基于決策樹方法的干旱區半干旱區面向對象遙感分類

干旱地區的半干旱地區通常是生態相對脆弱的地區。為了促進區域環境保護和可持續發展，遙感技術發揮著越來越重要的作用。作為監測和分析的重要手段，它們發揮著越來越重要的作用。在一些干旱半干旱地區,由于很多徑流為季節性河流,同時一些簡易道路與周邊環境區分不明顯,“異物同譜”現象頻繁,這種光譜混分的狀況導致該地區遙感分類難度加大。由于分類指標體系中的定性描述多于定量表達,且即使是可量化的指標也沒有一個統一的量化標準,因此致使干旱區分類精度低,甚至對同一地區,其分類結果也可能千差萬別。高分辨率遙感影像的出現為這種問題的解決提供了可能,但是,僅靠空間分辨率的提高不能同步地帶來土地覆被分類精度的提高,這是因為很多時候依然存在“異物同譜”的狀況,后續會帶來分類的誤差。因此,很多情況下,加入輔助數據進行遙感分類成為一種必然的選擇。高分辨率遙感影像是遙感應用的一個研究熱點,高分辨率遙感影像的自動和半自動解譯也是研究的難點,主要從4個方面評述該高分辨率遙感影像的自動和半自動解譯領域的研究進展。在高分辨率遙感數據的選擇方面,主要的數據源有:SPOT5影像、IKONOS影像、QuickBird影像,這些高分辨率影像也用于干旱區監測的遙感監測。在遙感數據分類方面,遙感影像分類方法主要有常規的基于像元分類、基于子像元分類、基于場的分類。面向對象分類是一種重要的基于場的分類方法,特別適用于高分辨率遙感數據分類。面向對象方法目前已經發展成為一類重要的遙感分類方法,其主要步驟包括影像分割和對象聚類。在影像分割方法的選擇方面,主要有以下幾種分割方法:棋盤分割、四叉樹分割和多尺度分割。Blumberg等使用多尺度影像分割,對土地利用圖進行分類和語義提取。在面向對象的聚類規則的選擇方面,許多先前的研究表明,對于復雜的景觀,非參數方法的聚類效果比參數方法的聚類效果好。其中最常用的非參數的聚類方法有神經網絡、決策樹、支持向量機和專家系統。神經網絡會因數據集維數的變化或者訓練集和測試集特性的變化而降低圖像分類的準確性,支持向量機在解決多類問題時存在不可分區域的現象,專家分類器因需要建立并運行復雜的推理機制而要求使用者擁有豐富的地學知識和經驗以及較高的建模能力。使用輔助數據進行分類也是一種有效的方法,遙感數據與輔助數據合并可以提高分類性能,如地形、土壤、道路、水系和普查數據。Bruzzone等研究了光譜復雜的區域(農村地區)使用陸地衛星TM圖像數據,紋理和輔助數據(地形高程、坡度和坡向)進行分類,同時使用參數(統計)和非參數(神經網絡)分類,輔助數據用于提高土地覆蓋分類的先驗概率的估計。Sims等利用圖像分類結合輔助數據如數字線路圖,基于對象的影像分類提高了道路的分類精度。Hatunen等通過集合多種數據,采用面向對象的影像分析方法和決策樹分類器,完成了芬蘭北部草原和荒原的分類,最佳的整體精度為73%遠大于最大似然分類的58%。近年來,國內外已有針對干旱半干旱地區進行土地覆被分類研究。本研究基于美國亞利桑那州荒漠地區的TheNationalAgricultureImageryProgram(NAIP,國家農業影像計劃)遙感影像,試圖利用河流、道路等輔助數據進行面向對象的遙感影像信息提取方法獲得更好的分類結果,期望解決干旱區半干旱區因存在一些季節性河流和泥土路導致分類精度較低這一問題。2農業種植基地的數據利用研究區域為美國西南部亞利桑那州中部馬里科帕縣所屬菲尼克斯都市區周邊的荒漠地區,位于北緯33.20°~33.84°,西經111.57°~112.79°,研究區屬典型的大陸性干旱荒漠氣候,該地區以超旱生的喬木和灌木占優勢的稀疏植被,大部分為裸露的土壤。研究中使用了兩類數據:一類是2010年的NAIP數據,NAIP是美國農業部獲取的農業種植季節時的全美航空影像,可以供農業及其他部門開源使用。NAIP圖像空間分辨率為是1m,水平誤差精度控制在6m,本研究用的NAIP影像有藍、綠、紅3個光譜波段。另一類是輔助數據,包括道路和水系數據,本文用的是開源的Tiger數據,其比例尺為1∶24000。Tiger數據包括一個稱為Tiger/Line文件集的主體,它是一個包括全美諸如公路、鐵路、河流、湖泊、法定邊界等地理特征的數據庫。3土地覆蓋分類系統本文論述的荒漠—山區土地覆被信息提取工作包括兩個步驟:影像分割和分類。首先需要確定合理的分割尺度,通過影像分割,生成屬性信息類似的影像對象,然后根據訓練樣本對象的屬性信息或者成員函數對所要研究的樣本進行類別歸屬的劃分。參照標準的美國地質調查局(USGS)的Anderson分類系統(Anderson,1976),美國國家土地覆蓋數據庫(NLCD)分類系統(Stefan等,2001年;Wentz等,2006年)和亞利桑那州當地荒漠地區的實際,確定本研究需要提取的地物信息主要有7類:建筑物、灌木、樹木、水體、泥土路、道路與土壤。本研究主要包括影像分割、影像分類和精度評價3項工作,其中主要部分技術流程如圖1所示。其中在影像分類中,(下同)采用了決策樹分類方法,主要決策規則(rule)包括規則1(RL1),規則2(RL2)和規則3(RL3)3個決策規則,分別用于水體和道路信息提取,灌木和樹木信息提取,建筑和土壤信息提取。特別地,在應用規則2(RL2)進行灌木和樹木信息提取時,需要用到光譜形狀指數(SpectralShapeIndex,SSI)。4多尺度分割模型在面向對象的影像處理中,通過采用影像分割技術而生成影像對象。對遙感影像進行分割,必須設定多個分割尺度,這樣就形成了由分割尺度參數所決定的影像對象層次體系。在影像分割生成多邊形對象的過程中,可以利用多種類型的數據參與分割。如在提取水體類別的分割中,如果能獲取該區域的水體矢量數據,就可作為一個專題層參與影像的分割,所生成的影像對象在感興趣的水體范圍內,就可以只把其他的土地利用類別當成一個大的背景,這樣的話可以大大地增加影像信息提取的精度與效率。影像分割有多種方法,有多尺度分割、棋盤分割、四叉樹分割等,本文通過這3種方法對研究區域進行分割,結果如圖2所示。從圖上可以看出,在荒漠地區,采用多尺度分割的影像對象與地物的真實形狀、大小、輪廓、紋理最接近,分割效果最好,有利于后續地物分類研究。分割參數是由遙感影像空間分辨率和地物特征確定的。多尺度分割參數主要包括分割尺度、波段權重、均質性因子。分割尺度決定影像對象的大小以及信息提取的精度。分割尺度值與所生成的對象層內多邊形的面積成正比,與生成的相應多邊形的數目成反比。通過不同波段參與分割,即對各影像波段層設置不同的權重,可以有效提取感興趣信息的特征。多尺度分割后的影像的質量與多尺度分割中的均質因子有關,包括色彩、形狀、平滑度、緊湊度。一般情況下,影像分割的過程中應該將顏色因子的權重值設的較大,且不能把形狀因子權重設置的太高。而平滑度和緊湊度因子的設置,主要根據所提取的目標的緊致和光滑的狀況來設置。考慮到所用NAIP數據的分辨率為1m,地物特征以光譜信息為主。分割尺度的選擇通過反復嘗試,以達到對不同地物的有效分割,不同的分割尺度對應不同的地物綜合,表1是本研究各個地物的分割參數。5圖像分類5.1有相關地物的水體。在法律基礎通過道路和水系輔助數據參與影像分割,可以輕易把影像分成兩類:一類是道路和水體,另一類是除道路、水體以外的其他地物。而道路和水體通過閾值法進行分類,由經驗得出水體的亮度遠小于道路的,經過調試可以制定規則1。BT(Brightness)表示亮度均值。通過RL1可以提取水體信息和道路信息,見圖3。5.2提取材料及關鍵條件光譜形狀指數(SSI)可用于提取植被信息。光譜形狀指數(SSI)的計算公式如下:式中,R為對象在紅色波段的光譜值,B、G分別為對象在藍、綠色波段的光譜值。經過反復設定比較,設定其指數上限為20,下限為8,依據此特征參數,采用閾值分類(assignclass)設定如下規則:通過RL2將植被信息提取出來,并在此基礎上,需要對植被進行細分。在荒漠地區,灌木的成活率大于樹木的,所以灌木生長面積范圍廣。由于灌木與樹木的形狀、高度、面積不一致,本文通過最近鄰方法將植被細分為灌木和樹木,如圖4所示。5.3泥土路的變化由于建筑物和荒地的光譜信息和幾何形狀都不相同,可通過3個波段的亮度均值和標準差等特征,利用最近鄰法進行分類。在荒地的基礎上,進一步細分為土壤和泥土路。由于泥土路和土壤的幾何形狀極不相同,所以本研究用長寬比LWR(計算公式見式(2))這個參數進行信息提取,該工作在ecognition軟件中利用成員函數實現。式中,Length、Width分別代表影像對象的長度和寬度。經過反復設定比較,設定其閾值為3,依據此特征參數,采用閾值分類設定如下規則:通過RL3可以將泥土路提取出來,如圖5所示。5.4土地利用覆被分類本文結合使用NAIP遙感影像和道路及水系等輔助數據,根據不同的提取目的選擇不同的數據源、設置不同的分割尺度和分類方案,對美國-亞利桑那州中部荒漠地區進行土地利用覆被分類,共分7個類別:建筑物、灌木、樹木、水體、泥土路、道路與土壤,見圖6。6方法應用及評價精度分析是遙感數據分類過程中一項不可缺少的工作。通過精度分析,分類者能確定分類模式的有效性,改進分類模式,提高分類精度;使用者能根據分類結果的精度,正確、有效地獲取分類結果中的信息。常用的精度評價方法有混淆矩陣方法和Kappa分析方法。精度評價包括總體精度、用戶精度、生產者精度和Kappa系數等評價指標。本文根據谷歌地球上的影像取得樣本點對分類結果進行精度評價,評價結果見表2,為了便于對比,將利用常規的面向對象的方法對同一地區進行分類得到的分類精度結果如表3。從表2和表3可以看出,同常規的面向對象的分類方法相比較,本文利用輔助數據、采用決策樹方法的分類方法對荒漠地區的泥土路和灌木及其整體分類精度有較大提高,Kappa系數從0.80增長到0.911。且各類的分別反映替代性錯誤和遺漏錯誤的用戶精度和生產者精度都有較大提高,特別是灌木的生產者精度提高到88%,泥土路的用戶精度提高到85.71%。本文利用基于多尺度、多變量影像分割方法,結合使用高空間分辨率NAIP遙感影像和道路及水系等輔助數據,運用面向對象的分類方法,進行了美國亞利桑那州荒漠地區的土地利用覆被分類研究,精度評價結果說明利用該方法取得了理想的分類結果。本文的優點在于:(1)綜合利用NAIP遙感影像和道路及水系等輔助數據,針對特定地類選擇相應的分割變量和分割參數進行影像分割,選擇NAIP遙感影像作為分割變量提取灌木、樹木、建筑物、泥土路和土壤,選擇道路及水系等輔助數據作為分割變量提取道路和水體信息。(2)按照一定的順序、分門別類提取各地物信息,先將容易提取而又對其他地物信息提取有影響的地物提取出來,然后再進行其他地物類型的信息提取。運用本文所提出的基于多尺度、多變量影像分割方法,使用面向對象的分類方法,研究區土地覆被分類取得了理想的分類結果。(3)針對不同的地物,使用不同的方法,如閾值分類、決策樹分類和最近鄰分類,但是在干旱荒漠的地區,其植被的覆蓋狀況本身零星分散,而在此地區各個類別的閾值不一,難以統一設置,人為的經驗也會影響