果總精度為89.30%，Kappa系數(shù)為0.84。表明本文分析方法與最大似然法、試錯(cuò)性規(guī)則集的面向?qū)ο蠓ㄏ啾?，各種地物覆被類型的生產(chǎn)者精度和用戶精度均顯著提高。
表4 分類精度評(píng)價(jià)結(jié)果
6 結(jié)論
本文將J48決策樹技術(shù)集成于面向?qū)ο蟮挠跋穹治龇椒ㄖ?，基于Landsat5 TM影像的土地覆被分類總精度達(dá)到89.30%，Kappa系數(shù)達(dá)到0.84，取得了較好的分類效果。傳統(tǒng)的基于像元的遙感影像分類技術(shù)不僅效率低，且精度難以達(dá)到實(shí)用要求，已經(jīng)不適應(yīng)于高分辨率遙感影像應(yīng)用發(fā)展的需求。面向?qū)ο蟮姆诸惙椒梢猿浞掷糜跋竦墓庾V、紋理、幾何等信息，在特征空間中實(shí)現(xiàn)地物類型的識(shí)別和標(biāo)識(shí)，避免了基于像元分類結(jié)果中“椒鹽現(xiàn)象”的產(chǎn)生，提高了影像的分類精度。
面向?qū)ο笥跋穹治龇椒ㄖ幸霙Q策樹算法實(shí)現(xiàn)了規(guī)則集建立的自動(dòng)化。J48決策樹模型與試錯(cuò)性規(guī)則集兩者存在相似性，但WEKA J48算法能夠篩選出更多可用于影像分類的特征，如紋理和地形等，建立分類決策樹，形成可在eCognition中實(shí)現(xiàn)影像分類的規(guī)則集。可見J48算法可以模擬和補(bǔ)充專家知識(shí)庫，確保分類規(guī)則集的通用性，有效地消除工作人員進(jìn)行影像分類的主觀性，減少人為誤判，分類效率和分類結(jié)果精度可得到顯著提高。
本文使用遙感影像的光譜特征、紋理特征和地形特征構(gòu)建了影像分類決策樹的測試變量集，變量集的選取主要依靠已有研究成果，未形成系統(tǒng)科學(xué)的選擇標(biāo)準(zhǔn)。如何選取具有針對(duì)性的測試變量集將有待開展進(jìn)一步的研究。
[1] 李秀彬.全球環(huán)境變化研究的核心領(lǐng)域——土地利用/土地覆被變化的國際研究動(dòng)向[J].地理學(xué)報(bào),1996,51(6):553-558. Li X B.A review of the international researches on land use/land cover change[J].Acta Geographica Sinica,1996,51(6):553-558.
[2] 王圓圓,李京.遙感影像土地利用/覆蓋分類方法研究綜述[J].遙感信息,2004,19(1):53-59. Wang Y Y,Li J.Classification methods of land use/cover based on remote sensing technology[J].Remote Sensing Information,2004,19(1):53-59.
[3] 朱光良.基于衛(wèi)星遙感技術(shù)的土地利用研究發(fā)展[J].遙感信息,2001,16(4):34-37,39. Zhu G L.Research and development based on land use satellite remote sensing technology[J].Remote Sensing Information,2001,16(4):34-37,39.
[4] Blaschke T.Object based image analysis for remote sensing[J].ISPRS Journal of Photogrammetry and Remote Sensing,2010,65(1):2-16.
[5] 杜鳳蘭,田慶久,夏學(xué)齊,等.面向?qū)ο蟮牡匚锓诸惙ǚ治雠c評(píng)價(jià)[J].遙感技術(shù)與應(yīng)用,2004,19(1):20-23. Du F L,Tian Q J,Xia X Q,et al.Object-oriented image classification analysis and evaluation[J].Remote Sensing Technology and Application,2004,19(1):20-23.
[6] 曹寶,秦其明,馬海建,等.面向?qū)ο蠓椒ㄔ赟POT5遙感圖像分類中的應(yīng)用——以北京市海淀區(qū)為例[J].地理與地理信息科學(xué),2006,22(2):46-49,54. Cao B,Qin Q M,Ma H J,et al.Application of object-oriented approach to SPOT5 image classification:A case study in Haidian district, Beijing City[J].Geography and Geo-Information Science,2006,22(2):46-49,54.
[7] 蘇偉,李京,陳云浩,等.基于多尺度影像分割的面向?qū)ο蟪鞘型恋馗脖环诸愌芯俊择R來西亞吉隆坡市城市中心區(qū)為例[J].遙感學(xué)報(bào),2007,11(4):521-530. Su W,Li J,Chen Y H,et al.Object-oriented urban land-cover classification of multi-scale image segmentation method:A case study in Kuala Lumpur City center,Malaysia[J].Journal of Remote Sensing,2007,11(4):521-530.
[8] 龍娟,宮兆寧,郭逍宇,等.基于光譜特征的濕地濕生植物信息提取研究[J].國土資源遙感,2010,22(3):125-129.doi:10.6046/gtzyyg.2010.03.25. Long J,Gong Z N,Guo X Y,et al.Information extraction of wetland aquatic vegetation based on spectral characteristics[J].Remote Sensing for Land and Resources,2010,22(3):125-129.doi:10.6046/gtzyyg.2010.03.25.
[9] 陳云浩,馮通,史培軍,等.基于面向?qū)ο蠛鸵?guī)則的遙感影像分類研究[J].武漢大學(xué)學(xué)報(bào):信息科學(xué)版,2006,31(4):316-320. Chen Y H,Feng T,Shi P J,et al.Classification of remot sensing image based on object oriented and class rules[J].Geomatics and Information Science of Wuhan University,2006,31(4):316-320.
[10]譚衢霖,Steve J.基于像元和對(duì)象分類的城區(qū)植被高分辨率遙感制圖比較研究[J].應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào),2011,19(3):441-448. Tan Q L,Steve J.Evaluation of urban vegetation mapping using high spatial resolution image:Pixel versus object classification comparison[J].Journal of Basic Science and Engineering,2011,19(3):441-448.
[11]云玉屏.基于C4.5算法的數(shù)據(jù)挖掘應(yīng)用研究[D].哈爾濱:哈爾濱理工大學(xué),2008. Yun Y P.Application and Research of Data Mining based on C4.5 Algorithm[D].Harbin:Harbin University of Science and Technology,2008.
[12]袁梅宇.數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)——WEKA應(yīng)用技術(shù)與實(shí)踐[M].北京:清華大學(xué)出版社,2014. Yuan M Y.Data Mining and Machine Learning:WEKA Application Technology and Practice[M].Beijing:Tsinghua University Press,2004.
[13]鄒文濤,張懷清,鞠洪波,等.基于QUEST樹的高寒濕地植被覆蓋類型遙感分類研究[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2011,31(12):138-144. Zou W T,Zhang H Q,Ju H B,et al.Study on remote sensing classification of highland wetlands vegetation coverage by QUEST-based decision tree[J].Journal of Central South University of Forestry & Technology,2011,31(12):138-144.
[14]劉曉宇.C4.5算法的一種改進(jìn)及其應(yīng)用[D].青島:中國海洋大學(xué),2013. Liu X Y.An Improved C4.5 Algorithm and Application[D].Qingdao:Ocean University of China,2013.
[15]史澤鵬,馬中文,馬友華,等.基于J48決策樹算法的遙感土地利用變化分析[J].遙感信息,2014,29(1):78-84. Shi Z P,Ma Z W,Ma Y H,et al.Land use change of remote sensing based on J48 decision tree algorithm[J].Remote Sensing Information,2014,29(1):78-84.
[16]李先.面向?qū)ο蟮耐恋乩米兓瘷z測方法研究[D].阜新:遼寧工程技術(shù)大學(xué),2009. Li X.Research on the Methods of Object-Oriented Land Use Change Detection[D].Fuxin:Liaoning Technical University,2009.
[17]朱曉榮.基于決策樹的洞庭湖濕地信息提取技術(shù)研究[D].北京:中國林業(yè)科學(xué)研究院,2012. Zhu X R.Research for Informations to be Extracted from Dongting Lake Wetland based on Decision Tree[D].Beijing:Chinese Academy of Forestry,2012.
[18]李天文,劉學(xué)軍,陳正江,等.規(guī)則格網(wǎng)DEM坡度坡向算法的比較分析[J].干旱區(qū)地理,2004,27(3):398-404. Li T W,Liu X J,Chen Z J,et al.Study on the accuracy and algorithms for calculating slopes and aspects based on the digital elevation model[J].Arid Land Geography,2004,27(3):398-404.
[19]Liu Y,Bian L,Meng Y H,et al.Discrepancy measures for selecting optimal combination of parameter values in object-based image analysis[J].ISPRS Journal of Photogrammetry and Remote Sensing,2012,68:144-156.
(責(zé)任編輯： 李瑜)
Land cover information extraction from remote sensing images using object-based image analysis method integrated with decision tree
SUN Yuyi1,2, ZHAO Junli1,3, WANG Miaomiao1, LIU Yong1
(1.CollegeofEarthandEnvironmentSciences,LanzhouUniversity,Lanzhou730000,China; 2.MapInstituteofGansu,Lanzhou730000,China; 3. 61175TroopsofPLA,Nanjing210000,China)
Object-based image analysis, which has been developed rapidly over the last decades, performs advantageous over classic pixel-based image classification. One of the key problems within this paradigm is to automatically build robust and transferable rule sets for segment classification. It has been identified promisingly to develop rule sets by means of decision tree based on data mining. The authors suggest a decision tree model integrated with J48 algorithm embedded in Weka to select parameters from a set of spectral, textural and terrain features relevant to rule sets for segment classification. Based on this method, the authors used Landsat5 TM image data and ASTER digital elevation model to establish land cover classification in the study area, i.e., Baicaoyuan area in Huining county, Gansu Province. Rule sets developed in this way perform acceptable robustness and transferability. Accuracy assessment proves that this method has significantly higher classification accuracy than other pixel-based methods based on employing maximum likelihood and objected-based nearest neighbor logic.
object-based image analysis (OBIA); J48 algorithm; decision tree; land cover classification
10.6046/gtzyyg.2016.04.24
孫宇翼，趙軍利，王苗苗，等.基于J48決策樹的面向?qū)ο蠓椒ǖ耐恋馗脖恍畔⑻崛J].國土資源遙感，2016，28(4)：156-163.(Sun Y Y,Zhao J L,Wang M M,et al.Land cover information extraction from remote sensing images using object-based image analysis method integrated with decision tree[J].Remote Sensing for Land and Resources,2016,28(4)：156-163.)
2015-05-11；
2015-08-03
國家自然科學(xué)基金“遙感影像多尺度分割質(zhì)量評(píng)價(jià)與參數(shù)優(yōu)選方法研究”(編號(hào)： 41271360)和甘肅省濕地自然邊界確定試點(diǎn)項(xiàng)目共同資助。
TP 79
A
1001-070X(2016)04-0156-08
孫宇翼(1990-)，女，碩士研究生，主要研究方向?yàn)檫b感影像信息提取。Email: sunyy_gis@foxmail.com。
劉勇(1964-)，男，教授，博士生導(dǎo)師，主要研究方向?yàn)榛趯?duì)象的遙感影像分析。Email: liuy@lzu.edu.cn。
猜你喜歡
撐竿跳規(guī)則的制定小獼猴智力畫刊(2022年3期)2022-03-29 01:09:42 數(shù)獨(dú)的規(guī)則和演變數(shù)學(xué)小靈通(1-2年級(jí))(2021年4期)2021-06-09 06:26:14 分類算一算數(shù)學(xué)小靈通(1-2年級(jí))(2021年4期)2021-06-09 06:25:56 如何表達(dá)“特征”瘋狂英語·新策略(2019年10期)2019-12-13 08:43:28 不忠誠的四個(gè)特征當(dāng)代陜西(2019年10期)2019-06-03 10:12:04 分類討論求坐標(biāo)中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2019年4期)2019-05-20 10:06:32 數(shù)據(jù)分析中的分類討論中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2018年6期)2018-06-26 08:36:06 讓規(guī)則不規(guī)則Coco薇(2017年11期)2018-01-03 20:59:57 教你一招：數(shù)的分類初中生世界·七年級(jí)(2017年9期)2017-10-13 22:27:46 抓住特征巧觀察數(shù)學(xué)小靈通·3-4年級(jí)(2017年9期)2017-10-13 08:10:54
孫宇翼， 趙軍利， 王苗苗， 劉勇
(1.蘭州大學(xué)資源環(huán)境學(xué)院，蘭州 730000； 2.甘肅省地圖院，蘭州 730000； 3.中國人民解放軍61175部隊(duì)，南京 210000)
?
基于J48決策樹的面向?qū)ο蠓椒ǖ耐恋馗脖恍畔⑻崛?/p>
孫宇翼1,2， 趙軍利1,3， 王苗苗1， 劉勇1
(1.蘭州大學(xué)資源環(huán)境學(xué)院，蘭州 730000； 2.甘肅省地圖院，蘭州 730000； 3.中國人民解放軍61175部隊(duì)，南京 210000)
過去10多a來,面向?qū)ο蟮挠跋穹治龇椒ㄔ诟叻直媛视跋裥畔⑻崛≈斜憩F(xiàn)出了明顯優(yōu)勢，得到了快速發(fā)展。該方法中一個(gè)難題是，如何有效地建立滿足健壯性和通用性準(zhǔn)則的分類規(guī)則集?；跀?shù)據(jù)挖掘原理的決策樹方法有望提供有效的解決方案。選用WEKA J48算法從影像光譜、紋理和地形特征等諸多參數(shù)中優(yōu)選出部分參數(shù)構(gòu)建決策樹分類模型，以此建立分類規(guī)則集，并集成于面向?qū)ο蟮挠跋穹诸惙椒ㄖ?。利用Landsat5 TM影像和ASTER數(shù)字高程模型數(shù)據(jù)進(jìn)行的甘肅省會(huì)寧縣白草塬地區(qū)土地覆被分類的結(jié)果表明，本方法所建立的分類規(guī)則集具有較佳的健壯性和通用性，其分類精度明顯優(yōu)于基于像元的最大似然法和基于試錯(cuò)性規(guī)則集的面向?qū)ο蠓ā?/p>
面向?qū)ο蟮挠跋穹治觯?J48算法； 決策樹； 土地覆被分類
0 引言
遙感技術(shù)是土地利用/土地覆被變化信息提取的重要手段[1]。早期的影像分類主要基于像元光譜特征和有限紋理特征進(jìn)行處理，其結(jié)果通常難以滿足生產(chǎn)部門的制圖要求[2]。2000年以來，高分辨率衛(wèi)星遙感數(shù)據(jù)呈爆炸式的增長，快速準(zhǔn)確提取地學(xué)信息的社會(huì)需求有力地推動(dòng)了自動(dòng)化遙感分類方法的發(fā)展[3]，一種新的面向?qū)ο蟮挠跋穹治龇椒☉?yīng)運(yùn)而生。該方法可以充分利用影像對(duì)象的光譜、紋理、形狀和上下文等特征，完成遙感影像的信息提取[4]。
杜鳳蘭等[5]結(jié)合南京市區(qū)IKONOS高分辨率遙感數(shù)據(jù)，研究了利用面向?qū)ο蠓诸惙▽?shí)現(xiàn)地物精確分類的方法。曹寶等[6]對(duì)北京市海淀區(qū)SPOT5影像應(yīng)用面向?qū)ο蠓椒ㄟM(jìn)行了分類試驗(yàn)。蘇偉等[7]論述了基于多尺度影像分割的面向?qū)ο蠓诸惣夹g(shù)對(duì)馬來西亞吉隆坡市城市中心區(qū)所進(jìn)行的土地覆被分類研究。龍娟等[8]基于濕生植物光譜特征分析，采用面向?qū)ο蠓诸惙椒ㄌ崛×藵竦氐湫椭脖?。建立分類?guī)則集是面向?qū)ο蟮挠跋穹治龇椒ㄖ械囊粋€(gè)關(guān)鍵步驟，它是通過選取對(duì)象的一系列的特征變量來提取影像中的地物信息。目前的實(shí)際工作中普遍基于操作者個(gè)人的經(jīng)驗(yàn)，通過試錯(cuò)法建立規(guī)則集，不僅工作效率低，而且方法的可靠性、通用性不盡如人意。
本文擬以甘肅省會(huì)寧縣白草塬地區(qū)為例，探討利用集成J48決策樹在面向?qū)ο笥跋穹治龇椒ㄖ羞M(jìn)行土地覆被信息提取的技術(shù)，并與傳統(tǒng)的基于像元的最大似然法和基于試錯(cuò)性規(guī)則集的面向?qū)ο蠓ㄟM(jìn)行比較分析，探索快速可靠地提取遙感影像中地物信息的自動(dòng)化方法，以求為區(qū)域農(nóng)村經(jīng)濟(jì)和社會(huì)發(fā)展的動(dòng)態(tài)監(jiān)測尋找可行的途徑。
1 研究區(qū)概況
研究區(qū)地處甘肅省會(huì)寧縣北部，南北寬9.4 km，東西長17.33 km，總面積162.9 km2。研究區(qū)地處隴西黃土高原核心區(qū)域，塬、墚、峁、川、臺(tái)、溝壑類型齊全。海拔高度1 550～1 900 m。整個(gè)地勢由東南向西北傾斜，墚峁起伏，遍布“V”型深谷。研究區(qū)屬溫帶季風(fēng)氣候，年平均氣溫6～7.5 ℃，光照充足，年平均日照數(shù)2 520 h，干燥少雨，年均降雨量為366 mm，且集中分布在7～8月，年均蒸發(fā)量約為1 750 mm。祖厲河在研究區(qū)西側(cè)發(fā)育并形成河川谷地。研究區(qū)的基本特點(diǎn)可以概括為： 水資源短缺，生態(tài)環(huán)境脆弱。引黃工程建設(shè)從根本上改善了該地區(qū)水資源利用格局，使白草塬地區(qū)灌溉農(nóng)田面積得到顯著擴(kuò)展，并成為會(huì)寧縣較先發(fā)展并富裕起來的地區(qū)。
2 數(shù)據(jù)和方法
2.1 數(shù)據(jù)準(zhǔn)備
研究使用Landsat5 TM影像(成像時(shí)間2011年6月28日，影像分幅號(hào)： 130/035)和ASTER DEM數(shù)據(jù)，空間分辨率均為30 m。利用LEDAPS大氣校正軟件對(duì)Landsat5 TM數(shù)據(jù)進(jìn)行了大氣輻射校正，并反演獲得了高質(zhì)量的地表反射率數(shù)據(jù)。
2.2 研究方法
面向?qū)ο蟮挠跋穹治龇椒ㄊ紫韧ㄟ^影像分割生成影像對(duì)象，然后利用影像對(duì)象的光譜、紋理、形狀、上下文等特征進(jìn)行影像分類[9-10]。其分類方法主要包括最鄰近法和規(guī)則集法2種。
數(shù)據(jù)挖掘是從數(shù)據(jù)中揭示隱含的、先前未知的，并有潛在價(jià)值信息的過程[11]。決策樹屬于數(shù)據(jù)挖掘方法中的一種預(yù)測模型，包括決策節(jié)點(diǎn)、分支和葉節(jié)點(diǎn)3部分。其中，決策節(jié)點(diǎn)代表待分類樣本的某個(gè)屬性，在該屬性上的不同測試結(jié)果代表一個(gè)分支，分支表示某個(gè)決策節(jié)點(diǎn)的不同取值。每個(gè)葉節(jié)點(diǎn)存放某個(gè)類別標(biāo)簽，表示一種可能的分類結(jié)果。決策樹算法通過將訓(xùn)練集劃分為較純子集，以遞歸的方式建立決策樹[12]。
目前已經(jīng)發(fā)展了許多歸納方法可以自動(dòng)選擇分類特征及其閾值[13]。C4.5算法是一種高效的決策樹算法，采用信息增益率選取分類屬性，遞歸構(gòu)造決策樹的各個(gè)分枝，完成對(duì)連續(xù)屬性的離散化處理[14]。WEKA J48決策樹算法是對(duì)C4.5決策樹算法的實(shí)現(xiàn)，增加了有效的剪枝過程，訓(xùn)練出的決策樹規(guī)則易于理解且準(zhǔn)確度較高[15]。基于決策樹J48算法的面向?qū)ο蠓诸惙椒ǖ募夹g(shù)路線主要包括： 影像分割、分類特征變量選擇、樣本訓(xùn)練集的創(chuàng)建、決策樹的建立、決策樹的解譯和評(píng)價(jià)、基于生成的決策樹進(jìn)行面向?qū)ο蟮挠跋穹诸惡头诸惤Y(jié)果的精度評(píng)價(jià)。
本文采用J48算法產(chǎn)生的決策樹建立分類規(guī)則集，進(jìn)而完成影像分類，并與基于像元的最大似然法和基于試錯(cuò)性規(guī)則集的面向?qū)ο蠓ㄟM(jìn)行對(duì)比分析。
3 分類體系的確立
根據(jù)研究區(qū)的地理特征、自然狀況和野外調(diào)查結(jié)果，結(jié)合遙感數(shù)據(jù)源的特征，將研究區(qū)分為5種土地覆被類型(表1)。通過對(duì)研究區(qū)Landsat5 TM影像的目視解譯，結(jié)合野外的實(shí)地考察數(shù)據(jù)，并參考Google earth高分辨率影像，共選擇502個(gè)對(duì)象作為訓(xùn)練樣本，建立決策樹。
表1 土地覆被分類體系
4 分類特征變量選擇
4.1 光譜特征
光譜特征反映了影像中地物類型的顏色及灰度，是影像目視解譯的基本依據(jù)[16]。本研究選取經(jīng)過大氣輻射糾正的Landsat5 TM影像的6個(gè)波段反射率均值、標(biāo)準(zhǔn)差、各光譜指數(shù)以及纓帽變換后的亮度、綠度、濕度分量作為測試變量。
4.2 紋理特征
紋理特征描述了影像灰度的空間變化和排列規(guī)律，常使用灰度共生矩陣來檢測紋理特征的空間定向、幅度變化[17]。由于研究區(qū)內(nèi)的黃土塬頂面地勢平坦，Landsat TM影像上塬區(qū)與山地間的紋理差異明顯。因此加入了Landsat5 TM影像在可見光和近紅外的6個(gè)波段數(shù)據(jù)通過計(jì)算得到的同質(zhì)性(homogeneity)，對(duì)比度(contrast)，相異性(dissimilarity)，均值(Mean)，方差(StdDev)，角度二階矩(second moment)和相關(guān)性(correlation)6個(gè)特征變量作為測試變量，計(jì)算窗口選用3×3。
4.3 地形特征
研究區(qū)的耕地和居民地的坡度集中在0°～5°之間，退耕還林草地集中在5°～10°之間，而大部分荒漠草地和造林地所處的地形坡度都大于30°。利用研究區(qū)DEM數(shù)據(jù)計(jì)算其坡度(slope)和坡向(aspect)，作為影像分類的測試變量。表2顯示了用于研究區(qū)影像決策樹分類的屬性變量。
表2 用于構(gòu)建決策樹模型的屬性變量
5 數(shù)據(jù)分析
采用表2中的參數(shù)并運(yùn)用WEKAJ48算法構(gòu)建決策樹模型，面向?qū)ο蟮挠跋穹诸愒趀Cognition軟件中執(zhí)行。多尺度分割采用不一致性評(píng)價(jià)法，對(duì)多尺度分割參數(shù)進(jìn)行優(yōu)選[19]，通過歐幾里德距離(ED2)與尺度因子的關(guān)系圖(圖1)得到，分割參數(shù)組合的最優(yōu)值分布尺度因子為25～30。查找結(jié)果表格確定了研究區(qū)影像的最優(yōu)分割參數(shù)組合為尺度因子(scale)為25，形狀因子(shape)為0.3，緊湊度因子(compactness)為0.5。得到的多尺度分割影像見圖2，分割多邊形與參考多邊形的擬合度很好。
圖1 ED2與scale的關(guān)系圖
為客觀評(píng)價(jià)基于J48決策樹算法的面向?qū)ο蠓椒ㄌ崛⊥恋馗脖恍畔⒌木群涂煽啃裕瑢?duì)研究區(qū)的數(shù)據(jù)進(jìn)行了基于像元的最大似然法分類和基于試錯(cuò)性規(guī)則集的面向?qū)ο蠓ǚ诸?。在基于像元的最大似然法分類中，使用的參?shù)包括Landsat5TM影像的第1—5，7波段的均值和標(biāo)準(zhǔn)差。在基于試錯(cuò)性規(guī)則集的面向?qū)ο蠓椒ㄖ校詫＜抑R(shí)為經(jīng)驗(yàn)基礎(chǔ)，結(jié)合研究區(qū)影像特點(diǎn)建立了用于研究區(qū)土地覆被類型分類的規(guī)則集(表3)。
表3 試錯(cuò)性分類規(guī)則集列表
5.1 決策樹模型合理性
通過訓(xùn)練樣本，在WEKA中應(yīng)用J48算法，獲得用于影像分類的決策樹模型(圖3)。括號(hào)中的第1個(gè)數(shù)值表示最終被分類為該地物覆被類型的總訓(xùn)練樣本數(shù)目，第2個(gè)數(shù)值表示這些訓(xùn)練樣本中被誤分類的樣本數(shù)目。根據(jù)此決策樹模型，選擇10對(duì)參數(shù)進(jìn)行交叉驗(yàn)證，正確的分類率為94.62%，Kappa系數(shù)為0.93。
在決策樹的第1層上，歸一化差異水體指數(shù)在1號(hào)節(jié)點(diǎn)將農(nóng)田劃分為： 旱地和水澆地。研究區(qū)干旱少雨，旱地水澆地的植株冠層水分的蒸發(fā)量大，歸一化差異水體指數(shù)能夠有效地提取植被冠層的水分含量。當(dāng)植被冠層受水分脅迫時(shí)，NDWI指數(shù)能及時(shí)響應(yīng)，作為決策樹中的根節(jié)點(diǎn)，首先將旱地與水澆地區(qū)分出來(植被水分指數(shù)低于-0.49)，剩余的對(duì)象(植被水分指數(shù)高于-0.49)屬于決策樹的右支，為植被覆蓋度低的地物覆被類型，即居民地、草地、林地和砂田。
在決策樹的第2層上，未被分類的不同的地物覆被類型，具有不同的地表水分含量。相同的地物覆被類型，由于處于不同的地理位置和成長狀態(tài)，其地表水分含量也存在差異。因而，在節(jié)點(diǎn)2處，采用影像的地表水分含量指數(shù)，將影像劃分為地表水分含量相對(duì)低的區(qū)域(低于-0.07)和地表水分含量相對(duì)高的區(qū)域(高于-0.07)。
圖3 利用J48算法得到的土地覆被類型分類的決策樹
Fig.3 Decision tree generated by algorithm J48 to Land cover classification
在決策樹的第3層上，利用Landsat5 TM影像第2波段紋理均值將大部分草地與其他地物覆被類型區(qū)別開來(高于30.62)。對(duì)于地表水分含量相對(duì)較高的區(qū)域(2號(hào)節(jié)點(diǎn)的右支)，Landsat5 TM影像的第4波段可以有效地識(shí)別農(nóng)作物和突出土壤/農(nóng)作物、陸地/水體的對(duì)比度，砂田對(duì)比于居民地和水體的生物量大，居民地中雖有植被種植，但以裸土、房屋為主，因而，在4號(hào)節(jié)點(diǎn)處，利用第4波段的反射率均值分出砂田(高于3 089.22)。
在決策樹的第4層上，在5號(hào)節(jié)點(diǎn)處將剩下的小部分未被分類的草地利用第4波段的紋理同質(zhì)性區(qū)分出來(低于0.25)。在6號(hào)節(jié)點(diǎn)處，利用Landsat5 TM影像經(jīng)過纓帽變換后得到的濕度分量，將居民地(低于-1 056.38)與水體(高于-1 056.38)區(qū)分出來。
在決策樹的第5層上，在7號(hào)節(jié)點(diǎn)處針對(duì)居民地和林地分布的地形坡度特征存在明顯差異，分出地表水分含量相對(duì)較低區(qū)域(節(jié)點(diǎn)2的左支)中余下的居民地(坡度低于3.74)和造林地(坡度高于3.74)。
5.2 分類結(jié)果及其精度評(píng)價(jià)
研究區(qū)原圖和3種分類方法得到的分類結(jié)果見圖4。
(a) 研究區(qū)原影像(b) 基于像元的最大似然法分類結(jié)果圖
圖4-1 研究區(qū)原圖像和3種分類方法得到的分類結(jié)果
Fig.4-1 Land cover classification map of different image analysis method
(c) 基于試錯(cuò)性規(guī)則集的面向?qū)ο蠓ǚ诸惤Y(jié)果圖 (d) 本文方法的分類結(jié)果圖
圖4-2 研究區(qū)原圖像和3種分類方法得到的分類結(jié)果
Fig.4-2 Land cover classification map of different image analysis method
圖4中，基于像元的最大似然法得到的分類結(jié)果中“椒鹽現(xiàn)象”明顯； 基于試錯(cuò)性規(guī)則集的面向?qū)ο蠓ǖ姆诸惤Y(jié)果“椒鹽現(xiàn)象”得到緩解，但由于研究區(qū)地處中國西北干旱、半干旱區(qū)，且居民地為農(nóng)村居民地，其周邊的草地、造林地均稀疏分布，“異物同譜”現(xiàn)象嚴(yán)重，難以單純地依靠試錯(cuò)法建立有效的規(guī)則集進(jìn)行影像分類，導(dǎo)致居民地與耕地，草地與造林地間的區(qū)分效果較差。本文方法得到的分類結(jié)果不僅各土地覆被類型均被有效地區(qū)分出來，擁有較高的分類精度，而且“椒鹽現(xiàn)象”得到顯著緩解，其分類圖斑少而規(guī)整，更加易于專題制圖應(yīng)用。
選取673個(gè)獨(dú)立于前述模型構(gòu)建的訓(xùn)練樣本數(shù)據(jù)集對(duì)以上3種方法的分類結(jié)果進(jìn)行精度評(píng)價(jià)分析(表4)。從中可以看出，最大似然法分類結(jié)果的總精度為64.56%，Kappa系數(shù)為0.60； 基于試錯(cuò)性規(guī)則集的面向?qū)ο蠓ǖ目偩葹?2.53%，Kappa系數(shù)為0.63； 本文分析方法分類結(jié)果總精度為89.30%，Kappa系數(shù)為0.84。表明本文分析方法與最大似然法、試錯(cuò)性規(guī)則集的面向?qū)ο蠓ㄏ啾?，各種地物覆被類型的生產(chǎn)者精度和用戶精度均顯著提高。
表4 分類精度評(píng)價(jià)結(jié)果
6 結(jié)論
本文將J48決策樹技術(shù)集成于面向?qū)ο蟮挠跋穹治龇椒ㄖ?，基于Landsat5 TM影像的土地覆被分類總精度達(dá)到89.30%，Kappa系數(shù)達(dá)到0.84，取得了較好的分類效果。傳統(tǒng)的基于像元的遙感影像分類技術(shù)不僅效率低，且精度難以達(dá)到實(shí)用要求，已經(jīng)不適應(yīng)于高分辨率遙感影像應(yīng)用發(fā)展的需求。面向?qū)ο蟮姆诸惙椒梢猿浞掷糜跋竦墓庾V、紋理、幾何等信息，在特征空間中實(shí)現(xiàn)地物類型的識(shí)別和標(biāo)識(shí)，避免了基于像元分類結(jié)果中“椒鹽現(xiàn)象”的產(chǎn)生，提高了影像的分類精度。
面向?qū)ο笥跋穹治龇椒ㄖ幸霙Q策樹算法實(shí)現(xiàn)了規(guī)則集建立的自動(dòng)化。J48決策樹模型與試錯(cuò)性規(guī)則集兩者存在相似性，但WEKA J48算法能夠篩選出更多可用于影像分類的特征，如紋理和地形等，建立分類決策樹，形成可在eCognition中實(shí)現(xiàn)影像分類的規(guī)則集。可見J48算法可以模擬和補(bǔ)充專家知識(shí)庫，確保分類規(guī)則集的通用性，有效地消除工作人員進(jìn)行影像分類的主觀性，減少人為誤判，分類效率和分類結(jié)果精度可得到顯著提高。
本文使用遙感影像的光譜特征、紋理特征和地形特征構(gòu)建了影像分類決策樹的測試變量集，變量集的選取主要依靠已有研究成果，未形成系統(tǒng)科學(xué)的選擇標(biāo)準(zhǔn)。如何選取具有針對(duì)性的測試變量集將有待開展進(jìn)一步的研究。
[1] 李秀彬.全球環(huán)境變化研究的核心領(lǐng)域——土地利用/土地覆被變化的國際研究動(dòng)向[J].地理學(xué)報(bào),1996,51(6):553-558. Li X B.A review of the international researches on land use/land cover change[J].Acta Geographica Sinica,1996,51(6):553-558.
[2] 王圓圓,李京.遙感影像土地利用/覆蓋分類方法研究綜述[J].遙感信息,2004,19(1):53-59. Wang Y Y,Li J.Classification methods of land use/cover based on remote sensing technology[J].Remote Sensing Information,2004,19(1):53-59.
[3] 朱光良.基于衛(wèi)星遙感技術(shù)的土地利用研究發(fā)展[J].遙感信息,2001,16(4):34-37,39. Zhu G L.Research and development based on land use satellite remote sensing technology[J].Remote Sensing Information,2001,16(4):34-37,39.
[4] Blaschke T.Object based image analysis for remote sensing[J].ISPRS Journal of Photogrammetry and Remote Sensing,2010,65(1):2-16.
[5] 杜鳳蘭,田慶久,夏學(xué)齊,等.面向?qū)ο蟮牡匚锓诸惙ǚ治雠c評(píng)價(jià)[J].遙感技術(shù)與應(yīng)用,2004,19(1):20-23. Du F L,Tian Q J,Xia X Q,et al.Object-oriented image classification analysis and evaluation[J].Remote Sensing Technology and Application,2004,19(1):20-23.
[6] 曹寶,秦其明,馬海建,等.面向?qū)ο蠓椒ㄔ赟POT5遙感圖像分類中的應(yīng)用——以北京市海淀區(qū)為例[J].地理與地理信息科學(xué),2006,22(2):46-49,54. Cao B,Qin Q M,Ma H J,et al.Application of object-oriented approach to SPOT5 image classification:A case study in Haidian district, Beijing City[J].Geography and Geo-Information Science,2006,22(2):46-49,54.
[7] 蘇偉,李京,陳云浩,等.基于多尺度影像分割的面向?qū)ο蟪鞘型恋馗脖环诸愌芯俊择R來西亞吉隆坡市城市中心區(qū)為例[J].遙感學(xué)報(bào),2007,11(4):521-530. Su W,Li J,Chen Y H,et al.Object-oriented urban land-cover classification of multi-scale image segmentation method:A case study in Kuala Lumpur City center,Malaysia[J].Journal of Remote Sensing,2007,11(4):521-530.
[8] 龍娟,宮兆寧,郭逍宇,等.基于光譜特征的濕地濕生植物信息提取研究[J].國土資源遙感,2010,22(3):125-129.doi:10.6046/gtzyyg.2010.03.25. Long J,Gong Z N,Guo X Y,et al.Information extraction of wetland aquatic vegetation based on spectral characteristics[J].Remote Sensing for Land and Resources,2010,22(3):125-129.doi:10.6046/gtzyyg.2010.03.25.
[9] 陳云浩,馮通,史培軍,等.基于面向?qū)ο蠛鸵?guī)則的遙感影像分類研究[J].武漢大學(xué)學(xué)報(bào):信息科學(xué)版,2006,31(4):316-320. Chen Y H,Feng T,Shi P J,et al.Classification of remot sensing image based on object oriented and class rules[J].Geomatics and Information Science of Wuhan University,2006,31(4):316-320.
[10]譚衢霖,Steve J.基于像元和對(duì)象分類的城區(qū)植被高分辨率遙感制圖比較研究[J].應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào),2011,19(3):441-448. Tan Q L,Steve J.Evaluation of urban vegetation mapping using high spatial resolution image:Pixel versus object classification comparison[J].Journal of Basic Science and Engineering,2011,19(3):441-448.
[11]云玉屏.基于C4.5算法的數(shù)據(jù)挖掘應(yīng)用研究[D].哈爾濱:哈爾濱理工大學(xué),2008. Yun Y P.Application and Research of Data Mining based on C4.5 Algorithm[D].Harbin:Harbin University of Science and Technology,2008.
[12]袁梅宇.數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)——WEKA應(yīng)用技術(shù)與實(shí)踐[M].北京:清華大學(xué)出版社,2014. Yuan M Y.Data Mining and Machine Learning:WEKA Application Technology and Practice[M].Beijing:Tsinghua University Press,2004.
[13]鄒文濤,張懷清,鞠洪波,等.基于QUEST樹的高寒濕地植被覆蓋類型遙感分類研究[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2011,31(12):138-144. Zou W T,Zhang H Q,Ju H B,et al.Study on remote sensing classification of highland wetlands vegetation coverage by QUEST-based decision tree[J].Journal of Central South University of Forestry & Technology,2011,31(12):138-144.
[14]劉曉宇.C4.5算法的一種改進(jìn)及其應(yīng)用[D].青島:中國海洋大學(xué),2013. Liu X Y.An Improved C4.5 Algorithm and Application[D].Qingdao:Ocean University of China,2013.
[15]史澤鵬,馬中文,馬友華,等.基于J48決策樹算法的遙感土地利用變化分析[J].遙感信息,2014,29(1):78-84. Shi Z P,Ma Z W,Ma Y H,et al.Land use change of remote sensing based on J48 decision tree algorithm[J].Remote Sensing Information,2014,29(1):78-84.
[16]李先.面向?qū)ο蟮耐恋乩米兓瘷z測方法研究[D].阜新:遼寧工程技術(shù)大學(xué),2009. Li X.Research on the Methods of Object-Oriented Land Use Change Detection[D].Fuxin:Liaoning Technical University,2009.
[17]朱曉榮.基于決策樹的洞庭湖濕地信息提取技術(shù)研究[D].北京:中國林業(yè)科學(xué)研究院,2012. Zhu X R.Research for Informations to be Extracted from Dongting Lake Wetland based on Decision Tree[D].Beijing:Chinese Academy of Forestry,2012.
[18]李天文,劉學(xué)軍,陳正江,等.規(guī)則格網(wǎng)DEM坡度坡向算法的比較分析[J].干旱區(qū)地理,2004,27(3):398-404. Li T W,Liu X J,Chen Z J,et al.Study on the accuracy and algorithms for calculating slopes and aspects based on the digital elevation model[J].Arid Land Geography,2004,27(3):398-404.
[19]Liu Y,Bian L,Meng Y H,et al.Discrepancy measures for selecting optimal combination of parameter values in object-based image analysis[J].ISPRS Journal of Photogrammetry and Remote Sensing,2012,68:144-156.
(責(zé)任編輯： 李瑜)
Land cover information extraction from remote sensing images using object-based image analysis method integrated with decision tree
SUN Yuyi1,2, ZHAO Junli1,3, WANG Miaomiao1, LIU Yong1
(1.CollegeofEarthandEnvironmentSciences,LanzhouUniversity,Lanzhou730000,China; 2.MapInstituteofGansu,Lanzhou730000,China; 3. 61175TroopsofPLA,Nanjing210000,China)
Object-based image analysis, which has been developed rapidly over the last decades, performs advantageous over classic pixel-based image classification. One of the key problems within this paradigm is to automatically build robust and transferable rule sets for segment classification. It has been identified promisingly to develop rule sets by means of decision tree based on data mining. The authors suggest a decision tree model integrated with J48 algorithm embedded in Weka to select parameters from a set of spectral, textural and terrain features relevant to rule sets for segment classification. Based on this method, the authors used Landsat5 TM image data and ASTER digital elevation model to establish land cover classification in the study area, i.e., Baicaoyuan area in Huining county, Gansu Province. Rule sets developed in this way perform acceptable robustness and transferability. Accuracy assessment proves that this method has significantly higher classification accuracy than other pixel-based methods based on employing maximum likelihood and objected-based nearest neighbor logic.
object-based image analysis (OBIA); J48 algorithm; decision tree; land cover classification
10.6046/gtzyyg.2016.04.24
孫宇翼，趙軍利，王苗苗，等.基于J48決策樹的面向?qū)ο蠓椒ǖ耐恋馗脖恍畔⑻崛J].國土資源遙感，2016，28(4)：156-163.(Sun Y Y,Zhao J L,Wang M M,et al.Land cover information extraction from remote sensing images using object-based image analysis method integrated with decision tree[J].Remote Sensing for Land and Resources,2016,28(4)：156-163.)
2015-05-11；
2015-08-03
國家自然科學(xué)基金“遙感影像多尺度分割質(zhì)量評(píng)價(jià)與參數(shù)優(yōu)選方法研究”(編號(hào)： 41271360)和甘肅省濕地自然邊界確定試點(diǎn)項(xiàng)目共同資助。
TP 79
A
1001-070X(2016)04-0156-08
孫宇翼(1990-)，女，碩士研究生，主要研究方向?yàn)檫b感影像信息提取。Email: sunyy_gis@foxmail.com。
劉勇(1964-)，男，教授，博士生導(dǎo)師，主要研究方向?yàn)榛趯?duì)象的遙感影像分析。Email: liuy@lzu.edu.cn。
猜你喜歡
小獼猴智力畫刊(2022年3期)2022-03-29 01:09:42
數(shù)學(xué)小靈通(1-2年級(jí))(2021年4期)2021-06-09 06:26:14
數(shù)學(xué)小靈通(1-2年級(jí))(2021年4期)2021-06-09 06:25:56
瘋狂英語·新策略(2019年10期)2019-12-13 08:43:28
當(dāng)代陜西(2019年10期)2019-06-03 10:12:04
中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2019年4期)2019-05-20 10:06:32
中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2018年6期)2018-06-26 08:36:06
Coco薇(2017年11期)2018-01-03 20:59:57
初中生世界·七年級(jí)(2017年9期)2017-10-13 22:27:46
數(shù)學(xué)小靈通·3-4年級(jí)(2017年9期)2017-10-13 08:10:54
