孫宇翼， 趙軍利， 王苗苗， 劉勇

(1.蘭州大學資源環(huán)境學院，蘭州 730000； 2.甘肅省地圖院，蘭州 730000； 3.中國人民解放軍61175部隊，南京 210000)

?

基于J48決策樹的面向對象方法的土地覆被信息提取

孫宇翼1,2， 趙軍利1,3， 王苗苗1， 劉勇1

(1.蘭州大學資源環(huán)境學院，蘭州 730000； 2.甘肅省地圖院，蘭州 730000； 3.中國人民解放軍61175部隊，南京 210000)

過去10多a來,面向對象的影像分析方法在高分辨率影像信息提取中表現(xiàn)出了明顯優(yōu)勢，得到了快速發(fā)展。該方法中一個難題是，如何有效地建立滿足健壯性和通用性準則的分類規(guī)則集?；跀?shù)據(jù)挖掘原理的決策樹方法有望提供有效的解決方案。選用WEKA J48算法從影像光譜、紋理和地形特征等諸多參數(shù)中優(yōu)選出部分參數(shù)構建決策樹分類模型，以此建立分類規(guī)則集，并集成于面向對象的影像分類方法中。利用Landsat5 TM影像和ASTER數(shù)字高程模型數(shù)據(jù)進行的甘肅省會寧縣白草塬地區(qū)土地覆被分類的結果表明，本方法所建立的分類規(guī)則集具有較佳的健壯性和通用性，其分類精度明顯優(yōu)于基于像元的最大似然法和基于試錯性規(guī)則集的面向對象法。

面向對象的影像分析； J48算法； 決策樹； 土地覆被分類

0 引言

遙感技術是土地利用/土地覆被變化信息提取的重要手段[1]。早期的影像分類主要基于像元光譜特征和有限紋理特征進行處理，其結果通常難以滿足生產部門的制圖要求[2]。2000年以來，高分辨率衛(wèi)星遙感數(shù)據(jù)呈爆炸式的增長，快速準確提取地學信息的社會需求有力地推動了自動化遙感分類方法的發(fā)展[3]，一種新的面向對象的影像分析方法應運而生。該方法可以充分利用影像對象的光譜、紋理、形狀和上下文等特征，完成遙感影像的信息提取[4]。

杜鳳蘭等[5]結合南京市區(qū)IKONOS高分辨率遙感數(shù)據(jù)，研究了利用面向對象分類法實現(xiàn)地物精確分類的方法。曹寶等[6]對北京市海淀區(qū)SPOT5影像應用面向對象方法進行了分類試驗。蘇偉等[7]論述了基于多尺度影像分割的面向對象分類技術對馬來西亞吉隆坡市城市中心區(qū)所進行的土地覆被分類研究。龍娟等[8]基于濕生植物光譜特征分析，采用面向對象分類方法提取了濕地典型植被。建立分類規(guī)則集是面向對象的影像分析方法中的一個關鍵步驟，它是通過選取對象的一系列的特征變量來提取影像中的地物信息。目前的實際工作中普遍基于操作者個人的經驗，通過試錯法建立規(guī)則集，不僅工作效率低，而且方法的可靠性、通用性不盡如人意。

本文擬以甘肅省會寧縣白草塬地區(qū)為例，探討利用集成J48決策樹在面向對象影像分析方法中進行土地覆被信息提取的技術，并與傳統(tǒng)的基于像元的最大似然法和基于試錯性規(guī)則集的面向對象法進行比較分析，探索快速可靠地提取遙感影像中地物信息的自動化方法，以求為區(qū)域農村經濟和社會發(fā)展的動態(tài)監(jiān)測尋找可行的途徑。

1 研究區(qū)概況

研究區(qū)地處甘肅省會寧縣北部，南北寬9.4 km，東西長17.33 km，總面積162.9 km2。研究區(qū)地處隴西黃土高原核心區(qū)域，塬、墚、峁、川、臺、溝壑類型齊全。海拔高度1 550～1 900 m。整個地勢由東南向西北傾斜，墚峁起伏，遍布“V”型深谷。研究區(qū)屬溫帶季風氣候，年平均氣溫6～7.5 ℃，光照充足，年平均日照數(shù)2 520 h，干燥少雨，年均降雨量為366 mm，且集中分布在7～8月，年均蒸發(fā)量約為1 750 mm。祖厲河在研究區(qū)西側發(fā)育并形成河川谷地。研究區(qū)的基本特點可以概括為： 水資源短缺，生態(tài)環(huán)境脆弱。引黃工程建設從根本上改善了該地區(qū)水資源利用格局，使白草塬地區(qū)灌溉農田面積得到顯著擴展，并成為會寧縣較先發(fā)展并富裕起來的地區(qū)。

2 數(shù)據(jù)和方法

2.1 數(shù)據(jù)準備

研究使用Landsat5 TM影像(成像時間2011年6月28日，影像分幅號： 130/035)和ASTER DEM數(shù)據(jù)，空間分辨率均為30 m。利用LEDAPS大氣校正軟件對Landsat5 TM數(shù)據(jù)進行了大氣輻射校正，并反演獲得了高質量的地表反射率數(shù)據(jù)。

2.2 研究方法

面向對象的影像分析方法首先通過影像分割生成影像對象，然后利用影像對象的光譜、紋理、形狀、上下文等特征進行影像分類[9-10]。其分類方法主要包括最鄰近法和規(guī)則集法2種。

數(shù)據(jù)挖掘是從數(shù)據(jù)中揭示隱含的、先前未知的，并有潛在價值信息的過程[11]。決策樹屬于數(shù)據(jù)挖掘方法中的一種預測模型，包括決策節(jié)點、分支和葉節(jié)點3部分。其中，決策節(jié)點代表待分類樣本的某個屬性，在該屬性上的不同測試結果代表一個分支，分支表示某個決策節(jié)點的不同取值。每個葉節(jié)點存放某個類別標簽，表示一種可能的分類結果。決策樹算法通過將訓練集劃分為較純子集，以遞歸的方式建立決策樹[12]。

目前已經發(fā)展了許多歸納方法可以自動選擇分類特征及其閾值[13]。C4.5算法是一種高效的決策樹算法，采用信息增益率選取分類屬性，遞歸構造決策樹的各個分枝，完成對連續(xù)屬性的離散化處理[14]。WEKA J48決策樹算法是對C4.5決策樹算法的實現(xiàn)，增加了有效的剪枝過程，訓練出的決策樹規(guī)則易于理解且準確度較高[15]?；跊Q策樹J48算法的面向對象分類方法的技術路線主要包括： 影像分割、分類特征變量選擇、樣本訓練集的創(chuàng)建、決策樹的建立、決策樹的解譯和評價、基于生成的決策樹進行面向對象的影像分類和分類結果的精度評價。

本文采用J48算法產生的決策樹建立分類規(guī)則集，進而完成影像分類，并與基于像元的最大似然法和基于試錯性規(guī)則集的面向對象法進行對比分析。

3 分類體系的確立

根據(jù)研究區(qū)的地理特征、自然狀況和野外調查結果，結合遙感數(shù)據(jù)源的特征，將研究區(qū)分為5種土地覆被類型(表1)。通過對研究區(qū)Landsat5 TM影像的目視解譯，結合野外的實地考察數(shù)據(jù)，并參考Google earth高分辨率影像，共選擇502個對象作為訓練樣本，建立決策樹。

表1 土地覆被分類體系

4 分類特征變量選擇

4.1 光譜特征

光譜特征反映了影像中地物類型的顏色及灰度，是影像目視解譯的基本依據(jù)[16]。本研究選取經過大氣輻射糾正的Landsat5 TM影像的6個波段反射率均值、標準差、各光譜指數(shù)以及纓帽變換后的亮度、綠度、濕度分量作為測試變量。

4.2 紋理特征

紋理特征描述了影像灰度的空間變化和排列規(guī)律，常使用灰度共生矩陣來檢測紋理特征的空間定向、幅度變化[17]。由于研究區(qū)內的黃土塬頂面地勢平坦，Landsat TM影像上塬區(qū)與山地間的紋理差異明顯。因此加入了Landsat5 TM影像在可見光和近紅外的6個波段數(shù)據(jù)通過計算得到的同質性(homogeneity)，對比度(contrast)，相異性(dissimilarity)，均值(Mean)，方差(StdDev)，角度二階矩(second moment)和相關性(correlation)6個特征變量作為測試變量，計算窗口選用3×3。

4.3 地形特征

研究區(qū)的耕地和居民地的坡度集中在0°～5°之間，退耕還林草地集中在5°～10°之間，而大部分荒漠草地和造林地所處的地形坡度都大于30°。利用研究區(qū)DEM數(shù)據(jù)計算其坡度(slope)和坡向(aspect)，作為影像分類的測試變量。表2顯示了用于研究區(qū)影像決策樹分類的屬性變量。

表2 用于構建決策樹模型的屬性變量

5 數(shù)據(jù)分析

采用表2中的參數(shù)并運用WEKAJ48算法構建決策樹模型，面向對象的影像分類在eCognition軟件中執(zhí)行。多尺度分割采用不一致性評價法，對多尺度分割參數(shù)進行優(yōu)選[19]，通過歐幾里德距離(ED2)與尺度因子的關系圖(圖1)得到，分割參數(shù)組合的最優(yōu)值分布尺度因子為25～30。查找結果表格確定了研究區(qū)影像的最優(yōu)分割參數(shù)組合為尺度因子(scale)為25，形狀因子(shape)為0.3，緊湊度因子(compactness)為0.5。得到的多尺度分割影像見圖2，分割多邊形與參考多邊形的擬合度很好。

圖1 ED2與scale的關系圖

為客觀評價基于J48決策樹算法的面向對象方法提取土地覆被信息的精度和可靠性，對研究區(qū)的數(shù)據(jù)進行了基于像元的最大似然法分類和基于試錯性規(guī)則集的面向對象法分類。在基于像元的最大似然法分類中，使用的參數(shù)包括Landsat5TM影像的第1—5，7波段的均值和標準差。在基于試錯性規(guī)則集的面向對象方法中，以專家知識為經驗基礎，結合研究區(qū)影像特點建立了用于研究區(qū)土地覆被類型分類的規(guī)則集(表3)。

表3 試錯性分類規(guī)則集列表

5.1 決策樹模型合理性

通過訓練樣本，在WEKA中應用J48算法，獲得用于影像分類的決策樹模型(圖3)。括號中的第1個數(shù)值表示最終被分類為該地物覆被類型的總訓練樣本數(shù)目，第2個數(shù)值表示這些訓練樣本中被誤分類的樣本數(shù)目。根據(jù)此決策樹模型，選擇10對參數(shù)進行交叉驗證，正確的分類率為94.62%，Kappa系數(shù)為0.93。

在決策樹的第1層上，歸一化差異水體指數(shù)在1號節(jié)點將農田劃分為： 旱地和水澆地。研究區(qū)干旱少雨，旱地水澆地的植株冠層水分的蒸發(fā)量大，歸一化差異水體指數(shù)能夠有效地提取植被冠層的水分含量。當植被冠層受水分脅迫時，NDWI指數(shù)能及時響應，作為決策樹中的根節(jié)點，首先將旱地與水澆地區(qū)分出來(植被水分指數(shù)低于-0.49)，剩余的對象(植被水分指數(shù)高于-0.49)屬于決策樹的右支，為植被覆蓋度低的地物覆被類型，即居民地、草地、林地和砂田。

在決策樹的第2層上，未被分類的不同的地物覆被類型，具有不同的地表水分含量。相同的地物覆被類型，由于處于不同的地理位置和成長狀態(tài)，其地表水分含量也存在差異。因而，在節(jié)點2處，采用影像的地表水分含量指數(shù)，將影像劃分為地表水分含量相對低的區(qū)域(低于-0.07)和地表水分含量相對高的區(qū)域(高于-0.07)。

圖3 利用J48算法得到的土地覆被類型分類的決策樹

Fig.3 Decision tree generated by algorithm J48 to Land cover classification

在決策樹的第3層上，利用Landsat5 TM影像第2波段紋理均值將大部分草地與其他地物覆被類型區(qū)別開來(高于30.62)。對于地表水分含量相對較高的區(qū)域(2號節(jié)點的右支)，Landsat5 TM影像的第4波段可以有效地識別農作物和突出土壤/農作物、陸地/水體的對比度，砂田對比于居民地和水體的生物量大，居民地中雖有植被種植，但以裸土、房屋為主，因而，在4號節(jié)點處，利用第4波段的反射率均值分出砂田(高于3 089.22)。

在決策樹的第4層上，在5號節(jié)點處將剩下的小部分未被分類的草地利用第4波段的紋理同質性區(qū)分出來(低于0.25)。在6號節(jié)點處，利用Landsat5 TM影像經過纓帽變換后得到的濕度分量，將居民地(低于-1 056.38)與水體(高于-1 056.38)區(qū)分出來。

在決策樹的第5層上，在7號節(jié)點處針對居民地和林地分布的地形坡度特征存在明顯差異，分出地表水分含量相對較低區(qū)域(節(jié)點2的左支)中余下的居民地(坡度低于3.74)和造林地(坡度高于3.74)。

5.2 分類結果及其精度評價

研究區(qū)原圖和3種分類方法得到的分類結果見圖4。

(a) 研究區(qū)原影像(b) 基于像元的最大似然法分類結果圖

圖4-1 研究區(qū)原圖像和3種分類方法得到的分類結果

Fig.4-1 Land cover classification map of different image analysis method

(c) 基于試錯性規(guī)則集的面向對象法分類結果圖 (d) 本文方法的分類結果圖

圖4-2 研究區(qū)原圖像和3種分類方法得到的分類結果

Fig.4-2 Land cover classification map of different image analysis method

圖4中，基于像元的最大似然法得到的分類結果中“椒鹽現(xiàn)象”明顯； 基于試錯性規(guī)則集的面向對象法的分類結果“椒鹽現(xiàn)象”得到緩解，但由于研究區(qū)地處中國西北干旱、半干旱區(qū)，且居民地為農村居民地，其周邊的草地、造林地均稀疏分布，“異物同譜”現(xiàn)象嚴重，難以單純地依靠試錯法建立有效的規(guī)則集進行影像分類，導致居民地與耕地，草地與造林地間的區(qū)分效果較差。本文方法得到的分類結果不僅各土地覆被類型均被有效地區(qū)分出來，擁有較高的分類精度，而且“椒鹽現(xiàn)象”得到顯著緩解，其分類圖斑少而規(guī)整，更加易于專題制圖應用。

選取673個獨立于前述模型構建的訓練樣本數(shù)據(jù)集對以上3種方法的分類結果進行精度評價分析(表4)。從中可以看出，最大似然法分類結果的總精度為64.56%，Kappa系數(shù)為0.60； 基于試錯性規(guī)則集的面向對象法的總精度為72.53%，Kappa系數(shù)為0.63； 本文分析方法分類結果總精度為89.30%，Kappa系數(shù)為0.84。表明本文分析方法與最大似然法、試錯性規(guī)則集的面向對象法相比，各種地物覆被類型的生產者精度和用戶精度均顯著提高。

表4 分類精度評價結果

6 結論

本文將J48決策樹技術集成于面向對象的影像分析方法中，基于Landsat5 TM影像的土地覆被分類總精度達到89.30%，Kappa系數(shù)達到0.84，取得了較好的分類效果。傳統(tǒng)的基于像元的遙感影像分類技術不僅效率低，且精度難以達到實用要求，已經不適應于高分辨率遙感影像應用發(fā)展的需求。面向對象的分類方法可以充分利用影像的光譜、紋理、幾何等信息，在特征空間中實現(xiàn)地物類型的識別和標識，避免了基于像元分類結果中“椒鹽現(xiàn)象”的產生，提高了影像的分類精度。

面向對象影像分析方法中引入決策樹算法實現(xiàn)了規(guī)則集建立的自動化。J48決策樹模型與試錯性規(guī)則集兩者存在相似性，但WEKA J48算法能夠篩選出更多可用于影像分類的特征，如紋理和地形等，建立分類決策樹，形成可在eCognition中實現(xiàn)影像分類的規(guī)則集?？梢奐48算法可以模擬和補充專家知識庫，確保分類規(guī)則集的通用性，有效地消除工作人員進行影像分類的主觀性，減少人為誤判，分類效率和分類結果精度可得到顯著提高。

本文使用遙感影像的光譜特征、紋理特征和地形特征構建了影像分類決策樹的測試變量集，變量集的選取主要依靠已有研究成果，未形成系統(tǒng)科學的選擇標準。如何選取具有針對性的測試變量集將有待開展進一步的研究。

[1] 李秀彬.全球環(huán)境變化研究的核心領域——土地利用/土地覆被變化的國際研究動向[J].地理學報,1996,51(6):553-558. Li X B.A review of the international researches on land use/land cover change[J].Acta Geographica Sinica,1996,51(6):553-558.

[2] 王圓圓,李京.遙感影像土地利用/覆蓋分類方法研究綜述[J].遙感信息,2004,19(1):53-59. Wang Y Y,Li J.Classification methods of land use/cover based on remote sensing technology[J].Remote Sensing Information,2004,19(1):53-59.

[3] 朱光良.基于衛(wèi)星遙感技術的土地利用研究發(fā)展[J].遙感信息,2001,16(4):34-37,39. Zhu G L.Research and development based on land use satellite remote sensing technology[J].Remote Sensing Information,2001,16(4):34-37,39.

[4] Blaschke T.Object based image analysis for remote sensing[J].ISPRS Journal of Photogrammetry and Remote Sensing,2010,65(1):2-16.

[5] 杜鳳蘭,田慶久,夏學齊,等.面向對象的地物分類法分析與評價[J].遙感技術與應用,2004,19(1):20-23. Du F L,Tian Q J,Xia X Q,et al.Object-oriented image classification analysis and evaluation[J].Remote Sensing Technology and Application,2004,19(1):20-23.

[6] 曹寶,秦其明,馬海建,等.面向對象方法在SPOT5遙感圖像分類中的應用——以北京市海淀區(qū)為例[J].地理與地理信息科學,2006,22(2):46-49,54. Cao B,Qin Q M,Ma H J,et al.Application of object-oriented approach to SPOT5 image classification:A case study in Haidian district, Beijing City[J].Geography and Geo-Information Science,2006,22(2):46-49,54.

[7] 蘇偉,李京,陳云浩,等.基于多尺度影像分割的面向對象城市土地覆被分類研究——以馬來西亞吉隆坡市城市中心區(qū)為例[J].遙感學報,2007,11(4):521-530. Su W,Li J,Chen Y H,et al.Object-oriented urban land-cover classification of multi-scale image segmentation method:A case study in Kuala Lumpur City center,Malaysia[J].Journal of Remote Sensing,2007,11(4):521-530.

[8] 龍娟,宮兆寧,郭逍宇,等.基于光譜特征的濕地濕生植物信息提取研究[J].國土資源遙感,2010,22(3):125-129.doi:10.6046/gtzyyg.2010.03.25. Long J,Gong Z N,Guo X Y,et al.Information extraction of wetland aquatic vegetation based on spectral characteristics[J].Remote Sensing for Land and Resources,2010,22(3):125-129.doi:10.6046/gtzyyg.2010.03.25.

[9] 陳云浩,馮通,史培軍,等.基于面向對象和規(guī)則的遙感影像分類研究[J].武漢大學學報:信息科學版,2006,31(4):316-320. Chen Y H,Feng T,Shi P J,et al.Classification of remot sensing image based on object oriented and class rules[J].Geomatics and Information Science of Wuhan University,2006,31(4):316-320.

[10]譚衢霖,Steve J.基于像元和對象分類的城區(qū)植被高分辨率遙感制圖比較研究[J].應用基礎與工程科學學報,2011,19(3):441-448. Tan Q L,Steve J.Evaluation of urban vegetation mapping using high spatial resolution image:Pixel versus object classification comparison[J].Journal of Basic Science and Engineering,2011,19(3):441-448.

[11]云玉屏.基于C4.5算法的數(shù)據(jù)挖掘應用研究[D].哈爾濱:哈爾濱理工大學,2008. Yun Y P.Application and Research of Data Mining based on C4.5 Algorithm[D].Harbin:Harbin University of Science and Technology,2008.

[12]袁梅宇.數(shù)據(jù)挖掘與機器學習——WEKA應用技術與實踐[M].北京:清華大學出版社,2014. Yuan M Y.Data Mining and Machine Learning:WEKA Application Technology and Practice[M].Beijing:Tsinghua University Press,2004.

[13]鄒文濤,張懷清,鞠洪波,等.基于QUEST樹的高寒濕地植被覆蓋類型遙感分類研究[J].中南林業(yè)科技大學學報,2011,31(12):138-144. Zou W T,Zhang H Q,Ju H B,et al.Study on remote sensing classification of highland wetlands vegetation coverage by QUEST-based decision tree[J].Journal of Central South University of Forestry & Technology,2011,31(12):138-144.

[14]劉曉宇.C4.5算法的一種改進及其應用[D].青島:中國海洋大學,2013. Liu X Y.An Improved C4.5 Algorithm and Application[D].Qingdao:Ocean University of China,2013.

[15]史澤鵬,馬中文,馬友華,等.基于J48決策樹算法的遙感土地利用變化分析[J].遙感信息,2014,29(1):78-84. Shi Z P,Ma Z W,Ma Y H,et al.Land use change of remote sensing based on J48 decision tree algorithm[J].Remote Sensing Information,2014,29(1):78-84.

[16]李先.面向對象的土地利用變化檢測方法研究[D].阜新:遼寧工程技術大學,2009. Li X.Research on the Methods of Object-Oriented Land Use Change Detection[D].Fuxin:Liaoning Technical University,2009.

[17]朱曉榮.基于決策樹的洞庭湖濕地信息提取技術研究[D].北京:中國林業(yè)科學研究院,2012. Zhu X R.Research for Informations to be Extracted from Dongting Lake Wetland based on Decision Tree[D].Beijing:Chinese Academy of Forestry,2012.

[18]李天文,劉學軍,陳正江,等.規(guī)則格網DEM坡度坡向算法的比較分析[J].干旱區(qū)地理,2004,27(3):398-404. Li T W,Liu X J,Chen Z J,et al.Study on the accuracy and algorithms for calculating slopes and aspects based on the digital elevation model[J].Arid Land Geography,2004,27(3):398-404.

[19]Liu Y,Bian L,Meng Y H,et al.Discrepancy measures for selecting optimal combination of parameter values in object-based image analysis[J].ISPRS Journal of Photogrammetry and Remote Sensing,2012,68:144-156.

(責任編輯： 李瑜)

Land cover information extraction from remote sensing images using object-based image analysis method integrated with decision tree

SUN Yuyi1,2, ZHAO Junli1,3, WANG Miaomiao1, LIU Yong1

(1.CollegeofEarthandEnvironmentSciences,LanzhouUniversity,Lanzhou730000,China; 2.MapInstituteofGansu,Lanzhou730000,China; 3. 61175TroopsofPLA,Nanjing210000,China)

Object-based image analysis, which has been developed rapidly over the last decades, performs advantageous over classic pixel-based image classification. One of the key problems within this paradigm is to automatically build robust and transferable rule sets for segment classification. It has been identified promisingly to develop rule sets by means of decision tree based on data mining. The authors suggest a decision tree model integrated with J48 algorithm embedded in Weka to select parameters from a set of spectral, textural and terrain features relevant to rule sets for segment classification. Based on this method, the authors used Landsat5 TM image data and ASTER digital elevation model to establish land cover classification in the study area, i.e., Baicaoyuan area in Huining county, Gansu Province. Rule sets developed in this way perform acceptable robustness and transferability. Accuracy assessment proves that this method has significantly higher classification accuracy than other pixel-based methods based on employing maximum likelihood and objected-based nearest neighbor logic.

object-based image analysis (OBIA); J48 algorithm; decision tree; land cover classification

10.6046/gtzyyg.2016.04.24

孫宇翼，趙軍利，王苗苗，等.基于J48決策樹的面向對象方法的土地覆被信息提取[J].國土資源遙感，2016，28(4)：156-163.(Sun Y Y,Zhao J L,Wang M M,et al.Land cover information extraction from remote sensing images using object-based image analysis method integrated with decision tree[J].Remote Sensing for Land and Resources,2016,28(4)：156-163.)

2015-05-11；

2015-08-03

國家自然科學基金“遙感影像多尺度分割質量評價與參數(shù)優(yōu)選方法研究”(編號： 41271360)和甘肅省濕地自然邊界確定試點項目共同資助。

TP 79

A

1001-070X(2016)04-0156-08

孫宇翼(1990-)，女，碩士研究生，主要研究方向為遙感影像信息提取。Email: sunyy_gis@foxmail.com。

劉勇(1964-)，男，教授，博士生導師，主要研究方向為基于對象的遙感影像分析。Email: liuy@lzu.edu.cn。