基于決策樹(shù)和多時(shí)相遙感數(shù)據(jù)的苜蓿分類(lèi)研究

秦景逸，鄭逢令，阿斯婭·曼力克*，艾尼玩·艾買(mǎi)爾

（1.新疆畜牧科學(xué)院草業(yè)研究所 3S技術(shù)應(yīng)用實(shí)驗(yàn)室，烏魯木齊 830000；2.新疆畜牧科學(xué)院工程咨詢(xún)中心，烏魯木齊 830000）

近幾年來(lái)，新疆的畜牧業(yè)逐步由傳統(tǒng)放牧向舍飼、半舍飼放牧轉(zhuǎn)變，但是隨著天然草地的持續(xù)退化，導(dǎo)致產(chǎn)草量下降、載畜量超標(biāo)等一系列問(wèn)題，制約畜牧業(yè)發(fā)展總體水平。為減輕天然草地的放牧壓力，必須要大力發(fā)展人工草地，苜蓿被稱(chēng)為飼草之王，其產(chǎn)量高、營(yíng)養(yǎng)豐富、易消化的特征備受重視。從2011年開(kāi)始，全疆大部分地區(qū)種植苜蓿面積達(dá)到了26.67萬(wàn)hm2左右，及時(shí)、準(zhǔn)確的獲取苜蓿分布情況和提取種植面積對(duì)人工草地宏觀(guān)管理具有重要的實(shí)踐價(jià)值。然而提取苜蓿面積的遙感衛(wèi)星在實(shí)際操作中也存在一定的問(wèn)題，時(shí)間分辨率高的衛(wèi)星[7]其空間分辨率較低；空間分辨率高的衛(wèi)星受天氣影響大且重訪(fǎng)周期長(zhǎng)，導(dǎo)致提取精度難以保證。想要獲取同一區(qū)域，同一時(shí)相，精度較高無(wú)云干擾的遙感圖像比較困難。

利用多時(shí)相遙感影像監(jiān)測(cè)草地資源面積及動(dòng)態(tài)演變規(guī)律已成為近年來(lái)國(guó)內(nèi)外眾多學(xué)者研究的熱點(diǎn)問(wèn)題。李春干[1]等人在2007年到2008年利用多時(shí)相ALOS PRISM/AVNIP-2的數(shù)據(jù)生成相應(yīng)的植被指數(shù)序列獲取紅樹(shù)林的空間分布。李曉東[2]等人設(shè)計(jì)了農(nóng)田分類(lèi)提取方案，對(duì)2013年1月到12月的衛(wèi)星數(shù)據(jù)集的植被指數(shù)、水體指數(shù)和土壤指數(shù)進(jìn)行數(shù)學(xué)方法運(yùn)算，得到具有明確物理意義和物候信息的指標(biāo)因子，自動(dòng)分類(lèi)提取不同農(nóng)田類(lèi)型。Hong G[3]等人將衛(wèi)星與雷達(dá)數(shù)據(jù)融合，利用更豐富的衛(wèi)星遙感信息源提高了加拿大草原苜蓿人工草地信息提取的精度。Nidamanuri[4]等人利用航空成像光譜儀所得圖像對(duì)5種不同的作物信息進(jìn)行提取研究，精度均達(dá)到80%以上。李敏[5]等人基于兩種不同的衛(wèi)星圖像，采用決策樹(shù)的分類(lèi)方法提取鄉(xiāng)鎮(zhèn)級(jí)的棉花種植面積，精度達(dá)到90%以上。陳家琪[6]等人利用多時(shí)相的兩種不同的衛(wèi)星數(shù)據(jù)源，對(duì)甘肅省定西縣2000年到2001年土地利用和土地覆蓋進(jìn)行遙感調(diào)查，采用多時(shí)相多數(shù)據(jù)源的組合相互補(bǔ)充，增加信息量，根據(jù)不同作物不同時(shí)相的光譜特征進(jìn)行精確的作物面積劃分，從而明確了該縣土地利用結(jié)構(gòu)，耕地退耕還林、還草的變化狀況，實(shí)現(xiàn)了對(duì)該區(qū)域生態(tài)環(huán)境變化的動(dòng)態(tài)監(jiān)測(cè)。分析不同作物的生長(zhǎng)發(fā)育規(guī)律在遙感影像上表現(xiàn)出的時(shí)相變化特征，從而利用作物波譜時(shí)間效應(yīng)特征實(shí)現(xiàn)作物面積提取的分類(lèi)精度。NDVI時(shí)間序列數(shù)據(jù)可以有效解決遙感反演遇到“同物異譜，同譜異物”問(wèn)題?？梢岳貌煌瑫r(shí)間序列遙感圖像生成NDVI時(shí)間序列數(shù)據(jù)，從而達(dá)到作物分類(lèi)繼而提取作物面積的目的。

本文選擇全疆范圍內(nèi)3個(gè)不同緯度的試驗(yàn)地，分別是阿勒泰市640臺(tái)地農(nóng)業(yè)產(chǎn)業(yè)化示范園、塔城市鐵斯克塔斯鄉(xiāng)、齊巴爾吉迭鄉(xiāng)和呼圖壁縣種牛場(chǎng)畜牧隊(duì)，通過(guò)2015年至2017年三年的Landsat 8衛(wèi)星、高分遙感和哨兵遙感數(shù)據(jù)結(jié)合的方式，共獲取36景遙感影像，分析研究區(qū)苜蓿與其他農(nóng)作物之間的差異，運(yùn)用專(zhuān)家知識(shí)決策樹(shù)（CART）分類(lèi)法，結(jié)合實(shí)地定位調(diào)查，為當(dāng)?shù)貐^(qū)域苜蓿分類(lèi)信息高精度提取提供一定的參考。

1 研究區(qū)及觀(guān)測(cè)數(shù)據(jù)

1.1 樣地選擇與定位

試驗(yàn)區(qū)分別選擇在自治區(qū)2015年實(shí)施的“草牧業(yè)發(fā)展試驗(yàn)試點(diǎn)項(xiàng)目”區(qū)阿勒泰市、塔城市和呼圖壁縣。阿勒泰市數(shù)據(jù)采集區(qū)布局在640臺(tái)地農(nóng)業(yè)產(chǎn)業(yè)化示范園區(qū)內(nèi)，塔城市的布局在鐵斯克塔斯鄉(xiāng)和齊巴爾吉迭鄉(xiāng)，呼圖壁縣的布局在種牛場(chǎng)畜牧隊(duì)，覆蓋了北疆大部分地區(qū)大面積連片種植人工草地即苜蓿地。

按照試驗(yàn)需求苜蓿分布區(qū)域布設(shè)監(jiān)測(cè)樣地，樣地?cái)?shù)量200個(gè)苜蓿樣地。具體試驗(yàn)區(qū)包括阿勒泰市（54個(gè)），塔城市（52個(gè)），呼圖壁縣（94個(gè)）。于2015年4月5日-6月28日進(jìn)行外業(yè)工作，獲取野外地面數(shù)據(jù)。進(jìn)行實(shí)地調(diào)查時(shí)，通過(guò)當(dāng)?shù)夭菰ぷ鞑块T(mén)提供的初始信息，通過(guò)遙感圖像和地形圖規(guī)劃調(diào)查路線(xiàn)。通過(guò)GPS標(biāo)定樣地的位置。見(jiàn)圖1。

圖1 研究區(qū)位置圖

1.2 實(shí)地觀(guān)測(cè)數(shù)據(jù)

在試驗(yàn)區(qū)開(kāi)展野外實(shí)地考察，利用手持GPS采集研究區(qū)苜蓿作物樣本，結(jié)合理論知識(shí)和實(shí)地觀(guān)測(cè)獲取不同作物的物候期[10]。見(jiàn)表1。

表1研究區(qū)4種主要作物物候期

2 數(shù)據(jù)來(lái)源和處理方法

2.1 數(shù)據(jù)來(lái)源

Landsat 8衛(wèi)星數(shù)據(jù)和高分遙感圖像數(shù)據(jù)從美國(guó)地質(zhì)勘查局網(wǎng)站 （http://glovis.usgs.gov.）下載，哨兵遙感圖像數(shù)據(jù)從歐盟衛(wèi)星數(shù)據(jù)服務(wù)平臺(tái)（http://scibub.copernicus.eu.）下載。用手持GPS，2016年5月-10月每個(gè)月1次共6次，2017年5月-10月每個(gè)月6次重復(fù)采集200個(gè)樣點(diǎn)數(shù)據(jù)，并對(duì)苜蓿分布區(qū)域進(jìn)行統(tǒng)計(jì)。

2.2 衛(wèi)星圖像的預(yù)處理

圖像預(yù)處理是遙感信息處理中一個(gè)十分重要的環(huán)節(jié)，它直接關(guān)系到信息提取的精度與實(shí)用程度[11]。利用2016年4月-10月和2017年4月-10月的影像為基準(zhǔn)，利用ENVI5.1軟件進(jìn)行常規(guī)的遙感數(shù)字圖像處理，包括幾何校正、大氣校正、裁剪、鑲嵌等。

2.3 光譜數(shù)據(jù)采集

2015年開(kāi)始野外調(diào)查，按照計(jì)劃好的樣地分布情況，用GPS定位打點(diǎn)、拍照片、做記錄。通過(guò)Unispec光譜分析儀對(duì)試驗(yàn)區(qū)周邊農(nóng)作物和苜蓿分別進(jìn)行光譜數(shù)據(jù)采集。2016年進(jìn)行第二次野外調(diào)查，對(duì)第一年的分類(lèi)結(jié)果進(jìn)行初步驗(yàn)證，對(duì)發(fā)現(xiàn)的問(wèn)題進(jìn)行分析調(diào)整。2017年進(jìn)行第三次野外調(diào)查，通過(guò)之前兩年的分類(lèi)結(jié)果，分析導(dǎo)致影響精度的因素，改進(jìn)分類(lèi)方案進(jìn)一步提高分類(lèi)精度。

2.4 技術(shù)路線(xiàn)

通過(guò)2016年對(duì)研究區(qū)的實(shí)地調(diào)查，結(jié)合遙感影像反演試驗(yàn)區(qū)苜蓿面積及空間分布情況，總結(jié)苜蓿不同物候期的光譜特征，制定決策樹(shù)分類(lèi)規(guī)則，在ENVI中利用決策樹(shù)分類(lèi)提取2016、2017年苜蓿面積，最后利用已知的樣地?cái)?shù)據(jù)進(jìn)行分類(lèi)精度驗(yàn)證。見(jiàn)圖2。

圖2 研究技術(shù)線(xiàn)路圖

3 試驗(yàn)區(qū)苜蓿遙感分類(lèi)結(jié)果

3.1 遙感解譯的思路

苜蓿遙感分類(lèi)的基本思路就是先根據(jù)實(shí)地采集的樣地資料和多時(shí)相的遙感數(shù)據(jù)，歸納出苜蓿區(qū)別其他地類(lèi)的多時(shí)相光譜特征，然后總結(jié)出分類(lèi)規(guī)則。本次研究以決策樹(shù)算法為主，其他分類(lèi)方法為輔。

3.2 遙感影像數(shù)據(jù)源

采用Landsat 8影像數(shù)據(jù)作為主要的遙感數(shù)據(jù)信息源，由于云量的影響，一般不能獲取整個(gè)苜蓿生長(zhǎng)期的光學(xué)圖像數(shù)據(jù)，所以選用與Landsat 8特點(diǎn)相似的哨兵多光譜數(shù)據(jù)作為補(bǔ)充，構(gòu)建苜蓿生長(zhǎng)季完整的時(shí)間序列數(shù)據(jù)。遙感數(shù)據(jù)在ENVI中進(jìn)行輻射校正、大氣校正和幾何校正，進(jìn)而獲得反射率數(shù)據(jù)和植被指數(shù)時(shí)間序列。

除了使用遙感數(shù)據(jù)源之外，還需要用到其他數(shù)據(jù)。主要包括：（1）新疆各個(gè)縣及市的行政界線(xiàn)圖；（2）與試驗(yàn)區(qū)相關(guān)的數(shù)據(jù)統(tǒng)計(jì)資料。

3.3 運(yùn)用決策樹(shù)分類(lèi)法應(yīng)用于苜蓿分類(lèi)

決策樹(shù)分類(lèi)法[12]是監(jiān)督分類(lèi)的一種方法，具有簡(jiǎn)單、高效、直觀(guān)、分類(lèi)過(guò)程符合人類(lèi)認(rèn)知過(guò)程的特點(diǎn)。為從背景中分離出目標(biāo)地物，需要專(zhuān)家經(jīng)驗(yàn)總結(jié)、簡(jiǎn)單數(shù)學(xué)統(tǒng)計(jì)和歸納方法等獲得分類(lèi)規(guī)則并進(jìn)行遙感分類(lèi)。專(zhuān)家知識(shí)決策樹(shù)分類(lèi)的步驟大體上可分為四步：知識(shí)（規(guī)則）定義、規(guī)則輸入、決策樹(shù)運(yùn)行和分類(lèi)后處理，其中最重要的是獲取分類(lèi)規(guī)則，本研究中規(guī)則的獲取來(lái)自統(tǒng)計(jì)與經(jīng)驗(yàn)總結(jié)，是根據(jù)樣本所對(duì)應(yīng)的像元的NDVI時(shí)間序列統(tǒng)計(jì)特征總結(jié)出閾值范圍，然后進(jìn)行分類(lèi)。

3.4 閾值選取和分類(lèi)流程

通過(guò)2016年和2017年野外調(diào)查數(shù)據(jù)，根據(jù)獲取的樣地?cái)?shù)據(jù)統(tǒng)計(jì)苜蓿、其他作物、天然草地像元的NDVI特征，以多時(shí)相NDVI數(shù)據(jù)為基礎(chǔ)構(gòu)建決策樹(shù)模型。主要思路為：在不同月份影像數(shù)據(jù)中獲取NDVI系列特征，統(tǒng)計(jì)苜蓿樣地NDVI值的高頻分布區(qū)域，總結(jié)出閾值范圍，分類(lèi)時(shí)通過(guò)不停的調(diào)整參數(shù)范圍，獲取高精度的分類(lèi)結(jié)果。

本研究通過(guò)分析試驗(yàn)區(qū)苜蓿種植區(qū)域的植被指數(shù)，對(duì)苜蓿特征進(jìn)行精確描述，由此產(chǎn)生分類(lèi)規(guī)則，然后再由專(zhuān)家知識(shí)構(gòu)建的分類(lèi)器進(jìn)行分類(lèi)，得到分類(lèi)結(jié)果。其主要步驟:①遙感圖像處理；②獲取NDVI；③構(gòu)建分類(lèi)規(guī)則并進(jìn)行分類(lèi)，主要流程如圖3所示。

圖3 決策樹(shù)流程圖

3.5 分類(lèi)精度分析

本研究使用混淆矩陣進(jìn)行圖像分類(lèi)精度分析，本文使用混淆矩陣的總體分類(lèi)精度、制圖精度和用戶(hù)精度等三項(xiàng)評(píng)價(jià)指標(biāo)。見(jiàn)表2。

表2 決策樹(shù)混淆矩陣結(jié)果

從制圖精度方面而言，能達(dá)到比較高的精確度，但有個(gè)別分類(lèi)出現(xiàn)錯(cuò)誤的地方，如苜蓿和林地，苜蓿和冬小麥?？赡苁怯蓛煞矫娴脑蛟斐傻?（1）苜蓿和冬小麥閾值相似導(dǎo)致自動(dòng)判別后的點(diǎn)大部分處在較相近區(qū)域；（2）兩者的綠度在相同時(shí)間區(qū)域內(nèi)較為相似。結(jié)合NDVI植被指數(shù)4月、5月和9月、10月的閾值進(jìn)行分析，確保分類(lèi)結(jié)果的準(zhǔn)確性。

3.6 專(zhuān)題圖的制作

將分類(lèi)結(jié)果導(dǎo)入Arc GIS中形成一個(gè)分類(lèi)結(jié)果圖層，根據(jù)遙感影像目視解譯出研究區(qū)的道路，居民區(qū)，水系等地類(lèi)，然后進(jìn)行整飾制作專(zhuān)題圖，最后進(jìn)行苜蓿面積統(tǒng)計(jì)。見(jiàn)圖4。

圖4 專(zhuān)題圖制作流程圖

4 結(jié)論與討論

以北疆3個(gè)不同區(qū)域農(nóng)區(qū)苜蓿集中連片種植范圍為研究對(duì)象，借助于光譜特征曲線(xiàn)和物候特征，利用地面調(diào)查數(shù)據(jù)和遙感技術(shù)結(jié)合在一起，通過(guò)決策樹(shù)分類(lèi)方法對(duì)研究區(qū)苜蓿進(jìn)行分類(lèi)，應(yīng)用混淆矩陣進(jìn)行精度評(píng)價(jià)，結(jié)論如下:

（1）基于時(shí)間序列遙感數(shù)據(jù)，使用的決策樹(shù)分類(lèi)在苜蓿方面分類(lèi)精度較高，說(shuō)明決策樹(shù)分類(lèi)方法在苜蓿遙感識(shí)別中有很高的可靠性；本次研究的總體精度達(dá)到99.27%，總Kappa系數(shù)為0.78；

（2）通過(guò)研究發(fā)現(xiàn)在遙感分類(lèi)中與苜蓿容易混淆的農(nóng)作物有冬小麥、苗圃、天然草地中的低矮灌木、隱域性草甸。

（3）通過(guò)分類(lèi)識(shí)別出3個(gè)地區(qū)的苜蓿面積，其中阿勒泰市640臺(tái)地的苜蓿面積為3 688 hm2、呼圖壁縣種牛場(chǎng)畜牧隊(duì)苜蓿面積為1 888 hm2、塔城市鐵斯克塔斯苜蓿面積為1 493 hm2、塔城市齊巴爾吉迭苜蓿面積為3 740 hm2。

通過(guò)多源、多時(shí)相遙感數(shù)據(jù)構(gòu)建不同物候期苜蓿的NDVI時(shí)間序列，統(tǒng)計(jì)總結(jié)出苜蓿光譜特征變化規(guī)律，構(gòu)建分類(lèi)規(guī)則，再結(jié)合決策樹(shù)的分類(lèi)方法實(shí)現(xiàn)苜蓿面積的提取，且這種分類(lèi)方法達(dá)到了較高的精度，實(shí)現(xiàn)了北疆地區(qū)三個(gè)典型苜蓿種植區(qū)的面積變化動(dòng)態(tài)監(jiān)測(cè)。但是，本研究在數(shù)據(jù)采集、遙感圖像源的選擇、時(shí)間序列完整性等方面存在一些不足，有待今后研究中加以改進(jìn)?，F(xiàn)階段只在北疆3個(gè)試驗(yàn)區(qū)進(jìn)行了苜蓿面積的分類(lèi)，將來(lái)有意推廣至全疆范圍內(nèi)，通過(guò)遙感數(shù)據(jù)的獲取進(jìn)一步研究人工草地產(chǎn)草量、病蟲(chóng)害等其他領(lǐng)域。