基于决策树方法的干旱区半干旱区面向对象遥感分类.docxVIP

基于决策树方法的干旱区半干旱区面向对象遥感分类 干旱地区的半干旱地区通常是生态相对脆弱的地区。为了促进区域环境保护和可持续发展，遥感技术发挥着越来越重要的作用。作为监测和分析的重要手段，它们发挥着越来越重要的作用。在一些干旱半干旱地区, 由于很多径流为季节性河流, 同时一些简易道路与周边环境区分不明显, “异物同谱”现象频繁, 这种光谱混分的状况导致该地区遥感分类难度加大。由于分类指标体系中的定性描述多于定量表达, 且即使是可量化的指标也没有一个统一的量化标准, 因此致使干旱区分类精度低, 甚至对同一地区, 其分类结果也可能千差万别。高分辨率遥感影像的出现为这种问题的解决提供了可能, 但是, 仅靠空间分辨率的提高不能同步地带来土地覆被分类精度的提高, 这是因为很多时候依然存在“异物同谱”的状况, 后续会带来分类的误差。因此, 很多情况下, 加入辅助数据进行遥感分类成为一种必然的选择。 高分辨率遥感影像是遥感应用的一个研究热点, 高分辨率遥感影像的自动和半自动解译也是研究的难点, 主要从4个方面评述该高分辨率遥感影像的自动和半自动解译领域的研究进展。在高分辨率遥感数据的选择方面, 主要的数据源有:SPOT 5影像、IKONOS影像、QuickBird影像, 这些高分辨率影像也用于干旱区监测的遥感监测。在遥感数据分类方面, 遥感影像分类方法主要有常规的基于像元分类、基于子像元分类、基于场的分类。面向对象分类是一种重要的基于场的分类方法, 特别适用于高分辨率遥感数据分类。面向对象方法目前已经发展成为一类重要的遥感分类方法, 其主要步骤包括影像分割和对象聚类。在影像分割方法的选择方面, 主要有以下几种分割方法:棋盘分割、四叉树分割和多尺度分割。Blumberg等使用多尺度影像分割, 对土地利用图进行分类和语义提取。在面向对象的聚类规则的选择方面, 许多先前的研究表明, 对于复杂的景观, 非参数方法的聚类效果比参数方法的聚类效果好。其中最常用的非参数的聚类方法有神经网络、决策树、支持向量机和专家系统。神经网络会因数据集维数的变化或者训练集和测试集特性的变化而降低图像分类的准确性, 支持向量机在解决多类问题时存在不可分区域的现象, 专家分类器因需要建立并运行复杂的推理机制而要求使用者拥有丰富的地学知识和经验以及较高的建模能力。 使用辅助数据进行分类也是一种有效的方法, 遥感数据与辅助数据合并可以提高分类性能, 如地形、土壤、道路、水系和普查数据。Bruzzone等研究了光谱复杂的区域 (农村地区) 使用陆地卫星TM图像数据, 纹理和辅助数据 (地形高程、坡度和坡向) 进行分类, 同时使用参数 (统计) 和非参数 (神经网络) 分类, 辅助数据用于提高土地覆盖分类的先验概率的估计。Sims等利用图像分类结合辅助数据如数字线路图, 基于对象的影像分类提高了道路的分类精度。Hatunen等通过集合多种数据, 采用面向对象的影像分析方法和决策树分类器, 完成了芬兰北部草原和荒原的分类, 最佳的整体精度为73%远大于最大似然分类的58%。近年来, 国内外已有针对干旱半干旱地区进行土地覆被分类研究。 本研究基于美国亚利桑那州荒漠地区的The National Agriculture Imagery Program (NAIP, 国家农业影像计划) 遥感影像, 试图利用河流、道路等辅助数据进行面向对象的遥感影像信息提取方法获得更好的分类结果, 期望解决干旱区半干旱区因存在一些季节性河流和泥土路导致分类精度较低这一问题。 2 农业种植基地的数据利用 研究区域为美国西南部亚利桑那州中部马里科帕县所属菲尼克斯都市区周边的荒漠地区, 位于北纬33.20°~33.84°, 西经111.57°~112.79°, 研究区属典型的大陆性干旱荒漠气候, 该地区以超旱生的乔木和灌木占优势的稀疏植被, 大部分为裸露的土壤。 研究中使用了两类数据:一类是2010年的NAIP数据, NAIP是美国农业部获取的农业种植季节时的全美航空影像, 可以供农业及其他部门开源使用。NAIP图像空间分辨率为是1m, 水平误差精度控制在6m, 本研究用的NAIP影像有蓝、绿、红3个光谱波段。另一类是辅助数据, 包括道路和水系数据, 本文用的是开源的Tiger数据, 其比例尺为1∶24000。Tiger数据包括一个称为Tiger/Line文件集的主体, 它是一个包括全美诸如公路、铁路、河流、湖泊、法定边界等地理特征的数据库。 3 土地覆盖分类系统 本文论述的荒漠—山区土地覆被信息提取工作包括两个步骤:影像分割和分类。首先需要确定合理的分割尺度, 通过影像分割, 生成属性信息类似的影像对象, 然后根据训练样本对象的属性信息或者成员函数对所要研究的样本进行类别归属的划分。参照标准的美国地质调查局