【WORD可复制可编辑】基于决策树方法的滨海地区遥感影像分类

1、 :/ docin /week114基于决策树方法的滨海地区遥感影像分类孙俊河海大学水文水资源学院，南京210098E-mail：sunajun1231163 摘 要：决策树分类法能够快速地在多维特征空间中确定分类规那么，已经成为遥感信息提取和分类的一种重要方法。针对本实验区实际情况，探讨了决策树分类法的实现方法和关键问题，提出了以 PCBand1，湿度，亮度，绿度，NDVI 以及 Landsat TM2， TM4， TM5 构建特征空间，建立分类决策树，并对结果进行分析。关键词：特征空间；NDVI；决策树中图分类号：TP791. 引言遥感图像分类的本质是在特征空间内将地物在最大别离度处分开。

2、例如，在 MT 图像的水体提取中，单波段阈值法就是以第五波段亮度值为特征空间，寻找某一阈值，因为第五波段水体与其它地物差异较大。周成虎等提出的谱间关系法1，主要依据是水体亮度值在 TM7个波段中具有 TM1TM2TM3TM4TM5 以及 TM4TM7 的规律，所以谱间关系法是以几个波段波谱值为特征空间的。决策树法的原理是通过一系列的特征属性值进行判断，按照“如果，“那么，“否那么的方法将图像逐步细分，最终形成一个倒的树状决策过程。 “如果是设立条件的地方，这里的条件可以由不同的特征来担任，可以使一种特征，也可以使多特征结合，这就决定了决策树方法的优势，它可以结合多种特征属性，多源数据来提高分类

3、精度。决策树的使用使得分类受到软件操作环境的影响越来越小，而遥感分类的专业逻辑知识那么占到越来越大的作用和分量。可以用于决策树法的数据源众多，因而特征空间可以很丰富，但是特征数据源太多的时候，容易造成决策规那么的难以确定，使决策树复杂化。这就要求，根据分类目的，选择合适的特征空间数据源。本次研究的图像是 2002 年 6 月 7 日江苏滨海湿地 Landsat7 ETM+图像，如图 1 为 2,4,5波段组合。图像中地物较为复杂，包括海水，河流，海水养殖场，淡水养殖场，沼泽，光滩，树木，旱地和人工地物等。图 12，4，5 波段假彩色合成图像-1- :/ docin /week1142. 决策树

4、实现方法使用决策树进行遥感图像分类主要有以下步骤2：1输入遥感图像，确定待分类地物类别；2统计训练区内各类地物的特征，如光谱曲线，分析各个波段见的别离度；还可以注意非光谱信息，如几何信息，纹理特征等等；3以可分性最大的特征及波段作为分类结点，确定分类规那么；4在3的根底上再选择可分性较大的特征做为决策树的内部结点；5重复4的步骤，逐层建立决策树，该结点上的像元特征值相同或没有剩余的特征能进行下一步的划分；6检查分类结果时候满足要求，对决策树进行调整。3. 特征分析及实验亮度主要反映地物的辐射水平，用以监测地物的反射辐射强度，图 2 中的亮点多是人工地物。绿度图像中植被亮度大，图 3。湿度图像中

5、亮的区域含水量大，多为水体，如图 4。PCBand1 包含最大的数据方差百分比，显示在图像上就是各类地物亮度差异最大，如图 5。NDVI 选择植被波谱变化不大的第 3 和第 4 波段求指数，扩大植被与其他地物的差异3，图像上植被较亮，如图 6。第 2 波段是绿光波段，主要反映健康绿色植被，其中暗色区域多为植被，如图 7。第 4 波段为近红外波段，常用于区分植被类型和绘制水体边界，如图 8。第5 波段为短波红外，常用于探测植物含水量和土壤湿度，如图 9。本文尝试将这几个数据结合，构建特征空间，进行波谱特征分析。用 ENVI 的 Tasseled Cap 工具求取亮度，绿度和湿度图像。图 2亮度图

6、像图 3绿度图像-2- :/ docin /week114图 4图 6图 8湿度图像NDVI 图像第 4 波段图 5图 7图 9PCBand1第 2 波段第 5 波段使用 layer stack 工具将以上数据叠加成新的数据集如图 10。-3- :/ docin /week114图 10 多特征图像叠加在图像上分别选取海水，沼泽，河流，树木，三类养殖场，人工地物和光滩九类地物的样本，制作了地物类型光谱曲线，如图 11 并进行分析。可以看出人工地物和光滩与其他地物差异较大，而几类水体的波谱差异不大。图 11 地物类型光谱响应曲线图经分析建立决策树，如图 12，分类结果见图 13。-4- :/ d

7、ocin /week114图 12 决策树图 13 分类结果图4. 结果分析本次实验总精度到达 80.915%，效果良好。误差矩阵及其精度见表 1，表 2。-5- :/ docin /week114表 1 误差矩阵类别海水沼泽河流树木养殖 1养殖 2养殖 3人工光滩列总计海水520000000052沼泽084000000084河流0029002510055树木000780000078养殖 1010080000081养殖 244000684000134养殖 3002400457900148人工000000069069光滩000000006464行总计9685537886154806964765表

8、 2 生产者精度和用户精度海水沼泽河流树木养殖 1养殖 2养殖 3人工光滩生产者精度用户精度100%54.17%100%98.82%52.73%54.72%100%100%98.77%93.02%62.69%54.55%53.38%98.75%100%100%100%100%由上面的分类结果图和精度评价表中可以看出，树木、光滩和人工建筑物分类精度很高，到达 100%。而由于海水养殖和光谱特征和海水非常的接近，导致养殖场 2 有 44 个像元被错分到海水中。同样道理，养殖 3 有 24 个像元错分成河流，河流也有很多被分成养殖场，养殖场 2 和养殖场 3 互相有混淆。可见由于滨海地区异物同谱现象

9、出现的较多，而决策树方法仅仅用到地物的光谱特征，这对于光谱特征相似的地物很难区分开来，所以错分的比拟多，针对此地区需要一些改良的方法。5. 结论遥感影像的高效、准确、直观的分类是当前的重要研究课题。决策树自身具有直观性，并且除了能够利用地物光谱信息，还可以利用非光谱信息来提高分类精度，因此，策树分类法在遥感中的应用必将越来越深入。本次实验并未参加非光谱信息，因而对几类光谱信息较为接近的水体未取得好的分类结果，可见遥感影像进行分类，要根据分类目的和地区特点采用适当的分类特征。今后的研究重点将放在对不同类水体的波谱分析上，并要结合灰度共生矩阵和纹理信息进行进一步的细化分类。-6- :/ docin

10、 /week114参考文献1 周成虎，杜云艳，骆剑承基于知识的 AVHRR 影像的水体自动识别方法与模型研究：遥感在中国M.北京:测绘出版社，1996，221-232.2 赵英时，等遥感应用分析原理与方法M北京：科学出版社，2003.3 Running S W,Loveland T.R. A remote sensing based vegetation classification logic for global land coveranalysisJ.Remote Sensing of Environment, 1995,51:39-48.Decision Tree based cost

11、al area classificationSun JunDepartment of hydrology and waterresources, Hohai University, Nanjing (210098)AbstractDecision Tree is now a important method to extract and classify RS information because it can provideclassify principle via multidimensional feature space. On account of the study area, study the methodand key technology to implement the decision tree. Put forward the method of construct the features