基于改进型决策树遥感分类的土地利用变化研究

马骊驰，王金亮*，刘广杰，高文杰

（1.云南师范大学 旅游与地理科学学院，云南 昆明 650500）

基于改进型决策树遥感分类的土地利用变化研究

马骊驰1，王金亮1*，刘广杰1，高文杰1

（1.云南师范大学 旅游与地理科学学院，云南 昆明 650500）

在遥感和GIS技术支持下，以香格里拉建塘镇为研究区，以2000年、2009年Landsat TM影像为基础数据，运用光谱特征和地学辅助知识相结合的改进型决策树分类方法分别对研究区2个年份的基础数据进行土地利用信息提取和变化分析。研究结果显示：①基于改进型决策树遥感分类法与最大似然法相比分类精度有明显提高；②10 a间，香格里拉建塘镇城镇建筑用地、裸地面积呈上升趋势且变化最大，灌草地面积小幅增加，耕地、林地、水体、雪地冰川呈减少趋势，土地利用变化速度和综合程度越来越快。

改进型决策树；遥感分类技术；土地利用变化；香格里拉县

随着3S技术的日新月异，借助遥感方法提取大范围的土地利用/覆被信息成为研究土地利用变化的主要技术手段。传统的监督分类方法对训练样区选取的要求较高，必须具有典型代表，否则分类结果将与实际情况相去甚远；而且受“同物异谱”和“异物同谱”现象的影响，传统监督分类中较容易出现大量错分、漏分等情况。而现在普遍适用的决策树法、神经网络法、模糊法等新方法在土地利用/覆被的分类精度上有较大程度的提高。目前已有许多专家学者将决策树分类方法广泛运用到各种遥感影像的信息提取和土地利用分类中，并取得了很大的进展。史泽鹏[1]等运用J48决策树算法提取土地利用信息；杜丽英[2]对C4.5决策树法的构建和剪枝进行了阐释；孙静雯[3]等运用决策树法进行土地利用分类并计算出土地利用变化的驱动力因子；王书玉[4]等利用分类回归树算法建立决策树模型，对其分类结果进行了精度评价并证实该方法有利于分类精度的提高。本文以决策树法为基本方法，将地学知识融入决策树规则的建立中，对研究区遥感影像进行分类，提高分类精度，以期研究10 a间土地利用变化情况，为当地政府制定可持续发展相关政策提供依据。

1 研究区概况

香格里拉县地处青藏高原东南缘横断山脉三江纵谷区东部，是三江并流区的一部分，属于迪庆藏族自治州的管辖范围。东与四川省稻城县、木里县和云南省丽江市毗邻，南与丽江隔江相望，西与德钦县、维西县相连，北与四川省德荣县、乡城县接壤[5-6]。全境呈柳叶状的狭长地带，是云南省土地面积最大的县。山地是研究区面积最广的地貌类型，垂直分异的山地自然景观显著。建塘镇是香格里拉县州、县府所在地，是全县乃至全州政治、经济、文化中心，是“香格里拉”腹心地，平均海拔3 300 m，最低海拔2 800 m，面积为1 611 km2，四周群山环绕，中间地势平坦，是农村和城镇相结合的半农半牧镇，也是茶马古道和滇藏公路的必经重镇。

近年来，随着社会经济特别是旅游业的快速发展，以及天然林保护工程和退耕还林工程的实施，研究区土地利用/土地覆盖发生了剧烈变化，引起生态要素的变化，通过遥感技术方法开展土地利用/土地覆盖变化研究，具有重要意义。

2 研究方法

2.1 数据选择与预处理

在综合考虑研究区的季节性、数据源的可使用性和研究目的后，使用的数据为2000年12月和2010年11月Landsat5TM数据、SRTM DEM数据以及香格里拉县建塘镇行政边界矢量图。数据处理平台为ENVI4.8和ArcGIS10.1。

为了消除遥感影像受地球曲率、大气折射等影响而产生的几何变形和受地形因子、大气衰减等影响而产生的辐射变形，需对研究区图像进行几何精校正、辐射校正以及拼接裁剪等预处理。在确定研究区分类系统的基础上，利用TM影像光谱特征和地学辅助知识建立土地分类规则，对影像进行土地利用分类，并将其分类结果与最大似然法分类结果进行精度比较。

2.2 分类系统的建立

建立研究区分类系统是土地利用变化研究的基础工作。在野外调查的基础上，综合考虑研究目的、研究区整体景观格局以及分类系统的相对完整性，并参照2007年8月颁布的《土地利用现状》国家标准[7]，将研究区土地利用类型分为耕地、林地、灌草地、城镇建设用地、水体、冰川雪地以及裸地7类。

2.3 决策树分类规则的建立

2.3.1 决策树LUCC信息提取原理

决策树属于无参数分类方法，是多层次识别系统的一种组织形式。它并不是使用一种算法、一个决策规则去把多个类别一次性分开，而是采用分级的形式，将复杂的多分类问题转化为一个个简单的分类问题而逐步解决[8]。

本文决策树分类是根据影像地物类别的光谱特征、NDVI值和比值型指数，参照DEM和坡度值所提取的地学辅助信息寻找一类地物不同于另一类地物的典型特征，构造二叉树分类系统，对研究区土地利用类型进行分类，寻求比传统监督分类方法更高的分类精度。

2.3.2 NDVI指数分类规则

NDVI是反映地表植被覆盖情况的遥感指标之一，取值在-1～1之间，主要用于检测植被生长状态、植被覆盖度以及土地覆被等方面的研究，其公式为：

（NIR-R）/（NIR+R）

式中，NIR表示近红外波段；R表示红光波段。在TM影像中近红外波段即TM4波段，而红光波段即TM3波段。

在实际分类中，以NDVI指数为0来确定的岩石、裸土类地物的判别不准确，因此本文NDVI指数仅用来区分植被与非植被。反复设定NDVI的阈值，并把所得的植被覆盖情况与研究区土地利用图、野外考察样点等进行对比，寻找最接近实际情况的NDVI值作为区分植被与非植被的条件，最终选取NDVI＞0.4作为判别植被与非植被的条件。

2.3.3 光谱特征分类规则

根据研究区确立的分类系统，分别选择一定数量的7种土地利用类型的ROI，测定各波段光谱的最大值、最小值、均值和均方差，获取不同土地利用类型之间的光谱差异信息，从而得到不同土地利用类型的提取条件[9]。经测定比较发现，TM影像的7波段中以2、3、4、5、7波段所包含的信息量最为丰富，选取这5个波段对光谱信息进行统计分析。由于涉及到2期影像，因此在提取光谱信息时采用取均值的方法，以便获取的信息更准确，经整理得到表1，由此绘出图1。

表1 地类样点亮度值统计表

图1 典型地物波谱图

对各类地物的DN值进行统计分析后发现，各类土地利用类型的亮度值存在以下特点：耕地：TM5＞TM3＞TM7＞TM4＞TM2；林地：TM4＞TM5＞ TM2＞TM3＞TM7；灌草地：TM5＞TM7＞TM4＞TM3＞TM2；水体：TM2＞TM3＞TM4＞TM5＞TM7；裸地：TM5＞TM3＞TM7＞TM4＞TM2；冰川：TM3＞TM2＞TM4＞TM5＞TM7和城镇建设用地：TM3＞TM5＞TM2＞TM7＞TM4。根据7种地物类型的光谱亮度值的大小顺序，可选取一些条件作为确定某类地物的决策规则阈值。将灰度值TM4＞TM5的区域提取出来，可作为区分林地与耕地和灌草地的决策条件。

2.3.4 比值型指数分类规则

在研究中有学者发现，水体、居民地具有（TM2+TM3）＞（TM4+TM5）的规律，但它们比值的差异却比较大[10]，根据表2选取的各类地物的训练样区，分别计算它们的比值型指数并进行统计分析。

从表2可知，水体比值型指数（RWI）远高于其他地类，可利用（TM2+TM3）/（TM4+TM5）≥2作为提取水体的决策条件，此外，还发现冰雪比值型指数（RISI）也相对较高，因此将1＜（TM2+TM3）/（TM4+TM5）＜2作为提取冰川雪地的决策条件。

表2 地类样点比值型指数统计表

2.3.5 地学辅助知识分类规则

DEM数据能很直观地反映地表起伏的轮廓形态，不同土地利用类型在空间分布上也随海拔和坡度的变化而有所不同。把研究区DEM数据叠加到遥感影像中可以发现一些基本分布规律。耕地、城镇建设用地、水体一般分布在海拔相对较低、坡度和缓的区域；而冰川雪地、裸地则一般分布在海拔较高、略有缓坡的区域；林地和灌草地则在整个研究区内呈大面积分布趋势。因此，在决策树分类过程中加入地学辅助信息，对提高影像分类精度具有重要意义。在本研究中，依据研究区景观格局特征，采用了高程和坡度2种地学信息参与决策树分类。

表3 高程、坡度分级标准

表4 土地利用类型与高程关系

表5 土地利用类型与坡度关系

将研究区2000年和2009年土地利用类型图、高程图以及坡度图进行空间叠加分析，并结合香格里拉野外实地调查采样点[11]，综合考虑研究区土地利用类型空间分布特征后，将研究区按高程和坡度进行分级（表3），按不同地类的空间分布特点在决策树分类时加入地学知识以辅助分类。在ArcGIS中对研究区土地利用现状图与高程图、坡度图分别进行空间相交分析以及频数统计，得到土地利用类型与高程和坡度的关系表（表4、5），寻找土地利用类型空间分布特点，参与到分类中。

耕地主要集中在高程≤3 600 m范围内，这是因为研究区具有较特殊的景观格局，平均海拔较高，而耕地则需要较好的水热条件，海拔越高水热条件越差，因而耕地分布带海拔相对较低，主要在研究区的城镇边缘地带。另一方面，坡度因子对耕地的分布有较大的影响，陡坡不适宜发展种植业，从表5也可以看出耕地均分布在坡度≤25°范围内，因此高程≤3 600 m且坡度≤25°可作为建塘镇耕地的决策树阈值。城镇建设用地均分布在高程≤3 900 m且坡度≤25°范围内，海拔较低且坡度平缓的区域适宜生产发展和人类居住，因此该条件可作为城镇建设用地的决策树阈值。此外，水体只分布在海拔≤3 900 m且坡度≤25°的区域，而冰川雪地则仅分布在海拔≥3 900 m的区域，以上条件均可作为参与分类的地学辅助知识。

本文通过分析典型地物光谱特征、NDVI值、比值型指数以及高程、坡度等地学信息，找到不同地物类型的决策树阈值，然后用构建的分类器进行遥感分类，从而得到分类结果（图2）。

图2 改进型决策树遥感分类技术流程图

3 精度评价

在野外实地考察资料的基础上，以2009年遥感影像为基本数据，选取300个真实地物采样点，分别对改进型决策树和最大似然法进行分类精度评价，发现基于改进型决策树遥感分类结果在分类精度上远优于最大似然法（表6）。因此本文采用改进型决策树遥感分类结果对香格里拉县建塘镇2000年和2009年遥感影像进行分类并对10 a间土地利用变化进行探讨和分析。

表6 分类精度评价表

4 土地利用变化分析

运用改进型决策树遥感分类方法分别对研究区2000年和2009年土地利用类型进行分类，分类结果如图3、4所示。在ArcGIS里对各类地物进行面积统计，并计算各类地物变化幅度，探讨香格里拉建塘镇2000～2009年土地利用变化情况（表7）。

2000～2009年间，香格里拉建塘镇土地利用变化趋势大致表现为：耕地、林地、水体、冰川雪地面积呈减少趋势，而灌草地、城镇建设用地和裸地面积则呈大幅上升趋势，城市化进程加快，土地利用变化程度和综合程度越来越快。水体与冰川雪地减少幅度最大，均超过了50%。10 a间，城镇规模的扩大、土地利用方式和人类生活方式的改变等，都对生态环境产生了极大的负面影响，造成了气候变暖、水土流失等一系列严重的后果，表现在年降雪量日益减少，雪线随海拔不断升高，终年积雪带面积日渐缩小，高原湖泊面积不断减小，湿地沼泽日渐干涸等方面。耕地面积减少了10.92%，其原因大致可归纳为2点：耕作业机械化水平的显著改进，使耕作效率明显提高，节省了土地空间资源；人类不合理的生产方式导致土地生产力下降、土壤结构以及养分的破坏导致土地资源可利用周期缩短，一部分耕地变得不适宜农作物生长，转而投入其他用途的使用，从而造成耕地面积减少。林地面积小幅减少，主要原因是人类生产生活对森林植被造成了一定程度的破坏。随着城镇化的发展，建塘镇城镇建设用地面积大幅增加，增长率为122.92%。土地利用类型日益多样化，在土地利用程度越来越大的情况下，伴随而来的是低下的土地利用效率，不顾长远发展的土地利用方式导致土地严重退化，一部分耕地、灌草地、林地等转化为不可利用土地，因此裸地面积大幅度增加，高达88.88%。部分林地和水体沼泽植被退化，覆盖度降低，这也是灌草地面积小幅增加的原因之一。

图3 2000年建塘镇土地利用类型图

图4 2009年建塘镇土地利用类型图

表7 2000～2009年土地利用变化表

5 结 语

地学辅助信息参与决策树分类的方法对分类精度的提高有显著的改善作用，通过改进型决策树分类方法可得出以下结论：香格里拉建塘镇在2000～2009年10 a间，城镇建设用地、裸地面积呈上升趋势且变化最大，灌草地面积小幅增加，耕地、林地、水体、冰川雪地呈减少趋势，尤其是水体和冰川雪地减少幅度较大，土地利用变化速度和综合程度越来越快。

为了实现当地经济建设和生态环境的可持续发展，必须由粗放型的生产方式转变为节约型、可持续发展的生产方式，合理利用土地资源，适当控制城镇化规模，严保耕地红线，相关部门应该制定符合可持续发展战略的政策，大力防治水土流失，加大不可利用地的治理力度，确保当地经济与环境建设协调发展。

[1] 史泽鹏,马中文,马友华,等.基于J48决策树算法的遥感土地利用变化分析[J].遥感信息,2014,29(1):78-84

[2] 杜丽英.基于决策树的C4.5算法[J].轻工科技,2013(10):59-60

[3] 孙静雯,王红旗,张欣,等.基于决策树分类的根河市土地利用变化及驱动力分析[J].中国人口·资源与环境,2014,24(3):449-452

[4] 王玉书,于振华,于丹丹.基于决策树方法的遥感影像分类[J].哈尔滨师范大学自然科学学报,2014,30(2):61-64

[5] WANG Jinliang, JIANG Lianfang, LI Ruilin. Land-use Change and Its Driving Forces of “Three Parallel Rivers” in Northwest Yunnan Province[J]. Yunnan Geographic Environment Research,2005,17(1):5-12

[6] 韩文萍,王金亮,可华明,等.基于GIS的遥感影像土地利用/土地覆盖信息提取研究:以滇西北香格里拉县为例[J].云南地理环境研究,2007,19(2):98-102

[7] GB/T 21010-2007.土地利用现状分类[S].

[8] 陈民,王宁,段国宾,等.基于决策树理论的土地利用分类[J].测绘与空间地理信息,2014,37(1):69-72

[9] 领梅,安慧君,贺晓辉,等.基于决策树的凉城县土地利用分类研究[J].内蒙古农业大学学报(自然科学版),2013,34(6):43-48

[10] 曾维军,侯明明,杨伟.一种改进的决策树分类方法在土地利用信息提取中的应用[J].贵州大学学报(自然科学版),2013,30(6):39-46

[11] 可华明,王金亮,韩文萍,等.香格里拉县土地利用/土地覆盖变化与趋势预测研究[J].云南地理环境研究,2006, 18(6):11-15

P237

B

1672-4623（2016）07-0012-05

10.3969/j.issn.1672-4623.2016.07.004

马骊驰，硕士研究生，研究方向为资源环境信息系统。

2015-06-03。

项目来源：国家自然科学基金资助项目（41271230、40861009）。（*为通讯作者）