NDVI/NDWI/DEM決策樹方法在東莞ALOS影像土地利用分類中的應(yīng)用

黃鐵蘭，蘇 華，王云鵬

(1.中國科學(xué)院廣州地球化學(xué)研究所，廣州廣州 510640; 2.中國科學(xué)院研究生院，北京 100049; 3.廣東省地質(zhì)調(diào)查院，廣州廣州 510080)

NDVI/NDWI/DEM決策樹方法在東莞ALOS影像土地利用分類中的應(yīng)用

黃鐵蘭1，2,3，蘇 華1,2，王云鵬1*

(1.中國科學(xué)院廣州地球化學(xué)研究所，廣州廣州 510640; 2.中國科學(xué)院研究生院，北京 100049; 3.廣東省地質(zhì)調(diào)查院，廣州廣州 510080)

以東莞市2008年的ALOS影像為數(shù)據(jù)源，結(jié)合東莞市的地形地貌特點，引入植被指數(shù)NDVI、水體指數(shù)NDWI和DEM數(shù)據(jù)，利用決策樹方法進(jìn)行土地利用分類，使分類精度>90%，有效地解決了因ALOS數(shù)據(jù)有效波段數(shù)較少而產(chǎn)生的分類精度低的問題.研究表明，在我國南方亞熱帶地區(qū)基于植被指數(shù)、水體指數(shù)和DEM的改進(jìn)型決策樹分類是一種非常好的ALOS數(shù)據(jù)土地利用分類方法.

土地利用； 決策樹； 分類； ALOS

相對于目前使用最多的Landsat TM和ETM影像來說，ALOS影像具有分辨率高、性能好、價格低的特點，近年在多個領(lǐng)域得到越來越廣泛的應(yīng)用.常用ALOS影像的AVNIR-2多光譜數(shù)據(jù)，空間分辨率為10 m，包括4個波段：波段1為藍(lán)波段，波長0.42～0.50 pm；波段2為綠波段，波長0.52～0.60 pm；波段3為紅波段，波長0.61～0.69 pm；波段4為近紅外波段，0.76～0.89 pm[1].國外(尤其是日本)對于ALOS數(shù)據(jù)的研究和應(yīng)用很多[2-3]，近年來我國也開展對ALOS數(shù)據(jù)的研究，包括ALOS數(shù)據(jù)的影像特征及預(yù)處理方法[4-5]，及其應(yīng)用在資源調(diào)查與環(huán)境監(jiān)測方面.

江玲等[6]選取鹽城丹頂鶴保護(hù)區(qū)核心區(qū)濕地作為研究區(qū)，嘗試尋找針對ALOS數(shù)據(jù)的有效凸顯濕地植被信息的圖像變換方法.周華林[7]根據(jù)經(jīng)驗?zāi)Ｐ停捎肁LOS數(shù)據(jù)反演得到了長江南京段以及玄武湖水域的懸浮泥沙濃度狀況.趙紅等[8]采用小波變換、GS變換和高通濾波3種方法，分別對已配準(zhǔn)的ALOS多光譜與全色波段影像進(jìn)行融合，然后采用監(jiān)督分類方法對融合前后影像提取水體信息，并比較提取效果，給出適于水體信息提取的影像融合方法.易文斌[9]以海淀區(qū)AL0S衛(wèi)星為研究數(shù)據(jù)，運用面向?qū)ο蟮挠跋穹诸惙椒ǐ@取景觀類型分布，選取景觀分維數(shù)、破碎度、分離度等指數(shù)定量描述海淀區(qū)的景觀格局.

在ALOS在土地利用/土地覆被分類應(yīng)用研究方面，吳海平等[10]研究ALOS衛(wèi)星在土地領(lǐng)域中的應(yīng)用效果和潛力.曹敏等[11]選定長江口北岸ALOS影像為實驗數(shù)據(jù)，以影像土地覆被分類為目的，根據(jù)信息量最大、相關(guān)性小、地物光譜差異大可分性好的原則，進(jìn)行ALOS影像各光譜波段影像特性統(tǒng)計分析和波段組合的實驗分析，選取ALOS最佳組合波段為4，3，2.張棟等[12]以覆蓋湖北省公安縣的ALOS影像為數(shù)據(jù)源，選擇水田、旱地、水域、建設(shè)用地、林地5類目標(biāo)地物，從整體精度、對訓(xùn)練樣本大小和噪聲的敏感性方面對CART、C5.0和概率神經(jīng)網(wǎng)絡(luò)3種機器學(xué)習(xí)算法的分類結(jié)果進(jìn)行了比較分析.

與其他類型的遙感數(shù)據(jù)比較，ALOS影像的分辨率高但光譜波段少，因此如何有效利用有限的光譜信息和較高的空間分辨率，是ALOS圖像分類的關(guān)鍵問題所在.

1 研究區(qū)域概況和數(shù)據(jù)來源

東莞市位于廣東省中南部，珠江口東岸，陸地面積約2 465 km2. 東莞地勢東南高、西北低.地貌以丘陵臺地、沖積平原為主.東莞屬亞熱帶季風(fēng)氣候,長夏無冬，日照充足，雨量充沛，年平均氣溫為23.1 ℃，年年平均雨量為1 819.9 mm.從地表分布看，東莞市植被覆蓋率高，水網(wǎng)密布，地貌類型以低山丘陵、沖積平原為主.

使用東莞市2008年ALOS多光譜影像為數(shù)據(jù)源，成像時間為12月19日(圖1).以1∶5萬地形圖為基準(zhǔn)面選取控制點，對ALOS多光譜數(shù)據(jù)進(jìn)行多項式幾何糾正，精度控制在1個像元內(nèi).其它數(shù)據(jù)包括：東莞市1∶5萬的地形圖、東莞市1∶5萬地貌類型圖等.

圖1 東莞市2008年ALOS多光譜影像(3、2、4波段)

Figure 1 AlOS image of Dongguan at 2008(natural color composite, band 3, 2, 4)

2 分類系統(tǒng)構(gòu)建與影像特征分析

將研究區(qū)劃分為耕地、園地、林地、建設(shè)用地、河流海域、水庫湖泊、養(yǎng)殖水域、灘涂等8類土地利用類型(地物).各類典型地物擬采樣訓(xùn)練樣點數(shù)、驗證樣點數(shù)分別為2 150和2 320個.根據(jù)前述選擇的訓(xùn)練區(qū)，對典型地物的光譜平均值進(jìn)行統(tǒng)計，得到研究區(qū)各類典型地物各波段的光譜平均值(圖2).

圖2 東莞市2008年ALOS遙感影像各類地物各波段光譜平均值曲線

Figure 2 Spectrum curve of average value of each band for every land use type of Dongguan at 2008

經(jīng)過對圖2的各類典型地物的光譜曲線進(jìn)行分析，可知2008年的ALOS影像，各類地物在1波段數(shù)值相差不大，而在2、3、4波段不同地物數(shù)值有較大的差別，可以用來對地物分類.

3 圖像分類

采用最大似然分類法和普通決策樹分類法對2008年ALOS影像進(jìn)行分類，在分析比較的基礎(chǔ)上，改進(jìn)決策樹方法，以其達(dá)到最好的分類效果.

3.1最大似然法分類結(jié)果

根據(jù)各類地物遙感影像波段平均值的統(tǒng)計結(jié)果，采用最大似然法進(jìn)行分類(圖3)，并對分類結(jié)果進(jìn)行精度評價(表1).

2008年的建設(shè)用地、水庫湖泊、林地、養(yǎng)殖水域的分類結(jié)果較好，而耕地、河流海域、園地、灘涂較差，灘涂幾乎沒有分出來.分類結(jié)果不太理想.

圖3 東莞市2008年遙感影像最大似然法分類結(jié)果

Figure 3 Classified image by maximum likelihood method of Dongguan at 2008

表1 2008年東莞市ALOS影像最大似然法分類結(jié)果精度評價

Table 1 Precision analysis of classified image by maximum likelihood method of Dongguan at 2008

地物系統(tǒng)精度/%用戶精度/%耕地78.8959.99河流66.2792.73建設(shè)用地98.81100.00林地89.6498.28水庫湖泊97.2087.92灘涂4.760.75養(yǎng)殖水域98.5766.35園地51.0452.69

3.2普通決策樹分類結(jié)果評價

根據(jù)前述各類地物遙感影像波段平均值的統(tǒng)計結(jié)果，構(gòu)建如下決策樹并進(jìn)行分類(圖4、圖5)，并對分類結(jié)果進(jìn)行精度評價(表2).

圖4 決策樹模型

圖5 東莞市2008年遙感影像決策樹分類結(jié)果

Figure 5 Classified image by decision tree method of Dongguan at 2008

表2 2008年東莞市ALOS影像決策樹分類結(jié)果精度評價

Table 2 Precision analysis of classified image by decision tree method of Dongguan at 2008

地物系統(tǒng)精度/%用戶精度/%耕地33.3348.39河流海域59.9093.55建設(shè)用地83.5389.06林地58.1986.71水庫湖泊91.6163.71灘涂0.000.00養(yǎng)殖水域32.869.20園地52.6021.54

從分類精度評價結(jié)果表明，2008年的河流海域、建設(shè)用地、林地、水庫湖泊的分類結(jié)果較好，而耕地、養(yǎng)殖水域、園地較差，灘涂完全沒有分出來.分類結(jié)果也不太理想.

3.3植被、水體指數(shù)和DEM的計算及分析

上面2種分類方法的分類效果都不理想.其原因是ALOS數(shù)據(jù)有效波段數(shù)太少，只有3個(其中第1波段因質(zhì)量不好不能使用)，影像光譜分辨率低，無法滿足8個土地利用類型的分類要求.

要解決這個問題，必須考慮對已有波段進(jìn)行適當(dāng)?shù)慕M合和變換，并引入地形地貌因子等，作為輔助特征變量，重新進(jìn)行分類.首先，考慮到東莞市位于亞熱帶地區(qū)，植被覆蓋率高，可以引入歸一化植被指數(shù)NDVI，因為它是植物生長狀態(tài)以及植被空間分布密度的最佳指示因子，與植被分布密度呈線性相關(guān)，能很好的區(qū)分植被覆蓋區(qū)(耕地、林地、園地)與其他地物.其次，東莞市屬于東江水系，水網(wǎng)密布，可以考慮引入歸一化水體指數(shù)NDWI，它能很好突出水體同時抑制植被等背景地物信息，可以區(qū)分水體(河流海域、水庫湖泊、養(yǎng)殖水域、灘涂)與其他地物.由于林地與耕地、園地較難區(qū)分，考慮到東莞市地貌類型以低山丘陵、沖積平原2種為主，林地主要分布在低山丘陵地區(qū)，與耕地、園地在地面高程上有較大的差異，所以引入DEM以期將林地分出來(圖6).

圖6 2008年東莞市植被指數(shù)、水體指數(shù)和DEM

對各類地物的訓(xùn)練區(qū)內(nèi)的植被、水體指數(shù)和DEM值進(jìn)行統(tǒng)計分析，得到如下平均值統(tǒng)計表和統(tǒng)計曲線(圖7).

圖7 東莞市各類地物的NDVI、NDWI曲線和DEM曲線

Figure 7 NDVI/NDWI/DEM curve of typical land use types of Dongguan at 2008

3.4改進(jìn)型決策樹分類

基于以上對于ALOS影像各波段及植被、水體指數(shù)和DEM平均值的統(tǒng)計分析，構(gòu)建如下決策樹模型(圖8).

圖8 東莞市2008年改進(jìn)型決策樹模型

改進(jìn)型決策樹方法的分類結(jié)果見圖9.

對分類結(jié)果進(jìn)行精度評價，如下表3所示.

從改進(jìn)的決策數(shù)分類結(jié)果看出，2008年的建設(shè)用地、耕地、園地、林地、河流海域、水庫湖泊、養(yǎng)殖水域的分類結(jié)果都很好，僅有灘涂未能分出.

3.53種方法分類精度對比分析

改進(jìn)型決策樹分類法與最大似然法和普通決策樹方法的分類結(jié)果精度對比見表4、表5.

改進(jìn)型決策樹比最大似然法在耕地、河流海域、水庫湖泊、養(yǎng)殖水域、園地等5類地物的分類精度有較大的改進(jìn).改進(jìn)型決策樹比普通決策樹在耕地、河流海域、林地、養(yǎng)殖水域、園地等5類地物的分類精度有較大的改進(jìn).綜合來看，加入NDVI、NDWI和DEM的改進(jìn)型決策樹是一種能提高大多數(shù)地物分類精度的好方法.

圖9 東莞市2008年改進(jìn)型決策樹分類結(jié)果

Figure 9 Classified image by modified decision tree method of Dongguan at 2008

表3 2008年東莞市ALOS影像改進(jìn)型決策樹法分類結(jié)果精度評價

Table 3 Precision analysis of classified image by modified decision tree method of Dongguan at 2008

地物系統(tǒng)精度/%用戶精度/%耕地88.9476.96河流海域90.5396.31建設(shè)用地87.4493.24林地89.2695.21水庫湖泊98.7588.76灘涂0.000.00養(yǎng)殖水域90.9287.74園地92.7582.49

表4 3種方法分類結(jié)果的系統(tǒng)精度對比

Table 4 Comparison of system classification accuracy by three methods

地物系統(tǒng)精度/%最大似然法普通決策樹改進(jìn)型決策樹耕地78.8933.3388.94河流66.2759.9090.53建設(shè)用地98.8183.5387.44林地89.6458.1989.26水庫湖泊97.2091.6198.75灘涂4.760.000.00養(yǎng)殖水域98.5732.8690.92園地51.0452.6092.75

表5 3種方法分類精度的用戶精度對比

Table 5 Comparison of user classification accuracy by three methods

地物系統(tǒng)精度/%最大似然法普通決策樹改進(jìn)型決策樹耕地59.9948.3976.96河流92.7393.5596.31建設(shè)用地100.0089.0693.24林地98.2886.7195.21水庫湖泊87.9263.7188.76灘涂0.750.000.00養(yǎng)殖水域66.359.2087.74園地52.6921.5482.49

4 結(jié)論

在對東莞市2008年ALOS數(shù)據(jù)的光譜特征進(jìn)行充分分析的基礎(chǔ)上,用最大似然分類法和普通決策樹分類法對2008年ALOS影像進(jìn)行分類，分類效果都不理想.分析原因，其原因主要是ALOS數(shù)據(jù)有效波段數(shù)太少，無法區(qū)分較多的土地利用類型.針對這個問題，結(jié)合東莞市地形地貌特點，計算植被、水體指數(shù)，并加入DEM數(shù)據(jù)，作為分類的輔助特征變量，重新采用改進(jìn)的決策樹方法進(jìn)行土地利用分類，大部分土地利用類型的分類精度都有了較大的提高.

本研究表明，南方亞熱帶熱帶地區(qū)，由于植被覆蓋程度較高，水網(wǎng)分布密集，植被、水體指數(shù)可以有效地彌補ALOS數(shù)據(jù)波段信息的不足，大大提高了分類精度；同時，林地主要分布低山丘陵地區(qū)，與耕地、園地在地面高程有較大差別，引入DEM數(shù)據(jù)能較好的減少林地錯分的概率；另外，決策樹方法在分類過程中能方便靈活的調(diào)整閾值，以達(dá)到最佳的分類效果.所以，基于NDVI、NDWI、DEM的改進(jìn)型決策樹方法在是針對ALOS影像土地利用分類的非常好的方法.

[1] 李延梅譯.日本先進(jìn)的陸地觀測衛(wèi)星(ALOS) [J].遙感技術(shù)與應(yīng)用，2001,16(4):274-275.

[2] THAPA R B, MURAYAMA Y. Urban mapping, accuracy, & image classification: A comparison of multiple approaches in Tsukuba City, Japan [J]. Applied Geography,2009,29:135-144.

[3] LUBIS A M, ISEZAKI N. Shoreline changes and vertical displacement of the 2 April 2007 Solomon Islands earthquake Mw 8.1 revealed by ALOS PALSAR images[J]. Phys Chem Earth,2009,34:409-415.

[4] 張榮慧，劉順喜，周連芳，等. ALOS衛(wèi)星圖像分析與預(yù)處理實證研究[J]. 國土資源遙感，2008(3):84-90.

[5] 何宇華，謝俊奇，劉順喜.ALOS衛(wèi)星遙感數(shù)據(jù)影像特征分析及應(yīng)用精度評價[J].地理與地理信息科學(xué), 2008,24(2):23-26, 52.

[6] 姜玲,黃家柱.ALOS數(shù)據(jù)濕地植被信息提取研究[J].河北遙感,2007(2): 23-26.

[7] 周華林. ALOS數(shù)據(jù)在長江南京段水儺懸浮泥質(zhì)監(jiān)測的應(yīng)用[J].科教文匯,2008,8(下旬刊)：272-273.

[8] 趙紅，賈永紅，張曉萍，等. 遙感影像融合方法在ALOS影像水體信息提取中的應(yīng)用研究[J]. 水資源與水工程學(xué)報,2010,21(3):56-58.

[9] 易文斌，蔣衛(wèi)國，國巧真,等.基于ALOS數(shù)據(jù)的城市景觀格局信息提取研究遙感應(yīng)用——以北京市海淀區(qū)為例[J]. 遙感信息, 2008(4):33-38.

[10] 吳海平，劉順喜，張榮慧. ALOS在土地資源調(diào)查與監(jiān)測中的應(yīng)用研究[J].測繪與空間地理信息,2009,32(5):87-91.

[11] 曹敏,史照良,沈泉飛.ALOS影像在土地覆被分類中最佳波段選取的研究[J].測繪通報,2008(9):16-18, 27.

[12] 張棟，柯長青，余瞰. 機器學(xué)習(xí)算法在ALOS影像分類中的應(yīng)用研究[J]. 遙感信息,2010(3): 26-29,111.

Keywords： land use； decision tree； classification； ALOS

DecisionTreeMethodBasedonNDVI/NDWI/DEMforLandUseClassificationofAlosImageinDongguanCity

HUANG Tielan1，2，3， SU Hua1，2， WANG Yunpeng1*

(1. Guangzhou Institute of Geochemistry, Chinese Academy of Sciences, Guangzhou 510640；2. Graduate University of Chinese Academy of Sciences, Beijing 100049； 3. Geological Survey of Guangdong Province, Guangzhou 510080)

Using the ALOS image of Dongguan City in 2008 as data source, this study combined the characteristics of topography, imported normalized difference vegetation index (NDVI), normalized difference water index (NDWI) and digital elevation model (DEM) data, used decision tree methods for land use classification. The classification accuracy has improved greatly (> 90%). The study showed that in subtropical regions in southern China, the modified decision method based on vegetation, water index and DEM is a very useful land use classification method for ALOS data.

2011-09-20

國家863重大課題項目(2006AA06306)

*通訊作者，wangyp@gig.ac.cn

1000-5463(2012)01-0134-06

TP75

A

【責(zé)任編輯 成 文】