赵政权，罗虹
云南国土资源职业学院国土空间信息学院，云南昆明，652501
摘要：本文以杭州市西湖区某区域为研究区，采用了面向对象的分类方法以及CART决策树分类法对研究区内城市绿地信息进行了提取，并利用混淆矩阵进行精度评价，Overall Accuracy 为98.6％，Kappa系数为0.9790，分类效果良好，最后利用ARCGIS进行城市绿地专题地图的制作。
关键词：高分辨率影像；信息提取；专题制图
随着城镇化进程的加快，生态环境遭受到了很大程度的破坏，对于城市来说，绿地是赖以呼吸的肺部，怎样实时快速监测绿地的情况，成了必须要考虑的问题。当前，国内外利用遥感数据进行植被类型提取的研究方法有很多，为提高森林植被类型分类精度，国内外学者进行了大量研究。Potgieter利用MODIS时序数据通过计算改进的植被指数以估算农作物面积[1]。贾明明等人以环境星影像HJ-1CCD和中等分辨率成像光谱仪MODIS时序数据为基础，采用面向对象的分类方法进行森林植被类型的提取，并加入物候特征，分类精度得到大幅度提高[2]。梁守真等人利用多时相的遥感数据，以TM数据为基础得到LSWI和NDVI作为橡胶识别的光谱特征参数，包含橡胶关键物候期的多时相遥感数据能得到更高的提取精度[3]。郝泷等人基于纹理信息的Cart决策树面向对象分类方法对研究区Landsat8影像进行植被类型提取，分类结果较好，能够满足研究要求[4]。马宇龙等人以乌龙江流域龙祥岛地区为研究区，以两期Landsat-8 OLI影像与高分一号 PMS1影像为数据源，经过面向对象的分割技术，以Cart决策树方法挖掘不同地类的特征指数阈值，提取出该地区滩涂湿地并根据水位值进行变化检测分析，可以获得很好的效果[5]。本文结合前人的经验,以worldview-2影像为例，采用面向对象分割和Cart决策树分类相结合的方法，提取城市绿地信息，并对分类精度进行评价，最后输出植被专题图。
1 研究区域概况
本次研究区为杭州市西湖区的worldview-2影像部分区域，西湖区域面积约为316.49平方千米，研究区域位于西湖区东北区域，占地面积约为15.01平方千米。影像拍摄于2010年6月，该区域包括西溪街道、北山街道、灵隐街道、古荡街道及翠苑街道的大部分区域，故本次研究的影像数据较大，研究区域经纬度范围大致为东经120.102～120.146度，北纬30.234～30.322度。研究区域内的城市绿地有城市的绿化带，道路中央的分隔带、居住区的绿化设施以及森林等。
2 影像预处理
首先需要将多光谱影像与全色影像做图像融合，然后进行影像正射校正，再进行影像大气校正，最后将影像图像显示效果增强，方便进行城市绿地提取。本次实验采用ENVI软件利用NNDiffuse Pan Sharpening图像融合工具对图像进行融合处理，保证图像的逼真度；正射校正采用“GCP+RPC+DEM”的方法，即通过手动选取控制点后，与参考影像进行校正，另外融合后的影像与GCP图像都绑定过DEM数据，控制点误差精度合格后可以直接校正；大气校正采用快速校正方法（Quick Atmospheric Correction,简称QUAC），以削弱大气的影响，最后对图像进行增强处理。
3研究方法及结果分析
3.1 面向对象分割的方法
面向对象多尺度分割技术最为关键的就是设置分割尺度参数，它决定了分割是否继续进行。设置好分割尺度参数之后，从某个像元基础开始分割，同时计算该像元与相邻像元合并后的异质性，将计算结果与分割尺度的平方相比，若是其异质性大于分割尺度的平方，则停止分割，否则继续分割合并。在图像多尺度分割过程中，根据目标地物的光谱、形状、纹理等特征，将具有相似特征的相邻像元合并成一个多边形对象，并赋予对象区域内的像元同一个属性信息，促使对象区域在光谱域与空间域在不断增长的异质性都最小。
本次实验中，利用ENVI软件提供的Rule Based Feature ExtractionWorkflow工具进行分类，在影像图准备工作完成后，进行对对象的发现，图像分割采用边缘检测分割算法，结合图像合并时的合并纹理性强、大块的区域合并算法使用，效果绝佳，实验中分割指数为20、30的时候影像分割较为细碎，40的时候会出现误分的情况，经过多次的尝试与调整，最终确定为分割指数50，合并指数为80，分割结果如图1所示。
.png)
（b）图像分割指数较为大块
图1 图像分割指数示意图
3.2 Cart决策树分类法
Cart(Classification and Regression Tree)算法，是Breiman提出的一种二分递归分割的技术，将包含测试变量与目标变量构成的训练数据集进行循环迭代分为两个子样本集，使得生成的每个非叶子节点都有两个分支，从而分形成二叉树形式的决策树结构。以前的ID3算法和C4.5算法虽然在对训练样本集的学习中可以尽可能多地挖掘信息，但其生成的决策树分支、规模较大，Cart算法的二分法可以简化决策树的规模，提高生成决策树的效率。创建分类树递归过程中，Cart每次都选择当前数据集中具有最小Gini的特征作为结点划分决策树，基尼系数代表了模型的不纯度，基尼系数越小，则不纯度越低，特征越好。
衡量的精度指标主要有：总体分类精度和Kappa系数。总体分类精度（Overall Accuracy）：指被正确分类的类别像元数与总的类别个数的比值。Kappa系数的计算是基于混淆矩阵的，计算公式如下：
.png)
（N位像元总个数；X i+，X+i分别为各行、各列之和；Xii为混淆矩阵对角线元素）。
3.3分类结果
在对影像图进行CART决策树分类后，影像图内地物被分为5类：绿地（grass）、建筑（building）、水体（water）、道路（road）、其他（other），由于训练样本选择较好，所以整体分类出来后效果良好，不足的地方是整张影像图内阴影部分较多，部分水体由于阴影遮挡，光谱被破坏，呈现出的颜色与道路和部分建筑物相近，不可避免的出现了地物错分，阴影中的部分绿地也出现了错分，为提高分类的精度，实验中进行了分类的后处理工作。分类后的结果图像内错分的部分中有许多是以小斑块的形式呈现的，为对这些小斑块进行合并去除，可以采用的方法有主要分析法（Majority）、次要分析法（Minority）以及聚类分析（Clump），还有一中不太常用的方法：过滤处理（Sieve），本次实验分别使用了主要分析法和聚类分析法。针对小斑块去除之后存在的地物错分现象，实验通过ENVI Classic进行了相应的手动编辑处理，编辑之后，分类效果良好。
.png)
在CART决策树提取过程中，影像图内道路与部分建筑的光谱特征相似，部分区域出现了误分。经过后处理后，城市绿地分类正确。总体分类精度达到98.6415％，Kappa系数为0.9790。运用CART决策树分类及面向对象基于规则的分类成果如图2：
.png)
图2 CART决策树分类成果图（局部）
4专题制图
制作城市绿地专题地图可以凸显出一个城市的绿化情况，便于进行城市规划管理。在Arcgis中打开预处理完成好的遥感影像与提取出来的总的植被栅格数据信息，打开植被信息图层属性，设置唯一值，仅保留植被，并修改标注和颜色。将影像调整拉伸方式-百分比截断（以显示效果最佳为准）；调整显示里的亮度和对比度，达到最佳显示效果，同时不断调整页面布局，结果如图3所示。
.png)
图3 植被分布图
5结语
本文以wordview-2影像为基础，采用面向对象的分割方法和Cart决策树分类方法相结合对杭州市某地区进行绿地信息的提取，并对结果进行精度评价，结果显示分类效果较好，并以此为基础进行植被专题图的制作及输出。本次研究还有不足之处，比如未加入NDVI及纹理等数据，未有长序列的时间尺度数据加以补充完善，这是今后需要进一步研究的方向。
参考文献
[1] POTGIETER A B.Estimating crop area using seasonal time series of Enhanced Vegetation Index from MODIS satellite imagery[J].?Australian Journal of Agricultural Research,2007,58(4):316-325.
[2] 贾明明,?任春颖,?刘殿伟,?等.?基于环境星与MODIS时序数据的面向对象森林植被分类[J].?生态学报，2014,?34(24):?7167-7174.
[3] 梁守真,陈劲松,吴炳方,等.?应用面向对象的决策树模型提取橡胶林信息[J].??遥感学报,2015,?19(3):?485-494.
[4] 郝泷,陈永富,刘华,等.??基于纹理信息ＣＡＲＴ决策树的林芝县森林植被面向对象分类[J].遥感技术与应用,2017,?32(2):?386-393.
[5] 马宇龙，林志垒.?基于面向对象和CART决策树方法的遥感影像湿地变化检测研究—以龙祥岛地区为例[J]. 福建师范大学学报(自然科学版),2017,?33(6): 69-80.