基于決策樹分類的水稻干旱災(zāi)損評估

薄乾禎，陳志杰,2，汪權(quán)方,2

(1.湖北大學(xué)資源環(huán)境學(xué)院，湖北 武漢 430062；2.湖北省農(nóng)業(yè)遙感應(yīng)用工程技術(shù)研究中心，湖北 武漢 430062)

0 引言

湖北是水稻種植大省，也是我國重要的商品糧生產(chǎn)基地.針對農(nóng)業(yè)干旱災(zāi)害監(jiān)測，傳統(tǒng)的監(jiān)測與調(diào)查方式，存在耗時費(fèi)力、效率低下等局限，而遙感監(jiān)測技術(shù)具有宏觀性、經(jīng)濟(jì)性、時效性等特征，很大程度上彌補(bǔ)了傳統(tǒng)監(jiān)測方法的不足[1].農(nóng)業(yè)干旱遙感監(jiān)測指數(shù)多種多樣，不同指數(shù)對旱情描述也不一樣，包括土壤水分變化類、冠層溫度變化類、植被水分變化類和作物形態(tài)及綠度變化類[2].土壤水分變化類指數(shù)比較適宜于農(nóng)業(yè)旱情預(yù)警及土壤干旱型農(nóng)業(yè)旱情的監(jiān)測，如垂直干旱指數(shù)MPDI可以較好地反映較高植被區(qū)表層土壤水分的變化[3]，適宜于時序變化監(jiān)測，對于不同類型的地表植被覆蓋都可適用[4].冠層溫度變化類指數(shù)不僅適宜于旱情預(yù)警，更適宜于旱情監(jiān)測，其中溫度植被干旱指數(shù)TVDI監(jiān)測效果較好；其他較適宜于農(nóng)業(yè)旱災(zāi)的預(yù)警以及災(zāi)后評估[2]，如歸一化植被指數(shù)NDVI、全球植被水分指數(shù)GVMI等.NDVI能夠有效反映植被生長狀況以及植被空間分布密度[5]；TVDI利用植被冠層溫度和植被指數(shù)的變化特征，構(gòu)造出地表溫度-植被指數(shù)的特征空間，耦合溫度植被干旱指數(shù)，能夠?qū)Σ煌聣|面實現(xiàn)長時序監(jiān)測，已在農(nóng)業(yè)旱情監(jiān)測方面得到廣泛應(yīng)用[6-7].全球植被水分指數(shù)GVMI是基于遙感影像反演植被含水量的指數(shù)，因其在構(gòu)建時，依據(jù)LOPEX93地面試驗波譜數(shù)據(jù)，選擇波長較長、不易受到大氣噪聲影響的NIR和SWIR波段，因此該指數(shù)具有普適性，能有效解決農(nóng)作物混淆問題[8-10].

決策樹作為一種基于空間挖掘的監(jiān)督分類方法，是構(gòu)建決策系統(tǒng)的強(qiáng)有力技術(shù)[11].當(dāng)前很多學(xué)者已在遙感影像決策樹分類方面做了探索性的研究，不僅用于土地利用和土地分類研究，在城市密度信息提取和林冠密度信息提取、農(nóng)作物分類方面均有研究，分類精度在80%以上[12-13]，然其對農(nóng)作物干旱監(jiān)測方面研究較少，還未充分發(fā)揮其應(yīng)用價值.

鑒于此，本研究選取隨縣、曾都區(qū)為研究區(qū)，利用決策樹分類法結(jié)合旱情監(jiān)測指數(shù)對研究區(qū)水稻旱情進(jìn)行提取和評估.預(yù)選NDVI、TVDI、GVMI、MPDI為旱情監(jiān)測指標(biāo)，通過相關(guān)性分析對4個指數(shù)進(jìn)行對比，選定最佳旱情指數(shù)，以最佳指數(shù)提取各月份水稻旱情區(qū)；然后利用水稻生長周期日歷結(jié)合各月份水稻旱情區(qū)數(shù)據(jù)，采用決策樹方法計算得到研究區(qū)水稻旱情區(qū)空間分布，以混淆矩陣對旱情結(jié)果進(jìn)行精度評估，相關(guān)結(jié)論可對農(nóng)業(yè)旱情遙感監(jiān)測與評估提供重要的理論參考.

1 研究區(qū)與數(shù)據(jù)源

1.1 研究區(qū)隨縣和曾都區(qū)是隨州市的下轄縣區(qū)，兩地緊緊相連，地處鄂北，素有“荊豫要沖”、“漢襄咽喉”、“鄂北重鎮(zhèn)”之稱[14]，總面積6 989 km2.境內(nèi)處于中緯度季風(fēng)環(huán)流區(qū)域，屬于亞熱帶季風(fēng)氣候，氣候溫和，四季分明，光照充足，無霜期較長，嚴(yán)寒酷暑時間較短，為其農(nóng)業(yè)發(fā)展奠定了良好的基礎(chǔ)(圖1).隨縣和曾都區(qū)居于桐柏山與大洪山之間,地貌多樣，山地、丘陵、平原多種地形兼而有之，地勢由南北漸向中部傾斜,局部有崗間小平原,屬封閉性流域,百川出境,無一客水過往，是湖北省出名的“鄂北旱包子”地區(qū)，歷史上十年九旱[15].

圖1 研究區(qū)示意圖

1.2 衛(wèi)星數(shù)據(jù)及預(yù)處理地表溫度(LST)數(shù)據(jù)是通過美國航空航天局(National Aeronautics and space administration,NASA)官方網(wǎng)站的Landsat8 OLI數(shù)據(jù)計算得到，用于計算TVDI.首先，利用ENVI5.3和ArcGIS10.3軟件對2019年7、8、9月Landsat8 OLI數(shù)據(jù)進(jìn)行輻射定標(biāo)、大氣校正、波段組合、鑲嵌、裁剪等操作和去噪處理；其次，基于Landsat8 OLI數(shù)據(jù)計算NDVI，并用濾波方法對受云影響而造成的缺失值進(jìn)行插補(bǔ)[16]，獲得研究區(qū)的NDVI數(shù)據(jù)；最后，因“TIRS/Landsat8 OLI”有第10、11兩個熱紅外波段，能像MODIS一樣采用輻射傳輸模型反演LST.因此利用NDVI、DEM和LST的局域回歸關(guān)系模型，對空間上缺失的LST值進(jìn)行插補(bǔ)[17]，得到LST的重建數(shù)據(jù).DEM數(shù)據(jù)，是從地理空間數(shù)據(jù)云(http://www.gscloud.cn)下載得到的數(shù)字高程模型數(shù)據(jù)(ASTER GDEM 30 M)，主要用于對研究區(qū)LST缺失區(qū)域進(jìn)行重建.

Sentinel-2A數(shù)據(jù)，由歐洲航天局(https://earthexplorer.usgs.gov)官網(wǎng)獲得，下載2019年7到9月份Sentinel-2A數(shù)據(jù)影像進(jìn)行預(yù)處理，利用ArcGIS10.3軟件進(jìn)行波段合成，鑲嵌、裁剪，得到研究區(qū)2019年7、8、9三個月份的遙感影像，用于計算干旱指數(shù)NDVI、GVMI、MPDI.5、6月份影像由于云層覆蓋過多，未獲取到合適數(shù)據(jù).

表1 指數(shù)計算方法

1.3 輔助數(shù)據(jù)水稻種植區(qū)數(shù)據(jù)，是由湖北省農(nóng)業(yè)遙感應(yīng)用中心武漢分中心遙感監(jiān)測提供的基礎(chǔ)數(shù)據(jù)，監(jiān)測精度在95.0%以上，使用水稻種植區(qū)范圍分別對各干旱指數(shù)結(jié)果進(jìn)行掩膜計算；樣本數(shù)據(jù)是在研究區(qū)內(nèi)進(jìn)行實地調(diào)查所采集的不同干旱程度水稻分布點(diǎn)集數(shù)據(jù)，采用高精度GPS記錄經(jīng)緯度信息.采樣區(qū)域包括平原和丘陵崗地，根據(jù)調(diào)查路線，均勻采樣，并采訪當(dāng)?shù)鼐用翊_認(rèn)樣點(diǎn)相關(guān)信息，得到最終有效樣本點(diǎn)數(shù)據(jù)90個，其中正常生長區(qū)樣本30個，受災(zāi)區(qū)45個，未種植區(qū)15個(圖2)，將該數(shù)據(jù)按照2∶1比例分為訓(xùn)練樣本和驗證樣本.

圖2 研究區(qū)樣點(diǎn)分布

2 研究方法

2.1 指標(biāo)-樣本相關(guān)性分析根據(jù)實地調(diào)查情況，將所采集的樣本分為正常區(qū)、受災(zāi)區(qū)、未種植區(qū)3類，分別對水稻樣本正常區(qū)、受災(zāi)區(qū)、未種植區(qū)賦值為3、2、1，作為其屬性值.然后采用該樣本集數(shù)據(jù)和指數(shù)值進(jìn)行相關(guān)分析，計算樣本屬性值和指數(shù)值之間的相關(guān)系數(shù)，兩者相關(guān)系數(shù)越大，說明該指數(shù)和干旱受災(zāi)結(jié)果的一致性越好，即越能反映實際受災(zāi)的情況，反之則越差，不能真實反映受災(zāi)情況.根據(jù)相關(guān)性分析結(jié)果，選取最優(yōu)指數(shù)并結(jié)合樣本點(diǎn)提取的該指數(shù)閾值范圍提取各月份水稻旱情區(qū).

2.2 決策樹分類方法決策樹(decision tree，DT)是一種基于預(yù)測變量對數(shù)據(jù)分類的算法[11].DT基于構(gòu)建樹形結(jié)構(gòu)分類獲取目標(biāo)變量，具有類似于流程圖的結(jié)構(gòu)，每個節(jié)點(diǎn)表示某個對象屬性的調(diào)試，每個分支代表某個可能的屬性值，最后每個葉節(jié)點(diǎn)代表一種分類結(jié)果(本文中葉節(jié)點(diǎn)代表的是研究區(qū)水稻旱情區(qū)的分布).另外決策樹可以選擇一個目標(biāo)和一個或多個變量作為輸入變量，僅有單一輸出，若欲有復(fù)數(shù)輸出，可以建立獨(dú)立的決策樹以處理不同輸出.本文中利用實地采集的訓(xùn)練樣本，通過指數(shù)-樣本類別屬性值的相關(guān)性分析選取最優(yōu)分類指數(shù)，得到7、8、9三個月份的指數(shù)閾值范圍，從而提取單月份水稻旱情區(qū)分布，根據(jù)三個月份水稻旱情區(qū)結(jié)果構(gòu)建決策樹，按照決策樹分類規(guī)則進(jìn)行不同旱情程度水稻區(qū)提取，得到研究區(qū)內(nèi)最終的水稻旱情空間分布.

2.3 精度評價遙感影像分類后需要進(jìn)行分類結(jié)果的精度評價，評估分類方法所得分類結(jié)果的一致性.混淆矩陣是用來總結(jié)整理分類結(jié)果的矩陣，在圖像精度評價中，通過分類結(jié)果和實際結(jié)果類別的比較計算，以總體精度、制圖精度、用戶精度等作為評價指標(biāo)從不同側(cè)面反映圖像的分類精度.

3 結(jié)果與分析

3.1 監(jiān)測指標(biāo)選取通過采用NDVI、TVDI、GVMI、MPDI等各月份指數(shù)和樣本類型屬性值進(jìn)行Pearson相關(guān)性分析，根據(jù)計算結(jié)果選用最優(yōu)指數(shù)作為監(jiān)測指標(biāo)，結(jié)果如表2.四種指數(shù)整體相關(guān)性從大到小排序為GVMI>NDVI>MPDI>TVDI，其中，NDVI、GVMI、MPDI和樣本之間均存在很強(qiáng)的正相關(guān)性，可用于研究區(qū)水稻干旱區(qū)劃分提取；TVDI、MPDI兩種指數(shù)8月份相關(guān)系數(shù)最大，7月份次之，9月份最小.TVDI和樣本各月份呈現(xiàn)負(fù)相關(guān)，且相關(guān)性相對較低，難以有效區(qū)分不同干旱水稻區(qū)，不適用本研究中的受災(zāi)監(jiān)測與評估.NDVI、GVMI和樣本的相關(guān)系數(shù)在7月份達(dá)到最高值，兩者相關(guān)性最好.8月份次之，9月份最小，相比7月份均偏低.7月份GVMI和樣本之間的相關(guān)系數(shù)達(dá)到0.949，相關(guān)性極高，而且三個月份的相關(guān)系數(shù)均比NDVI和MPDI大，因此，最終選取GVMI指數(shù)作為研究區(qū)水稻旱災(zāi)監(jiān)測與評估分析指標(biāo).

表2 基于類型相關(guān)分析

黑體加粗部分?jǐn)?shù)值是Pearson相關(guān)性較高數(shù)值，用于后期水稻區(qū)提取監(jiān)測指標(biāo)的確定

3.2 指標(biāo)閾值提取基于ERDAS 2015建模提取2019年7、8、9月GVMI的光譜特征影像，空間分辨率重采樣為10 m.根據(jù)樣本數(shù)據(jù)，獲取不同水稻區(qū)對應(yīng)的GVMI閾值范圍，通過ArcGIS統(tǒng)計分析工具計算得到各干旱區(qū)三個月份指標(biāo)的值域范圍(圖3)，計算獲得研究區(qū)7、8、9各月份的旱情區(qū)分布圖，分別對各月份旱情遙感分類結(jié)果中的正常區(qū)、受災(zāi)區(qū)、未種植區(qū)賦值為1、2、3，用于決策樹構(gòu)建.

圖3 指標(biāo)閾值選取(圖內(nèi)線表示閾值)

3.3 決策樹分類規(guī)則根據(jù)實地樣本點(diǎn)數(shù)據(jù)獲取不同程度受災(zāi)區(qū)指標(biāo)特征值，采用特征值提取得到研究區(qū)各水稻旱情區(qū)分布圖.水稻不同生育期受旱災(zāi)影響程度不同，生殖生長期受旱情影響最大，移栽期次之[18].分蘗期，生長受旱災(zāi)抑制，部分葉片會受旱枯死，但只要干旱持續(xù)時間不太長，補(bǔ)給水源充足，仍能很快恢復(fù)生長，對產(chǎn)量影響較?。话喂?jié)孕穗期，配子體的發(fā)育，葉面積大，光合作用強(qiáng)，蒸發(fā)量大，是水稻一生中需水的臨界期，受旱就會嚴(yán)重影響光合作用和對礦質(zhì)養(yǎng)分的吸收，影響有機(jī)質(zhì)的合成和轉(zhuǎn)運(yùn)，引起大量穎花形態(tài)敗育和生理敗育，形態(tài)敗育，減少花數(shù)，生理敗育使花粉粒發(fā)育不健全、畸形、抽穗后不能受精而使稻粒成為空粒；抽穗開花期發(fā)生干旱，會影響抽穗，造成包頸，或抽出的穗不舒展，開花不順利，花粉生活力下降，甚至干枯死亡，或不能正常進(jìn)行授粉，致使結(jié)實率降低，空殼率增加；開花到成熟期的干旱，葉片的光合作用產(chǎn)物和葉鞘、莖稈中的貯藏物質(zhì)向穗部運(yùn)輸困難，有些谷粒過早地停止灌漿而成癟粒，或葉子過早枯黃，造成粒重降低，產(chǎn)量下降[19-20].因此，最終水稻受災(zāi)情況的確定，不能僅憑單月份的水稻生長狀況決定，需同時滿足7、8、9三個月份的水稻區(qū)分類規(guī)則.結(jié)合研究區(qū)水稻生長周期日歷(表3)所示，得到研究區(qū)多月份決策樹分類規(guī)則(圖4)：三個月份均為正常區(qū)的記為正常區(qū)；另外，9月下旬時期研究區(qū)大部分地區(qū)的水稻已成熟或已收割，因此把7、8月份水稻正常區(qū)及9月水稻受災(zāi)區(qū)也記為水稻正常生長區(qū)；7、9月份正常、8月份受災(zāi)，或者8、9月份正常、7月份受災(zāi)的區(qū)域記為欠收區(qū)；三個月份均未種植水稻的記為未種植區(qū)；其他則為絕收區(qū).

表3 研究區(qū)水稻生長周期日歷

圖4 多月份決策樹分類規(guī)則

3.4 精度評價與分析使用30個實地樣本點(diǎn)作為驗證樣本對決策樹的分類結(jié)果進(jìn)行驗證，精度評價以混淆矩陣形式來表示，分別計算用戶精度、制圖精度、總體分類精度以及Kappa系數(shù)等指標(biāo)，分析水稻不同旱情區(qū)遙感監(jiān)測結(jié)果精度.

表4所示，以水稻正常生長區(qū)和受災(zāi)區(qū)進(jìn)行劃分和驗證時，水稻受災(zāi)區(qū)的總體精度為93.1%，Kappa系數(shù)為0.85，精度較高，表明干旱指數(shù)提取研究區(qū)水稻受災(zāi)區(qū)效果較好.而當(dāng)水稻受災(zāi)區(qū)進(jìn)一步劃分為絕收區(qū)、欠收區(qū)和未種植區(qū)進(jìn)行驗證時，識別精度會明顯下降，總體精度為86.2%，Kappa系數(shù)為0.81，Kappa系數(shù)在0.81～1.0之間，3種指數(shù)結(jié)合的水稻區(qū)提取方法分類效果一致性顯著.兩種驗證方式下，正常生長區(qū)的精度不變，均處于較高水平，主要是因為正常生長區(qū)和受災(zāi)區(qū)水稻遙感特征差異較大，容易區(qū)分，從而誤差小.而受災(zāi)區(qū)中的欠收區(qū)、絕收區(qū)、未種植區(qū)影像特征相似性高，因而難以有效精確劃分，從而使提取精度下降.

表4 決策樹分類提取各水稻區(qū)精度

表4中，正常生長水稻區(qū)的制圖精度和用戶精度最高，未種植區(qū)和絕收區(qū)相對較低，其分類結(jié)果中未種植區(qū)和絕收區(qū)存在明顯的混分錯分現(xiàn)象,其原因主要是絕收區(qū)的水稻幼苗期因缺水枯萎或死亡，植被特征不明顯，和未種植區(qū)一樣在某種程度上和裸地光譜特征很相似，如圖5，從而引起水稻未種植區(qū)和絕收區(qū)、裸地的互相混淆，使得絕收區(qū)和未種植區(qū)難以有效區(qū)分；水稻欠收區(qū)的分類精度最低，在7月份或8月份的水稻生長期間，由于干旱缺水造成水稻生長緩慢甚至?xí)簳r停止生長，使水稻顯現(xiàn)出與部分絕收區(qū)水稻類似的光譜特征，從而造成水稻絕收區(qū)和欠收區(qū)出現(xiàn)一定混分現(xiàn)象，降低了水稻欠收區(qū)的分類精度.

圖5 干旱監(jiān)測結(jié)果分布及分析

3.5 水稻旱情分布及分析根據(jù)各月份旱情分布結(jié)果，采用決策樹分類方法，利用ENVI5.3決策樹分類工具和ArcGIS10.3空間分析工具計算提取不同干旱程度的水稻區(qū)面積和空間分布(圖6).結(jié)果顯示：研究區(qū)內(nèi)水稻總體上呈分散分布，但主要集中成片分布在研究區(qū)中部地區(qū).具體受災(zāi)情況如表5所示，研究區(qū)內(nèi)水稻干旱災(zāi)情嚴(yán)重，受災(zāi)面積達(dá)到56.87%，超過研究區(qū)水稻總面積的1/2.

圖6 2019年水稻災(zāi)情分布

表5 水稻旱情區(qū)面積及比例

自2019年2月起，研究區(qū)長時間降水偏少及出梅后持續(xù)晴熱高溫天氣等原因，導(dǎo)致大量水庫蓄水不足.同時也對水稻種植面積和長勢產(chǎn)生了重大影響，出現(xiàn)大面積絕收現(xiàn)象.水稻受災(zāi)區(qū)在研究區(qū)內(nèi)均有分布，其中面積最大的區(qū)域在中部新街、安居、厲山、萬店等鄉(xiāng)鎮(zhèn)，尤其是新街鎮(zhèn)北部和厲山鎮(zhèn)西部地區(qū)，水稻大面積絕收，在苗期就因干旱大量枯死.根據(jù)實地調(diào)查、結(jié)合影像特征及水稻干旱分布結(jié)果、高程分析等，大部分受災(zāi)區(qū)因為上游水庫蓄水不足，距離相對較遠(yuǎn)，或由于高程接近于附近水庫或河流，甚至更高，灌溉條件相對較差，成本增加，導(dǎo)致水稻干旱.如上文中提到的新街鎮(zhèn)北部和厲山鎮(zhèn)西部受災(zāi)面積最大，該區(qū)域水稻面積集中大片分布，需水量大，上游水庫小或距離遠(yuǎn)，蓄水量不足，附近黑屋灣水庫蓄水量也難以滿足如此大量的需求.此外，黑屋灣水庫下游區(qū)域大面積水稻也需要水源，該區(qū)域高程總體低于其東北部受災(zāi)區(qū)，而且有溝渠連通，灌溉條件更好，因而優(yōu)先滿足該區(qū)域的水量需求.該區(qū)域水稻生長總體較好，加上高溫天氣，產(chǎn)量反而有所提高.東部厥水河不僅水量比往年少，高程也比該受災(zāi)區(qū)低30 m左右，如選此為水源，不僅距離較遠(yuǎn)，成本也會較高.

4 結(jié)論與討論

通過對NDVI、TVDI、GVMI、MPDI等4個遙感指數(shù)和樣本數(shù)據(jù)進(jìn)行相關(guān)性分析，計算得到最優(yōu)指數(shù)，選取最優(yōu)指數(shù)提取各月份干旱災(zāi)情分布，結(jié)合決策樹分類方法，提取研究區(qū)水稻干旱受災(zāi)面積及分布，并分析評估監(jiān)測結(jié)果的精度，分析該指數(shù)用于災(zāi)損評估的適用性，研究表明：

NDVI、GVMI、MPDI3種指數(shù)和樣本之間均存在很強(qiáng)正相關(guān)性，其中GVMI相關(guān)性最高，且各月份均比NDVI、MPDI高，作為本研究旱災(zāi)監(jiān)測與評估指標(biāo)，其次是NDVI、MPDI.以上3種指數(shù)均適用于受災(zāi)評估.TVDI和樣本呈負(fù)相關(guān)，相關(guān)性較低，不適用于本研究中的干旱監(jiān)測與評估.

GVMI作為旱情監(jiān)測指標(biāo)對于水稻正常生長區(qū)和受災(zāi)區(qū)提取效果較好，分類總體精度達(dá)到93.1%，Kappa系數(shù)為0.85，對災(zāi)害區(qū)進(jìn)一步劃分為欠收區(qū)、絕收區(qū)和未種植區(qū)評估時精度會下降，精度和Kappa系數(shù)分別為86.2%和0.81，但一致性效果仍然顯著，決策樹分類方法對水稻旱災(zāi)監(jiān)測與評估效果較好.因此，GVMI可以作為水稻干旱指標(biāo)，對水稻區(qū)旱情監(jiān)測與評估有一定參考和應(yīng)用價值.由于研究區(qū)長時間降水偏少、水庫蓄水不足以及部分地區(qū)灌溉成本較高等因素，導(dǎo)致2019年水稻干旱災(zāi)情嚴(yán)重，受災(zāi)面積達(dá)43 957.49 hm2，占總面積56.87%，其中欠收區(qū)、絕收區(qū)和未種植區(qū)分別占比25.41%、26.78%和4.68%，其他為正常生長區(qū).

采用GVMI作為旱情指標(biāo)提取水稻旱情區(qū)，將受災(zāi)區(qū)按照不同干旱程度細(xì)分后，提取精度下降，水稻欠收區(qū)、絕收區(qū)和未種植區(qū)存在較嚴(yán)重混分現(xiàn)象，特別是欠收區(qū)和未種植區(qū)，難以精確分類提取的問題，還需進(jìn)一步深入研究，今后可以從數(shù)據(jù)源和分類方法選取方面進(jìn)行研究.如在條件允許下獲取水稻生長期內(nèi)更早期的遙感影像數(shù)據(jù)，或采用高光譜等其他數(shù)據(jù)源等，以便更好地區(qū)分水稻種植區(qū)和未種植區(qū)，亦或采用其他分類方法提高不同干旱程度水稻區(qū)識別精度.