基于决策树分类方法城市绿化分析.docVIP

基于决策树分类方法城市绿化分析 　　摘要:以兖州实验区为例,探讨了利用决策树方法进行城市高光谱遥感绿化分析的流程和方法;分析了试验区典型地物的波谱特性;总结了常用反射率反演方法,并根据具体情况选择FLAASH模型进行了实验;试验区研究表明,决策树分类方法在高光谱遥感影像信息提取中具有可行性。这种基于高光谱的精细信息提取方法,可以提高不同植被类型的高光谱图像分类识别精度,为城市绿化分析提供参考依据。 　　关键词:高光谱遥感;决策树;城市绿化;FLAASH 　　中图分类号:S731.2 　　文献标识码:A 　　文章编号:1005-569X(2010)05-0114-02 　　 　　1 引言 　　城市绿化对于改善城市的生态环境建设极其重要。对于土地资源非常珍贵的城市,城市绿化的精细调查成为进一步提高绿化建设的重要基础[1]。在目前的城市植被调查中主要有人工调查和基于遥感的城市植被调查两种方式[2],遥感技术以其速度快、收效大、效率高的优势,逐渐成为城市植被调查的主要手段。利用Hyperion高光谱数据结合地面现状信息,及地物的波谱差异,将它们融会于决策树分类方法中,有针对性地进行高光谱图像植被信息提取和分类识别,提高不同植被类型的高光谱图像分类识别精度,为城市绿化分析提供参考依据。 　　2 高光谱影像资料的大气校正 　　对数据进行预处理,使用八邻域取均值的方法修复坏线,全局法进行条带去除,并将DN值转换为辐射率。采用FLAASH模型对影像资料进行大气校正。校正所使用参数为:传感器高度705km, 地面高程0.004km, 星下点分辨率30m, 时间为2005年5月12日,卫星越境世界时为10∶31∶00。气溶胶模式选城市模式,大气模式为中纬度夏季, 能见度为40km。中心经纬度分别为116°76′和36°08′, 对应山东省兖州市一带[3]。经过大气校正后的影像,各地物的光谱曲线特征明显。 　　3 决策树分类知识储备 　　逐一加载预处理后的各波段影像进行目视检查,去除异常波段,得到126个波段,用于MNF变换;选择输出波段数目为50。对MNF前6个波段进行PPI处理,设置迭代次数为10000,阈值系数为2,采样系数为0.5,即间隔使用像元。选择DN100的像元作为纯像元,并将其作为感兴趣区保存,用于后续分析。 　　基于PPI提取的结果,结合??际地物覆盖,对研究区的特征地物做实地景观以及其对应的标准假彩色采样,对主要地物进行分析解译可得如下结果。 　　3.1 农作物 　　兖州地区城市周围有大面积的农作物覆盖,也是PPI处理结果中像元集中分布的区域。 　　3.2 道路 　　兖州城市中道路的主要铺面材料为水泥沙地和沥青两大类,在城乡结合部有少量的土路。这三种道路的反射光谱曲线形状大体相似,在0.4～0.6μm之间缓慢上升,后趋于平缓,在0.9～1.1μm处逐渐下降。在Hyperion高光谱遥感影像中,可以辨认出高亮网格状显示的道路影像。 　　3.3河流 　　研究区影像上主要河流为泗河,在近红外波段的黑白正片上可以确定水体的位置和轮廓,水体的色调很黑,与周围的植被和土壤有明显的反差,很容易识别和判读。 　　3.4 城区绿化植被 　　九州广场和少陵公园及道路绿化和农村园林化在影像上能较好的显示出来。 　　4 研究区决策树模型的详细设计 　　在高光谱的丰富波段信息基础上,基于各地物的波谱特征之间的差异,依据决策树分类原则,逐一进行各地物的划分,最终提取到城市的绿化信息[4]。详细设计决策树如下。 　　4.1 植被提取 　　使用NDVI计进行算:近红外波段:b1=0.81μm,对应反射率转换后的39波段,中心波长813.48μm;红波段:b2=0.64μm,对应反射率转换后的22波段,中心波长640.5μm,生成NDVI影像,图像值范围为-1～1之间。利用图像分割调整,基本可以认为,0.06～1为植被区;-1～0.06为非植被区。提取植被区,生成只包含0和1的二值图,此时整个河流被划分到植被类型中,因此需要在后续分类中对其进行去除。 　　4.2 水体的提取 　　水体在本试验区高光谱影像数据很多波段中与其他地物的差异较大,提取精度也最高[5],适合作为分层分类的一级控制。利用水体在近红外波段的反射率较低的性质,选取b115红外波段,进行密度分割,经过观察发现,基本可以认为0～6000是水体,大于6000的为其他地物,提取水体,生成0和1二值图。 　　使用波段运算,除去水体,生成仅包含植被信息的二值图。1代表植被区,0代表其他地物。需要注意的是该图像并不能反映城市的绿化信息,因为它包含了大面积的耕地等非绿化地信息。在分析城市绿化过程中,需要对此类干扰信息进行去除。 　　4.3 耕地与其他植