NDVI/NDWI/DEM决策树方法在东莞ALOS影像土地利用分类中的应用

黄铁兰，苏 华，王云鹏

(1.中国科学院广州地球化学研究所，广州广州 510640; 2.中国科学院研究生院，北京 100049; 3.广东省地质调查院，广州广州 510080)

NDVI/NDWI/DEM决策树方法在东莞ALOS影像土地利用分类中的应用

黄铁兰1，2,3，苏 华1,2，王云鹏1*

(1.中国科学院广州地球化学研究所，广州广州 510640; 2.中国科学院研究生院，北京 100049; 3.广东省地质调查院，广州广州 510080)

以东莞市2008年的ALOS影像为数据源，结合东莞市的地形地貌特点，引入植被指数NDVI、水体指数NDWI和DEM数据，利用决策树方法进行土地利用分类，使分类精度>90%，有效地解决了因ALOS数据有效波段数较少而产生的分类精度低的问题.研究表明，在我国南方亚热带地区基于植被指数、水体指数和DEM的改进型决策树分类是一种非常好的ALOS数据土地利用分类方法.

土地利用； 决策树； 分类； ALOS

相对于目前使用最多的Landsat TM和ETM影像来说，ALOS影像具有分辨率高、性能好、价格低的特点，近年在多个领域得到越来越广泛的应用.常用ALOS影像的AVNIR-2多光谱数据，空间分辨率为10 m，包括4个波段：波段1为蓝波段，波长0.42～0.50 pm；波段2为绿波段，波长0.52～0.60 pm；波段3为红波段，波长0.61～0.69 pm；波段4为近红外波段，0.76～0.89 pm[1].国外(尤其是日本)对于ALOS数据的研究和应用很多[2-3]，近年来我国也开展对ALOS数据的研究，包括ALOS数据的影像特征及预处理方法[4-5]，及其应用在资源调查与环境监测方面.

江玲等[6]选取盐城丹顶鹤保护区核心区湿地作为研究区，尝试寻找针对ALOS数据的有效凸显湿地植被信息的图像变换方法.周华林[7]根据经验模型，采用ALOS数据反演得到了长江南京段以及玄武湖水域的悬浮泥沙浓度状况.赵红等[8]采用小波变换、GS变换和高通滤波3种方法，分别对已配准的ALOS多光谱与全色波段影像进行融合，然后采用监督分类方法对融合前后影像提取水体信息，并比较提取效果，给出适于水体信息提取的影像融合方法.易文斌[9]以海淀区AL0S卫星为研究数据，运用面向对象的影像分类方法获取景观类型分布，选取景观分维数、破碎度、分离度等指数定量描述海淀区的景观格局.

在ALOS在土地利用/土地覆被分类应用研究方面，吴海平等[10]研究ALOS卫星在土地领域中的应用效果和潜力.曹敏等[11]选定长江口北岸ALOS影像为实验数据，以影像土地覆被分类为目的，根据信息量最大、相关性小、地物光谱差异大可分性好的原则，进行ALOS影像各光谱波段影像特性统计分析和波段组合的实验分析，选取ALOS最佳组合波段为4，3，2.张栋等[12]以覆盖湖北省公安县的ALOS影像为数据源，选择水田、旱地、水域、建设用地、林地5类目标地物，从整体精度、对训练样本大小和噪声的敏感性方面对CART、C5.0和概率神经网络3种机器学习算法的分类结果进行了比较分析.

与其他类型的遥感数据比较，ALOS影像的分辨率高但光谱波段少，因此如何有效利用有限的光谱信息和较高的空间分辨率，是ALOS图像分类的关键问题所在.

1 研究区域概况和数据来源

东莞市位于广东省中南部，珠江口东岸，陆地面积约2 465 km2. 东莞地势东南高、西北低.地貌以丘陵台地、冲积平原为主.东莞属亚热带季风气候,长夏无冬，日照充足，雨量充沛，年平均气温为23.1 ℃，年年平均雨量为1 819.9 mm.从地表分布看，东莞市植被覆盖率高，水网密布，地貌类型以低山丘陵、冲积平原为主.

使用东莞市2008年ALOS多光谱影像为数据源，成像时间为12月19日(图1).以1∶5万地形图为基准面选取控制点，对ALOS多光谱数据进行多项式几何纠正，精度控制在1个像元内.其它数据包括：东莞市1∶5万的地形图、东莞市1∶5万地貌类型图等.

图1 东莞市2008年ALOS多光谱影像(3、2、4波段)

Figure 1 AlOS image of Dongguan at 2008(natural color composite, band 3, 2, 4)

2 分类系统构建与影像特征分析

将研究区划分为耕地、园地、林地、建设用地、河流海域、水库湖泊、养殖水域、滩涂等8类土地利用类型(地物).各类典型地物拟采样训练样点数、验证样点数分别为2 150和2 320个.根据前述选择的训练区，对典型地物的光谱平均值进行统计，得到研究区各类典型地物各波段的光谱平均值(图2).

图2 东莞市2008年ALOS遥感影像各类地物各波段光谱平均值曲线

Figure 2 Spectrum curve of average value of each band for every land use type of Dongguan at 2008

经过对图2的各类典型地物的光谱曲线进行分析，可知2008年的ALOS影像，各类地物在1波段数值相差不大，而在2、3、4波段不同地物数值有较大的差别，可以用来对地物分类.

3 图像分类

采用最大似然分类法和普通决策树分类法对2008年ALOS影像进行分类，在分析比较的基础上，改进决策树方法，以其达到最好的分类效果.

3.1最大似然法分类结果

根据各类地物遥感影像波段平均值的统计结果，采用最大似然法进行分类(图3)，并对分类结果进行精度评价(表1).

2008年的建设用地、水库湖泊、林地、养殖水域的分类结果较好，而耕地、河流海域、园地、滩涂较差，滩涂几乎没有分出来.分类结果不太理想.

图3 东莞市2008年遥感影像最大似然法分类结果

Figure 3 Classified image by maximum likelihood method of Dongguan at 2008

表1 2008年东莞市ALOS影像最大似然法分类结果精度评价

Table 1 Precision analysis of classified image by maximum likelihood method of Dongguan at 2008

地物系统精度/%用户精度/%耕地78.8959.99河流66.2792.73建设用地98.81100.00林地89.6498.28水库湖泊97.2087.92滩涂4.760.75养殖水域98.5766.35园地51.0452.69

3.2普通决策树分类结果评价

根据前述各类地物遥感影像波段平均值的统计结果，构建如下决策树并进行分类(图4、图5)，并对分类结果进行精度评价(表2).

图4 决策树模型

图5 东莞市2008年遥感影像决策树分类结果

Figure 5 Classified image by decision tree method of Dongguan at 2008

表2 2008年东莞市ALOS影像决策树分类结果精度评价

Table 2 Precision analysis of classified image by decision tree method of Dongguan at 2008

地物系统精度/%用户精度/%耕地33.3348.39河流海域59.9093.55建设用地83.5389.06林地58.1986.71水库湖泊91.6163.71滩涂0.000.00养殖水域32.869.20园地52.6021.54

从分类精度评价结果表明，2008年的河流海域、建设用地、林地、水库湖泊的分类结果较好，而耕地、养殖水域、园地较差，滩涂完全没有分出来.分类结果也不太理想.

3.3植被、水体指数和DEM的计算及分析

上面2种分类方法的分类效果都不理想.其原因是ALOS数据有效波段数太少，只有3个(其中第1波段因质量不好不能使用)，影像光谱分辨率低，无法满足8个土地利用类型的分类要求.

要解决这个问题，必须考虑对已有波段进行适当的组合和变换，并引入地形地貌因子等，作为辅助特征变量，重新进行分类.首先，考虑到东莞市位于亚热带地区，植被覆盖率高，可以引入归一化植被指数NDVI，因为它是植物生长状态以及植被空间分布密度的最佳指示因子，与植被分布密度呈线性相关，能很好的区分植被覆盖区(耕地、林地、园地)与其他地物.其次，东莞市属于东江水系，水网密布，可以考虑引入归一化水体指数NDWI，它能很好突出水体同时抑制植被等背景地物信息，可以区分水体(河流海域、水库湖泊、养殖水域、滩涂)与其他地物.由于林地与耕地、园地较难区分，考虑到东莞市地貌类型以低山丘陵、冲积平原2种为主，林地主要分布在低山丘陵地区，与耕地、园地在地面高程上有较大的差异，所以引入DEM以期将林地分出来(图6).

图6 2008年东莞市植被指数、水体指数和DEM

对各类地物的训练区内的植被、水体指数和DEM值进行统计分析，得到如下平均值统计表和统计曲线(图7).

图7 东莞市各类地物的NDVI、NDWI曲线和DEM曲线

Figure 7 NDVI/NDWI/DEM curve of typical land use types of Dongguan at 2008

3.4改进型决策树分类

基于以上对于ALOS影像各波段及植被、水体指数和DEM平均值的统计分析，构建如下决策树模型(图8).

图8 东莞市2008年改进型决策树模型

改进型决策树方法的分类结果见图9.

对分类结果进行精度评价，如下表3所示.

从改进的决策数分类结果看出，2008年的建设用地、耕地、园地、林地、河流海域、水库湖泊、养殖水域的分类结果都很好，仅有滩涂未能分出.

3.53种方法分类精度对比分析

改进型决策树分类法与最大似然法和普通决策树方法的分类结果精度对比见表4、表5.

改进型决策树比最大似然法在耕地、河流海域、水库湖泊、养殖水域、园地等5类地物的分类精度有较大的改进.改进型决策树比普通决策树在耕地、河流海域、林地、养殖水域、园地等5类地物的分类精度有较大的改进.综合来看，加入NDVI、NDWI和DEM的改进型决策树是一种能提高大多数地物分类精度的好方法.

图9 东莞市2008年改进型决策树分类结果

Figure 9 Classified image by modified decision tree method of Dongguan at 2008

表3 2008年东莞市ALOS影像改进型决策树法分类结果精度评价

Table 3 Precision analysis of classified image by modified decision tree method of Dongguan at 2008

地物系统精度/%用户精度/%耕地88.9476.96河流海域90.5396.31建设用地87.4493.24林地89.2695.21水库湖泊98.7588.76滩涂0.000.00养殖水域90.9287.74园地92.7582.49

表4 3种方法分类结果的系统精度对比

Table 4 Comparison of system classification accuracy by three methods

地物系统精度/%最大似然法普通决策树改进型决策树耕地78.8933.3388.94河流66.2759.9090.53建设用地98.8183.5387.44林地89.6458.1989.26水库湖泊97.2091.6198.75滩涂4.760.000.00养殖水域98.5732.8690.92园地51.0452.6092.75

表5 3种方法分类精度的用户精度对比

Table 5 Comparison of user classification accuracy by three methods

地物系统精度/%最大似然法普通决策树改进型决策树耕地59.9948.3976.96河流92.7393.5596.31建设用地100.0089.0693.24林地98.2886.7195.21水库湖泊87.9263.7188.76滩涂0.750.000.00养殖水域66.359.2087.74园地52.6921.5482.49

4 结论

在对东莞市2008年ALOS数据的光谱特征进行充分分析的基础上,用最大似然分类法和普通决策树分类法对2008年ALOS影像进行分类，分类效果都不理想.分析原因，其原因主要是ALOS数据有效波段数太少，无法区分较多的土地利用类型.针对这个问题，结合东莞市地形地貌特点，计算植被、水体指数，并加入DEM数据，作为分类的辅助特征变量，重新采用改进的决策树方法进行土地利用分类，大部分土地利用类型的分类精度都有了较大的提高.

本研究表明，南方亚热带热带地区，由于植被覆盖程度较高，水网分布密集，植被、水体指数可以有效地弥补ALOS数据波段信息的不足，大大提高了分类精度；同时，林地主要分布低山丘陵地区，与耕地、园地在地面高程有较大差别，引入DEM数据能较好的减少林地错分的概率；另外，决策树方法在分类过程中能方便灵活的调整阈值，以达到最佳的分类效果.所以，基于NDVI、NDWI、DEM的改进型决策树方法在是针对ALOS影像土地利用分类的非常好的方法.

[1] 李延梅译.日本先进的陆地观测卫星(ALOS) [J].遥感技术与应用，2001,16(4):274-275.

[2] THAPA R B, MURAYAMA Y. Urban mapping, accuracy, & image classification: A comparison of multiple approaches in Tsukuba City, Japan [J]. Applied Geography,2009,29:135-144.

[3] LUBIS A M, ISEZAKI N. Shoreline changes and vertical displacement of the 2 April 2007 Solomon Islands earthquake Mw 8.1 revealed by ALOS PALSAR images[J]. Phys Chem Earth,2009,34:409-415.

[4] 张荣慧，刘顺喜，周连芳，等. ALOS卫星图像分析与预处理实证研究[J]. 国土资源遥感，2008(3):84-90.

[5] 何宇华，谢俊奇，刘顺喜.ALOS卫星遥感数据影像特征分析及应用精度评价[J].地理与地理信息科学, 2008,24(2):23-26, 52.

[6] 姜玲,黄家柱.ALOS数据湿地植被信息提取研究[J].河北遥感,2007(2): 23-26.

[7] 周华林. ALOS数据在长江南京段水傩悬浮泥质监测的应用[J].科教文汇,2008,8(下旬刊)：272-273.

[8] 赵红，贾永红，张晓萍，等. 遥感影像融合方法在ALOS影像水体信息提取中的应用研究[J]. 水资源与水工程学报,2010,21(3):56-58.

[9] 易文斌，蒋卫国，国巧真,等.基于ALOS数据的城市景观格局信息提取研究遥感应用——以北京市海淀区为例[J]. 遥感信息, 2008(4):33-38.

[10] 吴海平，刘顺喜，张荣慧. ALOS在土地资源调查与监测中的应用研究[J].测绘与空间地理信息,2009,32(5):87-91.

[11] 曹敏,史照良,沈泉飞.ALOS影像在土地覆被分类中最佳波段选取的研究[J].测绘通报,2008(9):16-18, 27.

[12] 张栋，柯长青，余瞰. 机器学习算法在ALOS影像分类中的应用研究[J]. 遥感信息,2010(3): 26-29,111.

Keywords： land use； decision tree； classification； ALOS

DecisionTreeMethodBasedonNDVI/NDWI/DEMforLandUseClassificationofAlosImageinDongguanCity

HUANG Tielan1，2，3， SU Hua1，2， WANG Yunpeng1*

(1. Guangzhou Institute of Geochemistry, Chinese Academy of Sciences, Guangzhou 510640；2. Graduate University of Chinese Academy of Sciences, Beijing 100049； 3. Geological Survey of Guangdong Province, Guangzhou 510080)

Using the ALOS image of Dongguan City in 2008 as data source, this study combined the characteristics of topography, imported normalized difference vegetation index (NDVI), normalized difference water index (NDWI) and digital elevation model (DEM) data, used decision tree methods for land use classification. The classification accuracy has improved greatly (> 90%). The study showed that in subtropical regions in southern China, the modified decision method based on vegetation, water index and DEM is a very useful land use classification method for ALOS data.

2011-09-20

国家863重大课题项目(2006AA06306)

*通讯作者，wangyp@gig.ac.cn

1000-5463(2012)01-0134-06

TP75

A

【责任编辑 成 文】