基于決策樹和多時相遙感數據的苜蓿分類研究

秦景逸，鄭逢令，阿斯婭·曼力克*，艾尼玩·艾買爾

（1.新疆畜牧科學院草業研究所 3S技術應用實驗室，烏魯木齊 830000；2.新疆畜牧科學院工程咨詢中心，烏魯木齊 830000）

近幾年來，新疆的畜牧業逐步由傳統放牧向舍飼、半舍飼放牧轉變，但是隨著天然草地的持續退化，導致產草量下降、載畜量超標等一系列問題，制約畜牧業發展總體水平。為減輕天然草地的放牧壓力，必須要大力發展人工草地，苜蓿被稱為飼草之王，其產量高、營養豐富、易消化的特征備受重視。從2011年開始，全疆大部分地區種植苜蓿面積達到了26.67萬hm2左右，及時、準確的獲取苜蓿分布情況和提取種植面積對人工草地宏觀管理具有重要的實踐價值。然而提取苜蓿面積的遙感衛星在實際操作中也存在一定的問題，時間分辨率高的衛星[7]其空間分辨率較低；空間分辨率高的衛星受天氣影響大且重訪周期長，導致提取精度難以保證。想要獲取同一區域，同一時相，精度較高無云干擾的遙感圖像比較困難。

利用多時相遙感影像監測草地資源面積及動態演變規律已成為近年來國內外眾多學者研究的熱點問題。李春干[1]等人在2007年到2008年利用多時相ALOS PRISM/AVNIP-2的數據生成相應的植被指數序列獲取紅樹林的空間分布。李曉東[2]等人設計了農田分類提取方案，對2013年1月到12月的衛星數據集的植被指數、水體指數和土壤指數進行數學方法運算，得到具有明確物理意義和物候信息的指標因子，自動分類提取不同農田類型。Hong G[3]等人將衛星與雷達數據融合，利用更豐富的衛星遙感信息源提高了加拿大草原苜蓿人工草地信息提取的精度。Nidamanuri[4]等人利用航空成像光譜儀所得圖像對5種不同的作物信息進行提取研究，精度均達到80%以上。李敏[5]等人基于兩種不同的衛星圖像，采用決策樹的分類方法提取鄉鎮級的棉花種植面積，精度達到90%以上。陳家琪[6]等人利用多時相的兩種不同的衛星數據源，對甘肅省定西縣2000年到2001年土地利用和土地覆蓋進行遙感調查，采用多時相多數據源的組合相互補充，增加信息量，根據不同作物不同時相的光譜特征進行精確的作物面積劃分，從而明確了該縣土地利用結構，耕地退耕還林、還草的變化狀況，實現了對該區域生態環境變化的動態監測。分析不同作物的生長發育規律在遙感影像上表現出的時相變化特征，從而利用作物波譜時間效應特征實現作物面積提取的分類精度。NDVI時間序列數據可以有效解決遙感反演遇到“同物異譜，同譜異物”問題?？梢岳貌煌瑫r間序列遙感圖像生成NDVI時間序列數據，從而達到作物分類繼而提取作物面積的目的。

本文選擇全疆范圍內3個不同緯度的試驗地，分別是阿勒泰市640臺地農業產業化示范園、塔城市鐵斯克塔斯鄉、齊巴爾吉迭鄉和呼圖壁縣種牛場畜牧隊，通過2015年至2017年三年的Landsat 8衛星、高分遙感和哨兵遙感數據結合的方式，共獲取36景遙感影像，分析研究區苜蓿與其他農作物之間的差異，運用專家知識決策樹（CART）分類法，結合實地定位調查，為當地區域苜蓿分類信息高精度提取提供一定的參考。

1 研究區及觀測數據

1.1 樣地選擇與定位

試驗區分別選擇在自治區2015年實施的“草牧業發展試驗試點項目”區阿勒泰市、塔城市和呼圖壁縣。阿勒泰市數據采集區布局在640臺地農業產業化示范園區內，塔城市的布局在鐵斯克塔斯鄉和齊巴爾吉迭鄉，呼圖壁縣的布局在種牛場畜牧隊，覆蓋了北疆大部分地區大面積連片種植人工草地即苜蓿地。

按照試驗需求苜蓿分布區域布設監測樣地，樣地數量200個苜蓿樣地。具體試驗區包括阿勒泰市（54個），塔城市（52個），呼圖壁縣（94個）。于2015年4月5日-6月28日進行外業工作，獲取野外地面數據。進行實地調查時，通過當地草原工作部門提供的初始信息，通過遙感圖像和地形圖規劃調查路線。通過GPS標定樣地的位置。見圖1。

圖1 研究區位置圖

1.2 實地觀測數據

在試驗區開展野外實地考察，利用手持GPS采集研究區苜蓿作物樣本，結合理論知識和實地觀測獲取不同作物的物候期[10]。見表1。

表1研究區4種主要作物物候期

2 數據來源和處理方法

2.1 數據來源

Landsat 8衛星數據和高分遙感圖像數據從美國地質勘查局網站 （http://glovis.usgs.gov.）下載，哨兵遙感圖像數據從歐盟衛星數據服務平臺（http://scibub.copernicus.eu.）下載。用手持GPS，2016年5月-10月每個月1次共6次，2017年5月-10月每個月6次重復采集200個樣點數據，并對苜蓿分布區域進行統計。

2.2 衛星圖像的預處理

圖像預處理是遙感信息處理中一個十分重要的環節，它直接關系到信息提取的精度與實用程度[11]。利用2016年4月-10月和2017年4月-10月的影像為基準，利用ENVI5.1軟件進行常規的遙感數字圖像處理，包括幾何校正、大氣校正、裁剪、鑲嵌等。

2.3 光譜數據采集

2015年開始野外調查，按照計劃好的樣地分布情況，用GPS定位打點、拍照片、做記錄。通過Unispec光譜分析儀對試驗區周邊農作物和苜蓿分別進行光譜數據采集。2016年進行第二次野外調查，對第一年的分類結果進行初步驗證，對發現的問題進行分析調整。2017年進行第三次野外調查，通過之前兩年的分類結果，分析導致影響精度的因素，改進分類方案進一步提高分類精度。

2.4 技術路線

通過2016年對研究區的實地調查，結合遙感影像反演試驗區苜蓿面積及空間分布情況，總結苜蓿不同物候期的光譜特征，制定決策樹分類規則，在ENVI中利用決策樹分類提取2016、2017年苜蓿面積，最后利用已知的樣地數據進行分類精度驗證。見圖2。

圖2 研究技術線路圖

3 試驗區苜蓿遙感分類結果

3.1 遙感解譯的思路

苜蓿遙感分類的基本思路就是先根據實地采集的樣地資料和多時相的遙感數據，歸納出苜蓿區別其他地類的多時相光譜特征，然后總結出分類規則。本次研究以決策樹算法為主，其他分類方法為輔。

3.2 遙感影像數據源

采用Landsat 8影像數據作為主要的遙感數據信息源，由于云量的影響，一般不能獲取整個苜蓿生長期的光學圖像數據，所以選用與Landsat 8特點相似的哨兵多光譜數據作為補充，構建苜蓿生長季完整的時間序列數據。遙感數據在ENVI中進行輻射校正、大氣校正和幾何校正，進而獲得反射率數據和植被指數時間序列。

除了使用遙感數據源之外，還需要用到其他數據。主要包括：（1）新疆各個縣及市的行政界線圖；（2）與試驗區相關的數據統計資料。

3.3 運用決策樹分類法應用于苜蓿分類

決策樹分類法[12]是監督分類的一種方法，具有簡單、高效、直觀、分類過程符合人類認知過程的特點。為從背景中分離出目標地物，需要專家經驗總結、簡單數學統計和歸納方法等獲得分類規則并進行遙感分類。專家知識決策樹分類的步驟大體上可分為四步：知識（規則）定義、規則輸入、決策樹運行和分類后處理，其中最重要的是獲取分類規則，本研究中規則的獲取來自統計與經驗總結，是根據樣本所對應的像元的NDVI時間序列統計特征總結出閾值范圍，然后進行分類。

3.4 閾值選取和分類流程

通過2016年和2017年野外調查數據，根據獲取的樣地數據統計苜蓿、其他作物、天然草地像元的NDVI特征，以多時相NDVI數據為基礎構建決策樹模型。主要思路為：在不同月份影像數據中獲取NDVI系列特征，統計苜蓿樣地NDVI值的高頻分布區域，總結出閾值范圍，分類時通過不停的調整參數范圍，獲取高精度的分類結果。

本研究通過分析試驗區苜蓿種植區域的植被指數，對苜蓿特征進行精確描述，由此產生分類規則，然后再由專家知識構建的分類器進行分類，得到分類結果。其主要步驟:①遙感圖像處理；②獲取NDVI；③構建分類規則并進行分類，主要流程如圖3所示。

圖3 決策樹流程圖

3.5 分類精度分析

本研究使用混淆矩陣進行圖像分類精度分析，本文使用混淆矩陣的總體分類精度、制圖精度和用戶精度等三項評價指標。見表2。

表2 決策樹混淆矩陣結果

從制圖精度方面而言，能達到比較高的精確度，但有個別分類出現錯誤的地方，如苜蓿和林地，苜蓿和冬小麥?？赡苁怯蓛煞矫娴脑蛟斐傻?（1）苜蓿和冬小麥閾值相似導致自動判別后的點大部分處在較相近區域；（2）兩者的綠度在相同時間區域內較為相似。結合NDVI植被指數4月、5月和9月、10月的閾值進行分析，確保分類結果的準確性。

3.6 專題圖的制作

將分類結果導入Arc GIS中形成一個分類結果圖層，根據遙感影像目視解譯出研究區的道路，居民區，水系等地類，然后進行整飾制作專題圖，最后進行苜蓿面積統計。見圖4。

圖4 專題圖制作流程圖

4 結論與討論

以北疆3個不同區域農區苜蓿集中連片種植范圍為研究對象，借助于光譜特征曲線和物候特征，利用地面調查數據和遙感技術結合在一起，通過決策樹分類方法對研究區苜蓿進行分類，應用混淆矩陣進行精度評價，結論如下:

（1）基于時間序列遙感數據，使用的決策樹分類在苜蓿方面分類精度較高，說明決策樹分類方法在苜蓿遙感識別中有很高的可靠性；本次研究的總體精度達到99.27%，總Kappa系數為0.78；

（2）通過研究發現在遙感分類中與苜蓿容易混淆的農作物有冬小麥、苗圃、天然草地中的低矮灌木、隱域性草甸。

（3）通過分類識別出3個地區的苜蓿面積，其中阿勒泰市640臺地的苜蓿面積為3 688 hm2、呼圖壁縣種牛場畜牧隊苜蓿面積為1 888 hm2、塔城市鐵斯克塔斯苜蓿面積為1 493 hm2、塔城市齊巴爾吉迭苜蓿面積為3 740 hm2。

通過多源、多時相遙感數據構建不同物候期苜蓿的NDVI時間序列，統計總結出苜蓿光譜特征變化規律，構建分類規則，再結合決策樹的分類方法實現苜蓿面積的提取，且這種分類方法達到了較高的精度，實現了北疆地區三個典型苜蓿種植區的面積變化動態監測。但是，本研究在數據采集、遙感圖像源的選擇、時間序列完整性等方面存在一些不足，有待今后研究中加以改進?，F階段只在北疆3個試驗區進行了苜蓿面積的分類，將來有意推廣至全疆范圍內，通過遙感數據的獲取進一步研究人工草地產草量、病蟲害等其他領域。