王懷警，譚炳香，房秀鳳，李世明，李太興

（1.中國(guó)林業(yè)科學(xué)研究院 資源信息研究所遙感室,北京100091;2.吉林省白河林業(yè)局,吉林 延邊 133613）

遙感技術(shù)具有覆蓋范圍大、重訪周期短、應(yīng)用成本低等優(yōu)勢(shì)，能及時(shí)準(zhǔn)確地掌握森林類(lèi)型、分布、面積、結(jié)構(gòu)、質(zhì)量、現(xiàn)狀及動(dòng)態(tài)變化情況，在森林區(qū)劃、森林資源調(diào)查、森林類(lèi)型精細(xì)識(shí)別、植被制圖［1］、動(dòng)態(tài)變化監(jiān)測(cè)等方面具有巨大的應(yīng)用潛力。利用遙感影像開(kāi)展土地利用類(lèi)型分類(lèi)和森林類(lèi)型識(shí)別已有較多研究，主要集中在非參數(shù)化智能化分類(lèi)、多源遙感數(shù)據(jù)與輔助信息綜合分類(lèi)［2-3］、知識(shí)挖掘和專(zhuān)家系統(tǒng)、 多時(shí)相復(fù)合分類(lèi)［4］、 面向?qū)ο螅?］、 新方法引入與分類(lèi)策略［6］、 多分類(lèi)器組合［7-9］等方面， 并且在植被分類(lèi)、林地信息提取、森林類(lèi)型精細(xì)識(shí)別［10-12］、樹(shù)種（組）分類(lèi)、動(dòng)態(tài)變化監(jiān)測(cè)等方面獲得廣泛的應(yīng)用。當(dāng)前，針對(duì)高光譜影像的分類(lèi)方法，如光譜角匹配方法、最大似然法、人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)（SVM）等，多為基于像元光譜信息來(lái)賦予像元不同的地物類(lèi)型，比較成熟和穩(wěn)定。但此類(lèi)方法往往忽視空間信息，或者對(duì)空間信息利用不充分，在沒(méi)有輔助數(shù)據(jù)或者輔助數(shù)據(jù)較少的情況下，如何利用有限的已知樣本點(diǎn)所提供的空間位置信息或其他來(lái)源的輔助信息提高分類(lèi)精度值得深究。C5.0決策樹(shù)算法是一種以信息熵為核心思想的數(shù)據(jù)挖掘算法，可以快速尋找現(xiàn)象之間未知的關(guān)系和關(guān)聯(lián)。前人對(duì)該算法的應(yīng)用多集中在土地利用信息自動(dòng)提?。?3］、 土地覆蓋分類(lèi)［14-15］、 植被分類(lèi)［16］、森林變化檢測(cè)［17］等方面；另外，還探究不同特征對(duì)分類(lèi)的影響及不同方法的比較。然而，鮮有應(yīng)用C5.0決策樹(shù)算法探究高光譜數(shù)據(jù)森林類(lèi)型分類(lèi)。本研究以吉林省白河林業(yè)局為中心研究區(qū)，充分利用影像多元特征和輔助信息，開(kāi)展基于C5.0決策樹(shù)算法的森林類(lèi)型識(shí)別方法研究，探究針對(duì)主要森林類(lèi)型或樹(shù)種（組）C5.0決策樹(shù)分類(lèi)方法的適用性和可行性。

1 研究區(qū)概況與數(shù)據(jù)獲取

1.1 研究區(qū)概況

研究區(qū)中心區(qū)域位于吉林省延邊朝鮮族自治州白河林業(yè)局境內(nèi)，地理坐標(biāo)為41°41′49″～42°51′18″N，127°42′55″～128°16′48″E。 研究區(qū)覆蓋面積約為 4.05 萬(wàn) hm2，屬溫帶大陸性山地氣候， 南臨長(zhǎng)白山保護(hù)區(qū)，森林覆蓋率約85%。森林植被組成和樹(shù)種成分較為復(fù)雜，屬闊葉混交、針葉混交和針闊混交林帶，基本特點(diǎn)為次生林，萌生起源為主，兼有實(shí)生林及實(shí)生樹(shù)木。研究區(qū)主要樹(shù)種及森林類(lèi)型為美人松Pinus syluestriformis林，落葉松Larix gmelinii林，樟子松Pinus sylvestrisvar.mongolica林，楊樹(shù)Populus bonatii林，白樺Betula platyphylla林，柞樹(shù)Quercus mongolica林以及闊葉混交林、針葉混交林、針闊混交林、灌木林。

1.2 數(shù)據(jù)獲取

研究獲取2015年7月9日Hyperion影像一景，覆蓋范圍為41.93°～42.98°N，127.97°～128.23°E，影像幅寬7.7 km×185 km，光譜范圍355～2 500 nm，共有242個(gè)波段，光譜分辨率為10 nm，空間分辨率為30 m。此外，輔助數(shù)據(jù)包括研究區(qū)行政界線(xiàn)矢量數(shù)據(jù)、先進(jìn)星載熱發(fā)射和反射輻射儀全球數(shù)字高程模型（advanced spaceborne thermal emission and reflection radiometer global digital elevation model,ASTER GDEM）30 m分辨率數(shù)字高程模型（digital elevation model，DEM）數(shù)據(jù)、研究區(qū)部分二類(lèi)調(diào)查數(shù)據(jù)（圖1），矢量數(shù)據(jù)用于研究區(qū)影像數(shù)據(jù)裁剪；DEM數(shù)據(jù)作為特征因子參與分類(lèi)；二類(lèi)調(diào)查數(shù)據(jù)作為精度驗(yàn)證的輔助數(shù)據(jù)。

Hyperion影像的預(yù)處理包括壞波段剔除、壞線(xiàn)修復(fù)、Smile效應(yīng)校正、輻射校正、大氣校正、幾何校正、研究區(qū)裁剪，利用DEM數(shù)據(jù)和野外采集的全球定位系統(tǒng)（GPS）坐標(biāo)點(diǎn)對(duì)影像進(jìn)行正射校正。此外，為消除噪聲帶來(lái)的影響， 還對(duì)數(shù)據(jù)進(jìn)行了光譜平滑處理，為方便起見(jiàn)，反射率數(shù)值放大1.0萬(wàn)倍。剔除質(zhì)量較差的波段，最終保留148個(gè)波段用于研究，表1列出了保留的波段及對(duì)應(yīng)的波長(zhǎng)區(qū)間（表1和圖 2）。

表1 保留的Hyperion影像波段Table 1 Reserved bands of Hyperion image

1.3 外業(yè)數(shù)據(jù)

2016年9月3-9日，以Hyperion影像覆蓋范圍為主要調(diào)查區(qū)域進(jìn)行外業(yè)調(diào)查。樣地為直徑45 m的圓形樣地，在樣地中心采用GPS手持機(jī)（Trimble Geo Explorer 6000）記錄樣地中心位置坐標(biāo)，同時(shí)對(duì)樣地進(jìn)行多角度拍攝，記錄森林類(lèi)型、樹(shù)種組成、優(yōu)勢(shì)樹(shù)種（組）、郁閉度、林齡、林下灌木種類(lèi)，海拔、坡度、坡向、經(jīng)營(yíng)活動(dòng)等主要調(diào)查因子，詳實(shí)反映樣地及其周?chē)址种脖簧L(zhǎng)狀況，使樣地的紋理、屬性和位置信息一一對(duì)應(yīng)。野外調(diào)查共采集Hyperion影像條帶覆蓋區(qū)域?qū)崪y(cè)樣地81個(gè)。樣地在Hyperion影像條帶上的空間分布如圖2所示，實(shí)測(cè)樣地類(lèi)型及樣地?cái)?shù)見(jiàn)表2。由于樣地可達(dá)性限制，部分不能抵達(dá)觀測(cè)的樣地在圖紙和記錄表中分別記錄其相對(duì)位置和相關(guān)屬性，可用于輔助精度驗(yàn)證。

圖1 研究區(qū)部分森林類(lèi)型分布圖Figure 1 Distribution of some forest types in the study area

圖2 研究區(qū)Hyperion影像及樣地分布圖Figure 2 Hyperion image and plot distribution map of the study area

表2 實(shí)測(cè)樣地類(lèi)型及樣地?cái)?shù)Table 2 Measured sample types and number

2 研究方法

2.1 分類(lèi)系統(tǒng)

參考《森林資源數(shù)據(jù)采集技術(shù)規(guī)范第1部分：森林資源連續(xù)清查》［18］中地類(lèi)劃分標(biāo)準(zhǔn)與《森林資源規(guī)劃設(shè)計(jì)調(diào)查技術(shù)規(guī)程》［19］中林地分類(lèi)系統(tǒng)，根據(jù)研究區(qū)地表覆蓋狀況和應(yīng)用需求，結(jié)合遙感影像特點(diǎn)、森林類(lèi)型及樹(shù)種（組）精細(xì)識(shí)別能力，綜合考慮類(lèi)別科學(xué)、系統(tǒng)性及層次性，將研究區(qū)主要森林類(lèi)型劃分為美人松林、落葉松林、樟子松林、楊樹(shù)林、白樺林、柞樹(shù)林、闊葉混交林、針葉混交林、針闊混交林、灌木林地、無(wú)立木林地及濕地共12類(lèi)。而非森林并非研究重點(diǎn)，故只分為耕地、園地、水域、未利用地及建設(shè)用地5類(lèi)，不再進(jìn)一步細(xì)分。構(gòu)建的5級(jí)分類(lèi)系統(tǒng)見(jiàn)表3。其中，闊葉混交林主要為慢生闊葉混交林，主要包括水曲柳Fraxinus mandschurica， 胡桃楸Juglans mandshurica， 椴樹(shù)Tilia tuan szyszy，榆樹(shù)Ulmus pumila，色木Acer mono，楓樺Betula costata等硬闊類(lèi)樹(shù)種；針葉混交林主要由人工落葉松、云杉Picea asperata，紅松Pinus koraiensis和臭松Abies holophylla組成；無(wú)立木林地主要指火燒跡地；灌木林地是指附著有灌木樹(shù)種，或因生境惡化矮化成灌木型的喬木樹(shù)種；濕地類(lèi)型主要包括天然或人工的、永久或暫時(shí)的沼澤地、泥炭地、水域地帶、濕草甸、湖泊、灘涂、水庫(kù)、池塘等；園地主要有人參Panaxginseng，天麻Gastrodiaelata，靈芝Ganoderma lucidum，藍(lán)莓Vacciniumspp.等；未利用地主要指裸地；建設(shè)用地主要指建筑物及道路。

表3 分類(lèi)系統(tǒng)Table 3 Classification system

2.2 樣本選擇

由于樣地可達(dá)性及工作量等因素限制，野外調(diào)查的樣地?cái)?shù)據(jù)比較有限，不足以進(jìn)行分類(lèi)，因此需對(duì)樣本量進(jìn)行適量擴(kuò)充。具體做法如下：根據(jù)地物在空間分布具有連續(xù)性的特點(diǎn)，綜合已測(cè)樣地位置、紋理、影像中光譜曲線(xiàn)及記錄表中相關(guān)信息，充分利用高光譜影像的精細(xì)光譜特征，重點(diǎn)針對(duì)森林類(lèi)型，圍繞樣地周邊像元進(jìn)行拓展，當(dāng)拓展樣本與已測(cè)樣地的光譜、紋理及記錄表中相關(guān)信息相匹配時(shí)，即可判定該拓展樣本的類(lèi)別，樣本選擇結(jié)果見(jiàn)表4。

2.3 分類(lèi)策略

根據(jù)影像中地物光譜反射差異，選擇特征波段，先區(qū)分出易于區(qū)分的地類(lèi)，將已區(qū)分的類(lèi)別進(jìn)行掩膜處理，可大大減少其對(duì)后期分類(lèi)工作的干擾，利于提高分類(lèi)精度。利用不同地物的特征波段提取某一地類(lèi)或某幾類(lèi)地物，即對(duì)地物進(jìn)行分層,隨后在層次間對(duì)地類(lèi)進(jìn)一步細(xì)分，針對(duì)層次間光譜特征較為相似的地類(lèi)，綜合利用紋理信息和地形因子，構(gòu)建基于C5.0算法的決策樹(shù)模型并進(jìn)行分類(lèi)。最后對(duì)分類(lèi)結(jié)果進(jìn)行決策級(jí)融合，得到最終分類(lèi)結(jié)果。

表4 地類(lèi)列表及樣本數(shù)量Table 4 List of land types and sample number

2.4 特征提取

高光譜數(shù)據(jù)波段多，波段間相關(guān)性較高，在進(jìn)行分類(lèi)研究時(shí)，通常需進(jìn)行特征提取或特征選擇，以達(dá)到降維或波段優(yōu)選的目的。常通過(guò)微分變換的導(dǎo)數(shù)譜、對(duì)數(shù)變換、微分對(duì)數(shù)變換相結(jié)合、主成分分析（PCA）［20－21］等進(jìn)行高維數(shù)據(jù)的壓縮。經(jīng)試驗(yàn)對(duì)比，選用PCA法進(jìn)行降維，選取PCA的前4個(gè)分量（信息量達(dá)99%以上）參與分類(lèi)。

對(duì)于光譜特征相似的地物，往往通過(guò)其紋理差異加以區(qū)分［22－23］。根據(jù)研究區(qū)地類(lèi)特征和影像紋理特征差異，經(jīng)反復(fù)測(cè)試，分別計(jì)算PCA前3個(gè)分量各自對(duì)應(yīng)的8個(gè)紋理特征［24］參與分類(lèi)，選取的紋理特征如表5所示。

表5 灰度共生矩陣計(jì)算的紋理因子Table 5 The texture factor of gray level co-occurrence matrix

研究區(qū)主要森林類(lèi)型及優(yōu)勢(shì)樹(shù)種（組）的生態(tài)學(xué)特性（如喜光、喜陰），樹(shù)種群落特征和生態(tài)適應(yīng)范圍（如柞樹(shù)多生長(zhǎng)在向陽(yáng)的山坡上），垂直向分布特征等較為明顯，因此將數(shù)字高程模型（DEM），坡度（aspect），坡向（slope）作為樹(shù)種分類(lèi)的有效特征和輔助信息，以期進(jìn)一步提高森林類(lèi)型識(shí)別精度。

2.5 C5.0決策樹(shù)算法

C5.0決策樹(shù)算法最早的原型是由QUINLAN于1979年提出的ID3算法，后經(jīng)不斷改進(jìn)形成C4.5算法，C5.0算法是基于C4.5的進(jìn)一步改進(jìn)。C5.0增加了Boosting算法以提高分類(lèi)精度。該算法以信息增益率為標(biāo)準(zhǔn)確定最佳分組變量和最佳分割點(diǎn)，其核心概念是信息熵。信息熵又稱(chēng)為先驗(yàn)熵，是信息發(fā)送前信息量的數(shù)學(xué)期望值［25］。C5.0以信息熵的下降速度作為選取最佳分支變量和分割閾值的依據(jù)，信息熵的下降意味著不確定性下降。

信息 ui（i=1， 2， …， r）的發(fā)生概率 P（ui）組成信源數(shù)學(xué)模型，信息量和信息熵的計(jì)算公式如下：

信息熵H（U）為0時(shí)表示只存在唯一的可能性，不存在不確定性；如果信源的k個(gè)信號(hào)有相同的發(fā)出概率， 即所有的 ui有 P（ui）=1/k， H（U）達(dá)到最大， 不確定性最大， P（ui）差別越小， H（U）就越大。 設(shè) S是1個(gè)樣本集合，目標(biāo)變量C有K個(gè)分類(lèi)，freq（Ci，S）表示屬于Ci類(lèi)的樣本數(shù)，|S|表示樣本集合S的樣本數(shù)，則集合S的信息熵定義為：

如果某屬性變量T，有m個(gè)分類(lèi)，則屬性變量T引入后的條件熵定義為：

屬性變量T帶來(lái)的信息增益為：

C5.0算法使用十折交叉驗(yàn)證的方法，分類(lèi)過(guò)程中及時(shí)反饋訓(xùn)練樣本的質(zhì)量，及時(shí)修改模型，避免出現(xiàn) “過(guò)度擬合”現(xiàn)象，保證較高的分類(lèi)精度。C5.0采用后剪枝 （post-pruning）策略自葉節(jié)點(diǎn)向上逐層剪枝，使用統(tǒng)計(jì)置信區(qū)間的誤差估計(jì)方式，直接在訓(xùn)練數(shù)據(jù)中估計(jì)誤差，若待剪子樹(shù)中葉節(jié)點(diǎn)誤差大于父節(jié)點(diǎn)的誤差，則予以剪去。C5.0在選擇最佳分組變量時(shí)，通常會(huì)將帶有缺失值的樣本當(dāng)作臨時(shí)樣本剔除，并進(jìn)行權(quán)數(shù)調(diào)整處理，使得算法對(duì)樣本具有一定的容錯(cuò)能力。

2.6 影像分類(lèi)

針對(duì)不易區(qū)分的幾種地類(lèi)，C5.0決策樹(shù)算法首先計(jì)算輸入樣本集的熵和不同特征波段加入后的信息增益，根據(jù)信息增益最大的字段拆分樣本，第1次拆分確定的屬性作為樹(shù)的根節(jié)點(diǎn)，隨后根據(jù)其他屬性再次拆分，后建立的決策樹(shù)重點(diǎn)考慮之前被錯(cuò)分和漏分的數(shù)據(jù)，直到樣本子集不能再被拆分；而屬性閾值的分割則是以信息熵下降最快為準(zhǔn)。如此建立一株完整的決策樹(shù)。最后根據(jù)樣本集對(duì)生成的決策樹(shù)進(jìn)行剪枝，剪枝的標(biāo)準(zhǔn)是葉子節(jié)點(diǎn)的錯(cuò)誤率小于父節(jié)點(diǎn)。為提升決策樹(shù)的性能，采用交叉驗(yàn)證技術(shù)，對(duì)選出的屬性進(jìn)行投票。根據(jù)構(gòu)建的決策樹(shù)模型進(jìn)行細(xì)分，直至所有類(lèi)別均被區(qū)分。對(duì)分類(lèi)結(jié)果進(jìn)行決策級(jí)融合并進(jìn)行重編碼，得到所有地類(lèi)的分類(lèi)結(jié)果。對(duì)分類(lèi)結(jié)果進(jìn)行分類(lèi)后處理，合并分類(lèi)結(jié)果中碎小的細(xì)部。為了體現(xiàn)本研究方法的優(yōu)勢(shì)，在相同的分類(lèi)策略下，選用性能穩(wěn)健優(yōu)異的SVM分類(lèi)器進(jìn)行分類(lèi)，采用網(wǎng)格參數(shù)尋優(yōu)法尋找不同層次分類(lèi)的最優(yōu)參數(shù)，確保分類(lèi)結(jié)果較好。

3 結(jié)果與分析

3.1 光譜特征分析與地物分層方案

根據(jù)樣本對(duì)影像進(jìn)行分類(lèi)統(tǒng)計(jì)，求取各波段反射率均值，得到各類(lèi)別的光譜曲線(xiàn)。圖3為獲取的各類(lèi)別反射率曲線(xiàn)，可用于分析各類(lèi)別的光譜差異及確定地物分層方案。

由光譜曲線(xiàn)可見(jiàn)，建設(shè)用地在藍(lán)光到紅光區(qū)間反射率呈上升趨勢(shì)，不同于其他地類(lèi)；水體在整個(gè)光譜區(qū)間內(nèi)反射率較低；植被在447 nm處有明顯的吸收谷，綠光區(qū)間有綠峰，紅光區(qū)間有吸收谷，近紅外區(qū)間有明顯的反射峰；柞木林和灌木林在近紅外到短波紅外區(qū)間反射率較其他植被高很多；園地在藍(lán)光到綠光區(qū)間內(nèi)，反射率先快速上升而后趨于平穩(wěn)，在447 nm處的吸收谷消失，近紅外區(qū)間的反射峰值低于其他植被；耕地在中紅外區(qū)間表現(xiàn)出較強(qiáng)的反射特性，在1 659 nm處達(dá)到峰值，在大于2 000 nm的波長(zhǎng)區(qū)間，反射率較其他地類(lèi)高許多。樟子松林、美人松林、濕地、無(wú)立木林地等4類(lèi)的光譜曲線(xiàn)較為相近，由于部分水體與植被相鄰，為綜合多種屬性提高分類(lèi)精度，將此4類(lèi)分為同一層；白樺林、楊樹(shù)林、落葉松林、闊葉混交林、針葉混交林、針闊混交林、建設(shè)用地等7種地類(lèi)光譜曲線(xiàn)差異不明顯，不易區(qū)分，需輔以其他信息方能加以區(qū)分。

根據(jù)地物光譜曲線(xiàn)差異選擇特征波段，對(duì)研究區(qū)地類(lèi)進(jìn)行分層，特征波段選擇和分層策略見(jiàn)圖4，分別在第4層和第7層中應(yīng)用C5.0決策樹(shù)算法構(gòu)建決策樹(shù)模型，對(duì)同一層中較難區(qū)分的地類(lèi)進(jìn)行細(xì)分。

圖3 典型地物光譜曲線(xiàn)Figure 3 Spectral curves of typical objects

3.2 分類(lèi)結(jié)果與精度評(píng)價(jià)

為驗(yàn)證方法的適用性和森林類(lèi)型精細(xì)識(shí)別的精度，采用分層隨機(jī)抽樣產(chǎn)生獨(dú)立驗(yàn)證樣本。檢驗(yàn)樣本數(shù)與訓(xùn)練樣本數(shù)比例約為1∶3，參考野外采集樣本、高分辨率影像（Google Earth）和研究區(qū)部分二類(lèi)調(diào)查數(shù)據(jù)，對(duì)森林類(lèi)型進(jìn)行精度驗(yàn)證。為驗(yàn)證森林類(lèi)型分類(lèi)精度，將非森林類(lèi)型合并為其他類(lèi)，選取總體精度、Kappa系數(shù)、用戶(hù)精度和生產(chǎn)精度作為評(píng)價(jià)指標(biāo)。C5.0決策樹(shù)算法森林類(lèi)型總體分類(lèi)精度為81.9%，Kappa系數(shù)為0.709 8，SVM分類(lèi)器森林類(lèi)型總體分類(lèi)精度為84.2%，Kappa系數(shù)為0.717 8，2種方法的分類(lèi)結(jié)果和分類(lèi)精度評(píng)價(jià)分別見(jiàn)圖5和表6。

圖4 地物分層分級(jí)方案及閾值Figure 4 Hierarchical classification scheme and threshold

C5.0算法決策樹(shù)模型構(gòu)建過(guò)程中特征變量使用的頻率可作為衡量各變量對(duì)分類(lèi)貢獻(xiàn)大小的依據(jù)，該算法區(qū)分第4和第7層地物使用的特征變量不同。經(jīng)優(yōu)化后的第4層和第7層地物分類(lèi)決策樹(shù)模型見(jiàn)圖6。

圖5 C5.0決策樹(shù)分類(lèi)法（A）與SVM法（B）森林類(lèi)型分類(lèi)圖Figure 5 Classification Result of C5.0 Decision tree Classifier（A） and SVM Classifier（B）

為了進(jìn)一步印證C5.0選擇特征波段的有效性，對(duì)各類(lèi)別相應(yīng)的特征波段進(jìn)行統(tǒng)計(jì)分析，選取各類(lèi)型特征波段均值繪制如圖7所示的離散直方圖，從圖7可以清晰的看出各類(lèi)別不同特征間存在明顯差異，相比光譜特征具有更好的區(qū)分性，從側(cè)面證實(shí)了C5.0決策樹(shù)算法構(gòu)建的決策樹(shù)模型的正確性。

圖6 第4層（A）和第7層（B）地物分類(lèi)決策樹(shù)模型Figure 6 Classification decision tree model of the fourth layer（A） and the seventh layer（B） terrain

圖 7 第4層（A）和第7層（B）森林類(lèi)型分類(lèi)所選特征波段均值的離散直方圖Figure 7 Discrete histograms of selected characteristic bands for fourth （A）and seventh （B）forest types

由表6可見(jiàn)：2種分類(lèi)方法結(jié)果較一致，其中落葉松林、樟子松林、白樺林、楊樹(shù)林、闊葉混交林分類(lèi)精度相對(duì)較低；闊葉混交林、針葉混交林和針闊混交林間混分現(xiàn)象較明顯；美人松林、柞木林、針葉混交林、針闊混交林分類(lèi)精度相對(duì)較高。C5.0算法對(duì)落葉松林、樟子松林、楊樹(shù)林、針葉混交林和針闊混交林分類(lèi)精度優(yōu)于SVM法，SVM分類(lèi)器對(duì)白樺林、柞木林和闊葉混交林區(qū)分較好，其他類(lèi)別兩者分類(lèi)度相差不大。

對(duì)比C5.0決策樹(shù)法和SVM法，2種方法總體分類(lèi)精度均較高，SVM法總體分類(lèi)精度高于C5.0決策樹(shù)算法，但SVM法在內(nèi)存占用、耗時(shí)等方面遠(yuǎn)高于C5.0決策樹(shù)法，SVM分類(lèi)器存在最優(yōu)參數(shù)選擇的問(wèn)題，而C5.0決策樹(shù)算法則參數(shù)較少。2種方法對(duì)植被的識(shí)別能力均弱于其他地物，但相比而言，C5.0決策樹(shù)算法對(duì)綠色植被識(shí)別能力優(yōu)于SVM法；2種方法對(duì)不同地物的識(shí)別能力不同，存在優(yōu)勢(shì)互補(bǔ)的可能。

3.3 分類(lèi)結(jié)果討論

訓(xùn)練樣本選擇準(zhǔn)確對(duì)分類(lèi)至關(guān)重要。野外調(diào)查時(shí)間與影像成像時(shí)間相隔約1 a，研究中忽略了此間變化產(chǎn)生的影響。研究區(qū)地物類(lèi)型豐富，不同地類(lèi)混雜較嚴(yán)重，導(dǎo)致分類(lèi)結(jié)果較為破碎。研究區(qū)森林覆蓋度較高，針葉混交林、針闊混交林和闊葉混交林混雜嚴(yán)重，加之三者特征相近，故較難區(qū)分。由于不同地類(lèi)訓(xùn)練樣本數(shù)量不同，訓(xùn)練樣本數(shù)較少，可能導(dǎo)致其分類(lèi)精度較低?？梢?jiàn)，紋理信息有助于提高某些地物分類(lèi)精度，但限于影像空間分辨率，導(dǎo)致紋理信息不足以精細(xì)地描述不同森林類(lèi)型的差異；地物尺寸較大時(shí)紋理信息對(duì)分類(lèi)精度提升明顯，例如流線(xiàn)狀的河流和道路。紋理因子對(duì)分類(lèi)的貢獻(xiàn)率與影像分辨率間的關(guān)系，有待進(jìn)一步探究。

表6 C5.0決策樹(shù)算法與SVM法森林類(lèi)型分類(lèi)精度評(píng)價(jià)Table 6 Forest land type classification accuracy evaluation result of C5.0 decision tree algorithm and SVM

結(jié)合以上實(shí)驗(yàn)分析，總結(jié)如下：①針對(duì)土地覆蓋類(lèi)型復(fù)雜的區(qū)域，采用分層分類(lèi)的策略可提高總體的分類(lèi)精度，且分層數(shù)不宜過(guò)多；②建立的決策樹(shù)模型深度越深，其精度越小，故決策樹(shù)的深度不宜過(guò)深；③C5.0決策樹(shù)算法對(duì)綠色植被的識(shí)別能力弱于其他類(lèi)別；④分層分類(lèi)策略結(jié)合C5.0決策樹(shù)算法應(yīng)用于高光譜森林類(lèi)型分類(lèi)，易與其他輔助數(shù)據(jù)結(jié)合，森林類(lèi)型識(shí)別可達(dá)到優(yōu)勢(shì)樹(shù)種（組）級(jí)別，可行性好，可應(yīng)用于實(shí)際生產(chǎn)；⑤綜合遙感影像的光譜、紋理和地形信息的分層信息提取方法，森林類(lèi)型識(shí)別更為精細(xì)，能滿(mǎn)足復(fù)雜地形條件下星載高光譜影像森林類(lèi)型精細(xì)識(shí)別的應(yīng)用需求，對(duì)中國(guó)GF-5號(hào)高光譜遙感數(shù)據(jù)林業(yè)應(yīng)用具有參考價(jià)值。

4 結(jié)論

研究表明：①該算法對(duì)綠色植被的識(shí)別能力弱于其他類(lèi)別；②該算法在訓(xùn)練樣本數(shù)較少時(shí)依然表現(xiàn)較好，可充分利用影像的光譜、紋理及其他輔助信息，不會(huì)或較少出現(xiàn)局部收斂現(xiàn)象；③地形較復(fù)雜區(qū)域進(jìn)行分類(lèi)時(shí)，地形因子對(duì)分類(lèi)貢獻(xiàn)度較高；④C5.0決策樹(shù)算法，計(jì)算速度快，占用內(nèi)存小，自動(dòng)選擇特征變量和分割閾值，且生成的決策樹(shù)規(guī)則易于理解，總體分類(lèi)精度較高；⑤該算法在利用紋理因子參與分類(lèi)時(shí)，均值、方差、一致性、相異性4個(gè)變量對(duì)分類(lèi)貢獻(xiàn)較高。

研究采用的數(shù)據(jù)空間分辨率較低，混合像元現(xiàn)象嚴(yán)重，以后可考慮從混合像元分解入手改進(jìn)分類(lèi)策略和算法。C5.0決策樹(shù)算法存在與其他分類(lèi)器（如SVM）優(yōu)勢(shì)互補(bǔ)的潛力，今后可考慮多分類(lèi)器融合或組合策略，以提高森林類(lèi)型分類(lèi)精度。

5 參考文獻(xiàn)

［1］ 張志明,張征凱,郭銀明,等.高原山區(qū)遙感植被制圖研究綜述［J］.云南大學(xué)學(xué)報(bào)（自然科學(xué)版）,2013,35（3）：416-427.ZHANG Zhiming,ZHANG Zhengkai,GUO Yinming，et al.Mountain vegetation mapping using remote sensing ［J］.J Yunnan Univ， 2013,35（3）：416 － 427.

［2］ VOISIN A， KRYLOV V A， MOSER G，et al．Supervised classification of multisensory and multiresolution remote sensing images with a hierarchical copula-based approach［J］.IEEE Trans Geosci Remote Sens,2014,52（6）：3346 －3358．

［3］ 任沖,鞠洪波,張懷清,等.多源數(shù)據(jù)林地類(lèi)型的精細(xì)分類(lèi)方法［J］.林業(yè)科學(xué),2016,52（6）：54－65.REN Chong,JU Hongbo,ZHANG Huaiqing，et al.Multi-source data for forest land type precise classification ［J］.Sci Silv Sin,2016,52（6）：54 － 65.

［4］ 競(jìng)霞，王錦地，王紀(jì)華，等．基于分區(qū)和多時(shí)相遙感數(shù)據(jù)的山區(qū)植被分類(lèi)研究［J］．遙感技術(shù)與應(yīng)用，2008,23（4）：394 － 397．JING Xia， WANG Jindi， WANG Jihua，et al．Classifying forest vegetation using sub-region classification based on multi-temporal remote sensing images ［J］.Remote Sens Technol Appl， 2008,23（4）：394 － 397.

［5］ 溫一博， 范文義．多時(shí)相遙感數(shù)據(jù)森林類(lèi)型識(shí)別技術(shù)研究［J］．森林工程，2013,29（2）：14－20．WEN Yibo， FAN Wenyi.Remote sensing image recognition for multi-temporal forest classification ［J］．For Eng,2013,29（2）：14 － 20.

［6］ BENZ U C， HOFMANN P， WILLHAUCK G，et al.Multi-resolution， object-oriented fuzzy analysis of remote sensing data for GIS-ready information ［J］.ISPRS J Photogramm Remote Sens,2004,58（3/4）：239 － 258．

［7］ FOODY G M,BOYD D S,SANCHEZ-HERNANDEZ C.Mapping a specific class with an ensemble of classifiers ［J］.Int J Remote Sens,2007,28（8）：1733 － 1746.

［8］ KITTLER J.Combining classifiers：a theoretical framework ［J］.Pattern Anal Appl,1998,1（1）：18 － 27.

［9］ FREUND Y,SCHAPIRE R E.Experiments with a new boosting algorithm［C］//ICML96Proceesings of the Thirteenth International Conference on International Conference on Machine Learning.San Francisco：Morgan Kaufmann Publishers Inc,1996：148－ 156.

［10］ MELVILLE P,MOONEY R J.Creating diversity in ensembles using artificial data ［J］.Inf Fusion,2005,6（1）：99 －111.

［11］ HELMER E H， RUZYCKI T S， BENNER J，et al．Detailed maps of tropical forest types are within reach：forest tree communities for Trinidad and Tobago mapped with multi-season Landsat and multi-season fine-resolution imagery ［J］.For Ecol Manage， 2012， 279（6）：147 － 166．

［12］ 董心玉,范文義,田甜.基于面向?qū)ο蟮馁Y源3號(hào)遙感影像森林分類(lèi)研究［J］.浙江農(nóng)林大學(xué)學(xué)報(bào),2016,33（5）：816－825.DONG Xinyu,FAN Wenyi,TIAN Tian.Object-based forest type classification with ZY-3 remote sensing data ［J］.J Zhejiang A&F Univ,2016,33（5）：816 － 825.

［13］ 李明詩(shī),彭世揆,周林,等.基于ASTER數(shù)據(jù)的決策樹(shù)自動(dòng)構(gòu)建及分類(lèi)研究［J］.國(guó)土資源遙感,2006,18（3）：33－36,42.LI Mingshi,PENG Shikui,ZHOU Lin,et al.A study of automated construction and classification of decision tree classifiers based on ASTER remotely sensed datasets ［J］.Remote Sens Land Resour， 2006,18（3）：33 － 36,42.

［14］ 齊紅超,祁元,徐瑱.基于C5.0決策樹(shù)算法的西北干旱區(qū)土地覆蓋分類(lèi)研究：以甘肅省武威市為例［J］.遙感技術(shù)與應(yīng)用,2009,24（5）：648 － 653.QI Hongchao,QI Yuan,XU Zhen，et al.The study of the northwest arid zone land-cover classification based on C5.0 decision tree algorithm at Wuwei City,Gansu Province ［J］.J Remote Sens Technol Appl,2009,24（5）：648 － 653.

［15］ 高玉蓉,許紅衛(wèi),丁曉東.基于C5.0的錢(qián)塘江流域地區(qū)土地利用/覆被信息提取研究［J］.生態(tài)科學(xué),2012,31（5）：481 － 487.GAO Yurong,XU Hongwei,DING Xiaodong.Extraction of land use/cover information based on C5.0 algorithm in Qiantang River drainage area ［J］.Ecol Sci,2012,31（5）：481 － 487.

［16］ 李夢(mèng)瑩,胡勇,王征禹.基于C5.0決策樹(shù)和時(shí)序HJ-1A/B CCD數(shù)據(jù)的神農(nóng)架林區(qū)植被分類(lèi)［J］.長(zhǎng)江流域資源與環(huán)境,2016,25（7）：1070 － 1077.LI Menying,HU Yong,WANG Zhengyu.Study on vegetation classification in Shennongjia forest district based on decision tree and HJ-1 A/B data ［J］.Resour Environ Yangtze Basin,2016,25（7）：1070 － 1077.

［17］ KEMPENEERS P,SEDANO F， SEEBACH L,et al.Data fusion of different spatial resolution remote sensing images applied to forest-type mapping ［J］．IEEE Trans Geosci Remote Sens,2012,49（12）：4977 － 4986．

［18］ 侯瑞萍，黃國(guó)勝，李應(yīng)國(guó)，等， LY/T 2188.1-2013森林資源數(shù)據(jù)采集技術(shù)規(guī)范 第1部分：森林資源連續(xù)清查［S］.北京：中國(guó)標(biāo)準(zhǔn)出版社，2014.

［19］ 唐小平,陳雪峰,翁國(guó)慶,等.GB/T 26424-2010森林資源規(guī)劃設(shè)計(jì)調(diào)查技術(shù)規(guī)程［S］.北京：中國(guó)標(biāo)準(zhǔn)出版社，2011.

［20］ 王志慧,李世明,張藝偉.基于C5.0算法的森林資源變化檢測(cè)方法研究：以山東省徂徠山林區(qū)為例［J］.西北林學(xué)院學(xué)報(bào),2011,26（5）：185 － 191.WANG Zhihui,LI Shiming,ZHANG Yiwei.Methodological study on the detection of the variations of forest resources based on C5．0 algorithm：a case of Culai Forest in Shandong ［J］.J Northwest For Univ,2011,26（5）：185 － 191.

［21］ 崔賓閣，馬秀丹，謝小云.小樣本的高光譜圖像降噪與分類(lèi)［J］.遙感學(xué)報(bào),2017,21（5）：728－738.CUI Binge,MA Xiudan,XIE Xiaoyun.Hyperspectral image de-noising and classification with small training samples［J］.J Remote Sens,2017,21（5）：728 － 738.

［22］ 張曉羽,李鳳日,甄貞,等.基于隨機(jī)森林模型的陸地衛(wèi)星-8遙感影像森林植被分類(lèi)［J］.東北林業(yè)大學(xué)學(xué)報(bào),2016,44（6）：53 － 57.ZHANG Xiaoyu,LI Fengri,ZHEN Zhen,et al.Forest vegetation classification of Landsat-8 remote sensing images based on random forests model［J］.J Northeast For Univ,2016,44（6）：53 － 57.

［23］ 董連英,邢立新,潘軍,等.高光譜圖像植被類(lèi)型的CART決策樹(shù)分類(lèi)［J］.吉林大學(xué)學(xué)報(bào)（信息科學(xué)版）,2013,31（1）：83 － 89.DONG Lianying,XING Lixin,PAN Jun,et al.Vegetation classification in hyperspectral image with CART decision tree ［J］.J Jilin Univ Inf Sci Ed,2013,31（1）：83 － 89.

［24］ 趙英時(shí).遙感應(yīng)用分析與方法［M］.北京：科學(xué)出版社，2003：156-158.

［25］ HARALICK R M.Statistical and structural approaches to texture ［J］.Proc IEEE,1979,67（5）：786 － 804.