引用本文
杨曦光, 黄海军, 严立文, 都本绪. .基于决策树方法的海岛土地利用分类研究[J]. 国土资源遥感, 2012,24(2): 116-120
YANG Xi-guang, HUANG Hai-jun, YAN Li-wen, DU Ben-xu. .Land-use Classification of Islands Based on Decision-tree Method[J]. REMOTE SENSING FOR LAND & RESOURCES,2012,24(2): 116-120  
Permissions
Copyright©2012, 《国土资源遥感》编辑部
《国土资源遥感》编辑部
基于决策树方法的海岛土地利用分类研究
杨曦光1,2, 黄海军1, 严立文1, 都本绪3
1.中国科学院海洋研究所,青岛 266071
2.中国科学院研究生院, 北京 100049
3.大连市林业局,大连 116023

第一作者简介: 杨曦光(1983-),男,在读博士研究生,主要从事海洋遥感与地理信息系统研究。E-mail: yangxiguang21@163.com。

收稿日期: 2011-07-15
基金: 海洋公益性行业科研专项经费项目(编号: 200905004-7)、中国科学院海洋地质与环境重点实验室开放基金资助项目(编号: MGE2009KG04 )和海洋沉积与环境地质国家海洋局重点实验室开放基金资助项目(编号: MASEG200807)共同资助
摘要

以山东省荣成市镆铘岛为例,利用SPOT 5卫星数据,探讨了基于决策树方法的海岛土地利用类型的遥感分类。结果表明,利用决策树分类方法进行海岛土地利用类型分类,可以得到较好的分类结果(分类的平均精度达到86.46%,Kappa系数为0.841 4); 与其他分类方法比较,决策树分类法的分类精度有明显的提高,在海岛土地利用类型调查中具有较好的应用潜力。

关键词: 分类; 土地利用; 决策树
中图分类号:TP79 文献标志码:A 文章编号:1001-070X(2012)02-0116-05 doi: 10.6046/gtzyyg.2012.02.21
Land-use Classification of Islands Based on Decision-tree Method
YANG Xi-guang1,2, HUANG Hai-jun1, YAN Li-wen1, DU Ben-xu3
1.Institute of Oceanology, Chinese Academy of Sciences, Qingdao 266071, China
2.Graduate University of Chinese Academy of Sciences, Beijing 100049, China
3.Dalian Forestry Bureau, Dalian 116023, China
Abstract

With Moye island of Rongcheng city in Shandong province as the study area, the authors investigated the application of decision-tree method to land-use classification based on SPOT 5 satellite data. The results show that the decision-tree method is suitable for classification,with the mean precision and Kappa index being 86.46% and 0.8414 respectively. A comparison with the other traditional classification methods shows that the precision of decision-tree method is obviously higher, suggesting that the method of decision-tree classification has better applicable potential than the other methods in land-use classification research.

Keyword: classification; land-use; decision-tree
0 引言

我国海岛众多, 面积在500 m2以上的岛屿约有6 500多个, 分布在相当于我国陆域面积1/3(约300多万km2)的海域中[1]。遥感技术具有高光谱分辨率、高空间分辨率、实时观测、重访周期短等优势, 已广泛应用于陆地、海岛等土地利用类型调查中[2, 3, 4]。张华国等[5]用IKONOS数据对福州市琅歧岛的土地覆盖类型进行监督分类, 分类总体精度为76.31%。近年来, 基于知识的光谱特征遥感信息模型得到了快速发展, 将知识作为分类的辅助信息参与分类过程计算, 可有效地改善和提高分类精度[6]。李春华等[7]利用TM与ASTER 的融合图像对福州市琅歧岛进行土地利用类型的分类研究, 结果表明, 基于知识的Bayes分类方法比运用单一分类方法的精度明显提高。决策树是一种利用逐层逻辑判别方式使人的知识及判别思维能力与图像处理有机结合起来的图像分析处理方法, 具有较高的分类精度, 已在陆地土地类型分类研究中得到了成功的应用[8, 9, 10, 11, 12], 但在海岛土地利用分类研究中尚不多见。

本文以山东省荣成市镆铘岛为研究靶区, 以SPOT 5卫星图像为数据源, 采用决策树方法进行海岛土地利用类型的分类研究, 通过与传统单一分类方法比较, 发掘决策树分类法在海岛土地利用调查中的相对优势、局限性及其应用潜力。

1 研究区与数据源

研究区为山东省荣成市镆铘岛, 位于E122° 31'00″, N36° 54'48″, 属于人工陆连岛。岛屿形状不规则, 西南— 东北走向, 南北长5.3 km, 东西宽0.84 km, 岛陆面积4.62 km2。岛内陆域土地利用类型包括耕地、林地、草地、住宅用地等多种地类。

研究采用的遥感数据源为2004年8月获取的10 m空间分辨率的SPOT 5多光谱数据。

2 研究方法
2.1 训练样本选择

训练样本的选取是建立分类决策树模型的关键步骤, 直接关系到规则设定的质量以及分类结果的精度。本研究根据土地利用现状分类标准(GB/T 21010— 2007)、海岛调查技术规程[13]和遥感图像可判读的特点, 建立了镆铘岛土地利用类型的分类系统, 包括林地、耕地、草地、居民地(含交通用地)、水域和未利用地共6类; 并对典型地物进行采样, 保证每类地物采样点不少于150个。

2.2 主要地物波谱统计特征

图像中主要地物的光谱特性能揭示和反映遥感数据内部及各波段间内在的规律性[14]。对训练区内主要地物类型进行光谱特征的统计分析, 包括各波段的最大值、最小值、均值、方差等(表1)。

表1 SPOT图像中不同土地利用类型统计特征 Tab.1 Statistical characteristics of different Land-use types in SPOT image

分析表1可以看出, 比较各波段图像上的均值, B1: 林地(32.14)< 水域(32.16)< 草地(33.53)< 耕地(40.90)< 居民地(45.41)< 未利用地(63.69); B2: 水域(33.86)< 林地(34.28)< 草地(36.28)< 耕地(40.19)< 居民地(49.35)< 未利用地(73.81); B3: 水域(30.15)< 草地(41.19)< 林地(45.28)< 居民地(52.97)< 耕地(70.13)< 未利用地(73.71)。6种地物在3个波段的采样点均值曲线如图1所示。

图1 不同地物类型3个波段采样点均值曲线Fig.1 Mean curves of different object samplings of three bands

分析各波段光谱特征可发现一个明显的特征, 即水域和未利用地的B1< B2且B2> B3, 而其他地物均表现为B1< B2且B2< B3; 在3个波段中未利用地的DN均值在6种地物中都是最大的, 水域的DN均值在6种地物中都是最小的。因此, 利用这些光谱特征基本上可将未利用地及水域区分出来。林地和草地的光谱特征很相似, 但是在B1和B2波段, 林地的DN值小于草地的DN值, 在B3波段, 林地的DN值大于草地的DN值。如表1所示, 6种土地利用类型样本DN值的最大值和最小值之间存在着交叠, 单纯利用上述3个波段并不能建立很好的分割原则将这些交叠在一起的地物类型区分开来。为增大不同地物类型之间的反差, 减小地物类型之间的交叠, 本文使用SPOT图像波段运算的方法提取了4个较为有效的分类特征, 分别是归一化差值植被指数(NDVI)、B2· B3、NDVI· B2· B3和exp(NDVI), NDVI计算公式为

NDVI=(B3-B2)/(B3+B2)。(1)

4个分类特征的统计信息见表2。

表2 各土地利用类型SPOT图像波段运算统计特征 Tab.2 Statistical characteristics of different land-use types from SPOT band operations

分析表2可以看出, 比较NDVI图像上各地物类型的均值: 水域(-0.06)< 未利用地(-0.000 49)< 居民地(0.04)< 草地(0.06)< 林地(0.14)< 耕地(0.27); 比较B2· B3图像上各地物类型的均值: 水域(1 021.20)< 草地(1 494.71)< 林地(1 552.30)< 居民地(2 633.11)< 耕地(2 821.06)< 未利用地(5 447.14); 比较NDVI· B2· B3图像上各地物类型的均值: 水域(-57.94)< 未利用地(-4.84)< 居民地(89.46)< 草地(94.85)< 林地(214.95)< 耕地(766.31); 比较exp(NDVI)图像上的地物类型的均值: 水域(0.94)< 未利用地(1.00)< 居民地(1.04)< 草地(1.06)< 林地(1.15)< 耕地(1.31)。

2.3 决策树建立

决策树是利用树结构, 按一定的分割原则把数据分为特征更为均质的子集, 其基本思想是利用一组或多组自变量来预测每个样本最可能对应的类型。根据上面的统计分析结果制定分类原则, 建立分类决策树。水域在SPOT图像的 B3波段最大DN值是41, 基本上可以将水域与其他地物进行区分; 然后根据NDVI· B3· B2≤ 77.80, B1< B2且B2> B3区分出水域; 再利用exp(NDVI)≤ 1.07将混淆在水域中的林地、草地区分开来; B3波段中未利用地DN最小值为65, 利用B3波段又可以对未利用地与其他地物加以区分; 未利用地中混杂的耕地和居民地可以根据NDVI· B3· B2≥ 399.59来区分; 而未利用地和居民地则根据B1≥ 53, 未利用地的DN值有B1< B2且B2> B3的特点加以区分; 剩余未分的土地利用类型中, 居民地可根据B2≥ 38并且NDVI· B3· B2≤ 242.96加以区分; 耕地可根据B2· B3≥ 2 257加以区分; 最后利用exp(NDVI)≤ 1.07区分林地和草地。分类决策树结构如图2所示。

图2 分类决策树结构Fig.2 Structure of decision-tree for classification

3 结果与分析

利用上文建立的决策树对研究区SPOT 5图像进行分类, 分类后利用计算机按土地利用类型随机生成384个检验点。通过目视解译的方法对384个检查点进行判读, 采用误差矩阵和Kappa系数对决策树分类结果进行精度评价(计算出的误差矩阵见表3)。

表3 误差矩阵计算结果 Tab.3 Result of error matrix

制图精度中草地最高(95.65%), 居民地最低(68.18%); 用户精度中水域最高(93.18%), 草地最低(72.13%), 总体分类精度为86.46%, 总Kappa系数为0.841 4。从整体上来看, 耕地、未利用地和林地分类精度相对较高, 而草地、水域和居民地分类精度略低。

根据误差矩阵, 并对比SPOT 原始图像和实地调查数据, 对6种地物的分类精度及其原因分析如下:

1)草地主要错分为林地和水域。其原因为草地在图像上的光谱特征与林地十分相似, 容易产生错分。对比SPOT原始图像可以看到, 草地与水域错分的情况主要集中在水陆交界处。水陆交界处的像元既包含水体信息, 又包含部分植被信息, 这种混合光谱现象导致了草地与水体的错分, 也导致了水域与林地的错分。

2)居民地分类精度较低且与耕地和未利用地之间存在错分。主要是因为该岛屿耕地多以小斑块形式存在, 斑块之间又有纵横交错的田间小路, 而且这种道路在图像上多表现得细碎零散, 在分类过程中易与相邻地物发生混淆。未利用地多分布在居民地附近或其中, 二者的光谱特征相似, 也是导致居民地与未利用地错分的原因。

3)林地除被错分为水域和草地外, 还被错分为居民地、耕地和未利用地。主要是因为居民地内包含植被信息, 混合像元存在带来的“ 异物同谱” 现象造成了错分。

由于样本的选择是随机进行的, 因此分析结果能在整体上反映分类的总体精度。但是误差矩阵法只是分类精度分析的一种方法, 其分析结果与测试样本的选择密切相关。因此, 这里的分析只是从一个方面或是局部地反映了决策树分类的精度情况。

为了进一步了解决策树分类法在海岛土地利用类型分类调查中的相对优势、局限性及应用潜力, 本文还利用相同的统计样本, 分别使用平行六面体分类法、支持向量机分类法、最小距离分类法、马氏距离分类法和最大似然分类法分别对研究区SPOT 5图像(图3(左))进行了监督分类, 并利用上文的384个检验点进行了分类精度评价, 分别从总分类精度和总Kappa系数两个方面对上述6种分类方法进行了比较(表4)。

图3 研究区SPOT图像(左)与决策树分类结果(右)Fig.3 SPOT image(left)and the result of decision-tree classification (right)of study area

表4 各种分类方法分类精度比较 Tab.4 Comparison of precisions among different methods of classification

由表4可知, 无论从总分类精度还是总Kappa系数的结果来看, 决策树方法明显优于其他分类方法。可见, 这种基于知识的决策树分类方法在海岛土地利用类型调查中具有更好的精度和利用空间。

研究中利用决策树分类法获取到镆铘岛土地利用类型专题图(图3(右))。从分类结果中统计出镆铘岛居民地面积为1.431 1 km2, 耕地面积为1.903 1 km2, 林地面积为0.827 5 km2, 草地面积为0.076 6 km2, 水体面积为0.064 8 km2, 未利用地面积为0.365 6 km2。

4 结论

1)基于高空间分辨率的SPOT 5多波段数据, 采用决策树分类方法进行镆铘岛土地利用类型分类, 总分类精度达到86.46%, 总Kappa系数为0.841 4。

2)在不同地物类型的区分过程中, 仅考虑SPOT图像波段本身信息建立的分割原则并不能完全将不同地物类型逐一区分; 而当引入波段运算统计数据后, 各土地利用类型的划分标准更容易选择且可区分性更好。

3)对比决策树分类结果与平行六面体分类器、支持向量机分类器、最小距离分类器、马氏距离分类器和最大似然分类器的分类结果表明, 决策树分类法明显优于其他分类方法, 证明了决策树分类法在海岛土地利用调查中的潜力和发展空间。

The authors have declared that no competing interests exist.

参考文献
[1] 张耀光, 胡宜鸣. 关于做好海岛县土地利用总体规划工作的探讨——以辽宁长海县为例[J]. 中国土地科学, 1994, 8(6): 42-46. [本文引用:1]
[2] 吕惠萍. SPOT卫片在土地利用分类中的应用效果初探[J]. 地质地球化学, 1989(5): 53-55. [本文引用:1]
[3] 吴均平, 毛志华, 陈建裕, 等. 一种基于分割图斑的海岸带遥感图像分类方法[J]. 海洋学研究, 2006, 24(2): 70-78. [本文引用:1]
[4] Xu K M. The Analysis of SPOT 5 Characteristics on Land Cover Classification[J]. Science of Surveying and Mapping, 2004, 29(S1): 108-116. [本文引用:1]
[5] 张华国, 黄韦艮, 周长宝. 应用IKONOS卫星遥感图像监测南麂列岛土地覆盖状况[J]. 遥感技术与应用, 2003, 18(5): 306-312. [本文引用:1]
[6] 杨存建, 周成虎. 基于知识的遥感图像分类方法的探讨[J]. 地理学与国土研究, 2000, 17(1): 72-77. [本文引用:1]
[7] 李春华, 沙晋明. 基于知识的遥感影像的BAYES分类方法研究——以福州市琅歧岛土地覆盖/土地利用类型为例[J]. 水土保持研究, 2006, 13(6): 126-128, 132. [本文引用:1]
[8] 刘小平, 彭晓鹃, 艾彬. 像元信息分解和决策树相结合的影像分类方法[J]. 地理与地理信息科学, 2004, 20(6): 35-39. [本文引用:1]
[9] 刘勇洪, 牛铮, 王长耀. 基于MODIS数据的决策树分类方法研究与应用[J]. 遥感学报, 2005, 9(4): 405-412. [本文引用:1]
[10] 杜明义. 决策树方法在土地荒漠化分类中的应用研究[J]. 测绘科学, 2006, 31(2): 81-82, 86. [本文引用:1]
[11] 黄颖, 周云轩, 吴稳, 等. 基于决策树模型的上海城市湿地遥感提取与分类[J]. 吉林大学学报︰地球科学版, 2009, 39(6): 1156-1162. [本文引用:1]
[12] 朱宏波. 一种基于决策树的SPOT-5影像分类方法[J]. 电力勘测设计, 2010(3): 19-21, 29. [本文引用:1]
[13] 国家海洋局908专项办公室. 海岛调查技术规程[M]. 北京: 海洋出版社, 2005: 59-62. [本文引用:1]
[14] 赵英时. 遥感应用分析原理与方法[M]. 北京: 科学出版社, 2003: 227-228. [本文引用:1]