李菁菁

摘 要 以新疆喀什為研究區(qū)，采用基于決策樹和面向對象的信息提取方法，引入歸一化植被指數(shù)（NDVI）為特征，利用ENVI軟件和eCognition軟件，提取資源3號衛(wèi)星遙感影像植被信息，并對比分析結果。結果表明，與基于像元的決策樹分類相比，面向對象的信息提取分類精度更高，能明顯減少分類產生的碎斑，體現(xiàn)了面向對象的分類在植被信息提取中的優(yōu)勢。

關鍵詞 植被信息提取 決策樹 面向對象 eCognition ENVI

中圖分類號：TP751 文獻標識碼：A

0引言

陸地植被是關系人類生存的生物地球化學循環(huán)中的關鍵因子。隨著計算機技術和遙感技術的發(fā)展，計算機自動分類已經成為遙感影像信息提取和識別的主要手段。本文通過資源3號衛(wèi)星獲取的喀什地區(qū)遙感影像，結合歸一化植被指數(shù)（NDVI），分別通過決策樹和面向對象的遙感影像分類來實現(xiàn)植被信息的提取，并對比分析決策樹分類和面向對象的遙感影像分類，探索遙感影像植被信息提取的有效方法。

1研究區(qū)概況和數(shù)據(jù)源

1.1研究區(qū)概況

本研究區(qū)地處新疆喀什（地理位置為35€？8′N-40€？6′N ，71€？9′E-79€？2′E），位于沙漠與戈壁交界的綠洲，生態(tài)環(huán)境脆弱。

1.2遙感數(shù)據(jù)

資源3號衛(wèi)星是中國第一顆自主的民用高分辨率光學傳輸型立體測圖衛(wèi)星，其Band 1為藍色波段，Band 2為綠色波段，Band 3為紅色波段，Band 4為近紅外波段，空間分辨率為6m。

2研究方法

2.1決策樹分類

決策樹分類的基本思想是從原始影像中逐步分離并掩膜每一種目標作為一個圖層或樹枝，以避免此目標對其他目標的提取造成干擾，最終復合所有目標從而實現(xiàn)自動分類。根據(jù)目視判讀，可將實驗區(qū)域劃分為五種地物類型，對每類地物類型取一定樣本，統(tǒng)計其在各個波段的DN值，得出其最大值、最小值、平均值、標準差的統(tǒng)計特征，通過ENVI4.7計算資源3號衛(wèi)星數(shù)據(jù)的NDVI，并結合光譜特征，分析確定分類技術流程：{ndvi} gt 0.42 植被，else 非植被；b4 gt 750 （濕地、裸地、居民地），else 水體；（b1+b2+b3） gt 1500 （裸地、居民地）， else 濕地；{ndvi} gt 0.25 居民地，else 裸地。

2.2基于面向對象的遙感影像植被信息提取

面向對象的遙感影像信息提取是綜合考慮目標形狀、紋理和光譜信息的一種高級分類方法。它的特征是最小分類單元是由影像分割得到圖斑，而非單個像元。

2.2.1研究區(qū)遙感影像分割

對資源3號衛(wèi)星獲取的喀什經濟開發(fā)區(qū)的遙感影像進行分割，Shape設為0.2，Compactness設為0.5；Shape定義了影像對象結果的紋理一致性，形狀參數(shù)設置越大，分割的形狀在大小上差異越小，顯得越規(guī)整，形狀參數(shù)設置越小，分割結果顯得越瑣碎；Compactness為緊密度，表示對象最小包圍矩形面積與對象包含像素數(shù)目之比，在尺度參數(shù)和形狀參數(shù)一定的情況下，緊致度越小，所分割的結果形狀顯得越細碎。將分割尺度分別設置為1000，600，400，200進行分割。

尺度為1000， 600的分割影像碎塊較少，但因尺度較大，混分較嚴重，不能很好地體現(xiàn)細節(jié)；尺度為200的分割影像能較完整的體現(xiàn)細節(jié)，混分情況較少，但分割造成的碎塊很多，會使分類過程復雜；尺度為400的分割影像能較好的體現(xiàn)細節(jié)，同時分割碎塊適中，故選擇尺度為400的分割影像進行影像分類。

2.2.2特征提取

在Class Hierarchy中新建立五個類：vegetation，bare land，residential，water，wetland。編輯特征空間，選擇特征亮度值和NDVI，將選擇的分類特征應用至各類。完成設置后，即可按類分別選擇一定數(shù)量的樣本。選擇樣本時，在RGB：321的真彩色合成與RGB：432的假彩色合成影像上，選擇一定數(shù)量可識別的、類別明確的點，記錄其坐標，然后在分割后的影像上標出含有相同點的對象，所含點的類別即為樣本對象的類別。樣本選好后執(zhí)行分類。

3結果與討論

在研究區(qū)實地選擇85個點進行驗證。驗證結果顯示，基于決策的分類精度為72.94%，其中居民地和植被間的混分率最高，達到9.41%，其次是裸地與居民地、裸地與濕地，混分率均為4.71%；基于面向對象的分類精度為89.41%，較前者有了大幅提高，居民地與植被間的混分率為4.71%，比起決策樹的分類結果有了很大改善，裸地與水體、裸地與居民地間的分類精度也有顯著提高。植被信息提取結果如圖1：

4結論

基于決策樹的遙感影像分類雖然能較好的提取出植被信息，但混分、錯分的情況仍不少，且有明顯的噪聲類別，分類產生的碎斑較多，受光照、陰影等因素的影響遠遠大于面向對象的分類；利用面向對象的方法提取植被信息不僅在植被上取得了較好的結果，在其他地物的分類上也比決策樹的效果更好，混分、錯分情況有了很大的改善，基于對象方法由于對象內部的平均和分析后在很大程度上減小了個別像元的影響，使得少量樣本就可以獲得較高的分類結果。

參考文獻

[1] 程彬，姜琦剛，周云軒，等.基于ASTER數(shù)據(jù)遙感影像的決策樹分類[J].吉林大學學報（地球科學版），2007，37（1）：179-184.

[2] 孫華，林輝，莫登奎，等.面向對象的決策樹分類技術[J].中南林業(yè)科技大學學報，2007，27（4）：39-43.