基于决策树的多角度遥感影像分类

doi:10.3724/SP.J.1047.2016.00416

地球信息科学学报 ›› 2016, Vol. 18 ›› Issue (3): 416-422.doi: 10.3724/SP.J.1047.2016.00416

基于决策树的多角度遥感影像分类

杨雪峰¹(), 王雪梅^1,^2,^*()

1. 新疆师范大学地理科学与旅游学院,乌鲁木齐 830054
2. 新疆维吾尔自治区重点实验室"新疆干旱区湖泊环境与资源实验室",乌鲁木齐 830054

收稿日期:2015-08-24 修回日期:2015-11-15 出版日期:2016-03-10 发布日期:2016-03-10
通讯作者: 王雪梅 E-mail:geomanyxf@sina.com;502529672@qq.com
作者简介:
作者简介:杨雪峰(1972-),男,乌鲁木齐人,硕士,讲师,研究方向为干旱区资源环境遥感技术应用研究.E-mail:geomanyxf@sina.com
基金资助:
国家自然科学基金项目"新疆渭干河流域土地利用/土地覆盖生态风险及预警研究"(41261051);新疆维吾尔自治区重点实验室"新疆干旱区湖泊环境与资源实验室"开放基金项目"艾比湖湿地土壤盐碱化及人文驱动因子分析"(XJDX0909-2010-08)

Classification of MISR Multi-Angle Imagery Based on Decision Tree Classifier

YANG Xuefeng¹(), WANG Xuemei^1,^2,^*()

1. College of Geography Science and Tourism, Xinjiang Normal University, Urumqi 830054, China
2. Xinjiang Uygur Autonomous Region Key Laboratory "Xinjiang Laboratory of Lake Environment and Resources in Arid Zone", Urumqi 830054, China

Received:2015-08-24 Revised:2015-11-15 Online:2016-03-10 Published:2016-03-10
Contact: WANG Xuemei E-mail:geomanyxf@sina.com;502529672@qq.com

摘要/Abstract

摘要：

快速准确地获取土地利用/覆被信息是遥感领域研究的一个热点课题.本文用5种决策树分类器及MISR多角度数据,对塔里木河下游地区进行土地覆被分类研究.通过对不同波段和观测角数据组合形成的6个数据集进行分类比较发现:(1)无论使用哪种分类器,相比于天底角观测方式,多角度观测都能获得更高的分类精度,特别是能显著提高灌木,林地和草地类型的分类精度,说明多角度观测能有效地反映地物的反射异质性信息,更好地区分地物.(2)与MLC分类法相比,决策树算法的分类精度更高,特别是随机森林和C 5.0方法最为突出,说明决策树的分类能力要优于MLC法.使用多角度数据集时,这种差别更明显,说明决策树能更有效地利用多角度信息.(3)4种决策树算法(J48,Random Forest,LMT,C 5.0)使用近红外波段的分类效果好于使用红光波段的分类效果,说明近红外波段能提供更多的地物反射异质性信息.

关键词: 土地覆被, MISR, 多角度遥感, 决策树, 塔里木河下游

Abstract:

Accurately obtaining the land use and land cover information has been a hot research focus in the field of remote sensing. It is a feasible way to utilize the new remote sensing data source and the effective classification algorithms. In this study, five decision tree classifiers and the MISR multi-angle data have been implemented to study the land cover classification in the lower Tarim River. Six datasets of different bands and observation angles are classified and compared, and the findings are presented as follows: (1) Compared to the Nadir angle observation, the multi-angle observation can achieve higher classification accuracy and significantly improve the classification accuracy of the shrubs, woodland and grassland in particular. It showed that the multi-angle observation can effectively reveal the anisotropic feature of surface reflectance and get a better classification result. (2) Compared with the MLC method, the classification accuracy of the decision tree algorithms is higher, which is especially evident for the random forest and C5.0 methods, implying that the classification ability of decision tree is better than MLC and is more effective when using multi-angle datasets. (3) The classification effect of near infrared band is better than the red band, which indicates that the near infrared band can provide more information about the anisotropic feature of the surface reflectance.

Key words: land cover, MISR, multi-angle, decision tree, lower Tarim River

杨雪峰, 王雪梅. 基于决策树的多角度遥感影像分类[J]. 地球信息科学学报, 2016, 18(3): 416-422.DOI:10.3724/SP.J.1047.2016.00416

YANG Xuefeng,WANG Xuemei. Classification of MISR Multi-Angle Imagery Based on Decision Tree Classifier[J]. Journal of Geo-information Science, 2016, 18(3): 416-422.DOI:10.3724/SP.J.1047.2016.00416

图/表 10

表1

表2

图1

表3

表4

表5

表6

表7

表8

图2

参考文献 29

[1]	张增祥. 中国土地覆盖遥感监测[M].北京:星球地图出版社,2010.
	[ Zhang Z X.China land cover remote sensing monitoring[M]. Beijing: Star Map Press, 2010. ]
[2]	Diner D J, Beckert J C, Reilly T H, et al.Multi-angle Imaging Spectroradiometer (MISR) instrument description and experiment overview[C]. IEEE Transactions On Geoscience And Remote Sensing, 1998.
[3]	Su L, Chopping M J, Rango A, et al.Differentiation of semi-arid vegetation types based on multi-angular observations from Misr and Modis[J]. International Journal of Remote Sensing, 2007,28:1419-1424. doi: 10.1080/01431160601085995
[4]	Xavier A S, Galvão L S.View angle effects on the discrimination of selected Amazonian land cover types from a principal-component analysis of Misr spectra[J]. International Journal of Remote Sensing, 2005,26:3797-3811. doi: 10.1080/09500340500106931
[5]	Liesenberg V, Galvão L S, Ponzoni F J.Variations in reflectance with seasonality and viewing geometry: Implications for classification of Brazilian Savanna physiognomies with Misr/Terra data[J]. Remote Sensing of Environment, 2007,107:276-286. doi: 10.1016/j.rse.2006.03.018
[6]	Richards J A, Jia X.Remote sensing digital image analysis: an introduction[M].Berlin: Springer, 1999.
[7]	Quinlan J R.Simplifying decision trees[J]. International Journal of Man-Machine Studies, 1987,27(3):221-234. doi: 10.1016/S0020-7373(87)80053-6
[8]	刘勇洪,牛铮,王长耀.基于MODIS 数据的决策树分类方法研究与应用[J].遥感学报,2005,9(4):405-412. doi: 10.11834/jrs.20050459
	[ Liu Y H, Niu Z, Wang C Y.Research and application of the decision tree classification using MODIS data[J]. Journal of Remote Sensing, 2005,9(4):405-412. ] doi: 10.11834/jrs.20050459
[9]	齐红超,祁元,徐瑱.基于C5.0决策树算法的西北干旱区土地覆盖分类研究——以甘肃省武威市为例[J].遥感技术与应用,2009,24(5):648-653.
	[ Qi H C, Qi Y, Xu Z.The study of the northwest arid zone land-cover classification based on C5.0 decision tree algorithm at Wuwei city, Gansu Province[J]. Remote Sensing Technology and Application, 2009,24(5):648-653. ]
[10]	申文明,王文杰,罗江海,等.基于决策树分类技术的遥感影像分类方法研究[J].遥感技术与应用,2007,22(3):333-338.
	[ Shen W M, Wang W J, Luo J H, et al.Classification methods of remote sensing image based on decision tree technologies[J]. Remote Sensing Technology and Application, 2007,22(3):333-338. ]
[11]	徐军,谭莹,郑云峰.基于CART 决策树技术的林业地类遥感影像分类研究[J].华东森林经理,2011(4):79-84. doi: 10.3969/j.issn.1004-7743.2011.04.021
	[ Xu J, Tan Y, Zheng Y F.Remote sensing image classification of forest based on CART decision tree method[J]. East China Forest Management, 2011,4:79-84.] doi: 10.3969/j.issn.1004-7743.2011.04.021
[12]	Diner D J, Martonchik J V, Borel C, et al. Multi-angle imaging spectro-radiometer level 2 surface retrieval algorithm theoretical basis document[EB/OL]. , 2010-8-5.
[13]	Su L, Chopping M J.Differentiation of semi-arid vegetation types based on multi-angular observations from Misr And Modis[J]. International Journal of Remote Sensing, 2007,28(6):1419-1424. doi: 10.1080/01431160601085995
[14]	Heiskanen J.Tree cover and height estimation in the Fennoscandian tundra-taiga transition zone using multiangular MISR data[J]. Remote Sensing of Environment, 2006,103(1):97-114. doi: 10.1016/j.rse.2006.03.015
[15]	Quinlan J R.C4.5: Programs for Machine Learning[M]. San Mateo, CA: Morgan Kaufmann, 1993.
[16]	Breiman L.Random forests[J]. Machine Learning, 2001,45:5-32. doi: 10.1023/A:1010933404324
[17]	Landwehr N, Hall M, Frank E.Logistic model trees[C]. Proceedings of the 14th European Conference on Machine Learning, 2003.
[18]	Quinlan J R.Improved use of continuous attributes in C4.5[J]. Journal of Artificial Intelligence Research, 1996,4:77-90. doi: 10.1613/jair.279
[19]	Breiman L, Friedman J H, Olshen R A, et al.Classification and Regression Trees[M]. Monterey, CA: Wadsworth & Brooks/Cole Advanced Books & Software, 1984.
[20]	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):78-85. doi: 10.3969/j.issn.1000-3177.2014.01.016
	[ Shi Z P, Ma Z W, Ma Y H, et al.Land use change of remote sensing based on J48 decision tree algorithm[J]. Remote Sensing Information, 2014,29(1):78-85. ] doi: 10.3969/j.issn.1000-3177.2014.01.016
[21]	陈绍杰,李光丽,张伟,等.基于多分类器集成的煤矿区土地利用遥感分类[J].中国矿业大学学报,2011,40(2):273-278.
	[ Chen S J, Li G L, Zhang W, et al.Land use classification in coal mining area using remote sensing images based on multiple classifier combination[J]. Journal of China University Of Mining & Technology, 2011,40(2):273-278. ]
[22]	Breiman L.Random forests[J]. Machine Learning, 2001,45:5-32. doi: 10.1023/A:1010933404324
[23]	Jay S, Lawrence R, Repasky K, et al.Invasive species mapping using low cost hyper spectral imagery[C]. Asprs 2009 Annual Conference, 2009.
[24]	Waske B, Heinzel V, Braun M, et al.Random forests for classifying multi-temporal Sar data[C]. Proceedings of the Envisat Symposium, 2007:23-27.
[25]	Breiman L, Friedman J H, Olshen R A, et al.Classification and Regression Trees[M]. Monterey, CA: Wadsworth & Brooks/Cole Advanced Books & Software, 1984.
[26]	张晓娟,杨英健,盖利亚,等.基于CART决策树与最大似然比法的植被分类方法研究[J].遥感技术与应用,2010,25(1):88-92. doi: 10.3969/j.issn.1000-3177.2010.02.017
	[ Zhang X J, Yang Y J, Gai L Y, et al.Research on vegetation classification method based on combined decision tree algorithm and maximum likelihood ratio[J]. Remote Sensing Technology and Application , 2010,25(1):88-92. ] doi: 10.3969/j.issn.1000-3177.2010.02.017
[27]	Exelis. ENVI Homepage[EB/OL]. , 2014-10-1.
[28]	Quinlan J R. See5 Manual[EB/OL]. , 2010-5-10.
[29]	Machine Learning Group at the University of Waikato. WEKA Homepage[EB/OL]. , 2013-3-28.

土地利用类型	样地数量/个	覆盖度/(%)	描述
灌木	1888	>5	灌木,半灌木植物群落
林地	1148	>5	胡杨林
水体	95	0	水库,天然水体
未利用地	647	<5	沙地,盐碱地
耕地	383	>40	农田
草地	206	>5	盐生草本植物群落

波段	DF	CF	BF	AF	AN	AA	BA	CA	DA
NIR	1.1 kmx1.1 km	1.1 kmx1.1 km	1.1 kmx1.1 km	1.1 kmx1.1 km	275 mx275 m	1.1 kmx1.1 km	1.1 kmx1.1 km	1.1 kmx1.1 km	1.1 kmx1.1 km
Red	275 mx275 m	275 mx275 m	275 mx275 m	275 mx275 m	275 mx275 m	275 mx275 m	275 mx275 m	275 mx275 m	275 mx275 m
Blue	1.1 kmx1.1 km	1.1 kmx1.1 km	1.1 kmx1.1 km	1.1 kmx1.1 km	275 mx275 m	1.1 kmx1.1 km	1.1 kmx1.1 km	1.1 kmx1.1 km	1.1 kmx1.1 km
Green	1.1 kmx1.1 km	1.1k mx1.1 km	1.1 kmx1.1 km	1.1 kmx1.1 km	275 mx275 m	1.1 kmx1.1 km	1.1 kmx1.1 km	1.1 kmx1.1 km	1.1 kmx1.1 km

数据集	描述
Nadir	AN相机的蓝,绿,红和近红外波段地表反射率数据
Nadir plus ABCD Nir	AN相机的4个波段和A,B,C,D前后向相机的8个近红外波段地表反射率数据
Nadir plus ABCD Red	AN相机的4个波段和A,B,C,D前后向相机的8个红光波段地表反射率数据
Nadir plus ABCD Red and Nir	AN相机的4个波段和A,B,C,D前后向相机的8个红光及8个近红外波段地表反射率数据
Nadir Nir plus ABCD Nir	AN相机的近红外波段和A,B,C,D前后向相机的8个近红外波段地表反射率数据
Nadir Red plus ABCD Red	AN相机的红光波段和A,B,C,D前后向相机的8个红光波段地表反射率数据

分类算法	Nadir		Nadir plus ABCD Red and Nir
分类算法	总体精度	kappa系数	总体精度	kappa系数
MLC	0.6505	0.5260	0.7046	0.6020
CART	0.6935	0.5556	0.7261	0.6097
J48	0.6845	0.5522	0.7476	0.6426
C 5.0	0.7270	0.6089	0.8160	0.7359
RF	0.7323	0.6151	0.8114	0.7287
LMT	0.7025	0.5729	0.7649	0.6664

分类算法	Nadir plus ABCD Nir		Nadir plus ABCD Red
分类算法	总体精度	kappa系数	总体精度	kappa系数
MLC	0.6706	0.5566	0.6893	0.5858
CART	0.7323	0.6208	0.6942	0.5623
J48	0.7406	0.6300	0.7011	0.5739
C 5.0	0.8110	0.7301	0.7570	0.6504
RF	0.8336	0.7617	0.7718	0.6695
LMT	0.7469	0.6409	0.7483	0.6420

基于决策树的多角度遥感影像分类

Classification of MISR Multi-Angle Imagery Based on Decision Tree Classifier

RichHTML

PDF (PC)

赞

可视化

被引次数

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 29

相关文章 15

Metrics

本文评价

推荐阅读 0

类型	灌木	林地	水体	未利用地	耕地	草地	总数	用户精度
灌木	505	82	0	27	1	8	623	0.8106
林地	156	208	0	8	0	6	378	0.5503
水体	1	0	34	0	0	0	35	0.9714
未利用地	52	10	0	151	0	4	217	0.6959
耕地	1	0	0	1	129	0	131	0.9847
草地	14	7	0	6	2	29	58	0.5000
总数	729	307	34	193	132	47	1442
生产者精度	0.6927	0.6775	1.0000	0.7824	0.9773	0.6170		0.7323

类型	灌木	林地	水体	未利用地	耕地	草地	总数	用户精度
灌木	550	53	0	17	0	3	623	0.8828
林地	93	280	0	5	0	0	378	0.7407
水体	1	0	34	0	0	0	35	0.9714
未利用地	44	2	0	170	0	1	217	0.7834
耕地	2	0	0	0	129	0	131	0.9847
草地	8	7	0	4	0	39	58	0.6724
总数	698	342	34	196	129	43	1442
生产者精度	0.7880	0.8187	1.0000	0.8673	1.0000	0.9070		0.8336

[1]	柯新利, 肖邦勇, 郑伟伟, 马艳春, 李红艳. 城镇-农业-生态空间划定的多情景模拟[J]. 地球信息科学学报, 2020, 22(3): 580-591.
[2]	田乃满, 兰恒星, 伍宇明, 李郎平. 人工神经网络和决策树模型在滑坡易发性分析中的性能对比[J]. 地球信息科学学报, 2020, 22(12): 2304-2316.
[3]	李中元, 吴炳方, 张淼, 邢强, 李名勇, 闫娜娜. 利用物候差异与面向对象决策树提取油菜种植面积[J]. 地球信息科学学报, 2019, 21(5): 720-730.
[4]	杜保佳, 张晶, 王宗明, 毛德华, 张淼, 吴炳方. 应用Sentinel-2A NDVI时间序列和面向对象决策树方法的农作物分类[J]. 地球信息科学学报, 2019, 21(5): 740-751.
[5]	赖晨曦, 闫慧敏, 杜文鹏, 胡云锋. 全球土地覆被数据集中哈萨克斯坦草地分布的异同及其成因[J]. 地球信息科学学报, 2019, 21(3): 372-383.
[6]	徐泽源, 罗庆辉, 许仲林. 新疆地区土地覆被遥感数据的一致性研究[J]. 地球信息科学学报, 2019, 21(3): 427-436.
[7]	朱长明, 李均力, 沈占锋, 沈谦. 塔里木河下游生态环境变化时序监测与对比分析[J]. 地球信息科学学报, 2019, 21(3): 437-444.
[8]	刘高鸣, 谢传节, 何天乐, 刘高焕. 基于多源数据的农业干旱监测模型构建[J]. 地球信息科学学报, 2019, 21(11): 1811-1822.
[9]	饶萍, 王建力. 最优分区与最优指数联合的水体信息提取[J]. 地球信息科学学报, 2017, 19(5): 702-712.
[10]	许光明, 杨雅萍, 杨飞, 荆文龙, 常中兵. 多分辨率遥感土地覆被数据质量综合评价——以湖南省桃源县为例[J]. 地球信息科学学报, 2016, 18(4): 553-563.
[11]	何维灿, 赵尚民, 程维明. 山西省不同地貌形态类型区土地覆被变化的GIS分析[J]. 地球信息科学学报, 2016, 18(2): 210-219.
[12]	赵颜创, 赵小锋, 刘乐乐, 刘梦悦. 厦门市林地与建设用地对大气气溶胶空间分布的影响分析[J]. 地球信息科学学报, 2016, 18(12): 1653-1659.
[13]	曹小敏, 李爱农, 雷光斌, 谭剑波, 张正健, 严冬, 谢瀚, 张帅旗, 杨勇帅, 孙明江. 尼泊尔土地覆被遥感制图及其空间格局分析[J]. 地球信息科学学报, 2016, 18(10): 1384-1398.
[14]	高锡章, 刘海江, 李宝林, 袁烨城. 一种基于面积对称模型的土地利用/覆被真伪变化图斑检测方法[J]. 地球信息科学学报, 2014, 16(5): 784-789.
[15]	吴丹, 邵全琴. 近30年来长江源区土地覆被变化特征分析[J]. 地球信息科学学报, 2014, 16(1): 61-69.

分类算法	Nadir Nir plus ABCD Nir		Nadir Red plus ABCD Red
分类算法	总体精度	kappa系数	总体精度	kappa系数
MLC	0.5804	0.4473	0.6144	0.4986
CART	0.7517	0.6487	0.6609	0.5061
J48	0.7469	0.6430	0.6616	0.5206
C 5.0	0.8150	0.7349	0.7290	0.6106
RF	0.8218	0.7452	0.7531	0.6425
LMT	0.6498	0.4961	0.7004	0.5696