基于水稻特征波段的決策樹分類研究

張博文 崔林麗 史軍

摘要 以滁州市為例，結(jié)合水稻物候的特征波段，選用反映水稻物候期時相的TM數(shù)據(jù)，并基于多特征波段，構(gòu)建CART決策樹分類提取水稻種植面積。結(jié)果表明，植被指數(shù)、濕度因子、綠度因子、紋理特征等多特征參與CART決策樹分類能夠提高總體精度?；诠庾V信息、植被指數(shù)和紋理特征的決策樹分類的總精度比以最大似然法進行的監(jiān)督分類方法提高了6.942 1百分點，Kappa系數(shù)提高了0.110 4。合理選用作物物候期數(shù)據(jù)及其遙感影像的特征波段能夠有效降低分類誤差，為地形復(fù)雜地區(qū)獲取作物種植面積提新的方法。

關(guān)鍵詞 多特征選擇；CART決策樹；水稻

中圖分類號 S126 文獻標(biāo)識碼 A 文章編號 0517-6611（2017）28-0207-04

Abstract Taking Chuzhou City as an example， combined with the characteristic band of rice phenology in remote sensing image， using TM data of the typical rice phenology， planting area of rice was extracted by CART decision tree classification based on the multifeature band.

The results showed that CART algorithm classification involved by vegetation index， humidity factor，green degree factor，texture feature and other characteristics can improve the overall accuracy. The decision tree classification based on spectral information， vegetation indices and texture features was 6.942 1 percentage point higher in overall accuracy than that of supervised classification method based on maximum likelihood， and its Kappa coefficient increased 0.110 4. So the reasonable selection of the characteristic bands of crop phenological data and remote sensing images could effectively reduce the classification error， which could provide new method for obtaining crop planting area extraction in the complex terrain area.

Key words Multifeatures selection；CART decision tree；Paddy rice

2004年，我國水稻播種面積為28.38 km2，占世界水稻總產(chǎn)量的25%左右[1]。我國水稻播種面積的統(tǒng)計、水稻長勢的監(jiān)測及水稻產(chǎn)量的準(zhǔn)確估測等都為保障我國糧食安全提供了重要信息。近年來，隨著社會、經(jīng)濟的快速發(fā)展，常規(guī)的地籍統(tǒng)計方法已無法快速獲得準(zhǔn)確信息。隨著科技的發(fā)展，遙感技術(shù)已經(jīng)被廣泛應(yīng)用于農(nóng)林業(yè)、海洋生物、礦藏勘探、水文調(diào)查、天氣預(yù)報、災(zāi)害預(yù)警、環(huán)境保護和軍事偵察等領(lǐng)域。利用遙感技術(shù)對水稻面積進行監(jiān)測具有準(zhǔn)確、高效的特點，遙感技術(shù)不僅能準(zhǔn)確獲取水稻播種面積，而且還能對其種植面積進行有效動態(tài)監(jiān)測。

近年來，關(guān)于采用遙感手段獲取水稻信息并提取水稻播種面積，國內(nèi)外均已有研究報道。張峰等[2]利用NOAA-AVHRR和TM影像結(jié)合的方法，探討了提取水稻面積的方法。Huang等[3]用地理信息系統(tǒng)從土地利用圖獲取出疑似的水稻種植區(qū)，并在疑似的種植區(qū)中結(jié)合NOAA-AVHRR數(shù)據(jù)進行最大似然法分類提取水稻面積。韓立建等[ 4]使用多時相IRS-P6數(shù)據(jù)分區(qū)，探討了水稻面積的手段。賴格英等[5]采用模糊監(jiān)督分類方法研究了水稻種植面積。

目前，國內(nèi)外的研究區(qū)大多在平原區(qū)，且多是基于像元法獲取水稻播種面積[6]。在試驗中需要高分辨率的遙感影像，導(dǎo)致精確解譯耗時過長，難以實現(xiàn)高效監(jiān)測這一要求。與其他地區(qū)水稻播種面積提取相比，安徽省滁州市水稻播種面積的提取受到以下多種因素的制約：①由于緯度差異，與其他地區(qū)的耕作制度不同；②皖東地形多樣，種植結(jié)構(gòu)復(fù)雜，取樣精度很難達到要求；③因為遙感數(shù)據(jù)普遍出現(xiàn)“同譜異物”和“同物異譜 ”現(xiàn)象，多時相的提取方法在陰雨天氣較多的南方地區(qū)也難以采用。筆者以滁州市為例，結(jié)合水稻物候的特征波段，選用反映水稻物候期時相的TM數(shù)據(jù)，并基于多特征波段，構(gòu)建CART決策樹分類提取水稻種植面積。

1 水稻波段特征的提取及分析

1.1 主成分變換分析

在對滁州市TM影像進行主成分變換分析后，將得到的第一、二、三主成分圖像進行彩色合成，獲得的彩色圖像中包含豐富的圖像信息。

1.2 纓帽變換分析

試驗中采用纓帽變換參與提取水稻播種面積，分別得出3個分量：亮度（BI）、綠度（GVI）、濕度（WI）。因為對試驗區(qū)進行纓帽變換分析可以增強植被的辨別效果，利用該功能可以對水稻種植區(qū)起到良好的檢測作用。

1.3 植被指數(shù)分析

針對植被生長狀況、植被覆蓋度和降低輻射誤差等問題，通常使用NDVI進行監(jiān)測。一般而言，NDVI對植被的監(jiān)測比單波段監(jiān)測更加精確。因為水稻的分布密度與水稻種植區(qū)面積呈線性相關(guān)，而水稻的生長狀態(tài)和水稻的空間分布密度的最佳指示因子就是歸一化植被指數(shù)（NDVI）。

1.4 紋理特征提取與分析

試驗區(qū)的紋理信息呈現(xiàn)出隨機性，因此采用共生矩陣法提取所需的紋理信息。共得出常用的8個參量：均值（Mean）、方差（Variance）、均勻性（ Homogeneity）、對比度（Contrast）、相異性（Dissimilarity）、熵（Entropy）、相關(guān)性（Correlation）、二階距（Second Moment）等。紋理特征與地物的類別具有明顯關(guān)系，其中均值反映紋理規(guī)則程度，均值越大，紋理規(guī)則程度越強。熵反映對信息量的度量，熵值越大則說明紋理越多。

2 CART決策樹水稻面積提取

2.1 選取訓(xùn)練區(qū)樣本

CART決策樹分類方法作為一種特殊的監(jiān)督分類方法，在分類試驗前需要事先準(zhǔn)備一個訓(xùn)練樣本集對其進行構(gòu)建和評價。根據(jù)滁州市水稻種植制度和地形地貌特點，并結(jié)合滁州市當(dāng)年土地利用圖，目視解譯（在TM5、4、3合成波段假彩色中，安徽省丘陵山地夏季水稻呈現(xiàn)出紫色和灰白色；林地呈現(xiàn)出綠色和黃綠色；水體呈現(xiàn)出黑色和藍色；建筑用地多為品紅色；旱地多數(shù)作物呈現(xiàn)前黃褐色或者黃色），部分實地調(diào)查樣本數(shù)據(jù)對樣本區(qū)進行分類。共分成5類主要地物：水體、建筑、林地、水稻及其他作物用地。在該試驗中對水稻面積的提取將優(yōu)先采用CART決策樹方法，分析影響水稻面積提取的特定波段。

2.2 決策樹特征選擇和分類規(guī)則

在數(shù)據(jù)不充分的條件下，為了研究水稻面積提取的主要波段特征，根據(jù)選取的訓(xùn)練樣本，采用CART算法進行運算分析，選取測試變量為影像的主成分分析值（PC1）、歸一化植被指數(shù)（NDVI）、綠度分量（GVI）、濕度分量（WI）、2個紋理特征值（均值、熵），目標(biāo)變量將水體、建筑、林地、水稻及其他作物用地選為目標(biāo)變量。通過試驗得到8 855個訓(xùn)練樣本，通過學(xué)習(xí)得到?jīng)Q策樹結(jié)構(gòu)，共生成46個葉節(jié)點，每個節(jié)點對應(yīng)一個生成規(guī)則，即46條規(guī)則。其中，水稻區(qū)域部分規(guī)則如下：

If（綠度>20.33 && 均值>30.25 && 濕度>30.52 && 均值>43.98）Than（class = 水稻）

If（綠度>20.33 && 均值<30.25 && 熵>3.987&& 綠度<33.26）Than（class = 水稻）

If（綠度>20.33 && 均值<30.25 && 熵<3.987 && NDVI<-0.56）Than（class = 水稻）

從規(guī)則上看，纓帽變換中的綠度分量、紋理特征（尤其是均值和熵）以及歸一化植被指數(shù)是研究地形復(fù)雜地區(qū)水稻面積時所必須依賴的因子，而主成分在分類提取水稻中作用甚微，精簡決策樹模型便不再體現(xiàn)。

通過以上生成規(guī)則，水稻生長期中的多項特征（歸一化植被指數(shù)、纓帽變換中的綠度分量和濕度分量、紋理特征分析中的熵值和均值）對于提取丘陵山地地區(qū)的水稻面積的研究具有直接作用。

3 試驗結(jié)果與精度評價

3.1 決策樹分類結(jié)果

將生成規(guī)則應(yīng)用在ENVI中的Decision Tree，并建立決策樹模型，對研究區(qū)進行決策樹分類，生成多種特征光譜信息的CART決策樹分類結(jié)果（圖1）。

針對圖1中分類后各個地物類別出現(xiàn)較多小塊圖斑，在實際應(yīng)用中有必要對其按照鄰近的相似性將鄰近的類進行合并。按照“少數(shù)服從多數(shù)原則”對基于決策樹分類的結(jié)果圖進行碎斑處理，保證空間的連續(xù)性。碎斑處理后的決策樹分類結(jié)果見圖2。

3.2 最大似然法分類結(jié)果

為了分析基于CART決策樹的分類圖的精度與其他分類方法的差異，試驗中采用基于影像的光譜特征的監(jiān)督分類方法中的最大似然法對研究區(qū)進行監(jiān)督分類得到的分類結(jié)果如圖3所示。

針對圖3中分類后各個地物類別出現(xiàn)較多小塊圖斑，同樣對基于最大似然法分類的結(jié)果圖進行碎斑處理，并得到碎斑合并后的最大似然法分類結(jié)果（圖4）。

3.3 精度評價

當(dāng)直接采用目視判讀將2種方法得出的分類圖與原始圖像比對時，檢驗其分類效果，發(fā)現(xiàn)基于CART決策樹方法對丘陵山區(qū)水稻面積提取分類的效果更好。為了更加客觀地評價分類精度，將采用2種方法對結(jié)果進行驗證。

（1）采用基于混淆矩陣的精度評價方法的對最大似然法分類結(jié)果與基于CART決策樹分類方法的分類結(jié)果進行比較，選用實地調(diào)查樣本和目視解譯部分樣本產(chǎn)生樣本點，共計578個，建立混淆矩陣?；贑ART決策樹分類和基于最大似然法分類的精度分析見表1、2。由表1、2可知，基于CART決策樹分類的總精度為96.885 8%，Kappa系數(shù)為0.961 0?；谧畲笏迫环ǚ诸惖目偩葹?9.943 7%，Kappa系數(shù)為0.850 6?；贑ART決策樹分類方法，利用水稻影像的波譜特征并結(jié)合多項植被指數(shù)和紋理特征分析的分類精度要優(yōu)于最大似然法。其中，總精度提高了6.942 1百分點，Kappa系數(shù)從0.850 6提高到0.961 0，提高了0.110 4。

基于水稻特征波段的CART決策樹分類方法能夠顯著改善林地和水稻的分類中產(chǎn)生的錯分漏分現(xiàn)象；最大似然法分類中僅僅依靠地物的光譜特征，導(dǎo)致了分類結(jié)果中水稻區(qū)和林地與其他作物區(qū)的錯分漏分的現(xiàn)象較為明顯。這是因為水稻區(qū)域的波譜特征信息與林地（其他綠色植被）的波譜特征信息極為相似，錯分、漏分區(qū)域多數(shù)集中在丘陵山區(qū)附近，這是因為水稻區(qū)域破碎、狹長，從而導(dǎo)致分類出現(xiàn)誤差。但是，基于水稻特征波段的CART決策樹分類方法中利用水稻紋理細密、林地和大部分其他作物的紋理特征影像結(jié)構(gòu)粗糙這一特征很好地將水稻與其他地物區(qū)別開來，提高了分類的精度。

（2）采用2種分類方法中水稻區(qū)域的像元點數(shù)，將水稻種植面積與2006年安徽省統(tǒng)計局公布的滁州市2005年稻谷種植面積進行比對。由表3可知，基于CART決策樹分類方法所獲取的面積更接近于實際水稻面積，精度達到64.09%，比最大似然法分類獲取水稻面積提高了14.86百分點。同時，對滁州市水稻種植區(qū)進行實地調(diào)查發(fā)現(xiàn)，滁州市稻谷種植除水田外還有一定面積的旱稻，而安徽省統(tǒng)計局公布的滁州市稻谷種植面積中包含旱稻面積，在數(shù)據(jù)不完備的情況下采用基于CART決策樹分類所提取的水稻面積精度誤差是在合理范圍內(nèi)的。

4 結(jié)論與討論

筆者運用滁州市丘陵山地地區(qū)水稻的光譜特征與樣本區(qū)的歸一化植被指數(shù)，纓帽變換中綠度分量和濕度分量和紋理測度中熵和均值等多特征波段信息并結(jié)合CART決策樹模型。水稻與其有相似光譜特征值的地物被很好地區(qū)分開來，獲得了良好的分類精度，表明多特征波段信息對于水稻面積提取精度有較大幫助。

CART決策樹模型比最大似然法分類更加快速簡單，提高了分類效率；同時，CART決策樹的遙感分類較為準(zhǔn)確，不需要扎實的專業(yè)知識儲備，并且便于與其他地學(xué)知識融合，應(yīng)用廣泛。

CART決策樹分類方法作為一種特殊的監(jiān)督分類方法，在分類試驗前需要事先提供一個學(xué)習(xí)樣本集對其進行構(gòu)建和評估。因此，要保證分類精度，就要在分類前選取純凈的像元作為訓(xùn)練樣本。今后應(yīng)進一步研究改善分類效果，降低對先驗知識的依賴性，實現(xiàn)自動化分類的目的。

參考文獻

[1] 李衛(wèi)國，李秉柏，石春林.基于模型和遙感的水稻長勢監(jiān)測研究進展[J].中國農(nóng)學(xué)通報，2006，22（9）：457-461.

[2] 張峰，吳炳方，黃慧萍，等.泰國水稻種植區(qū)耕地信息提取研究[J].自然資源學(xué)報，2003，18（6）：766-772.

[3] HUANG J F，Ahmad Y，WANG R C.Integration of GIS and TM data to extract early rice area in Longyou Country[J].Transaction of the Chinese society of agricultural engineering，2001，17（1）：159-162.

[4] 韓立建，潘耀忠，賈斌，等.基于多時相IRS- P6衛(wèi)星AWiFS影像的水稻種植面積提取方法[J].農(nóng)業(yè)工程學(xué)報，2007，23（5）：137-143.

[5] 賴格英，楊星衛(wèi).南方丘陵地區(qū)水稻種植面積遙感信息提取的試驗[J].應(yīng)用氣象學(xué)報，2000，11（1）：47-54.

[6] 龐新華.基于決策樹和混合像元分解的P6AWiFS遙感影像小麥播種面積測量方法研究[D].北京：北京師范大學(xué)，2008.