高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于CART决策树的自然保护区植被类型分布研究

白莹 胡淑萍

白莹, 胡淑萍. 基于CART决策树的自然保护区植被类型分布研究[J]. 北京林业大学学报, 2020, 42(6): 113-122. doi: 10.12171/j.1000-1522.20190269
引用本文: 白莹, 胡淑萍. 基于CART决策树的自然保护区植被类型分布研究[J]. 北京林业大学学报, 2020, 42(6): 113-122. doi: 10.12171/j.1000-1522.20190269
Bai Ying, Hu Shuping. Vegetation type distribution in nature reserve based on CART decision tree[J]. Journal of Beijing Forestry University, 2020, 42(6): 113-122. doi: 10.12171/j.1000-1522.20190269
Citation: Bai Ying, Hu Shuping. Vegetation type distribution in nature reserve based on CART decision tree[J]. Journal of Beijing Forestry University, 2020, 42(6): 113-122. doi: 10.12171/j.1000-1522.20190269

基于CART决策树的自然保护区植被类型分布研究

doi: 10.12171/j.1000-1522.20190269
基金项目: 国家林业和草原局大熊猫国际合作资金项目(2017115IFRIT01)
详细信息
    作者简介:

    白莹,工程师。主要研究方向:林业信息技术应用。Email:baiying1988@126.com 地址:100714 北京市东城区和平里东街18号国家林业和草原局信息中心

    责任作者:

    胡淑萍,博士,助理研究员。主要研究方向:林业遥感和地理信息系统应用。Email:hushuping@ifrit.ac.cn 地址:100091 北京市海淀区东小府1号中国林科院资源信息所

  • 中图分类号: S771.8

Vegetation type distribution in nature reserve based on CART decision tree

  • 摘要: 目的针对保护区监测需求,充分发挥GF-1 WFV影像的宽幅特点和面向对象、机器学习算法在遥感影像分类中的优势,提高保护区植被类型遥感监测的精度,为保护区管理决策提供依据。方法以甘肃省白水江国家级自然保护区为研究区,主要数据源包括GF-1 WFV多光谱数据、Landsat-8 OLI遥感数据、DEM数据、野外调查数据等。首先,对GF-1 WFV数据进行多尺度分割,将研究区划分为诸多区域性的分割对象;然后,以分割对象为基本单元,研究光谱特征、几何特征、纹理特征不同组合情况下,基于CART决策树分类的结果;最后,利用训练样本建立基于TTA的精度检验,并基于混淆矩阵对分类结果进行分析。结果在多尺度分割过程中,形状因子、紧致度分别设置为0.2和0.5时地物边界显示较好;当形状因子和紧致度固定时,研究区最佳分割尺度为40。精度检验结果表明,基于CART决策树的保护区植被类型分类结果整体精度均在83%以上,Kappa系数在0.80以上,优于最邻近分类法和支持向量机分类算法,其中基于光谱特征、几何特征、纹理特征的CART决策树分类结果精度最高,总体精度为85.18%,Kappa系数为0.832 2,优于光谱特征分类、光谱特征结合几何特征分类的方法。结论基于CART决策树算法和面向对象方法的GF-1遥感影像分类方法适用于保护区植被类型分布研究,可有效辅助保护区监测工作。

     

  • 图  1  研究区地理位置图

    Figure  1.  Location of the study area

    图  2  技术路线图

    Figure  2.  Flowchart of the classification technique

    图  3  不同分割尺度分割效果对比

    Figure  3.  Comparison of multi-scale segmentation effect with different segmentation scale parameters

    图  4  研究区植被类型分类结果对比图

    Figure  4.  Comparision in classification results of vegetation types in study area

    表  1  研究区遥感影像信息

    Table  1.   Image acquisition information in the study area

    影像标识符
    Image identifier
    传感器类型
    Sensor type
    轨道号
    Track No. (path/row)
    太阳高度角
    Solar altitude angle/(°)
    太阳方位角
    Solar azimuth/(°)
    云量
    Cloud percentage/%
    GF1_WFV4_E105.1_N33.5_20160616_L1A0001650652 GF1-WFV4 17/100 78.403 149.749 0
    LC81290372016183LGN00_MTL Landsat-8 OLI 129/37 67.789 111.247 3.68
    下载: 导出CSV

    表  2  不同分类算法分类结果统计

    Table  2.   Statistics of classification results in different classification algorithms

    类别 TypeCART-1CART-2CART-3KNNSVM
    面积
    Area/km2
    比例 Ratio/%面积
    Area/km2
    比例 Ratio/%面积
    Area/km2
    比例 Ratio/%面积
    Area/km2
    比例 Ratio/%面积
    Area/km2
    比例 Ratio/%
    耕地 Cultivated land 84.08 4.50 88.05 4.71 87.92 4.71 78.71 4.21 73.69 3.95
    居民区 Residential area 4.65 0.25 3.97 0.21 4.77 0.26 5.07 0.27 3.57 0.19
    道路 Road 24.93 1.33 23.69 1.27 23.07 1.24 11.84 0.63 18.29 0.98
    水体 Water area 6.69 0.36 5.52 0.30 5.47 0.29 2.39 0.13 2.81 0.15
    裸岩 Bare rock 27.35 1.46 27.81 1.49 27.81 1.49 27.72 1.48 27.34 1.46
    针叶林 Coniferous forest 211.41 11.32 211.41 11.32 211.41 11.32 205.83 11.02 208.77 11.18
    针阔混交林 Coniferous-broadleaved forest 660.30 35.35 682.27 36.53 584.90 31.32 531.07 28.43 546.93 29.28
    阔叶林 Broadleaved forest 554.99 29.71 533.01 28.54 630.38 33.75 723.26 38.72 762.60 40.83
    灌木林 Shrubwood 96.08 5.14 94.75 5.07 94.74 5.07 56.11 3.00 71.23 3.81
    竹林 Bamboo forest 197.27 10.56 197.27 10.56 197.27 10.56 225.76 12.09 152.52 8.17
    下载: 导出CSV

    表  3  基于光谱特征的决策树分类结果混淆矩阵(单位:像元)

    Table  3.   Confusion matrix of CART decision tree classification based on spectral features (unit: pixel)

    类别
    Type
    竹林
    Bamboo
    forest
    阔叶林
    Broadleaved forest
    针阔混交林
    Coniferous-broadleaved
    forest
    针叶林
    Coniferous forest
    灌木林
    Shrubwood
    居民区
    Residential area
    道路
    Road
    耕地
    Cultivated land
    裸岩
    Bare
    rock
    水体
    Water area
    生产者精度
    Producer accuracy/%
    用户精度
    User accuracy/%
    竹林
    Bamboo forest
    9 896 2 246 1 244 0 1 544 0 0 0 0 0 83.03 66.28
    阔叶林
    Broadleaved forest
    959 15 980 1 458 0 347 0 0 477 0 0 73.74 83.14
    针阔混交林
    Coniferous-broadleaved forest
    617 2 694 16 272 480 176 0 0 0 0 0 80.50 80.40
    针叶林
    Coniferous forest
    0 0 709 18 569 0 0 0 0 0 0 97.48 96.32
    灌木林
    Shrubwood
    375 622 0 0 8 023 0 0 511 0 0 76.10 84.18
    居民区
    Residential area
    0 0 0 0 0 2 190 681 6 461 68 72.02 64.30
    道路
    Road
    0 61 0 0 32 345 6 460 1 624 0 146 81.13 74.53
    耕地
    Cultivated land
    71 68 529 0 395 227 650 11 465 560 0 79.60 82.10
    裸岩
    Bare rock
    0 0 0 0 26 0 79 220 12 124 0 86.38 97.39
    水体
    Water area
    0 0 0 0 0 279 93 100 890 8 335 97.50 85.95
    总体精度 Overall accuracy: 83.20% Kappa系数 Kappa coefficient: 0.80
    下载: 导出CSV

    表  7  基于支持向量机算法的分类结果混淆矩阵(单位:像元)

    Table  7.   Confusion matrix based on SVM classification (unit: pixel)

    类别 Type竹林
    Bamboo forest
    阔叶林
    Broadleaved
    forest
    针阔混交林
    Coniferous-broadleaved
    forest
    针叶林
    Coniferous forest
    灌木林
    Shrubwood
    居民区
    Residential area
    道路
    Road
    耕地
    Cultivated land
    裸岩
    Bare
    rock
    水体
    Water area
    生产者精度
    Producer accuracy/%
    用户精度
    User accuracy/%
    竹林
    Bamboo forest
    6 736 2 227 693 0 3 035 0 0 0 0 0 56.52 53.08
    阔叶林
    Broadleaved forest
    2 944 15 996 3 076 0 620 0 0 695 0 0 73.81 78.56
    针阔混交林
    Coniferous-broadleaved forest
    625 1 354 12 669 457 724 0 0 0 0 0 62.68 80.04
    针叶林
    Coniferous forest
    0 0 2 405 18 592 0 0 0 0 0 0 97.60 88.55
    灌木林
    Shrubwood
    1 613 1 719 1 292 0 5 993 0 0 852 0 0 56.84 52.25
    居民区
    Residential area
    0 0 0 0 0 2 061 350 29 618 396 67.77 59.67
    道路
    Road
    0 0 0 0 0 238 6 139 554 41 193 77.10 85.68
    耕地
    Cultivated land
    0 375 77 0 145 545 1 145 10 972 216 128 76.18 80.66
    裸岩
    Bare rock
    0 0 0 0 26 155 278 1 301 13 160 150 93.77 87.33
    水体
    Water area
    0 0 0 0 0 42 51 0 0 7 682 89.86 98.80
    总体精度 Overall accuracy: 76.11% Kappa系数 Kappa coefficient: 0.72
    下载: 导出CSV

    表  4  基于光谱和几何特征的决策树分类结果混淆矩阵(单位:像元)

    Table  4.   Confusion matrix of CART decision tree classification based on spectral and geometric features (unit: pixel)

    类别
    Type
    竹林
    Bamboo forest
    阔叶林
    Broadleaved
    forest
    针阔混交林
    Coniferous-broadleaved
    forest
    针叶林
    Coniferous forest
    灌木林
    Shrubwood
    居民区
    Residential area
    道路
    Road
    耕地
    Cultivated land
    裸岩
    Bare
    rock
    水体
    Water area
    生产者精度
    Producer accuracy/%
    用户精度
    User accuracy/%
    竹林
    Bamboo forest
    9 896 2 246 1 244 0 1 544 0 0 0 0 0 83.03 66.28
    阔叶林
    Broadleaved forest
    959 15 980 1 035 0 347 0 0 477 0 0 73.74 85.00
    针阔混交林
    Coniferous-broadleaved forest
    617 2 694 16 695 480 176 0 0 0 0 0 82.60 80.80
    针叶林
    Coniferous forest
    0 0 709 18 569 0 0 0 0 0 0 97.48 96.32
    灌木林
    Shrubwood
    375 622 0 0 8 023 0 0 779 0 0 76.10 81.88
    居民区
    Residential area
    0 0 0 0 0 2 001 499 41 224 68 65.80 70.63
    道路
    Road
    0 0 0 0 32 534 7 027 914 374 106 88.25 78.20
    耕地
    Cultivated land
    71 129 529 0 395 227 405 11 872 560 56 82.43 83.35
    裸岩
    Bare rock
    0 0 0 0 26 0 0 272 12 468 102 88.84 96.90
    水体
    Water area
    0 0 0 0 0 279 32 48 409 8 217 96.12 91.45
    总体精度
    Overall accuracy: 84.30%
    Kappa系数
    Kappa coefficient: 0.82
    下载: 导出CSV

    表  5  基于光谱、几何和纹理特征决策树分类结果混淆矩阵(单位:像元)

    Table  5.   Confusion matrix of CART decision tree classification based on spectral, geometric and texture features (unit: pixel)

    类别 Type竹林
    Bamboo forest
    阔叶林
    Broadleaved
    forest
    针阔混交林
    Coniferous-broadleaved
    forest
    针叶林
    Coniferous forest
    灌木林
    Shrubwood
    居民区
    Residential area
    道路
    Road
    耕地
    Cultivated land
    裸岩
    Bare
    rock
    水体
    Water area
    生产者精度
    Producer accuracy/%
    用户精度
    User accuracy/%
    竹林
    Bamboo forest
    9 896 2 246 1 244 0 1 544 0 0 0 0 0 83.03 66.28
    阔叶林
    Broadleaved forest
    959 17 440 1 563 0 347 0 0 477 0 0 80.48 83.90
    针阔混交林
    Coniferous-broadleaved forest
    617 1 234 16 167 480 176 0 0 0 0 0 79.99 86.57
    针叶林
    Coniferous forest
    0 0 709 18 569 0 0 0 0 0 0 97.48 96.32
    灌木林
    Shrubwood
    375 622 0 0 8 023 0 0 779 0 0 76.10 81.88
    居民区
    Residential area
    0 0 0 0 0 2 198 466 41 509 10 72.28 68.18
    道路
    Road
    0 0 0 0 32 363 7 068 914 89 164 88.76 81.90
    耕地
    Cultivated land
    71 129 529 0 395 219 397 11 872 560 56 82.43 83.44
    裸岩
    Bare rock
    0 0 0 0 26 0 0 272 12 468 102 88.84 96.90
    水体
    Water area
    0 0 0 0 0 261 32 48 409 8 217 96.12 91.64
    总体精度 Overall accuracy: 85.18% Kappa系数 Kappa coefficient: 0.83
    下载: 导出CSV

    表  6  基于最邻近算法的分类结果混淆矩阵(单位:像元)

    Table  6.   Confusion matrix based on KNN classification (unit: pixel)

    类别
    Type
    竹林
    Bamboo forest
    阔叶林
    Broadleaved forest
    针阔混交林
    Coniferous-broadleaved forest
    针叶林
    Coniferous forest
    灌木林
    Shrubwood
    居民区
    Residential area
    道路
    Road
    耕地
    Cultivated land
    裸岩
    Bare rock
    水体
    Water area
    生产者精度 Producer accuracy/%用户精度 User accuracy/%
    竹林
    Bamboo forest
    6 930 3 914 954 0 3 407 0 0 0 0 0 58.15 45.58
    阔叶林
    Broadleaved forest
    2 397 16 001 2 417 0 222 0 0 1 065 0 0 73.84 72.40
    针阔混交林
    Coniferous-broadleaved forest
    820 708 12 888 480 1 052 0 0 0 0 0 63.76 80.81
    针叶林
    Coniferous forest
    0 0 2 599 18 569 0 0 0 0 0 0 97.48 87.72
    灌木林
    Shrubwood
    1 771 919 1 277 0 5 582 0 0 705 0 0 52.95 54.44
    居民区
    Residential area
    0 0 0 0 0 1 886 633 165 618 605 62.02 48.27
    道路
    Road
    0 0 0 0 0 518 5 277 175 0 101 66.27 86.92
    耕地
    Cultivated land
    0 129 77 0 254 421 1 663 11 312 599 160 78.54 77.40
    裸岩
    Bare rock
    0 0 0 0 26 174 358 981 12 818 150 91.33 88.36
    水体
    Water area
    0 0 0 0 0 42 32 0 0 7 533 88.12 99.03
    总体精度 Overall accuracy: 75.20% Kappa系数 Kappa coefficient: 0.71
    下载: 导出CSV
  • [1] Howard P C, Davenport T R B, Kigenyi F W, et al. Protected area planning in the tropics: Uganda’s national system of forest nature reserves[J]. Conservation Biology, 2000, 14(3): 858−875. doi: 10.1046/j.1523-1739.2000.99180.x
    [2] Radeloff V C, Stewart S I, Hawbaker T J, et al. Housing growth in and near United States protected areas limits their conservation value[J]. Proceedings of the National Academy of Sciences USA, 2010, 107(2): 940−945. doi: 10.1073/pnas.0911131107
    [3] Stein B A, Scott C, Benton N. Federal lands and endangered species: the role of military and other federal lands in sustaining biodiversity[J]. Bioscience, 2008, 58: 339−347. doi: 10.1641/B580409
    [4] Millennium Ecosystem Assessment Board. Ecosystems and human well-being[M]. Washington: Island Press, 2003.
    [5] Maiorano L, Falcucci A, Boitani L. Size-dependent resistance of protected areas to land-use change[J]. Proceedings of the Royal Society B: Biological Sciences, 2008, 275: 1297−1304. doi: 10.1098/rspb.2007.1756
    [6] Heenkenda M K, Joyce K E, Maier S W, et al. Mangrove species identification: comparing WorldView-2 with aerial photographs[J]. Remote Sensing, 2014, 6(7): 6064−6088. doi: 10.3390/rs6076064
    [7] Sun Z C, Leinenkugel P, Guo H D, et al. Extracting distribution and expansion of rubber plantations from Landsat imagery using the C5.0 decision tree method[J/OL]. Journal of Applied Remote Sensing, 2017, 11(2): 026011[2019−03−11]. http://doi:10.1117/1.JRS.11.026011" target="_blank">10.1117/1.JRS.11.026011">http://doi:10.1117/1.JRS.11.026011.
    [8] 郝泷, 陈永富, 刘华, 等. 基于纹理信息CART决策树的林芝县森林植被面向对象分类[J]. 遥感技术与应用, 2017, 32(2):386−394.

    Hao S, Chen Y F, Liu H, et al. Object-oriented forest classification of Linzhi County based on CART decision tree with texture information[J]. Remote Sensing Technology and Application, 2017, 32(2): 386−394.
    [9] 雷光斌, 李爱农, 谭剑波, 等. 基于多源多时相遥感影像的山地森林分类决策树模型研究[J]. 遥感技术与应用, 2016, 31(1):31−41.

    Lei G B, Li A N, Tan J B, et al. Forest type mapping in mountainous area using multisource and multi-temporal satellite images and decision tree models[J]. Remote Sensing Technology and Application, 2016, 31(1): 31−41.
    [10] 钱军朝, 徐丽华, 邱布布, 等. 基于WorldView-2影像数据对杭州西湖绿地信息提取研究[J]. 西南林业大学学报, 2017, 37(4):156−166.

    Qian J C, Xu L H, Qiu B B, et al. Extraction of urban green space based on WorldView-2 images in West Lake District of Hangzhou[J]. Journal of Southwest Forestry University, 2017, 37(4): 156−166.
    [11] Rouse J W J, Haas R H, Schell J A, et al. Monitoring vegetation systems in the Great Plains with ERTS[J]. Nasa Special Publication, 1974, 351: 309−314.
    [12] Gao B C. NDWI: a normalized difference water index for remote sensing of vegetation liquid water from space[J]. Remote Sensing of Environment, 1996, 58(3): 357−366.
    [13] 蔡耀君, 华璀, 卢远. 峰丛洼地农作物面向对象信息提取规则集[J]. 遥感信息, 2018, 34(10):245−252.

    Cai Y J, Hua C, Lu Y. Rules for crop extraction on peak cluster of karst area using object-oriented classification technology[J]. Remote Sensing Information, 2018, 34(10): 245−252.
    [14] 潘琛, 杜培军, 张海荣. 决策树分类算法及其在遥感图像处理中的应用[J]. 测绘科学, 2008, 33(1):208−211. doi: 10.3771/j.issn.1009-2307.2008.01.065

    Pan C, Du P J, Zhang H R. Decision tree classification and its application in processing of remote sensing mages[J]. Science of Surveying and Mapping, 2008, 33(1): 208−211. doi: 10.3771/j.issn.1009-2307.2008.01.065
    [15] Breiman L, Friedman J B, Stone C J, et al. Classification and regression tree[M]. Boca Raton F L: Chapman & Hall/CRC, 1984.
    [16] 周志华. 机器学习[M]. 北京: 清华大学出版社, 2016.

    Zhou Z H. Machine learning[M]. Beijing: Tsinghua University Press, 2016.
    [17] 陈云, 戴锦芳, 李俊杰. 基于影像多种特征的CART决策树分类方法及应用[J]. 地理与地理信息科学, 2008, 24(2):33−36.

    Chen Y, Dai J F, Li J J. CART-based decision tree classifier using multi-feature of image and its application[J]. Geography and Geo-Information of Science, 2008, 24(2): 33−36.
    [18] 马宇龙, 林志垒. 基于面向对象和CART决策树方法的遥感影像湿地变化检测研究: 以龙祥岛地区为例[J]. 福建师范大学学报(自然科学版), 2017, 33(6):69−80.

    Ma Y L, Dai Z L. Wetland change detection based on object-oriented and CART decision tree method[J]. Journal of Fujian Normal University (Natural Science Edition), 2017, 33(6): 69−80.
    [19] 孙建伟, 王超, 王娜, 等. 基于CART决策树的ZY-3卫星遥感数据土地利用分类监测[J]. 华中师范大学学报(自然科学版), 2016, 50(6):937−943.

    Sun J W, Wang C, Wang N, et al. Research on land use classification monitoring through the remote sensing data of ZY-3 satellite based on CART decision tree[J]. Journal of Central China Normal University (Natural Science Edition), 2016, 50(6): 937−943.
    [20] 张小平, 曹卫彬, 刘姣娣. 基于遥感影像的棉花种植面积提取方法研究[J]. 安徽农业科学, 2011, 39(7):4226−4228, 4297. doi: 10.3969/j.issn.0517-6611.2011.07.172

    Zhang X P, Cao W B, Liu J D. Study on the extraction method for cotton-growing area based on remote sensing image[J]. Journal of Anhui Agriculture Science, 2011, 39(7): 4226−4228, 4297. doi: 10.3969/j.issn.0517-6611.2011.07.172
    [21] 陈天博, 胡卓玮, 魏铼, 等. 无人机遥感数据处理与滑坡信息提取[J]. 地球信息科学, 2017, 19(5):692−701.

    Chen T B, Hu Z W, Wei L, et al. Data processing and landslide information extraction based on UAV remote sensing[J]. Journal of Geo-information Science, 2017, 19(5): 692−701.
    [22] 李晓红, 陈尔学, 李增元, 等. 综合应用多源遥感数据的面向对象土地覆盖分类方法[J]. 林业科学, 2018, 54(2):68−80. doi: 10.11707/j.1001-7488.20180208

    Li X H, Chen E X, Li Z Y, et al. Object based land cover classification method integrating multi-source remote sensing data[J]. Scientia Silvae Sinicae, 2018, 54(2): 68−80. doi: 10.11707/j.1001-7488.20180208
    [23] 魏晶昱, 毛学刚, 方本煜, 等. 基于Landsat 8 OLI辅助的亚米级遥感影像树种识别[J]. 北京林业大学学报, 2016, 38(11):23−33.

    Wei J Y, Mao X G, Fang B Y, et al. Submeter remote sensing image recognition of trees based on Landsat 8 OLI support[J]. Journal of Beijing Forestry University, 2016, 38(11): 23−33.
  • 加载中
图(4) / 表(7)
计量
  • 文章访问数:  2538
  • HTML全文浏览量:  280
  • PDF下载量:  28
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-06-26
  • 修回日期:  2019-09-04
  • 网络出版日期:  2020-05-18
  • 刊出日期:  2020-07-01

目录

    /

    返回文章
    返回