打开文本图片集
摘 要 以新疆喀什为研究区，采用基于决策树和面向对象的信息提取方法，引入归一化植被指数（NDVI）为特征，利用ENVI软件和eCognition软件，提取资源3号卫星遥感影像植被信息，并对比分析结果。结果表明，与基于像元的决策树分类相比，面向对象的信息提取分类精度更高，能明显减少分类产生的碎斑，体现了面向对象的分类在植被信息提取中的优势。
关键词 植被信息提取 决策树 面向对象 eCognition ENVI
中图分类号：TP751 文献标识码：A
0引言
陆地植被是关系人类生存的生物地球化学循环中的关键因子。随着计算机技术和遥感技术的发展，计算机自动分类已经成为遥感影像信息提取和识别的主要手段。本文通过资源3号卫星获取的喀什地区遥感影像，结合归一化植被指数（NDVI），分别通过决策树和面向对象的遥感影像分类来实现植被信息的提取，并对比分析决策树分类和面向对象的遥感影像分类，探索遥感影像植被信息提取的有效方法。
1研究区概况和数据源
1.1研究区概况
本研究区地处新疆喀什（地理位置为35€？8′N-40€？6′N ，71€？9′E-79€？2′E），位于沙漠与戈壁交界的绿洲，生态环境脆弱。
1.2遥感数据
资源3号卫星是中国第一颗自主的民用高分辨率光学传输型立体测图卫星，其Band 1为蓝色波段，Band 2为绿色波段，Band 3为红色波段，Band 4为近红外波段，空间分辨率为6m。
2研究方法
2.1决策树分类
决策树分类的基本思想是从原始影像中逐步分离并掩膜每一种目标作为一个图层或树枝，以避免此目标对其他目标的提取造成干扰，最终复合所有目标从而实现自动分类。根据目视判读，可将实验区域划分为五种地物类型，对每类地物类型取一定样本，统计其在各个波段的DN值，得出其最大值、最小值、平均值、标准差的统计特征，通过ENVI4.7计算资源3号卫星数据的NDVI，并结合光谱特征，分析确定分类技术流程：{ndvi} gt 0.42 植被，else 非植被；b4 gt 750 （湿地、裸地、居民地），else 水体；（b1+b2+b3） gt 1500 （裸地、居民地）， else 湿地；{ndvi} gt 0.25 居民地，else 裸地。
2.2基于面向对象的遥感影像植被信息提取
面向对象的遥感影像信息提取是综合考虑目标形状、纹理和光谱信息的一种高级分类方法。它的特征是最小分类单元是由影像分割得到图斑，而非单个像元。
2.2.1研究区遥感影像分割
对资源3号卫星获取的喀什经济开发区的遥感影像进行分割，Shape设为0.2，Compactness设为0.5；Shape定义了影像对象结果的纹理一致性，形状参数设置越大，分割的形状在大小上差异越小，显得越规整，形状参数设置越小，分割结果显得越琐碎；Compactness为紧密度，表示对象最小包围矩形面积与对象包含像素数目之比，在尺度参数和形状参数一定的情况下，紧致度越小，所分割的结果形状显得越细碎。将分割尺度分别设置为1000，600，400，200进行分割。
尺度为1000， 600的分割影像碎块较少，但因尺度较大，混分较严重，不能很好地体现细节；尺度为200的分割影像能较完整的体现细节，混分情况较少，但分割造成的碎块很多，会使分类过程复杂；尺度为400的分割影像能较好的体现细节，同时分割碎块适中，故选择尺度为400的分割影像进行影像分类。
2.2.2特征提取
在Class Hierarchy中新建立五个类：vegetation，bare land，residential，water，wetland。编辑特征空间，选择特征亮度值和NDVI，将选择的分类特征应用至各类。完成设置后，即可按类分别选择一定数量的样本。选择样本时，在RGB：321的真彩色合成与RGB：432的假彩色合成影像上，选择一定数量可识别的、类别明确的点，记录其坐标，然后在分割后的影像上标出含有相同点的对象，所含点的类别即为样本对象的类别。样本选好后执行分类。
3结果与讨论
在研究区实地选择85个点进行验证。验证结果显示，基于决策的分类精度为72.94%，其中居民地和植被间的混分率最高，达到9.41%，其次是裸地与居民地、裸地与湿地，混分率均为4.71%；基于面向对象的分类精度为89.41%，较前者有了大幅提高，居民地与植被间的混分率为4.71%，比起决策树的分类结果有了很大改善，裸地与水体、裸地与居民地间的分类精度也有显著提高。植被信息提取结果如图1：
4结论
基于决策树的遥感影像分类虽然能较好的提取出植被信息，但混分、错分的情况仍不少，且有明显的噪声类别，分类产生的碎斑较多，受光照、阴影等因素的影响远远大于面向对象的分类；利用面向对象的方法提取植被信息不仅在植被上取得了较好的结果，在其他地物的分类上也比决策树的效果更好，混分、错分情况有了很大的改善，基于对象方法由于对象内部的平均和分析后在很大程度上减小了个别像元的影响，使得少量样本就可以获得较高的分类结果。
参考文献
[1] 程彬，姜琦刚，周云轩，等.基于ASTER数据遥感影像的决策树分类[J].吉林大学学报（地球科学版），2007，37（1）：179-184.
[2] 孙华，林辉，莫登奎，等.面向对象的决策树分类技术[J].中南林业科技大学学报，2007，27（4）：39-43.