基于J48决策树的面向对象方法的土地覆被信息提取

引用本文

孙宇翼, 赵军利, 王苗苗, 刘勇. 基于J48决策树的面向对象方法的土地覆被信息提取[J]. 国土资源遥感, 2016,28(4): 156-163
SUN Yuyi, ZHAO Junli, WANG Miaomiao, LIU Yong. Land cover information extraction from remote sensing images using object-based image analysis method integrated with decision tree[J]. REMOTE SENSING FOR LAND & RESOURCES,2016,28(4): 156-163 复制到剪切板

Permissions

《国土资源遥感》编辑部

基于J48决策树的面向对象方法的土地覆被信息提取

孙宇翼^1,², 赵军利^1,³, 王苗苗¹, 刘勇¹

1.兰州大学资源环境学院,兰州 730000

2.甘肃省地图院,兰州 730000

3.中国人民解放军61175部队,南京 210000

刘勇(1964-),男,教授,博士生导师,主要研究方向为基于对象的遥感影像分析。Email:liuy@lzu.edu.cn。

第一作者简介: 孙宇翼(1990-),女,硕士研究生,主要研究方向为遥感影像信息提取。Email:sunyy_gis@foxmail.com。

收稿日期: 2015-05-11

基金项目: 国家自然科学基金“遥感影像多尺度分割质量评价与参数优选方法研究”(编号: 41271360)和甘肃省湿地自然边界确定试点项目共同资助

摘要

过去10多a来,面向对象的影像分析方法在高分辨率影像信息提取中表现出了明显优势,得到了快速发展。该方法中一个难题是,如何有效地建立满足健壮性和通用性准则的分类规则集。基于数据挖掘原理的决策树方法有望提供有效的解决方案。选用WEKA J48算法从影像光谱、纹理和地形特征等诸多参数中优选出部分参数构建决策树分类模型,以此建立分类规则集,并集成于面向对象的影像分类方法中。利用Landsat5 TM影像和ASTER数字高程模型数据进行的甘肃省会宁县白草塬地区土地覆被分类的结果表明,本方法所建立的分类规则集具有较佳的健壮性和通用性,其分类精度明显优于基于像元的最大似然法和基于试错性规则集的面向对象法。

关键词: 面向对象的影像分析; J48算法; 决策树; 土地覆被分类

文献标志码:A 文章编号:1001-070X(2016)04-0156-08 doi: 10.6046/gtzyyg.2016.04.24

Land cover information extraction from remote sensing images using object-based image analysis method integrated with decision tree

SUN Yuyi^1,², ZHAO Junli^1,³, WANG Miaomiao¹, LIU Yong¹

1. College of Earth and Environment Sciences, Lanzhou University, Lanzhou 730000,China

2. Map Institute of Gansu, Lanzhou 730000, China

3. 61175 Troops of PLA, Nanjing 210000, China

Abstract

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.

Keyword: object-based image analysis (OBIA); J48 algorithm; decision tree; land cover classification

Show Figures

0 引言

遥感技术是土地利用/土地覆被变化信息提取的重要手段^[1]。早期的影像分类主要基于像元光谱特征和有限纹理特征进行处理, 其结果通常难以满足生产部门的制图要求^[2]。2000年以来, 高分辨率卫星遥感数据呈爆炸式的增长, 快速准确提取地学信息的社会需求有力地推动了自动化遥感分类方法的发展^[3], 一种新的面向对象的影像分析方法应运而生。该方法可以充分利用影像对象的光谱、纹理、形状和上下文等特征, 完成遥感影像的信息提取^[4]。

杜凤兰等^[5]结合南京市区IKONOS高分辨率遥感数据, 研究了利用面向对象分类法实现地物精确分类的方法。曹宝等^[6]对北京市海淀区SPOT5影像应用面向对象方法进行了分类试验。苏伟等^[7]论述了基于多尺度影像分割的面向对象分类技术对马来西亚吉隆坡市城市中心区所进行的土地覆被分类研究。龙娟等^[8]基于湿生植物光谱特征分析, 采用面向对象分类方法提取了湿地典型植被。建立分类规则集是面向对象的影像分析方法中的一个关键步骤, 它是通过选取对象的一系列的特征变量来提取影像中的地物信息。目前的实际工作中普遍基于操作者个人的经验, 通过试错法建立规则集, 不仅工作效率低, 而且方法的可靠性、通用性不尽如人意。

本文拟以甘肃省会宁县白草塬地区为例, 探讨利用集成J48决策树在面向对象影像分析方法中进行土地覆被信息提取的技术, 并与传统的基于像元的最大似然法和基于试错性规则集的面向对象法进行比较分析, 探索快速可靠地提取遥感影像中地物信息的自动化方法, 以求为区域农村经济和社会发展的动态监测寻找可行的途径。

1 研究区概况

研究区地处甘肃省会宁县北部, 南北宽9.4 km, 东西长17.33 km, 总面积162.9 km²。研究区地处陇西黄土高原核心区域, 塬、墚、峁、川、台、沟壑类型齐全。海拔高度1 550~1 900 m。整个地势由东南向西北倾斜, 墚峁起伏, 遍布“ V” 型深谷。研究区属温带季风气候, 年平均气温6~7.5 ℃, 光照充足, 年平均日照数2 520 h, 干燥少雨, 年均降雨量为366 mm, 且集中分布在7~8月, 年均蒸发量约为1 750 mm。祖厉河在研究区西侧发育并形成河川谷地。研究区的基本特点可以概括为: 水资源短缺, 生态环境脆弱。引黄工程建设从根本上改善了该地区水资源利用格局, 使白草塬地区灌溉农田面积得到显著扩展, 并成为会宁县较先发展并富裕起来的地区。

2 数据和方法

2.1 数据准备

研究使用Landsat5 TM影像(成像时间2011年6月28日, 影像分幅号: 130/035)和ASTER DEM数据, 空间分辨率均为30 m。利用LEDAPS大气校正软件对Landsat5 TM数据进行了大气辐射校正, 并反演获得了高质量的地表反射率数据。

2.2 研究方法

面向对象的影像分析方法首先通过影像分割生成影像对象, 然后利用影像对象的光谱、纹理、形状、上下文等特征进行影像分类^{[9, 10]}。其分类方法主要包括最邻近法和规则集法2种。

数据挖掘是从数据中揭示隐含的、先前未知的, 并有潜在价值信息的过程^[11]。决策树属于数据挖掘方法中的一种预测模型, 包括决策节点、分支和叶节点3部分。其中, 决策节点代表待分类样本的某个属性, 在该属性上的不同测试结果代表一个分支, 分支表示某个决策节点的不同取值。每个叶节点存放某个类别标签, 表示一种可能的分类结果。决策树算法通过将训练集划分为较纯子集, 以递归的方式建立决策树^[12]。

目前已经发展了许多归纳方法可以自动选择分类特征及其阈值^[13]。C4.5算法是一种高效的决策树算法, 采用信息增益率选取分类属性, 递归构造决策树的各个分枝, 完成对连续属性的离散化处理^[14]。WEKA J48决策树算法是对C4.5决策树算法的实现, 增加了有效的剪枝过程, 训练出的决策树规则易于理解且准确度较高^[15]。基于决策树J48算法的面向对象分类方法的技术路线主要包括: 影像分割、分类特征变量选择、样本训练集的创建、决策树的建立、决策树的解译和评价、基于生成的决策树进行面向对象的影像分类和分类结果的精度评价。

本文采用J48算法产生的决策树建立分类规则集, 进而完成影像分类, 并与基于像元的最大似然法和基于试错性规则集的面向对象法进行对比分析。

3 分类体系的确立

根据研究区的地理特征、自然状况和野外调查结果, 结合遥感数据源的特征, 将研究区分为5种土地覆被类型(表1)。通过对研究区Landsat5 TM影像的目视解译, 结合野外的实地考察数据, 并参考Google earth高分辨率影像, 共选择502个对象作为训练样本, 建立决策树。

表1 土地覆被分类体系 Tab.1 Classification system of land cover

4 分类特征变量选择

4.1 光谱特征

光谱特征反映了影像中地物类型的颜色及灰度, 是影像目视解译的基本依据^[16]。本研究选取经过大气辐射纠正的Landsat5 TM影像的6个波段反射率均值、标准差、各光谱指数以及缨帽变换后的亮度、绿度、湿度分量作为测试变量。

4.2 纹理特征

纹理特征描述了影像灰度的空间变化和排列规律, 常使用灰度共生矩阵来检测纹理特征的空间定向、幅度变化^[17]。由于研究区内的黄土塬顶面地势平坦, Landsat TM影像上塬区与山地间的纹理差异明显。因此加入了Landsat5 TM影像在可见光和近红外的6个波段数据通过计算得到的同质性(homogeneity), 对比度(contrast), 相异性(dissimilarity), 均值(Mean), 方差(StdDev), 角度二阶矩(second moment)和相关性(correlation)6个特征变量作为测试变量, 计算窗口选用3× 3。

4.3 地形特征

研究区的耕地和居民地的坡度集中在0° ~5° 之间, 退耕还林草地集中在5° ~10° 之间, 而大部分荒漠草地和造林地所处的地形坡度都大于30° 。利用研究区DEM数据计算其坡度(slope)和坡向(aspect), 作为影像分类的测试变量。表2显示了用于研究区影像决策树分类的属性变量。

表2 用于构建决策树模型的属性变量 Tab.2 Summary of variables used in the data mining

数据源	属性类型				属性名称	缩写	特征描述
Landsat5 TM	光谱特征	均值	Mean	Mean= $\begin{matrix} \bar{c_{k}} \end{matrix}$ (v)= $\begin{matrix} \bar{c_{k}} \end{matrix}$ (P_v)= $\begin{matrix} \frac{1}{#Pmv} \end{matrix} \begin{matrix} \sum_{(x, y) \in P_{v}} \end{matrix}$ c_k(x, y)
		标准差	STD	STD=σ _k(v)=σ _k(P_v) = $\begin{matrix} \sqrt[]{\frac{1}{# P_{v}} \{\sum_{(x, y) \in P_{v}} c_{k}^{2} (x, y) - \frac{1}{# P_{v}} [\sum_{(x, y) \in P_{v}} c_{k} {(x, y)}^{2}]\}} \end{matrix}$
		差异环境植被指数	DVI	DVI=B₄-B₃
		地表水分指数	LSWI	LSWI= $\begin{matrix} \frac{B_{4} - B_{5}}{B_{4} + B_{5}} \end{matrix}$
		归一化建筑指数	NDBI	NDBI= $\begin{matrix} \frac{B_{5} - B_{4}}{B_{5} + B_{4}} \end{matrix}$
		归一化植被指数	NDVI	NDVI= $\begin{matrix} \frac{B_{4} - B_{3}}{B_{4} + B_{3}} \end{matrix}$
		归一化差异水体指数	NDWI	NDWI= $\begin{matrix} \frac{B_{2} - B_{4}}{B_{2} + B_{4}} \end{matrix}$
		红色植被指数	RI	RI= $\begin{matrix} \frac{B_{3} - B_{2}}{B_{3} + B_{2}} \end{matrix}$
		比值植被指数	RVI	RVI= $\begin{matrix} \frac{B_{4}}{B_{3}} \end{matrix}$
	纹理特征	同质性	GLCM_HOM	GLCM_HOM= $\begin{matrix} \overset{N - 1}{\sum_{i, j = 0}} \end{matrix} \begin{matrix} \frac{P_{i, j}}{1 + {(i - j)}^{2}} \end{matrix}$
		角度二阶矩	GLCM_ASM	GLCM_ASM= $\begin{matrix} \overset{N - 1}{\sum_{i, j = 0}} \end{matrix}$ (P_i_,_j)²
		对比度	GLCM_CON	GLCM_CON= $\begin{matrix} \overset{N - 1}{\sum_{i, j = 0}} \end{matrix}$ P_i_,_j(i-j)²
		相异性	GLCM_DIS	GLCM_DIS= $\begin{matrix} \overset{N - 1}{\sum_{i, j = 0}} \end{matrix}$ P_i_,_j\|i-j\|
		均值	GLCM_MEA	GLCM_MEA= $\begin{matrix} \frac{\overset{N - 1}{\sum_{i, j = 0}} P_{i, j}}{N^{2}} \end{matrix}$
		标准差	GLCM_STD	GLCM_STD= $\begin{matrix} \sqrt[]{[\overset{N - 1}{\sum_{i, j = 0}} P_{i, j} (i, j - μ_{i, j})]^{2}} \end{matrix}$
		相关性	GLCM_COR	GLCM_COR= $\begin{matrix} \overset{N - 1}{\sum_{i, j = 0}} \end{matrix}$ P_i_,_j $\begin{matrix} [\frac{(i, μ_{i}) (j - μ_{j})}{\sqrt[]{(σ_{i}^{2}) (σ_{j}^{2})}}] \end{matrix}$
	缨帽变换	亮度	brightness	brightness=0.290 9B₁+0.249 3B₂+0.480 6B₃+0.556 8B₄+ 0.443 8B₅+0.170 6B₇+10.369 5
		绿度	greenness	greenness=-0.272 8B₁-0.217 4B₂-0.550 8B₃+0.722 1B₄+ 0.073 3B₅-0.164 8B₇-0.731 0
		湿度	wetness	wetness=0.144 6B₁+0.176 1B₂+0.332 2B₃+0.339 6B₄- 0.621 0B₅-0.418 6B₇-3.382 8
DEM	地形特征				坡度	slope	slope=tan^-1 $\begin{matrix} \sqrt[]{f_{x}^{2} + f_{y}^{2}} \end{matrix}$
DEM	地形特征				坡向	aspect	aspect=270° +tan^-1 $\begin{matrix} (\frac{f_{y}}{f_{x}} - 90 ° \frac{f_{x}}{\| f_{x} \|}) \end{matrix}$

表2 用于构建决策树模型的属性变量 Tab.2 Summary of variables used in the data mining

表中: $\begin{matrix} \bar{c_{k}} \end{matrix}$ (v)为影像对象v在k波段的均值; σ _k(v)为影像对象v在k波段的标准差; P_v为属于影像对象v的所有像元的集合; #P_v为集合P_v中属于影像对象v的像元个数; c_k(x, y)为像元(x, y)在k波段的灰度值; B₁, B₂, B₃, B₄, B₅和B₇分别为Landsat5 TM影像中的蓝光、绿光、红光、近红外、短波红外1和短波红外2波段的数据值; N为矩阵的行列数; i为行数, j为列数; P_ij为第i行j列像元的灰度值; μ _ij为GLCM_MEA; $\begin{matrix} σ_{j}^{2} \end{matrix}$ 为GLCM_STD; f_x为南北方向高程变化率, f_y为东西方向高程变化率^[18]。

5 数据分析

采用表2中的参数并运用WEKA J48算法构建决策树模型, 面向对象的影像分类在eCognition软件中执行。多尺度分割采用不一致性评价法, 对多尺度分割参数进行优选^[19], 通过欧几里德距离(ED2)与尺度因子的关系图(图1)得到, 分割参数组合的最优值分布尺度因子为25~30。查找结果表格确定了研究区影像的最优分割参数组合为尺度因子(scale)为25, 形状因子(shape)为0.3, 紧凑度因子(compactness)为0.5。得到的多尺度分割影像见图2, 分割多边形与参考多边形的拟合度很好。

	Figure Option View Download New Window
	图1 ED2与scale的关系图Fig.1 Scatterplot showing variation of ED2 values with scale parameter

	Figure Option View Download New Window
	图2 多尺度分割之后的影像(局部)Fig.2 The result of multiresolution segmentation

为客观评价基于J48决策树算法的面向对象方法提取土地覆被信息的精度和可靠性, 对研究区的数据进行了基于像元的最大似然法分类和基于试错性规则集的面向对象法分类。在基于像元的最大似然法分类中, 使用的参数包括Landsat5 TM影像的第1— 5, 7波段的均值和标准差。在基于试错性规则集的面向对象方法中, 以专家知识为经验基础, 结合研究区影像特点建立了用于研究区土地覆被类型分类的规则集(表3)。

表3 试错性分类规则集列表 Tab.3 Classification rules based on trial-and-error method

5.1 决策树模型合理性

通过训练样本, 在WEKA中应用J48算法, 获得用于影像分类的决策树模型(图3)。括号中的第1个数值表示最终被分类为该地物覆被类型的总训练样本数目, 第2个数值表示这些训练样本中被误分类的样本数目。根据此决策树模型, 选择10对参数进行交叉验证, 正确的分类率为94.62%, Kappa系数为0.93。

在决策树的第1层上, 归一化差异水体指数在1号节点将农田划分为: 旱地和水浇地。研究区干旱少雨, 旱地水浇地的植株冠层水分的蒸发量大, 归一化差异水体指数能够有效地提取植被冠层的水分含量。当植被冠层受水分胁迫时, NDWI指数能及时响应, 作为决策树中的根节点, 首先将旱地与水浇地区分出来(植被水分指数低于-0.49), 剩余的对象(植被水分指数高于-0.49)属于决策树的右支, 为植被覆盖度低的地物覆被类型, 即居民地、草地、林地和砂田。

在决策树的第2层上, 未被分类的不同的地物覆被类型, 具有不同的地表水分含量。相同的地物覆被类型, 由于处于不同的地理位置和成长状态, 其地表水分含量也存在差异。因而, 在节点2处, 采用影像的地表水分含量指数, 将影像划分为地表水分含量相对低的区域(低于-0.07)和地表水分含量相对高的区域(高于-0.07)。

	Figure Option View Download New Window
	图3 利用J48算法得到的土地覆被类型分类的决策树Fig.3 Decision tree generated by algorithm J48 to Land cover classification

在决策树的第3层上, 利用Landsat5 TM影像第2波段纹理均值将大部分草地与其他地物覆被类型区别开来(高于30.62)。对于地表水分含量相对较高的区域(2号节点的右支), Landsat5 TM影像的第4波段可以有效地识别农作物和突出土壤/农作物、陆地/水体的对比度, 砂田对比于居民地和水体的生物量大, 居民地中虽有植被种植, 但以裸土、房屋为主, 因而, 在4号节点处, 利用第4波段的反射率均值分出砂田(高于3 089.22)。

在决策树的第4层上, 在5号节点处将剩下的小部分未被分类的草地利用第4波段的纹理同质性区分出来(低于0.25)。在6号节点处, 利用Landsat5 TM影像经过缨帽变换后得到的湿度分量, 将居民地(低于-1 056.38)与水体(高于-1 056.38)区分出来。

在决策树的第5层上, 在7号节点处针对居民地和林地分布的地形坡度特征存在明显差异, 分出地表水分含量相对较低区域(节点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 分类结果及其精度评价

研究区原图和3种分类方法得到的分类结果见图4。

	Figure Option View Download New Window
	图4 研究区原图像和3种分类方法得到的分类结果Fig.4 Land cover classification map of different image analysis method

图4中, 基于像元的最大似然法得到的分类结果中“ 椒盐现象” 明显; 基于试错性规则集的面向对象法的分类结果“ 椒盐现象” 得到缓解, 但由于研究区地处中国西北干旱、半干旱区, 且居民地为农村居民地, 其周边的草地、造林地均稀疏分布, “ 异物同谱” 现象严重, 难以单纯地依靠试错法建立有效的规则集进行影像分类, 导致居民地与耕地, 草地与造林地间的区分效果较差。本文方法得到的分类结果不仅各土地覆被类型均被有效地区分出来, 拥有较高的分类精度, 而且“ 椒盐现象” 得到显著缓解, 其分类图斑少而规整, 更加易于专题制图应用。

选取673个独立于前述模型构建的训练样本数据集对以上3种方法的分类结果进行精度评价分析(表4)。从中可以看出, 最大似然法分类结果的总精度为64.56%, Kappa系数为0.60; 基于试错性规则集的面向对象法的总精度为72.53%, Kappa系数为0.63; 本文分析方法分类结果总精度为89.30%, Kappa系数为0.84。表明本文分析方法与最大似然法、试错性规则集的面向对象法相比, 各种地物覆被类型的生产者精度和用户精度均显著提高。

表4 分类精度评价结果 Tab.4 Accuracy assessment

6 结论

本文将J48决策树技术集成于面向对象的影像分析方法中, 基于Landsat5 TM影像的土地覆被分类总精度达到89.30%, Kappa系数达到0.84, 取得了较好的分类效果。传统的基于像元的遥感影像分类技术不仅效率低, 且精度难以达到实用要求, 已经不适应于高分辨率遥感影像应用发展的需求。面向对象的分类方法可以充分利用影像的光谱、纹理、几何等信息, 在特征空间中实现地物类型的识别和标识, 避免了基于像元分类结果中“ 椒盐现象” 的产生, 提高了影像的分类精度。

面向对象影像分析方法中引入决策树算法实现了规则集建立的自动化。J48决策树模型与试错性规则集两者存在相似性, 但WEKA J48算法能够筛选出更多可用于影像分类的特征, 如纹理和地形等, 建立分类决策树, 形成可在eCognition中实现影像分类的规则集。可见J48算法可以模拟和补充专家知识库, 确保分类规则集的通用性, 有效地消除工作人员进行影像分类的主观性, 减少人为误判, 分类效率和分类结果精度可得到显著提高。

本文使用遥感影像的光谱特征、纹理特征和地形特征构建了影像分类决策树的测试变量集, 变量集的选取主要依靠已有研究成果, 未形成系统科学的选择标准。如何选取具有针对性的测试变量集将有待开展进一步的研究。

The authors have declared that no competing interests exist.

参考文献

View Option

[1]	李秀彬. 全球环境变化研究的核心领域——土地利用/土地覆被变化的国际研究动向[J]. 地理学报, 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. [本文引用:1]
[2]	王圆圆, 李京. 遥感影像土地利用/覆盖分类方法研究综述[J]. 遥感信息, 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. [本文引用:1]
[3]	朱光良. 基于卫星遥感技术的土地利用研究发展[J]. 遥感信息, 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. [本文引用:1]
[4]	Blaschke T. Object based image analysis for remote sensing[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2010, 65(1): 2-16. [本文引用:1]
[5]	杜凤兰, 田庆久, 夏学齐, 等. 面向对象的地物分类法分析与评价[J]. 遥感技术与应用, 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. [本文引用:1]
[6]	曹宝, 秦其明, 马海建, 等. 面向对象方法在SPOT5遥感图像分类中的应用——以北京市海淀区为例[J]. 地理与地理信息科学, 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. [本文引用:1]
[7]	苏伟, 李京, 陈云浩, 等. 基于多尺度影像分割的面向对象城市土地覆被分类研究——以马来西亚吉隆坡市城市中心区为例[J]. 遥感学报, 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. [本文引用:1]
[8]	龙娟, 宫兆宁, 郭逍宇, 等. 基于光谱特征的湿地湿生植物信息提取研究[J]. 国土资源遥感, 2010, 22(3): 125-129. doi: DOI: 106046/gtzyyg. 201003. 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: DOI:10.6046/gtzyyg.2010.03.25. [本文引用:1]
[9]	陈云浩, 冯通, 史培军, 等. 基于面向对象和规则的遥感影像分类研究[J]. 武汉大学学报: 信息科学版, 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. [本文引用:1]
[10]	谭衢霖, Steve J. 基于像元和对象分类的城区植被高分辨率遥感制图比较研究[J]. 应用基础与工程科学学报, 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. [本文引用:1]
[11]	云玉屏. 基于C4. 5算法的数据挖掘应用研究[D]. 哈尔滨: 哈尔滨理工大学, 2008. Yun Y P. Application and Research of Data Mining based on C4. 5 Algorithm[D]. Harbin: Harbin University of Science and Technology, 2008. [本文引用:1]
[12]	袁梅宇. 数据挖掘与机器学习——WEKA应用技术与实践[M]. 北京: 清华大学出版社, 2014. Yuan M Y. Data Mining and Machine Learning: WEKA Application Technology and Practice[M]. Beijing: Tsinghua University Press, 2004. [本文引用:1]
[13]	邹文涛, 张怀清, 鞠洪波, 等. 基于QUEST树的高寒湿地植被覆盖类型遥感分类研究[J]. 中南林业科技大学学报, 2011, 31(12): 138-144. Zou W T, Zhang H Q, Ju H B, et al. Study on remote sensing classification of highland wetland s vegetation coverage by QUEST-based decision tree[J]. Journal of Central South University of Forestry & Technology, 2011, 31(12): 138-144. [本文引用:1]
[14]	刘晓宇. C4. 5算法的一种改进及其应用[D]. 青岛: 中国海洋大学, 2013. Liu X Y. An Improved C4. 5 Algorithm and Application[D]. Qingdao: Ocean University of China, 2013. [本文引用:1]
[15]	史泽鹏, 马中文, 马友华, 等. 基于J48决策树算法的遥感土地利用变化分析[J]. 遥感信息, 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. [本文引用:1]
[16]	李先. 面向对象的土地利用变化检测方法研究[D]. 阜新: 辽宁工程技术大学, 2009. Li X. Research on the Methods of Object-Oriented Land Use Change Detection[D]. Fuxin: Liaoning Technical University, 2009. [本文引用:1]
[17]	朱晓荣. 基于决策树的洞庭湖湿地信息提取技术研究[D]. 北京: 中国林业科学研究院, 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. [本文引用:1]
[18]	李天文, 刘学军, 陈正江, 等. 规则格网DEM坡度坡向算法的比较分析[J]. 干旱区地理, 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. [本文引用:1]
[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. [本文引用:1]

1996

0.0

... 0 引言遥感技术是土地利用/土地覆被变化信息提取的重要手段^[1] ...

2004

0.0

王圆圆, 李京. 遥感影像土地利用/覆盖分类方法研究综述[J]. 遥感信息, 2004, 19(1): 53-59.

Wang Y

, Li

Classification methods of land use/cover based on remote sensing technology[J]. Remote Sensing Information, 2004, 19(1): 53-59.

从六个方面总结了国内外出现的遥感影像土地利用/覆盖分类中针对传统计算机分类方法的改进:(1)从基于统计的分类向基于非线性并行处理的人工神经网络分类、基于模糊理论的分类、基于知识的分类以及支撑向量机等分类技术发展;(2)分类从单一利用光谱信息到利用光谱、纹理、时相、角度等多种信息;(3)从基于像元的逐点分类到基于图斑的分类;(4)从硬分类到亚像元分类;(5)从单源遥感影像分类到利用多源遥感影像融合的分类;(6)从单分类器向复合分类器发展.

... 早期的影像分类主要基于像元光谱特征和有限纹理特征进行处理,其结果通常难以满足生产部门的制图要求^[2] ...

2001

0.0

朱光良. 基于卫星遥感技术的土地利用研究发展[J]. 遥感信息, 2001, 16(4): 34-37, 39.

Zhu G

Research and development based on land use satellite remote sensing technology[J]. Remote Sensing Information, 2001, 16(4): 34-37, 39.

在总结国际卫星遥感技术和应用的近今发展的基础上,提出了在甚高分辨率的卫星遥感数据陆续进入应用领域的情况下,卫星遥感技术如何更好地应用在土地利用/土地覆盖(LU/LC)监测上的几点思考.

... 2000年以来,高分辨率卫星遥感数据呈爆炸式的增长,快速准确提取地学信息的社会需求有力地推动了自动化遥感分类方法的发展^[3],一种新的面向对象的影像分析方法应运而生 ...

2010

0.0

... 该方法可以充分利用影像对象的光谱、纹理、形状和上下文等特征,完成遥感影像的信息提取^[4] ...

2004

0.0

杜凤兰, 田庆久, 夏学齐, 等. 面向对象的地物分类法分析与评价[J]. 遥感技术与应用, 2004, 19(1): 20-23.

Du F

, Tian Q

, Xia X

, et al. Object-oriented image classification analysis and evaluation[J]. Remote Sensing Technology and Application, 2004, 19(1): 20-23.

结合南京市区IKONOS高分辨率遥感数据,研究利用面向对象分类法实现地物精确分类的方法和技巧,评估分类结果的精度,探讨面向对象分类法在地物分类应用中的潜力和限制,为高分辨率遥感在地物分类中的有效应用提供新的技术途径.

... 杜凤兰等^[5]结合南京市区IKONOS高分辨率遥感数据,研究了利用面向对象分类法实现地物精确分类的方法 ...

2006

0.0

... 曹宝等^[6]对北京市海淀区SPOT5影像应用面向对象方法进行了分类试验 ...

2007

0.0

苏伟, 李京, 陈云浩, 等. 基于多尺度影像分割的面向对象城市土地覆被分类研究——以马来西亚吉隆坡市城市中心区为例[J]. 遥感学报, 2007, 11(4): 521-530.

, Li

, Chen Y

, 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.

Urban land cover classification is not easy for its inner complexity resulting from human's impact.The emergency of very high resolution remote sensing images makes it possible to classify the urban land cover for its ample details.The paper is about urban land cover classification method using multi-scale and multi-variable image segmentation method.The innovation of this method lies in selection of proper scale parameter resulting from proper image data and certain classification order.Normalized Digital Surface Model(nDSM) is constructed in the process of building extraction;the threshold of elevation difference is used to extract building.Accuracy assessment result indicates that the ideal urban land cover classification results have been obtained using this method.The total accuracy has increased from 83.04% to 88.52% compared with traditional object oriented classification result.The product accuracy of building increases from 60.27% to 93.91%,which is the highest among all the six objects.

城市受人类活动影响比较大,结构组成比较复杂,对该区域进行分类研究存在一些问题。甚高分辨率遥感影像,以其丰富的细节信息为城市土地覆被分类研究提供了可能。本文结合使用甚高分辨率QuickBird遥感影像和激光扫描LIDAR数据,论述了利用多尺度、多变量影像分割的面向对象的分类技术对马来西亚基隆坡市城市中心区的土地覆被分类研究。针对特定地物选择合适的影像分割特征和分割尺度、按照合理的提取顺序逐步进行城市土地覆被信息提取。在建筑物的提取过程中构建了归一化数字表面模型nDSM,使用成员函数将建筑物信息提取出来。精度评价结果表明,利用该方法得到了理想的城市土地覆被分类结果,其分类总精度从常规面向对象分类方法的83.04%上升到88.52%,其中建筑物生产精度从60.27%增加到93.91%。

... 苏伟等^[7]论述了基于多尺度影像分割的面向对象分类技术对马来西亚吉隆坡市城市中心区所进行的土地覆被分类研究 ...

2010

0.0

龙娟, 宫兆宁, 郭逍宇, 等. 基于光谱特征的湿地湿生植物信息提取研究[J]. 国土资源遥感, 2010, 22(3): 125-129. doi: DOI: 106046/gtzyyg. 201003. 25.

Long

, Gong Z

, Guo X

, 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: DOI:10.6046/gtzyyg.2010.03.25.

... 龙娟等^[8]基于湿生植物光谱特征分析,采用面向对象分类方法提取了湿地典型植被 ...

2006

0.0

陈云浩, 冯通, 史培军, 等. 基于面向对象和规则的遥感影像分类研究[J]. 武汉大学学报: 信息科学版, 2006, 31(4): 316-320.

Chen Y

, Feng

, Shi P

, 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.

A classification method for remote sensing image based on object oriented and class rules is presented in this paper.The whole image is firstly segmented into image objects and object hierarchy is built using multi-resolution segmentation.Then,the features of objects,such as spectral,geometrical and topological characteristics,are measured.The class rules are constructed based on these features.Classification of remote sensing image is carried out using the rules and information transfering and merging among these objects.The accuracy of the classification approach based on object(oriented) and class rules is checked by a case study of land use classification of Beijing.

讨论了面向对象和规则的光学遥感影像分类方法。首先利用多尺度分割形成影像对象,建立对象的层次结构,计算对象的光谱特征、几何特征、拓扑特征等,利用对象、特征形成分类规则,并通过不同对象层间信息的传递和合并实现对影像的分类。并以北京城市土地利用分类为例,对该方法进行了验证。

... 2 研究方法面向对象的影像分析方法首先通过影像分割生成影像对象,然后利用影像对象的光谱、纹理、形状、上下文等特征进行影像分类^[9,10] ...

2011

0.0

谭衢霖, Steve

基于像元和对象分类的城区植被高分辨率遥感制图比较研究[J]. 应用基础与工程科学学报, 2011, 19(3): 441-448.

Tan Q

, Steve

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.

本研究利用高空间分辨率遥感影像和LiDAR数据，参照美国USGS植被分类体系，在两种不同分类层次上，评价了基于像元和基于对象分类两种方法的城区植被覆盖专题制图效果.采用传统的基于像元监督最大似然分类时，在下层分类层次，分类总精度仅为70.5％，Kappa系数为63.5％.当在上层分类层次进行分类时，分类精度相对下层分类层次有明显提高，总精度达84％，Kappa系数为75.8％.而采用面向对象的分类方法时，在下层分类层次，分类总精度为86％，Kappa系数为82.3％.在上层分类层次，总精度达90.8％，Kappa系数为86.2％.研究结果表明，在城区两种不同植被分类层次，面向对象分类结果都取得了优于基于像元的分类结果.

... 2 研究方法面向对象的影像分析方法首先通过影像分割生成影像对象,然后利用影像对象的光谱、纹理、形状、上下文等特征进行影像分类^[9,10] ...

2008

0.0

云玉屏. 基于C4. 5算法的数据挖掘应用研究[D]. 哈尔滨: 哈尔滨理工大学, 2008.

Yun Y

Application and Research of Data Mining based on C4. 5 Algorithm[D].

Harbin: Harbin University of Science and Technology, 2008.

近几十年来，数据库技术和海量存储器等硬件的快速发展使得人们收集数据的能力得到进一步的提高。面对信息时代海量数据的出现，如何有效地利用大量的原始数据分析现状以预测未来，已经成为人类面临的一大挑战。由此，数据挖掘技术应运而生并得以迅猛发展。目前，数据挖掘已经成为一个研究热点，数据挖掘所得到的知识能够为决策支持提供依据。Ⅱ型糖尿病患病率在全球范围内呈上升趋势，其隐匿起病、患病率随年龄增大而增加等特点表明这一疾病发展为渐进型疾病。针对这一疾病发生发展的规律，本文尝试用数据挖掘算法来发现规律，将数据挖掘算法引入Ⅱ型糖尿病的...

... 数据挖掘是从数据中揭示隐含的、先前未知的,并有潜在价值信息的过程^[11] ...

2014

0.0

... 决策树算法通过将训练集划分为较纯子集,以递归的方式建立决策树^[12] ...

2011

0.0

邹文涛, 张怀清, 鞠洪波, 等. 基于QUEST树的高寒湿地植被覆盖类型遥感分类研究[J]. 中南林业科技大学学报, 2011, 31(12): 138-144.

Zou W

, Zhang H

, Ju H

, et al. Study on remote sensing classification of highland wetland s vegetation coverage by QUEST-based decision tree[J]. Journal of Central South University of Forestry & Technology, 2011, 31(12): 138-144.

以青海省索加-曲麻河自然保护区高寒湿地密集分布区为例,进行三江源高寒湿地植被覆盖类型遥感分类方法研究。基于SPOT5影像融合后的4个波段数据和融合影像主成分分析后第一主成分PCA1,以PCA1作为数据源计算的8个纹理特征,用数字高程模型DEM和其他辅助数据构成的数据集,选用QUEST算法,对数据集进行数据挖掘,构建决策树模型对影像进行分类。分类结果表明:9×9窗口下的纹理特征均值、方差和信息熵是进行高寒湿地植被覆盖类型分类的有效纹理特征量。QUEST决策树分类方法所得分类结果精度可达84.19%,kappa系数为0.826 1。相对于传统的最大似然法监督分类所得结果,总体精度提高17.29%,总体kappa系数提高0.191 2,提高幅度近30%。所得分类结果中,矮嵩草草甸、矮嵩草+藏嵩草沼泽化草甸、杉叶藻草本沼泽、藏嵩草沼泽化草甸和藏嵩草+矮嵩草草甸等植被覆盖类型的分类精度较高,生产者精度分别可达:95.83%,95.45%,95.00%,94.74%和91.67%;用户精度分别为100%,91.30%,82.61%,78.26%和95.65%。

... 目前已经发展了许多归纳方法可以自动选择分类特征及其阈值^[13] ...

2013

0.0

... 5算法是一种高效的决策树算法,采用信息增益率选取分类属性,递归构造决策树的各个分枝,完成对连续属性的离散化处理^[14] ...

2014

0.0

史泽鹏, 马中文, 马友华, 等. 基于J48决策树算法的遥感土地利用变化分析[J]. 遥感信息, 2014, 29(1): 78-84.

Shi Z

, Ma Z

, Ma Y

, et al. Land use change of remote sensing based on J48 decision tree algorithm[J]. Remote Sensing Information, 2014, 29(1): 78-84.

摘　要：在遥感和GIS技术的支持下,运用WEKA的J48决策树算法和监督分类的最大似然法对肥东县3期ETM+影像进行分类,提取土地利用信息,构建了土地利用类型转换矩阵,从主地利用类型的数量、结构和程度3个方面对肥东县土地利用变化进行分析.研究表明,前一种分类方法的精度较高;肥东县2000年～2011年建设用地面积呈上升趋势且变化最大,耕地、林地、草地、水域、未利用地均呈减少趋势,土地利用变化速度和综合程度越来越快.

... 5决策树算法的实现,增加了有效的剪枝过程,训练出的决策树规则易于理解且准确度较高^[15] ...

2009

0.0

李先. 面向对象的土地利用变化检测方法研究[D]. 阜新: 辽宁工程技术大学, 2009.

Research on the Methods of Object-Oriented Land Use Change Detection[D].

Fuxin: Liaoning Technical University, 2009.

利用分类后比较法进行土地利用变化检测时,常用的自动分类方法只能利用遥感数据的光谱信息,分类精度较低,本文在此基础上将面向对象的分类方法引入到变化检测中.该方法综合利用遥感数据光谱信息、纹理特征、拓扑关系和专题信息,在进行多尺度分割获取对象后的基础上,通过对对象的目视识别选择样本来进行分类.利用面向对象的方法成功检测出了所选取的试验区十年间的土地利用变化信息,得到了较为满意的结果,为土地资源可持续利用提供了依据.

... 1 光谱特征光谱特征反映了影像中地物类型的颜色及灰度,是影像目视解译的基本依据^[16] ...

2012

0.0

朱晓荣. 基于决策树的洞庭湖湿地信息提取技术研究[D]. 北京: 中国林业科学研究院, 2012.

Zhu X

Research for Informations to be Extracted from Dongting Lake Wetland based on Decision Tree[D].

Beijing: Chinese Academy of Forestry, 2012.

洞庭湖湿地地处长江中下游，对维持生态平衡和保持本区域的经济可持续发展具有重要意义。然而，由于自然环境的变迁、长期的泥沙淤积和人类活动干扰的日益加剧，洞庭湖湿地受到了严重的破坏，湿地面积急剧下降。人类活动与河流水沙情势制约着湖泊的演化，围湖垦殖和入湖泥沙淤积加速着洞庭湖的衰亡，洞庭湖敞水区的面积急剧缩小，洲滩面积逐渐增多，洞庭湖湿地的结构和功能正在发生着巨大的变化。　　本研究以洞庭湖区为研究对象，利用不同分辨率遥感影像数据的光谱与纹理特征，结合其他辅助数据，探索洞庭湖湿地信息的高效提取方法。同时根据多期影像数据的... 展开洞庭湖湿地地处长江中下游，对维持生态平衡和保持本区域的经济可持续发展具有重要意义。然而，由于自然环境的变迁、长期的泥沙淤积和人类活动干扰的日益加剧，洞庭湖湿地受到了严重的破坏，湿地面积急剧下降。人类活动与河流水沙情势制约着湖泊的演化，围湖垦殖和入湖泥沙淤积加速着洞庭湖的衰亡，洞庭湖敞水区的面积急剧缩小，洲滩面积逐渐增多，洞庭湖湿地的结构和功能正在发生着巨大的变化。　　本研究以洞庭湖区为研究对象，利用不同分辨率遥感影像数据的光谱与纹理特征，结合其他辅助数据，探索洞庭湖湿地信息的高效提取方法。同时根据多期影像数据的分类结果，揭示湿地的演变规律。　　主要研究成果与结论如下：　　（1）利用人类活动中洞庭湖防洪大堤对洞庭湖区域进行分区，结合GIS知识的空间分析功能，研究洞庭湖湿地的分布特征，考虑冬夏季相的不同，充分挖掘数据，构建决策树实现对研究区湿地类型的精确获取。将分类结果与传统最大似然法监督分类所得结果进行对比可知：利用知识的决策树分类方法对湿地类型进行分类，较传统的最大似然法监督分类总体精度提高12.05％；总体kappa系数提高0.1407；特别是外湖区的林地，芦苇滩地，泥滩地、水体等覆盖类型其生产者精度和用户精度有大幅提高。　　（2）利用SPOT-5高分辨率影像进行洞庭湖湿地土地覆盖分类，选择全色波段作为纹理特征计算的数据源；通过选定样本的J-M距离确定各湿地类型相对应的最佳纹理尺度；选用QUEST算法对遥感影像光谱、纹理信息构成的数据集进行数据挖掘，构建决策树模型，对高分辨率影像进行分类。　　结果表明结合多尺度最佳纹理信息的高分辨率影像分类，分类精度达到78.57%，而单一光谱数据分类和结合单尺度纹理数据的分类精度分别为71.98%和76.76%。可见，纹理信息能够有效地提高地物的识别程度，多尺度纹理能够更好地描述地物的纹理特征，更有效解决分类结果中的同谱异物现象，有助于提高高分辨率影像分类精度与效率。　　（3）水体、泥滩地、苔草滩地、芦苇滩地、水田是本研究最主要的土地覆盖类型。水体、苔草滩地面积在所选时间跨度上先减少，后趋于稳定；泥滩地呈现持续下降的趋势。作为本区鱼类与水鸟主要栖息、觅食地的水体、泥滩地、苔草滩地的减少，表明奔去湿地退化严重威胁本区的湿地多样性保护。　　从1987年至1996年，研究区湿地类型发生剧烈变化，主要转化类型为泥滩地、水域、苔草滩地与林地的转化。1987年至2004年洞庭湖外湖区的林地面积仍在持续增加，同时泥滩地持续减少；在2004年-2009年区间，外湖区的林地面积一定程度出现下降，但不明显，其已经成为洞庭湖区特别是西洞庭湖区一种主要的地面覆被类型。　　（4）研究区景观总体的多样性和异质性变化不大；景观中各优势地类所占比重呈现先减小后增大的趋势；景观类型团聚程度增大，分散程度降低。　　研究区地类斑块在1987年至1996年总体呈现斑块趋于破碎化和小型化的趋势；在1996年至2009年2个时间段内，则表现为斑块趋于聚合的趋势。研究区地类斑块密度变化总体呈现先增大后减小的趋势，斑块破碎化程度在1996年达到最高，到2004年时又有很大程度好转，景观趋于完整；斑块边界密度在1996年至2009年之间总体下降，研究区地类形状趋于规则，受到较为剧烈的人为干扰。研究区地类呈现出聚集度增加的趋势。收起

... 2 纹理特征纹理特征描述了影像灰度的空间变化和排列规律,常使用灰度共生矩阵来检测纹理特征的空间定向、幅度变化^[17] ...

2004

0.0

李天文, 刘学军, 陈正江, 等. 规则格网DEM坡度坡向算法的比较分析[J]. 干旱区地理, 2004, 27(3): 398-404.

Li T

, Liu X

, Chen Z

, 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.

... f_x为南北方向高程变化率,f_y为东西方向高程变化率^[18] ...

2012

0.0

... 多尺度分割采用不一致性评价法,对多尺度分割参数进行优选^[19],通过欧几里德距离(ED2)与尺度因子的关系图(图1)得到,分割参数组合的最优值分布尺度因子为25~30 ...