第３３卷第１期 ２０１３年１月 中南林业科技大学学报 Ｊｏｕｒｎａｌ ｏｆ Ｃｅｎｔｒａｌ Ｓｏｕｔｈ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｆｏｒｅｓｔｒｙ＆Ｔｅｃｈｎｏｌｏｇｙ Ｖｂ１．３３ Ｎｏ．１ Ｊａｎ．２０１３ 基于决策树分类的森林信息提取研究 陈利 ，林辉 ，孙华 ，严恩萍。，王家均 （中南林业科技大学ａ．林业遥感信息工程研究中心；ｂ．林学院，湖南长沙４１０００４） 摘要：以株洲市为研究对象，采用２００９年１０月ＴＭ遥感数据和地面固定样地点数据开展土地利用分类研究， 提取分析各种地类在ＴＭ遥感影像上的光谱特征曲线和各地类的归一化植被指数及归一化差异水体指数，依 据提取的光谱特征曲线及植被指数建立了土地利用分类决策树模型，通过反复分类试验，筛选出最优的决策 树分类模型的阈值。结果表明：通过典型地物波谱分析以及实验，区分植被与非植被的归一化植被指数的阈 值为０－３，即大于０．３为植被，反之则为非植被；区分水体与非水体的归一化差异水体指数的阂值为１．５，即大 于１．５为水体，反之则为非水体；从分类结果来看，基于决策树模型分类的总体精度为８７．２１％，Ｋａｐｐａ系数 为０．８５０ ６，株洲市林地面积为７０３ ４２１．４９ ｈｍ ，非林地面积为４２２ ４７０．６１ ｈｍ ，林地覆盖率为６２．５％，主要分 布在株洲市的东南部，即攸县、茶陵县、炎陵县，占株洲市林地面积的７３．０％。 关键词：森林信息；遥感信息；决策树分类；信息提取 中图分类号：￥７７１．８ 文献标志码：Ａ 文章编号：１６７３．９２３Ｘ（２０１３）０１—００４６—０６ Ｓｔｕｄｉｅｓ ｏｎ ｉｎｆｏｒｍａｔｉｏｎ ｅｘｔｒａｃｔｉｏｎ ｏｆ ｆｏｒｅｓｔ ｉｎ Ｚｈｕｚｈｏｕ ｃｉｔｙ ｂａｓｅｄ ｏｎ ｄｅｃｉｓｉｏｎ ｔｒｅｅ ｃｌａｓｓｉｆｉｃａｔｉ０ｎ ＣＨＥＮ Ｌｉ ，ＬＩＮ Ｈｕｉ ，ＳＵＮ Ｈｕａ ，ＹＡＮ Ｅｎ－ｐｉｎｇ ，ＷＡＮＧ Ｊｉａ－ｊｕｎ ｆａ．Ｒｅｓｅａｒｃｈ Ｃｅｎｔｅｒ ｏｆ Ｆｏｒｅｓｔｒｙ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ＆Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ；ｂ．Ｓｃｈｏｏｌ ｏｆ Ｆｏｒｅｓｔｒｙ，Ｃｅｎｔｒａｌ Ｓｏｕｔｈ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｆｏｒｅｓｔｒｙ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｃｈａｎｇｓｈａ ４１０００４，Ｈｕｎａｎ，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｂｙ ｔａｋｉｎｇ ｔｈｅ ｆｏｒｅｓｔｓ ｉｎ ａｓ ｔｈｅ ｒｅｓｅａｒｃｈ ｏｂｊｅｃｔ，ｕｓｉｎｇ ｔｈｅ ＴＭ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ ｔａｋｅｎ ｉｎ Ｏｃｔ．２００９ ａｎｄ ｇｒｏｕｎｄ－ｉｆｘｅｄ ｓａｍｐｌｅ ｐｌｏｔｓ ｄａｔａ，ｔｈｅ ｌａｎｄ ｕｓｅ ｃｌａｓｓｉｉｆｃａｔｉｏｎ ｏｆ Ｚｈｕｚｈｏｕ ｃｉｙ ｗａｓ ｉｔｎｖｅｓｔｉｇａｔｅｄ．Ｔｈｅ ｓｐｅｃｔｒｕｍ ｃｕｒｖｅｓ ｏｆ ｖａｒｉｏｕｓ ｌａｎｄ ｔｙｐｅ ｏｎ ｔｈｅ ＴＭ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ ｗｅｒｅ ｅｘｔｒａｃｔｅｄ ａｎｄ ａｎａｌｙｚｅｄ，ｔｈｅ ｎｏｒｍａｌｉｚｅｄ ｄｉｆｆｅｒｅｎｔｉａｌ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ（ＮＤＶＩ）ａｎｄ ｎｏｒｍａｌｉｚｅｄ ｗａｔｅｒ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ（Ｎｗｖｉ）ｗｅｒｅ ｏｂｔａｉｎｅｄ．Ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｃｕｒｖｅｓ ａｎｄ ｉｎｄｅｘｅｓ，ｔｈｅ ｄｅｃｉｓｉｏｎ ｔｒｅｅ ｍｏｄｅｌ ｏｆ ｃｌａｓｓｉｉｆｃａｔｉｏｎ ｗａｓ ｅｓｔａｂｌｉｓｈｅｄ． Ａｆｔｅｒ ｒｅｐｅａｔｅｄ ｃｌａｓｓｉｉｆｃａｔｉｏｎ ｔｅｓｔ，ｔｈｅ ｔｈｒｅｓｈｏｌｄ ｖａｌｕｅ ｏｆ ｄｅｃｉｓｉｏｎ ｔｒｅｅ ｃｌａｓｓｉｉｆｃａｔｉｏｎ ｍｏｄｅｌ ｗａｓ ｄｅｔｅｒｍｉｎｅｄ ｆｉｎａｌｌｙ．Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗ ｈａｔｔ ｔｈｒｏｕｇｈ ｈｅ ｔａｎａｌｙｓｉｓ ａｎｄ ｔｅｓｔ ｏｆｔｙｐｉｃａｌ ｇｅｏｇｒａｐｈｙ ｏｂｊｅｃｔｓ ｓｐｅｃｔｒｕｍ，ｔｈｅ ＮＤＶＩ ｔｈｒｅｓｈｏｌｄ ｖａｌｕｅｓ ｗｅｒｅ ｏｂｔａｉｎｅｄ，ｔｈｅ ＮＤＶＩ ｄｉｓｔｉｎｇｕｉｓｈｉｎｇ ｖｅｇｅｔａｔｉｏｎ ｆｒｏｍ ｎｏｎ—ｖｅｇｅｔａｔｉｏｎ ｗａｓ ０．３，ｎａｍｅｌｙ ｔｈｅ ｉｍａｇｅｓ ｔｈａｔ ｔｈｒｅｓｈｏｌｄ ｗｉｔｈ ｖａｌｕｅ ｇｒｅａｔｅｒ ｔｈａｎ ０．３ ｉｓ ｖｅｇｅｔａｔｉｏｎ，ｃｏｎｔｒａｒｉｌｙ ｉｓ ｎｏｎ— ｖｅｇｅｔａｔｉｏｎ；ｔｈｅ ＮＷＶＩ ｄｉｓｔｉｎｇｕｉｓｈｉｎｇ ｗａｔｅｒ ｆｒｏｍ ｎｏｎ—ｗａｔｅｒ ｗａｓ １．５，ｎａｍｅｌｙ ｍｏｒｅ ｔｈａｎ １．５ ｉｓ ｗａｔｅｒ，ｌｅｓｓ ｔｈａｎ ｉｓ ｎｏｎ—ｗａｔｅｒ．Ｆｒｏｍ ｔｈｅ ｒｅｓｕｌｔｓ ｏｆ ｃｌａｓｓｉｉｃａｔｆｉｏｎ ｂａｓｅｄ ｏｎ ｄｅｃｉｓｉｏｎ ｒｅｅ ｃｌａｓｓｉｔｉｃａｔｆｉｏｎ ｍｏｄｅｌ，ｔｈｅ ｏｖｅｒａｌｌ ａｃｃｕｒａｃｙ ｗａｓ ８７．２１％，ｔｈｅ Ｋａｐｐａ ｃｏｅｆｉｃｉｆｅｎｔ ｗａｓ Ｏ．８５０６， ｈｅ ｗｏｏｄｌｔｎｄｓ ｉａｎ Ｚｈｕｚｈｏｕ ａｒｅａ ｗａｓ ７０３ ４２１．４９ ｈｍ２，ｎｏｎ—ｆｏｒｅｓｔ ｌａｎｄ ａｒｅａ ｗａｓ ４２２ ４７０．６１ ｈｍ２，ｔｈｅ ｆｏｒｅｓｔ ｃｏｖｅｒａｇｅ ｒａｔｅ ｗａｓ ６２．５％， ｍａｉｎｌｙ ｉｎ ｔｈｅ ｓｏｕｔｈ—ｅａｓｔ ｏｆＹｏｕｘｉａｎ，Ｃｈａｌｉｎｇ ｃｏｕｒｌｙ，Ｙａｔｎｌｉｎｇ ｃｏｕｎｔｙ，ｗｈｉｃｈ ｏｃｃｕｐｉｅｓ ｔｈｅ ｅｎｔｉｒｅ Ｚｈｕｚｈｏｕ ａｒｅａ ｆｏｒｅｓｔ ｌａｎｄ ａｒｅａ ｂｙ ７３％． Ｋｅｙ ｗｏｒｄｓ：ｆｏｒｅｓｔ ｉｎｆｏｒｍａｔｉｏｎ；ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｎｆｏｒｍａｔｉｏｎ；ｄｅｃｉｓｉｏｎ ｔｒｅｅ ｃｌａｓｓｉｉｃａｔｆｉｏｎ；ｉｎｆｏｒｍａｔｉｏｎ ｅｘｔｒａｃｔｉｏｎ 森林是林木、伴生植物、动物及其与环境的 综合体，是可再生自然资源，无时不处于消长交 替的动态过程之中，具有经济、生态和社会三大 效益。因而开展森林资源调查与监测，进行一定 时问和空间内的森林资源状态连续性跟踪调查， 掌握其现状和消长变化情况，为其制定林业方针 政策、预测发展趋势、制定生产经营计划和中长 期规划提供科学依据，为实现林业资源可持续利 收稿日期：２０１２—１０—１０ 基金项目：“十二五”国家高技术研究发展计划（８６３计划）课题（２０１２ＡＡ１０２００１）：“数字化森林资源监测关键技术研究”；林 业公益性行业科研专项（２０１１０４０２８）：“林分结构与生长模拟技术研究”；国家重大专项项目（Ｅ０３０５／１１１２／０２）：“高分湿地资源 应用监测示范”；湖南省高校科技成果产业化培育项目（１１ＣＹ０１９） 作者简介：陈通讯作者：林和科研工作 利（１９８７．），男，湖南衡阳人，硕士生，研究方向：林业遥感和地理信息系统；Ｅ—ｍａｉｌ：ｃｓｕｆｃｌ＠１２６．ｃｏｍ 辉（１９６５．），女，湖北黄冈人，教授，博士，博士生导师，主要从事森林经理学、遥感技术与地理信息系统的教学 第３３卷 中南林业科技大学学报 ４７ 用，及时准确地了解林业用地的时空配置状况， 在提高林业发展乃至经济社会发展科学决策水平， 对促进林业和资源环境及社会经济可持续发展方 面具有极其重要的意义。 随着遥感技术的不断进步与发展，遥感技术 越来越受到各行各业的重视，遥感图像的分类在 森林资源信息提取中起到了重要的作用，由于遥 感平台多尺度、多层次、多角度、多波段地对地球 进行着连续观测，各种先进的对地观测系统源源不 断地向地面提供着丰富的数据源，我们应及时、准 确地获取所需信息并加以利用，特别是遥感在林业 上的应用 ”。 因为不同的地物具有不同的光谱特性，依据 光谱间关系对遥感影像进行分析，建立基于地面 特征的遥感信息模型及智能化提取遥感信息，是 遥感应用分析的核心和基础。通过对地物波谱的 比较，国内外的学者提出了各种植被指数模型， 如归一化植被指数（ＮＤＶＩ） 】。为了能够更好地提 取城市水体信息，徐涵秋［３－４］对ＮＤＷＩ进行了改 进，提出了改进归一化差异水体指数，汪金花等 人［５ 运用谱间关系方法、陈华芳等人［６ 运用了差 值法相结合的手段提取山区水体，研究表明该方 法是消除阴影、提取水体信息效果较好的方法， 在山区水体信息的提取中具有较广阔的应用前景。 遥感影像分类方法有非监督分类、监督分类以及 专家分类等方法。决策树分类算法具有清晰、直观、 灵活、运算效率高等特点，在遥感分类方面具有 很大的优势【 ，决策树分类方法已经开始应用于 各种遥感影像信息提取［９］，并已被应用于许多分类 问题。张爽ｆｌ伽将决策树分类法应用到景观分类中， 并讨论了样本点对分类精度的影像。陈宝政等 ｌＩ 和申文明等人［】 利用决策树对ＴＭ遥感影像进行 了分类研究。韩涛［１ 利用决策树方法，对祁连山 典型区的针叶林和灌木林进行了分类，并了解了 黑河上游祁连山区水源涵养林十年间的变化状况。 孙华等人 进行了面向对象的决策树分类技术研 究。温兴平等人［１ 利用决策树对广州市中部七区 的ＥＴＭ＋影像进行信息提取，并通过影像的波段 组合获得了比较高的分类精度。 本研究利用ＣＡＲＴ决策树算法对株洲市２００９ 年１Ｏ月ＴＭ遥感影像以及固定样地点数据进行土 地利用分类，提取森林信息，并结合地物的遥感 影像特征和地物的光谱特征信息进行分类，找出 适合株洲市的决策树分类森林信息提取的最优模 型，并能够及时准确获取森林信息，为株洲市林 业的发展以及合理的规划提供了重要的决策依据。 １研究区概况 株洲市位于湖南省东部，湘江下游，北 纬２６。０３ ０５”～２８。０ｌ ０７”， 东经１１２。５７ ３０”～ １１４。０７ １５”，东界江西省萍乡市、莲花县、永新县 及井冈山市，南连衡阳、郴州两市，西接湘潭市， 北与长沙市毗邻。株洲市位于罗霄山脉西麓，南 岭山脉至江汉平原的倾斜地段上，市域总的地势 东南高、西北低。北中部地形岭谷相间，盆地呈 带状展布；东南部均为山地，山峦迭障，地势雄伟。 株洲属亚热带季风性湿润气候，四季分明，雨量 充沛，光热充足，年均气温１７．６℃，年降水量 １ ２８０ ｍｍ，无霜期２８１ ｄ，是名副其实的膏腴之地， 适宜多种农作物生长，为湖南省有名的粮食高产 区和国家重要的商品粮基地，长江流域第一个粮 食亩产过吨的县（市）就产生在株洲管辖的醴陵市。 研究区示意图见图１。 图１研究区位置 Ｆｉｇ．１ Ｌｏｃａｔｉｏｎ ｏｆ ｓｔｕｄｉｅｄ ａｒｅａ ２研究方法 ２．１数据源 本研究采用Ｌａｎｄｓａｔ ＴＭ遥感数据为数据源，获 取时间为２０１０年１０月１７日，共３景影像，轨道号 分别为ｐ１２３ｒ４１、ｐ１２２ｒ４１、ｐ１２２ｒ４２，影像空间分辨率 为３０ｍ，共７个波段；以及２００９年株洲市固定样地 点２００多个，森林资源二类调查分布图，１：１００００ 的地形图、行政边界矢量图等其他辅助数据。 ２．２遥感影像的预处理 在ＥＮＶＩ４．８遥感软件平台进行图像增强、 图像拼接、裁切及几何校正等预处理［１６－１９］ｏ经过 野外考察、目视判读以及波段选择组合，发现 ＴＭ４、ＴＭ５、ＴＭ３这３个波段假彩色合成影像对 森林信息的提取效果较好，因此本研究采用４５３最 佳波段组合，应用决策树分类技术对森林信息进 ４８ 陈利，等：基于决策树分类的森林信息提取研究 第１期 行自动识别研究［２０－２２］。 ２－３植被指数的提取 本研究主要是针对森林信息提取，而植物生长 状态及植被空间分布密度的最佳指示因子是归一化 植被指数，与植被分布密度呈线性相关，通过实践 证明 Ⅵ对土壤背景的变化确实较为敏感。由于从 Ｌａｎｄｓａｔ ＴＭ遥感影像中提取出的水体中掺杂有居民 地及裸地，并且一些小的水体无法被提取出来，因 此，为了达到突出水体信息、抑制植被信息的目的， 本研究采用归一化差异水体指数（ ）。植被指数 的提取是通过遥感图像处理软件ＥＮＶＩ４．８进行的， 在ｂａｎｄ ｍａｔｃｈ功能中输入各植被指数的计算公式， 生成植被指数图像，并根据样地点ＧＰＳ采集的地理 坐标，输入到图像中提取研究区样地点的植被指数 值。植被指数计算公式见表１。 表１植被指数计算公式 Ｔａｂｌｅ １ Ｃａｌｃｕｌａｔｉｏｎ ｆｏｒｍｕｌａ ｏｆ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ ２．４遥感图像光谱特征分析 本研究采用的是２００９年ｌ０月１７目的ＴＭ数 据，此季节植被生长较好，同时也和固定样点地 调查的时间一致，结合遥感分类的需要和湖南省 二类森林资源调查的地类划分，以及本次研究的 需要，将研究区地类分为针叶林、阔叶林、竹林、 耕地、水域、建设用地、未利用地７种类型。在 ＥＮＶＩ４．８遥感软件中，每种地类选取一定数量的样 点，根据样地点ＧＰＳ采集的地理坐标提取各波段 的光谱值，计算各地物在每个波段的标准差、平 均值等统计特征参数，得到地物光谱特征曲线（见 图２），纵坐标表示各地物在遥感影像采样点的平 均ＤＮ值。并在计算得到的植被指数影像中提取 相应样点的 。、，。及 。ｗ 值，结果见图３。 从图２、３可知，为了区别植被与非植被选取 了归一化植被指数作为判断依据，归一化植被指数 是一个用来对遥感数据进行分析，以确定被观测的 目标区是否为绿色植被覆盖，以及植被覆盖程度的 指标值，检测植被生长状态、植被覆盖度和消除部 迥 图２典型地物的波谱特征 Ｆｉｇ．２ Ｓｐｅｃｔｒａｌ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｔｙｐｉｃａｌ ｏｂｊｅｃｔｓ 趔 言 吾 图３典型地物的植被指数 Ｆｉｇ．３ Ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ ｏｆ ｙｔｐｉｃａｌ ｏｂｊｅｃｔｓ 分辐射误差等。通过典型地物波谱分析以及反复试 验结果表明， Ⅵ大于阈值Ｏ－３即为植被区，否则 为非植被区。在非植被区，为了达到突出水体信息， 采用归一化差异水体指数，即 ｗ．小于阈值１．５即 为水域，否则为建设用地或者未利用地。为了区分 建设用地以及未利用地，从图３的典型地物波谱特 征可知，ＴＭ１．ＴＭ５大于阈值２０即为未利用地，否 则为建设用地。在植被区，为了区别耕地与其他林 地，选取ＴＭＩ波段，该波段对水体的穿透力强，易 于调查水质或水深的情况，对叶绿素和叶绿素浓度 反应敏感，对区分干燥的土壤及茂密的植物效果较 好。ＴＭ１大于阈值８５小于阈值１００即为耕地，否则 第３３卷 中南林业科技大学学报 ４９ 为林地。为了区别竹林和针阔叶林，通过波谱特征 分析以及反复试验，ＴＭ１一ＴＭ４大于阈值Ｏ即为竹 阔叶林中，通过试验以及波谱分析，最终确定ＴＭ１ 大于阈值７５即为阔叶林，否则为针叶林。具体的 林，否则为针叶林或者为阔叶林。在区别针叶林和 决策树模型如图４所示。 图４遥感影像决策树分类模型 Ｆｉｇ．４ Ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｂａｓｅｄ ｏｎ ｄｅｃｉｓｉｏｎ ｔｒｅｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｍｏｄｅｌ 在ＥＮＶＩ４．８软件中，利用决策树分类模型对 研究区进行分类，并进行分类后处理，因为在分 类结果中不可避免地会产生一些面积很小的图斑。 无论从专题制图还是从实际应用的角度，都有必 要对这些小图斑进行剔除或者重新分类。目前常 用的方法有Ｍａｊｏｒｉｔｙ／Ｍｉｎｏｒｉｔｙ分析、聚类处理和过 滤处理。本研究主要是采Ｍａｊｏｒｉｔｙ／Ｍｉｎｏｒｉｔｙ分析方 法，此方法采用类似于卷积滤波的方法将较大类 别中的虚假像元归到该类中，定义一个变换核尺 寸，用变换核中占主要地位的像元类别代替中心 像元的类别。分类结果如图５所示。 ３结果与分析 ３．１分类精度评价 通过精度分析，分类者能够确定分类的有效 性以及改变分类模型，．从而提高分类精度。使用者 圜耕地 巨三 末利用地 可以从分类结果中正确有效地获取分类结果中的信 ■■建设用地 ■一竹林 息。在选取了良好的采样方案和可靠的样本数据的 ＿ ■■针叶林 基础上，对精度评价指标进行分类精度评价。通过 Ｉ水域 野外调查固定样点记录的地类经纬度资料及二类调 查森林资源分布图，精确地在遥感图像上选取各类 图５决策树分类结果 Ｆｉｇ．５ Ｒｅｓｕｌｔ ｏｆ ｄｅｃｉｓｉｏｎ ｔｒｅｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ 地表真实感兴趣区，建立混淆矩阵，计算各种统计 量，并进行统计检验，计算得出Ｋａｐｐａ系数、总体 精度、用户精度、制图精度、漏分误差、错分误差 等分类精度。分类精度结果见表２。 ５０ 陈利，等：基于决策树分类的森林信息提取研究 第１期 针叶林 阔叶林 竹林 耕地水域建设用地未利用地２２３ ９ １ ０ ０ ０ ０ ０ ０ ０ ０ ０ ｏ ５ ｏ Ｏ ７ ２ ９５．７１ ８２ｌ３０ ８１．２５ ８８．４９ ８７－３２ ４．２９ １７．７０ １８．７５ ｌ３．５０ ４Ｉ２３ ０．９１ ３１．５８ ９８．８３ ８７－３７ ８６．５Ｏ ８１．２５ ９９．０９ ９９ ５１ ６７．Ｏ８ ９８．６２ ６８．４２ 总体精度０ Ｏ Ｏ Ｏ 加 ９ Ｏ ４ ８７．２１０ １％Ｋａｐｐａ系数０．８５０ ６ 由表２可知，基于决策树模型分类的总体精 度为８７．２１０ １％，Ｋａｐｐａ系数为０．８５０ ６，高于一般 Ｏ Ｏ Ｏ ２ Ｏ Ｏ ８ （２）从分类精度来看，基于决策树模型分类 的总体精度为８７．２１０ ｌ％，Ｋａｐｐａ系数为Ｏ．８５０ ６， 高于一般的监督分类以及非监督分类的精度。水 域的分类精度最高，针叶林、阔叶林、竹林由于 的监督分类以及非监督分类的精度；从错分精度 来看，阔叶林以及竹林错分精度比较高，建设用 ｏ ｏ ｏ ７ ｏ 地错分精度最低；从漏分精度来看，建设用地漏 分精度最高，高达３２．９２％，漏分精度最低的是水 光谱特征相似程度比较高，地物情况相对比较复 杂，出现了较多的错分情况。 （３）利用归一化植被指数、归一化差异水体 指数可以更好地区分植被与非植被以及水体与非 水体，通过典型地物波谱分析以及反复的实验， 得出了区分植被与非植被ＮＤＶＩ的阈值为０＿３，即 大于０－３为植被，反之则为非植被；区分水体与非 水体ＮＤＷＩ的阈值为１．５，即大于１．５为水体，反 之则为非水体。 域；从制图精度来看，精度最高的是建设用地， 为９９．０９％，除了未利用地的制图精度低于８０％外， 其它都高于８０％，制图精度都比较好，得到了比 较好的分类效果。 ３．２森林覆盖信息提取分析 在ＥＮＶＩ４．８中把分类的影像矢量化，导出矢 量图层，通过ＡＲＣＧＩＳ软件把株洲各县界行政矢 量图与该图层进行相交处理，并计算分类后各 类的面积，得到林地面积为７０３ ４２１．４９ ｈｍ ，其 中针叶林面积为５０６ ２８３．０８ ｈｍ ，阔叶林面积为 ｉ １（３． （４）分类结果表明株洲市林地面积为７０３ ４２１．４９ ｈｍ ，非林地面积为４２２ ４７０．６１ ｈｍ ，林地覆盖率 为６２．５％。从空间分布来看，林地主要分布在东南 部的攸县、茶陵县、炎陵县３个县，占株洲市林 地面积的７３．０％。 １９２ ３３７．３５ ｈｍ ，竹林面积为４ ８０１．０６ ｈｍ ，非林 １ ８ Ｏ ３） ２ ｉ 地面积为４２２ ４７０．６１ ｈｍ ，林地覆盖率为６２．５％。 从空间分布来看，攸县林地面积为１６２ ２４５．２６ ｈｍ ，株洲县林地面积为４５ ０７４．２１ ｈｍ ，茶陵 县林地面积为１７５ ４３７．０５ ｈｍ ，醴陵市林地面积 为１３４ ０７４．４８ ｈｍ ，炎陵县林地面积为１７５ ６８０．６１ ｈｍ ，株洲市区林地面积为１０ ９０９．８８ ｈｍ ，分别占 株洲林地面积的２３．１％、６．４％、２４．９％、１９．１％、 ２５．０％、１．６％。株洲的林地主要分布在东南部的攸 总体分类效果比较好，可以满足一般性研究 分析的精度要求，但是基于决策树的分类方法还 存在不能充分利用分类地物的空间特征、分类决 策规则与专家系统不易结合等缺点，在实际生产 应用中还需要进一步深入研究以提高精度，如加 入ＤＥＭ（坡度、坡向）及其它地学先验知识等来 辅助分类，使该方法更具有实用价值。 参考文献： ［１］ 杨桄，刘湘南．遥感影像解译的研究现状和发展趋势［Ｊ］ｌ国 县、茶陵县、炎陵县３个县，占株洲林地面积的 ７３．０％。 土资源遥感，２００４，１５（２）：７—１０． ４结论 ［２】 Ｒｏｕｓｅ Ｊ Ｗ，Ｈａａｓ Ｒ Ｈ，Ｓｃｈｅｌｌ Ｊ Ａ．Ｍｏｎｉｔｏｒｉｎｇ ｖｅｇｅｔａｔｉｏｎ （１）基于决策树的分类方法的森林信息提取 ｓｙｓｔｅｍｓ ｉｎ ｔｈｅ Ｇｒｅａｔ Ｐｌａｉｎｓ ｗｉｈ ＥＲＴＳ［ｔＪ］．ＮＡＳＡ：Ｔｈｉｒｄ ＥＲＴＳ Ｓｙｍｐｏｓｉｕｍ，１９７３，ＳＰ一３５１，１：３０９—３１７． 获得了比较好的效果。通过典型地类波谱信息以 及各植被指数的分析，并找出森林信息提取精度 比较高的决策树阈值，为计算机自动分类的流程化 和自动化提供了基础。 ［３］ 徐涵秋．基于谱间特征和归一化指数分析的城市建筑用地信 息提取［Ｊ】．地理研究，２００５，２４（２）：３１１－３２０． ［４］ 徐涵秋．利用改进的归一化差异水体指数（ＮＤＷＩ）提取水体 第３３卷 嘲 中南林业科技大学学报 ５１ 信息的研究【Ｊ］．遥感学报，２００５，９（５）：５８９—５９５． 汪金花，张永彬，孔改红．谱间关系法在水体特征提取中的应 用【Ｊ］ｌ矿山测量，２００４，４：３０－３２． 陈华芳，王金亮，陈忠，等．山地高原地区ＴＭ影像水体信 息提取方法比较一以香格里拉县部分地区为例［Ｊ１．遥感技术 与应用，２００４，１９（６）：４７９－４８４． 李爽，张二勋．基于决策树的遥感影像分类方法研究［Ｊ］．地 域研究与开发，２００３，２２（１）：１７—２１． Ｆｒｉｅｄｌ Ｍ Ａ，Ｂｒｏｄｌｅｙ Ｃ Ｅ．Ｄｅｃｉｓｉｏｎ Ｔｒｅｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ Ｌａｎｄ Ｃｏｖｅｒ ｆｒｏｍ Ｒｅｍｏｔｅｌｙ Ｓｅｎｓｅｄ Ｄａｔａ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｅｎｖｉｒｏｎｍｅｎｔ，１９９７，６１（３）：３９９—４０９． Ｍｃｌｖｅｒ Ｄ Ｋ，Ｆｒｉｅｄｌ Ｍ Ａ．Ｕｓｉｎｇ Ｐｒｉｏｒ Ｐｒｏｂａｂｉｌｉｔｉｅｓ ｉｎ Ｄｅｃｉｓｉｏｎ— ｔｒｅｅ Ｒｅｍｏｔｅｌｙ Ｓｅｎｓｅｄ Ｄａｔａ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２００２，８ １：２５３—２６１． 张爽，刘雪华，靳强．决策树学习方法应用于生境景观分 类［Ｊ］．清华大学学报：自然科学版，２００６，４６（９）：１８—３６． 陈宝政，蔡德利，张有利，等．利用决策树对ＴＭ遥感影像 的分类研究【Ｊ］＿黑龙江八一农垦大学学报，２０１０，ｌ：７９．８２． 申文明，王文杰，罗海江，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—３３７． 韩涛．用ＴＭ资料对祁连山部分地区进行针叶林、灌木林 分类研究［Ｊ】．遥感技术与应用，２００２，１７（６）：３１７—３２１． ［１４】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）：４０—４１． ［１５】温兴平，胡光道，杨晓峰．基于Ｃ５．０决策树分类算法的ＥＴＭ＋ 影像信息提取［Ｊ］．地理与地理信息科学，２００７，２３（６）：２６—２９． ［１６】李小娟，宫兆宁，刘晓萌，等．ＥＮＶＩ遥感影像处理教程【Ｍ】． 北京：中国环境科学出版社，２００７：３００—３２２， ［１７】邓书斌．遥感图像处理方法 ．北京：科学出版社，２０１０：５６－９９． ［１８】陈利，林辉，孙华．基于Ｓ，ＰＯＴ ５影像冷水江市岩溶 区石漠化时空演变研究［Ｊ］．中南林业科技大学学报，２０１２， ３２（８）：２２—２７． 【１８】汤国安，张友顺，刘咏梅，等．遥感数字图像处理［Ｍ］．北京： 科学出版社，２００４：１５－２８． ［２０］戴昌达，雷莉萍．ＴＭ图像的光谱信息特征与最佳波段组合明． 环境遥感，１９８９（４）：４．７． ［２１］桂玲，孙华，陈利．基于中等分辨率遥感影像的桃源县 竹林信息提取研究［Ｊ］．中国农学通报，２０１２，２８（０１）：８５—９１． ［２２］刘建平，赵时英，孙淑玲．高光谱数据最佳波段选择方法试验 研究［Ｊ］．遥感技术与应用，２００１，ｌ６（１）：７－１３． ［２３】田庆久，闵祥军．植被指数研究进展［Ｊ］．地球科学进展，１９９８， １３ｆ４）：３２７—３３３． ［本文编校：谢荣秀］
