何朝霞

摘要：以湖北省松滋市部分区域为研究对象，基于2011年Landsat 5TM、2017年Landsat-8遥感影像和ASTGTM2的DEM数字高程数据，深入探讨研究区两种影像数据的多特征提取，设计基于指数的土地分类试验。结果表明，EBSI、MNDWI、MSAVI、MNDBI等遥感指数的分类精度较高;依据上述遥感指数和DEM特征，生成决策树规则，构建决策树分类模型，得到研究区的土地利用分类结果，决策树分类精度明显高于SVM法和最大似然法，Landsat-8影像分类精度高于Landsat 5TM;2011—2017年部分裸土得到了利用，主要转化为居民用地和生态用地。

关键词：遥感影像;DEM;决策树;土地利用;精度

中图分类号：P237         文献标识码：A

文章编号：0439-8114（2019）21-0176-04

DOI：10.14088/j.cnki.issn0439-8114.2019.21.039

Abstract： Taking part of Songzi city， Hubei province as the research area， multiple feature extraction of remote sensing in research area is discussed based on remote sensing images of Landsat 5TM in 2011 and Landsat-8 in 2017， and DEM digital elevation data of ASTGTM2. Many comparative experiments of land classification based on index have found that the indices such as EBSI，MNDWI，MSAVI，and MNDBI have higher classification accuracy; the decision tree rules are generated based on the remote sensing index and DEM characteristics，the decision tree classification model is constrcted， and the land use classification results in the research area are obtained. The experimental results show that the classification accuracy of decision tree is higher than that of SVM and maximum likelihood， and classification accuracy of Landsat-8 image is higher than Landsat 5TM; some bare soil was maily used to converte into residential land and ecological land from 2011 to 2017.

Key words： remote sensing image; DEM; decision tree; land use; accuracy

土地作为人类和动物栖息生存的惟一空间，研究土地利用/覆盖信息的变化，对全球生态环境系统具有重要意义[1]。随着科学技术的发展，遥感影像分类成为当前土地利用/覆盖信息提取的主要方式[2]。传统的监督分类对训练样本选取的要求较高，出现错分和漏分现象的概率较大[3]。研究发现，决策树、支持向量机（SVM）和神经网络等方法有效地提高了分类精度[4]。其中将各类地物光谱指数应用到分类器中，对决策树分类的精度有较大提高，以前相关研究主要集中在对盐渍地[5]、湿地[6]、红树林[7]等特定地物类型地提取。近两年，也有基于指数的决策树全面地物覆盖类型的提取研究，嘎力巴等[8]以哈尔滨的Landsat-8影像为基础，计算出20个地物光谱指数，经过精度对比、筛选五组数据作为变量进行决策树分类，其分类结果都比普通决策树分类和最大似然法的精度高;马骊驰等[9]基于Landsat TM影像，运用光谱特征和地学辅助知识相结合的改进型决策树分类方法分别对香格里拉建塘镇进行土地利用信息提取;姚蓓蓓等[10]充分利用 ETM+数据的多光谱特征、DEM数字高程信息和坡度、坡向等地学相关知识，结合NDVI、NDWI、SAVI、NDBI 等各类指数，构建适用于研究区土地覆盖信息提取的决策树模型;陈文娇等[11]结合Landsat-8遥感数据，采用多级决策树分类方案，利用归一化植被指数、波段比值、主成分分量等光谱特征参数并融合其他非遥感知识，对黄河三角洲地区土地利用与覆盖信息进行全面提取。

以松滋市部分区域为研究区，分析研究区特点，基于2011年和2017年的不同类型遥感影像，提取研究区内不同指数，对比分析不同的指数组合下遥感影像决策树分类的精度，构建最适合该研究区基于指数的决策树模型，并与最大似然法和支持向量機（SVM）法进行比较，简单分析2011—2017年土地利用/覆盖信息变化的原因。

1  研究区概况和数据源

1.1  研究区概况

松滋市位于湖北省中南部，长江中游南岸，地理坐标东经110°14′-112°03′，北纬29°53′-30°22′。研究区在松滋市的位置如图1所示。研究区地形西高东低，西部最高海拔815.1 m，西北部和中部为广阔的丘陵岗地，海拔在100～200 m，东部平原湖区海拔在50 m以下，河渠纵横，间有湖泊，整个研究区具有山地-丘岗-平原的地貌特征。

1.2  数据来源与预处理

研究的遥感数据来源于地理空间数据云发布的Landsat 5TM数字影像（2011年）、Landsat-8数字影像（2017年）和ASTGTM2的DEM数字高程数据。为了提高研究结果的精度，影像分类前会对数据进行预处理，主要包括辐射定标、大气校正和几何校正，最后利用矢量裁剪出研究区2011年和2017年的数字影像和DEM数据。

2  研究方法

2.1  土地分类系统的建立

研究区内地形复杂，西高东低，土地利用类型中，占地面积由高到低依次是农业用地（包括耕地、园地、林地、草地等）、居民用地、水体和未利用土地。结合当地的地理位置、自然条件，同时为了方便后期研究植被、气候等对不同地形的响应，依据研究区土地利用的现状和遥感数据源的信息，将研究区土地利用类型划分为居民用地、水体、陡坡植被、丘陵植被、平原植被、裸地及其他等7个类别。

2.2  决策树分类设计和选择

在决策树分类中，选择合适的特征指数作为变量在一定程度上可以提高遥感影像分类精度。在深入研究遥感指数和空间指数的基础上，结合研究区的影像特点，将决策树分类试验设计如表1。相关指数说明如下。

1）Brightness、Greenness、Wetness分别为缨帽变换的前三个变量。

2）植被指数。NDVI為归一化植被指数，反应土地植被的覆盖状况。Landsat 5TM和Landsat-8的NDVI计算分别为式（1）和式（2）。

NDVI5=（b4-b3）/（b4+b3）   （1）

NDVI8=（b5-b4）/（b5+b4）   （2）

MSAVI为修改土壤调整植被指数。

MSAVI5=1/2[8（b4-b3）]1/2   （3）

MSAVI8=1/2[8（b5-b4）]1/2   （4）

3）水体指数。NDWI为归一化水体指数。

NDWI5=（b2-b4）/（b2+b4）   （5）

NDWI8=（b3-b5）/（b3+b5）   （6）

MNDWI为改进归一化水体指数，可以更好地区分建筑物和植被与水体，突出水体信息[13]。

MNDWI5=（b2-b5）/（b2+b5）   （7）

MNDWI8=（b3-b6）/（b3+b6）   （8）

4）建筑指数。NDBI为归一化建筑指数。

NDBI5=（b5-b4）/（b5+b4）   （9）

NDBI8=（b6-b5）/（b6+b5）   （10）

MNDBI为改进的归一化裸露指数。

MNDBI=NDBI+（1-NDVI）  （11）

5）土壤指数。BSI为裸土指数。

BSI5=[（b5+b3）-（b4+b1）]/[（b5+b3）+（b4+b1）]

（12）

BSI8=[（b6+b4）-（b5+b2）]/[（b6+b4）+（b5+b2）]

（13）

EBSI增强型裸土指数，它能够进一步增强裸土信息。

EBSI=（BSI-MNDW）/（BSI+MNDW）  （14）

6）DEM。由DEM可以派生出研究区的坡度（Slope）、坡向（Aspect）等特征。

根据测试结果产生最终的决策树规则执行决策树，获得分类结果，经验证第三组指数在分类中的精度最高。第3组决策树分类试验中的相关指数如图2、图3所示。观察图2和图3可知，Landsat-8影像较Landsat 5TM影像的指数更能突出地物特征;MNDWI和MSAVI均能很好地突出水体和植被信息;EBSI能够突出裸土信息，但是对比图2和图3的（a）与（d），裸土信息中也会包含一部分城市信息。

分别提取研究区影像的上述指数，得出以下结果：ESBI较SBI能增强裸土信息;MNDWI较NDWI更能突出水体，并且精度高;MSAVI指数增强了SAVI对土壤背景的敏感度;MNDBI相对于NDBI可以增大地物反差，更好地突出城市信息;DEM模型中主要用到的是坡度信息，结合地学信息，当坡度大于20°分为陡坡，坡度介于5°～20°为丘陵，坡度小于5°为平原。

3  结果与分析

3.1  决策树模型

基于遥感影像，结合决策树分类第3组试验提取的遥感指数，找到不同地物类型的决策树阈值T1、T2、T3、T4、T5，构建的决策树模型如图4所示。图4中的阈值说明，Landsat 5TM：T1=84.5，T2=1，T3=66，T4=T5=1;Landsat-8：T1=21 845，T2=2，T3=18 000，T4=T5=2。

执行图4的决策树，获得研究区2011年和2017年的土地利用分类结果，并与SVM和最大似然法进行比较，如图5和图6所示。观察分类结果，研究区西部多为陡坡植被，西北部和中部丘陵植被和平原植被较多，东部水域较多，均与研究区的实际情况保持一致。比较3种分类方法的分类精度和Kappa系数（表2）可知，本研究的决策树算法的分类精度和Kappa系数均高于SVM法和最大似然法，而Landsat-8影像的决策树分类精度和Kappa系数高于Landsat 5TM影像。

3.2  2011—2017年土地利用变化分析

运用决策树法对2011年和2017年影像数据进行分类，得到2011—2017年土地利用变化信息（表3）。2011—2017年土地利用变化的趋势为：裸土面积呈较大幅度减少，而所有其他类型的面积都有不同幅度的增加，其中平原植被和居民用地的增幅较大。分析其原因：①2011年的影像是4月，为初春，2017年的影像是10月，为初秋，平原植被多为耕地，由于季节不同，在分类过程中，容易将未耕作的农田分为裸土;②6年间，部分未利用的裸土开发为平原植被和居民用地，这是城镇化建设的结果，根据2014年《国家新型城镇化规划》，裸土（农村废弃地、其他污染土地、工矿用地等）要合理转化为生态用地，建设成为城镇化地区的绿色生态廊道。

4  结论

通过研究遥感指数的计算方法和研究区的指数特征，设计了系列的土地利用分类试验，综合分析各组试验中指数的分类精度，EBSI、MNDWI、MSAVI、MNDBI等指数和DEM特征的运用到分类器中的精度最高，提出了基于以上指數的决策树土地分类模型，决策树分类精度较SVM法和最大似然法有了较大提高。对比研究区2011—2017年的土地分类结果，6年间裸土得到了利用，主要转化为居民用地和生态用地。

参考文献：

[1] 童佳楠.基于锚点建图的半监督分类在遥感图像中的应用[J].现代电子技术，2016，477（22）：92-96.

[2] JIA K，LIANG S，ZHANG L，et al. Forest cover classification using Landsat ETM+ data and time series MODIS NDVI data[J].International journal of applied earth observations & geoinformation，2014，33（1）：32-38.

[3] UTOMO D H，KURNIAWAN B R. Spatio temporal analysis trend of land use and land cover change against temperature based on remote sensing data in Malang city[J].Procedia-social and behavioral sciences，2016，227：232-238.

[4] YAN L，ROY D P. Automated crop field extraction from multi-temporal web enabled landsat data[J].Remote sensing of environment，2014，144（144）：42-64.

[5] 李  晋，赵庚星，常春艳.基于HSI高光谱和TM图像的土地盐渍化信息提取方法[J].光谱学与光谱分析，2014，34（2）：520-525.

[6] 张楼香，阮仁宗.基于决策树的洪泽湖湿地信息提取[J].测绘与空间地理信息，2015，38（2）：87-91.

[7] 张雪红.基于决策树方法的Landsat-8 OLI影像红树林信息自动提取[J].国土资源遥感，2016，28（2）：182-187.

[8] 嘎力巴，臧淑英，李  苗，等.基于指数的遥感影像决策树分类方法[J].环境与发展，2016，28（5）：43-48.

[9] 马骊驰，王金亮，刘广杰，等.基于改进型决策树遥感分类的土地利用变化研究[J].地理空间信息，2016，14（7）：12-16.

[10] 姚蓓蓓，段德宏.基于决策树分类的土地覆盖信息提取研究[J].山东农业大学学报（自然科学版），2016，47（3）：372-377.

[11] 陈文娇，翁永玲，路云阁.基于多级决策树分类的土地利用与覆盖信息提取[J].测绘与空间地理信息，2017，40（9）：63-68，73.