决策树分类方法在红树林自然保护区SPOT影像解译中的应用

1、决策树分类在红树林自然保护区spot影像解译中的应用*乐通潮 陈杰 罗彩莲谭芳林潘辉(福建省林业科学研究院，福建，福州，350012 )摘要：利用决策树分类方法对漳江口国家级红树林自然保护区spot遥感影像进行解译，解 决了传统监督分类很难区分滩涂中的红树林与山上的果树的弊病，取得了良好的效果。 关键词：漳江口；红树林;决策树;spot影像application of decision tree in classifying mangrove reserve spot imagele tonchao luo cai-lian chen jie(1 fujian academy of fores

2、try, fuzhou 350012, fujian, china)abstract: in this paper, it has got a good result to classify zhangjiangkou national mangrove reserve spot image by means of decision tree and resolved the difficulty to divide mangrove and fruit tree by traditional supervised methodkey word: zhangjiangkou; mangrove

3、; decision tree; spot image红树林是自然分布于热带和亚热带海岸潮间带的木本植物群落，通常牛长在港湾河口地 区的淤泥质滩涂上,是海上滩涂特有的森林类型"'23。红树林有着特殊的形态结构和生理机 能，起到防风、防浪、促淤造陆、稳定海岸、保护海堤筹的作用，有着更要的生态和经济价 值。近几十年来，我国东南沿海的红树林遭受了严重的人为破坏，近70%的红树林已经消失, 造成了一系列的生态问题，加强红树林资源的调查和管理工作已经非常迫切。要対红树林 生态系统进行深入的研究和系统的管理，必须准确摸清其分布、而积、植物组成和结构等情 况。由于成片的红树林生长在潮间带，

4、往往植株繁茂，行人难以通达.使得测绘工作一般仅 仅是对可达的地带进行估测其长势和群落特性，其结果有一定的不确定性。另外红树林地 地势平坦,用传统的森林资源调查方法难以准确定位和勾绘。由于遥感技术具启覆盖面积大, 数据更新周期短，空间分辨率高，手段多样等特点，已经成为国内外红树林牛态研究的主要 技术z。红树林区域调查要求梢度比较高，木文采用spot 5影像作为遥感信息源，选取福建省漳 江口国家级红树林自然保护区作为应用研究区，通过野外实地调查，将红树林外貌特征与遥 感光谱信息相结合，利用决策树分类方法对红树林信息进行了提取，探讨决策树分类方法在 遥感影像红树林信息提取的应用潜力。1研究区概况与实

5、验数据漳江口红树林保护区位于福建省南部云冑县漳江口，距离云雷县城10 km,地处东经 117°24wh-17°30z00m,匕纬23°53'45”23。56'00”，海拔6-8m,全区总面积2360hm2。属亚热 带海洋性季风气候，气候温暖湿润，年平均降雨量为1714.5mm,年平均蒸发量为1718.4mm。本文采用2003年1月4fi获取的spot影像，景号292-302, track号6 3608,预处理级别为 1a,共4个波段，地面分辨率为10mo基金项日：福建省自然科学基金计划资助项日(200刀0251)与国家林业局南方山地用材林培育重点实

6、验 室共同资助。作者简介：乐通潮(1980-),男,福建大iii人，硕士，工程师，主要从爭森林生态、湿地、3s集成研究.2研究方法2.1遥感数据预处理禾ijffl 1:10000地形图上的特征点以及gps实测点定位点作为控制点，对原始影像进行几 何精校正，以获取研究区精确地理位置信息。根据漳江口国家级自然保护区研究区矢量文件, 裁剪牛成研究区spot影像。采用arcgis软件，矢彊化生成岸线文件，利用envi软件生成水陆两分的掩模文件。然 后生成归一化植被指数ndvi文件。2. 2决策树分类概念决策树(decision tree)又叫一叉树，类似于流程图的树形结。一个决策树由一个根节 点(ro

7、ot nodes), 系列内部节点(intcmal nodes)和分支以及若干叶节点(terminal nodes) 组成，每个内部节点只有一个父节点和两个或多个子节点，节点和子节点之间形成分支。其 中树的每个内部节点代表一个决策过程中所要测试的属性；每个分支代表测试的一个结果, 不同属性值形成不同分支；而每个叶节点就代表一个类别，即图像的分类结果。树的最高层 节点称为根节点，是整个决策树的起始，7-，uo图1就是一个简单的决策树。hghndm图i决策树分类fig 1 decision treetree：highbifieldb1>0houseunknot决策树方法主要是决策树学习和决策

8、树分类两个过程。决策树学习过程是通过对训练样 本进行归纳学习(inductive learning),牛成以决策树形式表示的分类规则的机器学习(machine learning)过程决策树学习的实质是从一纟r无次序、无规则的事例屮推理出决策树表示形 式的分类规则。决策树学习算法的输入是由属性和属性值表示的训练样本集，输出是一-棵决 策树。决策树的生成通常采用口顶向下的递归方式，通过某种方法选择最优的加性作为树的 结点，在结点上进行属性值的比较并根据各训练样本对应的不同属性值判断从该结点向下的 分支。在每个分支子集中重复建立下层结点和分支，并在一定条件卜-停止树的牛长，在决策 树的叶结点得到结论

9、。通过对训练样木进行决策树学习牛:成决策树，决策树可以根据属性的 取值对一个未知样本集进行分类，就是决策树分类卩叫2. 3分类体系结合漳江口国家级红树林口然保护区特点，确定土地覆盖利用类别为：红树林、滩涂、 水体、果树、田地和生活区等6类。2. 4决策树分类规则结合研究区实际情况，木文在envi软件采用arcgis中矢最化生成的岸线文件产生水 陆分离的掩模图，水体dn值为1,陆地dn值为0。利用envi软件生成ndvi图。为了 计算方便，生成新的遥感影像，1-4波段为原spot影像波段数据，第5波段为掩模图，第 6波段为ndvi图。在新影像上采集6类地物的训练区数据，经过比较分析，得到决策树的

10、分类规则如表1 所示。表1漳江口红树林自然保护区spot影像分类决策树规则table 1 decision tree rule of zhangj iangkou mangrove reserve spot imageband 5band 4band 6band 1红树林=1>=50>=0. 08滩涂=1>=50<0. 08水体=1<50杲树=0>0. 05>40田地=0>0. 05<=40居民区=0<=0. 05>03结果与分析3.1分类结果timhhittiwkk w祸建省林业科7研究院200& 04漳江口红树林门然

11、保护区spot影像分类图0 1 2 3 4 5 602468 lkmmap scale 1:200.()00图2漳江口红树林h然保护区spot影像分类图fig. 2 classi ficat ion map of zhangjiangkou mangrove reserve spot image利用表1建立的决策树进行分类得到如图2的结來，表2为各类而积统计。表2漳江口红树林自然保护区spot影像分类结果table 2 classifiestion resuit of zhangj iangkou mangrove reserve spot image类型红树林滩涂水体果树山地居住区面积（hm

12、”355.911589. 639171.5711533.251154. 752874. 14比重（酚1.356. 0434. 8443.814. 3910. 923. 2精度评价为了评估分类精度，我们利用envi的confusion matrixt尽可能均匀的选择评估样点13351个，构建了决策树分类的误差混淆矩阵，计算了分类精度和kappa系数（表3和表4）。表3决策树分类误差矩阵table 3 error matr ix of decision tree classification样点数（个）实际类别红树林滩涂水体果树山地居民区行小计红树林63103000634滩涂04227000042

13、27实水体01726850002702果树00021008374013338类田地0001081314131435别居尺区00085888421015小计6314244268822932239125613351表4决策树分类精度报告table 4 accuracy report of deci si on tree classification类名参考像元被分类像元正确分类像元生产者像元0）用户者像元红树林631634631100.099.5滩涂42444227422799.6100.0水体26882702268599.999.4果树22933338210091.662.9田地22391435

14、13145& 791.6居民区1256101584267.083.0总计133511335111799总赭度二8& 4%kappa系数二85. 3%从表中可以看出，红树林、滩涂和水体的分类精度非常高，达到99%以上。由于当地满 山遍地是龙眼、荔枝等果树，出地与屈民区穿插在里面，所以果树、出地和屈民区的分类精 度比较低。4结论决策树本身既是一种直观的知识表示方法，也是-种高效的分类器。利用决策树対spot 遥感影像进行分类不仅有效利用了地物的光谱信息，而几提高了地物非光谱信息对分类结果 的作用。通过决策树分类，准确得到了漳江口国家级红树林自然保护区的红树林而积，为红 树林的保护规

15、划提供了基础数据。参考文献1林鹏红树林湿地自然保护区m.厦门:厦门人学出版社,2001.12汤育智.福建漳江口红树林景区的保护与开发j.海洋环保,2003(5):75-78.|3潘辉，乐通潮，万泉等.红树林自然保护区周边社区经济调查分析j.阴护林科技,2008(3):1-3.4李四海，王华，蒋兴伟.屮巴资源卫星在红树林遥感调査中的应用研究j.海洋通报,2003(6):331.338.5腾俊华，刘宇，顾徳宇.红树林遥感智能分类方法硏究j.台湾海峡，1997(3):331-33&6于祥，赵冬至，张丰收.遥感技术在红树林生态监测与研究中的应用进展j.海洋环境科学, 2005(1):76-80.|7潘琛，杜培军，张海荣.决策树分类法及其在遥感图像处理中的应测绘科学,2008(1):208-211.8john durkin,蔡竞峰，蔡自兴.决策树技术及其当前研究方向j.控制工程,2()05(1):15-18.9李宁，乐琦.决策树算法及其常见问