CN104573654A

CN104573654A - 一种基于分层决策树的红树林提取方法

Info

Publication number: CN104573654A
Application number: CN201510009689.9A
Authority: CN
Inventors: 赵峰; 张怀清; 刘华; 凌成星
Original assignee: INSTITUTE OF SOURCE INFORMATION CHINESE ACADEMY OF FORESTRY
Current assignee: INSTITUTE OF SOURCE INFORMATION CHINESE ACADEMY OF FORESTRY
Priority date: 2015-01-08
Filing date: 2015-01-08
Publication date: 2015-04-29

Abstract

一种基于分层决策树的红树林提取方法，属于基于遥感数据的红树林信息提取技术领域。在深入分析红树林湿地类型光谱特征和空间分布规律的基础上，建立多知识规则的决策树分类模型，将红树林从遥感影像中提取出来；根据决策树所描述的判断准则，对图像中的各像元进行逐层识别和归类，通过若干次中间判别分离目标并进行掩膜，作为一个图层，避免此目标对其他目标提取时造成干扰和影响，提取红树林信息。本发明的优点是在深入分析红树林湿地类型光谱特征和空间分布规律的基础上，建立了多知识规则的决策树分类模型，以准确快速的将红树林从遥感影像中提取出来。

Description

一种基于分层决策树的红树林提取方法

技术领域

本发明涉及一种基于分层决策树的红树林提取方法，属于基于遥感数据的红树林信息提取技术领域。

背景技术

由于湿地具有其独特的特征，如水与土壤的双重光谱特性、以及其自身的纹理特征等，而常用的最大似然监督分类法、非监督分类和监督分类结合法等都较少考虑到湿地自身的特征。红树林有着特殊的地域分布规律，分布于地势开阔平坦的海岸潮间带浅滩，且呈现出沿海岸向陆地的层状分布。红树林作为特殊的植被类型，其滨海湿地环境使红树林遥感信息不仅具有植被特征，同时又具有水体的特征，而且具有特殊的地理分布特征，这些都为红树林的智能分类提供了信息指导。作为数据挖掘的一种方法，决策树分类法通过一些判断规则对原始数据逐步进行二分和细化，可以方便地利用除光谱信息外的其他辅助信息，所以在遥感影像分类和专题信息提取中有广泛的应用。基于知识与规则的智能分类则可以从其他信息中排除非红树林，从而更加快速准确得提取出红树林，以进一步对红树林区进行更细的处理。缨帽变换后的第三个特征反应的为湿度信息，湿度分量对于湿地信息的提取具有十分重要的参考价值。

发明内容

为了克服现有技术的不足,本发明提供一种基于分层决策树的红树林提取方法。因此，本发明是基于缨帽变换湿度分量的规则和其他辅助知识，采用多种规则相结合的分层决策智能分类方法，利用遥感影像实现红树林信息的准确、快速提取。

一种基于分层决策树的红树林提取方法，含有以下步骤；

在深入分析红树林湿地类型光谱特征和空间分布规律的基础上，建立多知识规则的决策树分类模型，将红树林从遥感影像中提取出来；根据决策树所描述的判断准则，对图像中的各像元进行逐层识别和归类，通过若干次中间判别分离目标并进行掩膜，作为一个图层，避免此目标对其他目标提取时造成干扰和影响，提取红树林信息。

还含有以下步骤；

对遥感影像进行K-T变换，提取湿度分量，在湿度分量基础上参考辅助资料，如外业GPS采样点、谷歌影像等，选取合适阈值提取湿地；分析红树林湿地地理分布特征，通过面积准则进行筛选剔除非红树林区；进一步根据红树林光谱特征采用植被指数法选取合适的阈值提取红树林。在红树林提取过程中，关键是选取合适的阈值，通过建立决策树模型来提取红树林湿地。从不同角度检验分类结果的准确性，发现问题则调整阈值重新进行分类，直到达到满意的分类结果。

本发明的优点是在深入分析红树林湿地类型光谱特征和空间分布规律的基础上，建立了多知识规则的决策树分类模型，以准确快速的将红树林从遥感影像中提取出来。其基本思想是根据决策树所描述的判断准则，对图像中的各像元进行逐层识别和归类，通过若干次中间判别分离目标并进行掩膜，作为一个图层，避免此目标对其他目标提取时造成干扰和影响，从而达到红树林信息的准确快速提取。

附图说明

当结合附图考虑时，通过参照下面的详细描述，能够更完整更好地理解本发明以及容易得知其中许多伴随的优点，但此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定，如图其中：

图1为本发明的红树林提取方法流程图。

图2分层决策树法提取红树林流程图.

下面结合附图和实施例对本发明进一步说明。

具体实施方式

显然，本领域技术人员基于本发明的宗旨所做的许多修改和变化属于本发明的保护范围。

实施例1：如图1、图2所示，一种基于分层决策树的红树林提取方法，含有以下步骤；

对遥感影像进行K-T变换，提取湿度分量，在湿度分量基础上参考辅助资料，如外业GPS采样点、谷歌影像等，选取合适阈值提取湿地；分析红树林湿地地理分布特征，通过面积准则进行筛选剔除非红树林区；进一步根据红树林光谱特征采用植被指数法选取合适的阈值提取红树林。在红树林提取过程中，关键是选取合适的阈值，通过建立决策树模型来提取红树林湿地。从不同角度检验分类结果的准确性，发现问题则调整阈值重新进行分类，直到达到满意的分类结果。具体步骤如下：

步骤1、数据源选择；

目前大多数遥感数据源均适应于该决策树的红树林信息提取，如Landsat TM/ETM影像、SPOT影像、IKONOS影像等数据。

步骤2、遥感影像预处理；

以1：100000或1：50000数字化地形图，结合外业高精度GPS控制点数据，对获取的遥感影像进行几何校正。

对于具有全色波段的影像数据，需要对全色波段数据和多光谱数据进行影像融合。

步骤3、动态阈值法提取湿地；

对影像进行K-T变换提取湿度分量作为特征波段。

K-T变换是Kauth-Thomas变换的简称，也称缨帽变换。它是一种线性组合变换，其变换公式为：

Y＝BX

式中，X为变换前多光谱空间的像元矢量；

Y为变换后的新坐标空间的像元矢量；

B为变换矩阵。

K-T变换是在研究利用MSS影像反映农作物和植被的生长过程时提出来的，是一种多维光谱空间中的线性变换，通过线性变换和多维空间转换，将土壤和植被信息投影到多维空间，并且在多维空间中植被状况和土壤亮度轴是相互垂直的。对TM数据进行K-T变换处理，具体的计算方程如下：

亮度＝0.3037(TM1)+02793(TM2)+0.4743(TM3)+0.5585(TM4)+0.5082(TM5)+0.1863(TM7)

绿度＝-0.2848(TM1)-0.2435(TM2)-0.5436(TM3)+0.7243(TM4)+0.0840(TM5)–0.1800(TM7)

湿度＝0.1509(TM1)+0.1973(TM2)+0.3279(TM3)+0.3406(TM4)-0.7112(TM5)-0.4572(TM7)

K-T变换后的湿度分量可以较好的反映水体以及土壤中的水分含量。变换后的第三分量即湿度分量进行密度分割，以谷歌影像为参考，通过目视判读选取合适阈值(大于10)提取湿地。其中包括海域、河流、湖泊、水库、滩地等，设定阈值确保海域完全提取，其他湿地不一定提取完全。不同研究区域设定的阈值不完全一致，略有调整。

步骤4、面积最大法提取海域；

红树林生长于热带、亚热带低能海岸潮间带，其分布区完全被海域包围。提取的湿地斑块中以海域斑块的面积最大，因此，可通过面积属性将海域单独提取出来。

操作步骤如下：

步骤1)、将栅格格式的湿地斑块转换为矢量的湿地斑块。

步骤2)、自动计算斑块面积，根据斑块的面积属性最大原则提取海域斑块。

步骤3)、以海域边界为裁剪区域，裁出影像中对应的海域影像。

步骤5、植被指数法提取红树林；

海域影像中包含有海水、海滩、红树林、米草、沙地等地物。计算影像的植被指数NDVI，NDVI大于0的为红树林、米草。由于米草分布面积小，在中等分辨率的Landsat TM/ETM影像中表现为米草与红树林的混合像元。对于高空间分辨率的影像，可进一步通过NDVI阈值将二者区分开。

实施例2：如图1所示，本方法实施案例主要包括如下步聚：

1、数据获取步骤；

通过USGS网站和中科院对地观测数据共享网站下载Landsat TM/ETM影像数据。

通过外业调查获取红树林典型分布区的GPS样点数据。

2、遥感影像预处理步骤；

以1：100000数字化地形图，结合外业高精度GPS控制点数据，对获取的遥感影像进行几何校正，校正误差控制在一个像元以内。

对于ETM影像数据，采用主成分法对全色波段数据和多光谱数据进行影像融合。

3、动态阈值法提取湿地步骤；

对校正后的影像进行K-T变换，得到湿度分量。参照红树林资源分布示意图、Google Earth影像、文献资料等辅助资料，反复试验后选取阈值，将红树林和其他不同状态湿地与其他地物分离出来。经多次对比试验发现湿度分量阈值设为10，即10以上可以将红树林分布区完全提取出来，同时还包括其他不同状态的湿地。不同研究区域设定的阈值不完全一致，略有调整。

具体实现方法为：首先通过密度分割进行阈值分析试验，通过目视判读对比提取效果，直到满意即可。

4、面积最大法提取海域步骤；

提取湿地包括内陆水体和海域，内陆水体的斑块面积小且分散分布，海域面积大且集中连片分布，所以通过面积属性可以剔除内陆水体。具体操作步骤如下：

1)将栅格格式的湿地斑块转换为矢量shape格式的湿地斑块。

2)计算斑块面积，对比海域及内陆水体面积，并设置面积阈值提取海域斑块。

3)以海域斑块边界为裁剪区域，对影像进行裁切运算，得到相应的海域区域(包含红树林分布)遥感影像。

5、植被指数法提取红树林步骤；

对海域区域(包含红树林分布)的遥感影像进行NDVI指数运算，并设置阈值提取红树林。具体操作步骤如下：

1)计算海域区域(包含红树林分布)的遥感影像NDVI指数，得到NDVI植被指数图。

2)对NDVI指数图进行密度分割，设置合理阈值(NDVI大于0)提取红树林。

6、精度验证步骤；

将外业调查获取的红树林分布区的GPS样点数据叠加到提取的红树林分布图上，并与遥感影像进行对比，计算红树林提取精度。

利用上述发明技术流程，对全国红树林分布省的TM/ETM影像，包括广东、广西、海南、福建和浙江，进行红树林信息提取，得到全国范围内的红树林空间分布图及红树林面积统计。

如上所述，对本发明的实施例进行了详细地说明，但是只要实质上没有脱离本发明的发明点及效果可以有很多的变形，这对本领域的技术人员来说是显而易见的。因此，这样的变形例也全部包含在本发明的保护范围之内。

Claims

1.一种基于分层决策树的红树林提取方法，其特征在于含有以下步骤；

2.根据权利要求1所述的一种基于分层决策树的红树林提取方法，其特征在于还含有以下步骤；

对遥感影像进行K-T变换，提取湿度分量，在湿度分量基础上参考辅助资料，对外业GPS采样点、谷歌影像，选取合适阈值提取湿地；分析红树林湿地地理分布特征，通过面积准则进行筛选剔除非红树林区；进一步根据红树林光谱特征采用植被指数法选取合适的阈值提取红树林；在红树林提取过程中，关键是选取合适的阈值，通过建立决策树模型来提取红树林湿地；从不同角度检验分类结果的准确性，发现问题则调整阈值重新进行分类，直到达到满意的分类结果。

3.根据权利要求1所述的一种基于分层决策树的红树林提取方法，其特征在于还含有以下步骤；

步骤1、数据源选择；

红树林信息提取采用Landsat TM/ETM影像；

步骤2、遥感影像预处理；

以1：100000或1：50000数字化地形图，结合外业高精度GPS控制点数据，对获取的遥感影像进行几何校正；

对于具有全色波段的影像数据，需要对全色波段数据和多光谱数据进行影像融合；

步骤3、动态阈值法提取湿地；

对影像进行K-T变换提取湿度分量作为特征波段；

K-T变换公式为：

Y＝BX；

式中，X为变换前多光谱空间的像元矢量；

Y为变换后的新坐标空间的像元矢量；

B为变换矩阵；

K-T变换对TM数据进行K-T变换处理，具体的计算方程如下：

亮度＝0.3037(TM1)+02793(TM2)+0.4743(TM3)+0.5585(TM4)+0.5082(TM5)+0.1863(TM7)

绿度＝-0.2848(TM1)-0.2435(TM2)-0.5436(TM3)+0.7243(TM4)+0.0840(TM5)0.1800(TM7)

K-T变换后的湿度分量反映水体以及土壤中的水分含量；对变换后的第三分量即湿度分量进行密度分割，以谷歌影像为参考，通过目视判读选取合适阈值(大于10)提取湿地；其中包括海域、河流、湖泊、水库、滩地，设定阈值确保海域完全提取，其他湿地不一定提取完全；不同研究区域设定的阈值不完全一致，略有调整；

步骤4、面积最大法提取海域；

红树林生长于热带、亚热带低能海岸潮间带，其分布区完全被海域包围；提取的湿地斑块中以海域斑块的面积最大，因此，可通过面积属性将海域单独提取出来；

操作步骤如下：

步骤1)、将栅格格式的湿地斑块转换为矢量的湿地斑块；

步骤2)、自动计算斑块面积，根据斑块的面积属性最大原则提取海域斑块；

步骤3)、以海域边界为裁剪区域，裁出影像中对应的海域影像；

步骤5、植被指数法提取红树林；

海域影像中包含有海水、海滩、红树林、米草、沙地地物；计算影像的植被指数NDVI，NDVI大于0的为红树林、米草；由于米草分布面积小，在中等分辨率的Landsat TM/ETM影像中表现为米草与红树林的混合像元；对于高空间分辨率的影像，进一步通过NDVI阈值将二者区分开。