基于决策树分类的土地利用遥感监测

徐肖 刘硕

摘 要：目前，国家对土地使用越来越重视，土地的划分越来越科学化、系统化，为了提高土地的利用率以及实现土地的合理分配，土地利用的遥感监测也就显得尤为重要。本文使用TM卫星数据，基于决策树分类法，应用ENVI、ArcGIS软件对陕西省西安市蓝田县进行土地利用覆盖分类，分类结果精度较高。在此基础上，进一步分析研究区的土地动态变化特征。

关键词：土地利用;遥感监测;决策树分类

土地利用分类是区分土地利用空间及组成单元的过程。这种空间地域单元由多种类别组成，能够表现出人类对土地的利用、改造和最终成果，反映土地的利用形式和用途。[1]

1 研究区概况

研究区位于陕西省西安市蓝田县，秦岭北麓，关中平原东南部，与商洛市洛南县、商州区、柞水县相接;西以库峪河为界，与长安区、灞桥区毗邻;北以骊山为界，与临潼区、渭南市接壤。研究区介于北纬33°50′-34°19′，东经109°07′-109°49′之间，总面积为2006平方千米。

2 数据预处理

2.1 影像数据

数据影像的选择应避免云量较大，选择晴天无云遮蔽的高质量影像，研究区尽量选择土地利用类型比较丰富的地区。本文数据来源于地理空间数据云，Landsat5影像：LT51270362011155BKT00.tar，影像基本信息如下：

获取时间：2011-06-04

平均云量：3.01

中心经度：108.80004

中心纬度：34.61754

遥感数据处理主要包括大气校正、几何校正和图像增强，并利用行政边界矢量图对影像进行裁剪。将研究区shp文件导出，在ENVI中进行裁剪，这样避免了数据格式的转换方便了后序的处理。

辐射定标（Radiometric calibration）是将记录的原始DN值转换为大气外层的表面反射率（辐射亮度值）。计算地物的光谱反射率或光谱辐射亮度前，或者需要对不同时间、不同传感器获取的图像进行比较时，都须将图像的亮度灰度值转换为绝对辐射亮度，这个过程就是辐射定标。其目的：消除传感器本身的误差，确定传感器入口处的准确辐射值。

2.2 DEM高程数据

三幅研究区DEM数据：ASTGTM_N34E109Y.img、ASTGTM_N34E108G.img、ASTGTM_N33E109O.img。

将下载好的三幅DEM在Arcgis软件中拼接到一起。操作较为简单，运用ArcMap中的工具箱>地理数据库管理>栅格>栅格数据集>镶嵌到新图层，就可将三张DEM影像数据镶嵌。

3 过程参数计算

研究区土地利用信息的提取。采用决策树分类法提取土地利用信息。通过分析地物光谱特征和其他图像特征，利用高程、坡度等地理辅助信息提高分类精度。

3.1 计算NDVI、NDWI

植被指数是根据植被的光谱特性，将可见光与近红外波段组合，形成各种植被指数。植被指数是对地表植被状况的简单、有效和经验的度量，广泛应用于全球与区域土地覆盖、农作物估产、土地分类、环境变化以及干旱监测等方面。并且已作为全球气候模式的一部分被运用到交互式生物圈模式和生产效率模式中，且被广泛应用于饥荒早期警告系统等方面，植被指数还可以转换成叶冠生物物理学參数、植被覆盖度等。[2]

NDWI（归一化水指数），如归一化植被指数，是用遥感影像的特定波段进行归一化差值处理，凸显水体信息。NDWI是基于中红外与近红外波段的归一化比值指数。[3]与NDVI相比，能有效地提取植被冠层的水分含量;在植被冠层受水分胁迫时，NDWI指数能及时地响应，这对于旱情监测具有重要意义。归一化差异水体指数计算公式：

3.2 坡度、坡向计算

4 决策树分类

决策树（Decision Tree）是在已知各情况发生的概率基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，用来评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。[4]决策分支的图形像一棵树的枝干，故称为决策树。在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。

根据过程参数MNWI、NDVI等进行决策树分类。

5 分类精度分析

利用Google Earth软件，参考高分辨率遥感影像图，选择样点基于混淆矩阵对分类结果进行精度评价。在此基础上，对分类错误的图斑进行手动修改，得到研究区的土地利用图。

参考文献：

[1]李秀彬.土地利用变化的解释[J].地理科学进展，2002（03）：2-10.

[2]李红军，郑力，雷玉平.基于EOS/MODIS数据的NDVI与EVI比较研究[J].地理科学进展，2007（01）：28-34.

[3]童李霞，燕琴，骆成凤.基于NDWI分割与面向对象的水体信息提取[J].地理空间信息，2017（5）.

[4]魏红宁.决策树剪枝方法的比较[J].西南交通大学学报，2005（01）：47-51.