基于决策树分类的森林信息提取研究_陈利

森林是林木、伴生植物、动物及其与环境的 综合体，是可再生自然资源，无时不处于消长交 替的动态过程之中，具有经济、生态和社会三大 效益。因而开展森林资源调查与监测，进行一定
时间和空间内的森林资源状态连续性跟踪调查， 掌握其现状和消长变化情况，为其制定林业方针 政策、预测发展趋势、制定生产经营计划和中长 期规划提供科学依据，为实现林业资源可持续利
第 33 卷
中 南 林 业 科 技 大 学 学 报
47
用，及时准确地了解林业用地的时空配置状况， 在提高林业发展乃至经济社会发展科学决策水平， 对促进林业和资源环境及社会经济可持续发展方 面具有极其重要的意义。 随着遥感技术的不断进步与发展，遥感技术 越来越受到各行各业的重视，遥感图像的分类在 森林资源信息提取中起到了重要的作用，由于遥 感平台多尺度、多层次、多角度、多波段地对地球 进行着连续观测，各种先进的对地观测系统源源不 断地向地面提供着丰富的数据源，我们应及时、准 确地获取所需信息并加以利用，特别是遥感在林业 上的应用 [1]。 因为不同的地物具有不同的光谱特性，依据 光谱间关系对遥感影像进行分析，建立基于地面 特征的遥感信息模型及智能化提取遥感信息，是 遥感应用分析的核心和基础。通过对地物波谱的 比较，国内外的学者提出了各种植被指数模型， 如归一化植被指数 (NDVI)[2]。为了能够更好地提 取城市水体信息，徐涵秋 [3-4] 对 NDWI 进行了改 进，提出了改进归一化差异水体指数，汪金花等 人 [5] 运用谱间关系方法、陈华芳等人 [6] 运用了差 值法相结合的手段提取山区水体，研究表明该方 法是消除阴影、提取水体信息效果较好的方法， 在山区水体信息的提取中具有较广阔的应用前景。 遥感影像分类方法有非监督分类、监督分类以及 专家分类等方法。 决策树分类算法具有清晰、 直观、 灵活、运算效率高等特点，在遥感分类方面具有 很大的优势
第 33 卷 第 1 期 2013 年 1 月
中 南 林 业 科 技 大 学 学 报 Journal of Central South University of Forestry & Technology
Vol. 33 No. 1 Jan. 2013
基于决策树分类的森林信息提取研究
陈 利 1， 林 辉 1， 孙 华 1， 严恩萍 1， 王家均 2
，决策树分类方法已经开始应用于
Fig.1
图 1 研究区位置 Location of studied area
各种遥感影像信息提取 [9]，并已被应用于许多分类 问题。张爽 [10] 将决策树分类法应用到景观分类中， 并讨论了样本点对分类精度的影像。陈宝政等 [11] 和申文明等人 [12] 利用决策树对 TM 遥感影像进行 了分类研究。韩涛 [13] 利用决策树方法，对祁连山 典型区的针叶林和灌木林进行了分类，并了解了 黑河上游祁连山区水源涵养林十年间的变化状况。 孙华等人
收稿日期：2012-10-10 基金项目：“十二五”国家高技术研究发展计划（863 计划）课题（2012AA102001）：“数字化森林资源监测关键技术研究”；林 业公益性行业科研专项（201104028）：“林分结构与生长模拟技术研究”；国家重大专项项目（E0305/1112/02）：“高分湿地资源 应用监测示范”；湖南省高校科技成果产业化培育项目 (11CY019) 作者简介：陈 利（1987-），男，湖南衡阳人，硕士生，研究方向：林业遥感和地理信息系统；E-mail：csufcl@126.com 通讯作者：林 辉（1965-），女，湖北黄冈人，教授，博士，博士生导师，主要从事森林经理学、遥感技术与地理信息系统的教学 和科研工作
（中南林业科技大学 a. 林业遥感信息工程研究中心；b. 林学院，湖南 长沙 410004） 摘 要：以株洲市为研究对象，采用 2009 年 10 月 TM 遥感数据和地面固定样地点数据开展土地利用分类研究，
提取分析各种地类在 TM 遥感影像上的光谱特征曲线和各地类的归一化植被指数及归一化差异水体指数，依 据提取的光谱特征曲线及植被指数建立了土地利用分类决策树模型，通过反复分类试验，筛选出最优的决策 树分类模型的阈值。结果表明：通过典型地物波谱分析以及实验，区分植被与非植被的归一化植被指数的阈 值为 0.3，即大于 0.3 为植被，反之则为非植被；区分水体与非水体的归一化差异水体指数的阈值为 1.5，即大 于 1.5 为水体，反之则为非水体；从分类结果来看，基于决策树模型分类的总体精度为 87.21%，Kappa 系数 为 0.850 6，株洲市林地面积为 703 421.49 hm2，非林地面积为 422 470.61 hm2，林地覆盖率为 62.5%，主要分 布在株洲市的东南部，即攸县、茶陵县、炎陵县，占株洲市林地面积的 73.0%。 关键词：森林信息；遥感信息；决策树分类；信息提取 中图分类号：S771.8 文献标志码：A 文章编号：1673-923X(2013)01-0046-06
Studies on information extraction of forest in Zhuzhou city based on decision tree classification
CHEN Li1, LIN Hui1, SUN Hua1, YAN En-ping1, WANG Jia-jun2 (a. Research Center of Forestry Remote Sensing & Information Engineering; b. School of Forestry, Central South University of Forestry and Technology, Changsha 410004, Hunan, China ) Abstract: By taking the forests in as the research object, using the TM remote sensing images taken in Oct. 2009 and ground-fixed sample plots data, the land use classification of Zhuzhou city was investigated. The spectrum curves of various land type on the TM remote sensing images were extracted and analyzed, the normalized differential vegetation index (NDVI) and normalized water vegetation index(NWVI) were obtained. According to the curves and indexes, the decision tree model of classification was established. After repeated classification test, the threshold value of decision tree classification model was determined finally. The results show that through the analysis and test of typical geography objects spectrum, the NDVI threshold values were obtained, the NDVI distinguishing vegetation from non-vegetation was 0.3, namely the images that threshold with value greater than 0.3 is vegetation, contrarily is nonvegetation; the NWVI distinguishing water from non-water was 1.5, namely more than 1.5 is water, less than is non-water. From the results of classification based on decision tree classification model, the overall accuracy was 87.21%, the Kappa coefficient was 0.8506, the woodlands in Zhuzhou area was 703 421.49 hm2, non-forest land area was 422 470.61 hm2, the forest coverage rate was 62.5%, mainly in the south-east of Youxian, Chaling county, Yanling county, which occupies the entire Zhuzhou area forest land area by 73%. Key words: forest information；remote sensing information; decision tree classification; information extraction
[14]
2
2.1
研究方法
数据源 本研究采用 Landsat TM 遥感数据为数据源，获
取时间为 2010 年 10 月 17 日，共 3 景影像，轨道号 分别为 p123r41、p122r41、p122r42，影像空间分辨率 为 30 m，共 7 个波段；以及 2009 年株洲市固定样地 点 200 多个，森林资源二类调查分布图，1 ∶ 10000 的地形图、行政边界矢量图等其他辅助数据。 2.2 遥感影像的预处理 在 ENVI4.8 遥 感 软 件 平 台 进 行 图 像 增 强、 图像拼接、裁切及几何校正等预处理 [16-19]。经过 野 外 考 察、 目 视 判 读 以 及 波 段 选 择 组 合， 发 现 TM4、TM5、TM3 这 3 个波段假彩色合成影像对 森林信息的提取效果较好 , 因此本研究采用 453 最 佳波段组合，应用决策树分类技术对森林信息进
[7-8]
1
ห้องสมุดไป่ตู้
研究区概况
株 洲 市 位 于 湖 南 省 东 部， 湘 江 下 游， 北 纬 26°03′05″ ～ 28°01′07″， 东 经 112°57′30″ ～ 114°07′15″，东界江西省萍乡市、莲花县、永新县 及井冈山市，南连衡阳、郴州两市，西接湘潭市， 北与长沙市毗邻。株洲市位于罗霄山脉西麓，南 岭山脉至江汉平原的倾斜地段上，市域总的地势 东南高、西北低。北中部地形岭谷相间，盆地呈 带状展布；东南部均为山地， 山峦迭障， 地势雄伟。 株洲属亚热带季风性湿润气候，四季分明，雨量 充沛，光热充足，年均气温 17.6 ℃，年降水量 1 280 mm，无霜期 281 d，是名副其实的膏腴之地， 适宜多种农作物生长，为湖南省有名的粮食高产 区和国家重要的商品粮基地，长江流域第一个粮 食亩产过吨的县 （市） 就产生在株洲管辖的醴陵市。 研究区示意图见图 1。
进行了面向对象的决策树分类技术研
[15]
究。温兴平等人
利用决策树对广州市中部七区
的 ETM+ 影像进行信息提取，并通过影像的波段 组合获得了比较高的分类精度。 本研究利用 CART 决策树算法对株洲市 2009 年 10 月 TM 遥感影像以及固定样地点数据进行土 地利用分类，提取森林信息，并结合地物的遥感 影像特征和地物的光谱特征信息进行分类，找出 适合株洲市的决策树分类森林信息提取的最优模 型，并能够及时准确获取森林信息，为株洲市林 业的发展以及合理的规划提供了重要的决策依据。