DENG Zhen-kun,ZHANG Peng-lin.Research on Remote Sensing Interpretation of Ecological Land Types in the Source Region of the Yellow River Based on CART Decision Tree[J].HEILONGJIANG AGRICULTURAL SCIENCES,2022,(02):24-29,35.[doi:DOI:10.11942/j.issn1002-2767.2022.02.0024]
基于CART决策树的黄河源区域生态地类的遥感解译研究
- Title:
- Research on Remote Sensing Interpretation of Ecological Land Types in the Source Region of the Yellow River Based on CART Decision Tree
- Keywords:
- Yellow River source; CART decision tree; remote sensing image classification; machine learning
- 文献标志码:
- A
- 摘要:
- 为指导黄河源区域生态环境修复，以黄河源区域为研究区，采用Landsat 8影像作为数据源，以融合多种特征指数的CART树模型进行高寒湿地分类方法研究。结果表明：使用CART决策树算法进行数据挖掘处理，将得到的决策树用来分类制图，得到黄河源地区生态地类分布图，通过混淆矩阵得出分类后总精度为88.25%，Kappa系数为0.834 5，而使用同样分类样本的监督分类方法中使用范围较广的最大似然法分类得到的总体精度为84.90%，Kappa系数为0.788 8，分别低于CART决策树分类3.35百分点与0.045 7，并且各地类的精度均低于CART树分类方法，证明本研究所构建的决策树分类模型适用于研究区的生态地类提取。
- Abstract:
- To guide the restoration of the ecological environment in the Yellow River source region,the alpine wetland classification study was conducted using Landsat 8 imagery as the data source and a CART number model incorporating multiple feature indices,using the Yellow River source region as the study area.The results showed that the data mining process using CART decision tree algorithm and the obtained decision tree were used for classification and mapping to obtain the distribution map of ecological land types in the Yellow River source area,and the total accuracy after classification was 88.25% with a Kappa coefficient of 0.834 5 by confusion matrix,while the overall accuracy obtained by the supervised classification method using the same classification sample with a wider range of maximum likelihood was 84.90% and the Kappa coefficient was 0.788 8,3.35 percentage points and 0.045 7 were lower than the CART decision tree classification,and the accuracy of each class was lower than the CART tree classification method.
参考文献/References:
参考文献：
［1］郑子彦,吕美霞,马柱国.黄河源区气候水文和植被覆盖变化及面临问题的对策建议[J].中国科学院院刊,2020,35(1):61-72.
［2］李旭,程涛,曹卫星,等.基于QUEST决策树的Landsat 8遥感影像的南京市土地分类研究[J].湖北农业科学,2017,56(1):35-38.
［3］隋瑜,徐泮林,谷彦斐.基于遥感数据的土地资源分类方法比较研究[J].测绘与空间地理信息,2021,44(2):107-110.
［4］张熙,鹿琳琳,王萍,等．基于决策树的漓江上游土地覆盖分类[J].测绘科学,2016,41(3)：100-104.
［5］LABA M,BLAIR B,DOWNS R.Use of textural measurements to map invasive wetland plants in the Hudson River National Estuarine Research Reserve with IKONNOS satellite imagery[J].Remote Sensing of Environment,2010,114(4):876-886.
［6］张彦忠,张福祥.TM数据用于亚热带桔果林区的土地利用分类和专题信息提取[J].国土资源遥感，1994(2):28-33.
［7］罗小波,邓磊,杨富平.基于Kohonen神经网络的遥感影像监督分类[J].重庆邮电大学学报(自然科学版)，2011，23(5):616-620.
［8］张磊.近32年黄河源区土地利用和植被指数时空动态变化及其驱动因子分析[D].西安: 西安理工大学，2017．
［9］齐红超,祁元,徐瑱.基于C 5.0决策树算法的西北干旱区土地覆盖分类研究——以甘肃省武威市为例[J].遥感技术与应用,2009,24(5):648-653.
［10］陈静秋,王莉,姜小三.决策树方法在云贵高原典型区域ALOS影像土地利用分类中的应用[J].南京农业大学学报,2013,36(6)：45-50.
［11］高凯，周志翔，滕明君.基于知识分类法的TM遥感影像景观分类制图——以武汉市为例[J].山东建筑大学学报，2010,25(4):456-459.
［12］邹文涛,张怀清,鞠洪波,等.基于QUEST树的高寒湿地植被覆盖类型遥感分类研究[J].中南林业科技大学学报,2011,31(12):138-144.
［13］侍昊,李旭文,牛志春.基于随机森林模型的太湖水生植被遥感信息提取[J].湖泊科学，2016，28(3):635-644.
［14］张滔.黄河源区土地覆盖变化的遥感监测及时空预测[D]．南京：河海大学，2011.
［15］孙璐，张友静，张滔.黄河源区土地利用/覆盖生态服务功能价值评价及时空预测[J].地理与地理信息科学,2014,34(5):99-104.
［16］白晓娟,赵雨霖，王伟东.基于DEM的哈尔滨市土地利用类型动态变化[J].东北林业大学学报，2010，38（12）:84-87.
［17］白娥,薛冰.土地利用与土地覆盖变化对生态系统的影响[J].植物生态学报，2020，44（5）:543-552.
［18］薛斯文,周旗.基于CART决策树的陕北气候变化风险感知信息通道研究[J].河南科学,2020,38(10):1641-1649.
［19］熊慎,李华,赵鑫,等.基于决策树方法的混凝土泵车液压油超温分析与识别[J].建设机械设计与管理，2021,34(5)：103-106.
［20］刘玉婷,李子阳,李恒凯,等.融合物候和纹理特征的南方柑橘林地提取方法[J].测绘科学,2021,46(9)：83-93.
备注/Memo
收稿日期：2021-11-25
基金项目：国家重点研发计划(2018YFF0215006)；安徽省自然资源调查监测评价体系研究(2021-K-1)。
第一作者：邓镇坤(1997-),男，硕士研究生，从事生态遥感监测研究。E-mail：942983228@qq.com。
通信作者：张鹏林(1970-),男，博士，教授，从事计算机视觉研究。 E-mail：47437044@qq.com。