一种基于决策树分类的城市绿色空间信息提取方法与流程

本发明涉及生态保护技术领域，尤其涉及一种基于决策树分类的城镇绿色空间提取方法。

背景技术：

快速的城市化进程不断加剧了城镇土地利用类型的演变，建设用地的不断增多造成生态资源的侵占与破坏，给自然环境的可持续发展带来阻碍与挑战。城镇绿色空间是城镇区域内生长着植被的所有地域，包括人工植被与自然植被覆盖的山地、丘陵、水体、旷野地等空间的总称，其内涵不仅包括城市内部的各种园林绿地所构成的城市空间，也包括城市郊区的林地、农田和河流水系等空间。城镇绿色空间作为土地利用的重要组成部分，在维持土地资源可持续利用、提高生态环境质量中具有不可或缺的作用。因此，绿色空间越来越成为区域土地利用规划的重要方面，绿色空间的监测与保护成为当今生态网络构建、生态环境治理的重要研究内容。因此，利用“3s”技术及时准确地掌握大尺度绿色空间的状况和变化趋势，进而提出相应的绿地系统保护对策和优化策略，对实现城镇生态环境可持续发展具有重要意义和现实价值。

然而当前对于土地利用分类和城镇绿色空间的信息提取大部分集中于使用监督分类中的最大似然法。最大似然法作为一种基于数理统计的分类算法，具有可以人机互译、易于建立辨别参数等优点。但是由于遥感影像本身受到空间分辨率、训练样本噪音、云层、同物异谱、同谱异物等诸多因素的影响，使用最大似然法得出的分类结果往往精度不能满足需求。而决策树分类方法可以利用多源数据根据地物的不同属性特征，通过简单的数理统计和归纳方法建立分类规则。这种方法具有抑制预处理误差，减少噪音干扰等优点，计算效率高等优点，在一定程度上能提高分类的精度，从而使绿色空间信息的提取更加精确而有效，可实现城镇绿色空间的有效监督、高效管理与及时保护。

技术实现要素：

本发明所要解决的技术问题是针对上述现有技术的不足提供一种基于决策树分类的城镇绿色空间提取方法，本基于决策树分类的城镇绿色空间提取方法通过影像波段运算和训练样本波段运算，得出波段特征，根据训练样本的波段特征建立决策树分类规则，实现高精度分类；这种方法运用在大尺度城镇绿色空间提取上，可在一定程度可以抑制预处理误差，减少噪音干扰等优点，计算效率高等优点，提高分类的精度。

为实现上述技术目的，本发明采取的技术方案为：

一种基于决策树分类的城市绿色空间信息提取方法，包括下述步骤：

(1)选取研究区域范围；

(2)获取遥感影像数据；

(3)对遥感影像数据进行预处理；

(4)建立分类体系进而将土地用地类型进行划分；

(5)选择训练样本；

(6)对步骤(3)的遥感影像数据进行波段计算，生成波段计算完成的遥感影像数据，并根据训练样本获得各个土地用地类型的波段计算值；

(7)参考各个土地用地类型的波段计算值建立决策树分类规则，对波段计算完成的遥感影像数据执行决策树并生成分类结果；

(8)将步骤(7)的分类结果矢量化；

(9)根据矢量化的分类数据进行绿色空间信息提取。

作为本发明进一步改进的技术方案，所述的步骤(2)具体为：

获取5-10月的遥感影像数据，数据获取类型为landsat8oil。

作为本发明进一步改进的技术方案，所述的步骤(3)具体为：

(a)利用envi5.3软件打开遥感影像数据文件夹中的mtl文件，使用软件中的辐射定标工具添加gain和offset值；

(b)利用快速大气校正工具对辐射定标后的数据进行大气校正；

(c)以遥感影像数据文件夹中的15米分辨率的第8波段影像为基准，对大气校正后的遥感影像数据进行几何校正，校正精度为0.5个像元；

(d)载入行政边界矢量数据，利用subset命令裁剪校正完成的遥感影像数据，获得研究区域范围的遥感影像数据。

作为本发明进一步改进的技术方案，所述的步骤(4)具体为：

建立分类体系，将土地用地类型划分为建设用地、林地、耕地、草地、水域以及未利用地，其中将林地、耕地、草地以及水域四类具有明显生态特征的用地列为绿色空间。

作为本发明进一步改进的技术方案，所述的步骤(5)具体为：

采集谷歌地球影像数据，将其作为训练样本。

作为本发明进一步改进的技术方案，所述的步骤(6)具体为：

(a)在enviclassic5.3软件中打开研究区域范围的遥感影像数据，该遥感影像数据包括n个波段，在波段列表中分别对n个波段以灰阶模式显示其单个波段bx，其中x为1、2、3……n,通过交互式拉伸工具查看波段bx的dn值，并记录波段bx的最大dn值dn2和最小dn值dn1；

(b)在波段计算器中输入公式：(float(bx)-dn1)/(dn2-dn1),其中dn1为波段bx的最小dn值，dn2为波段bx的最大dn值，按照上述公式分别对n个波段进行波段计算，得出n个波段的dn值；

(c)打开波段合成工具,将n个波段按波段顺序排序并合并，生成波段计算完成的遥感影像数据；

(d)载入训练样本，计算训练样本n-d平均值，得到各个土地用地类型的波段计算值。

作为本发明进一步改进的技术方案，所述的n个波段为7个波段。

作为本发明进一步改进的技术方案，将步骤(7)的分类结果矢量化具体为：

将分类结果发送至arcmap中，将栅格格式的分类结果转变为shapefile格式。

作为本发明进一步改进的技术方案，所述的步骤(9)具体为：

使用arcgis将矢量化的分类数据按土地用地类型进行融合，在属性表中分别选择并计算各个土地用地类型的几何面积，通过对几何面积数据的统计和各个土地用地类型的可视化表达，完成绿色空间信息的提取。

与现有技术相比，本发明的效益在于：该方法通过影像波段运算和训练样本波段运算，得出波段特征，根据训练样本的波段特征建立决策树分类规则，实现高精度分类。这种方法运用在大尺度城镇绿色空间提取上，可在一定程度可以抑制预处理误差，减少噪音干扰等优点，计算效率高等优点，提高分类的精度。

当今绿色空间作为生态系统的重要组成部分，越来越成为区域土地利用规划的重要方面，绿色空间的监测与保护成为当今生态网络构建、生态环境治理的重要研究内容。因此，优化绿色空间提取的方法，提高绿色空间提取的精度，让研究者能快速且准确地掌握大尺度绿色空间的状况，进而提出相应的绿地系统保护对策和优化策略，对实现城镇生态环境可持续发展具有重要意义和现实价值。

附图说明

图1为2017年南京市绿色空间分布图。

图2为技术路线图。

图3为训练样本的波段计算值。

图4为决策树分类规则图。

具体实施方式

下面根据图1至图4对本发明的具体实施方式作出进一步说明：

本实施例提供一种基于决策树分类的城市绿色空间信息提取方法，包括下述步骤。

步骤(1)：选取研究区域范围与时间。

步骤(2)：获取遥感影像数据：步骤(2)在数据获取时，为实现覆被状态与土地利用状态相对统一，便于识别和提取绿色空间，选用5-10月的遥感影像，云量控制在5％以下。本实施例步骤(2)的数据获取类型为landsat8oil，具体时间为2017年10月5日，条带号与行列号分别为120、38。

步骤(3)：对遥感影像数据进行预处理。

所述的步骤(3)具体为：

(a)、利用envi5.3软件打开遥感影像数据文件夹中的mtl文件，使用软件中的辐射定标工具添加gain和offset值；

(b)、利用快速大气校正工具(quac)对辐射定标后的数据进行大气校正；

(c)、以遥感影像数据文件夹中的15米分辨率的第8波段影像为基准，对大气校正后的遥感影像数据进行几何校正，校正精度为0.5个像元；

(d)、载入行政边界矢量数据，利用subset命令裁剪校正完成的遥感影像数据，获得研究区域范围的遥感影像数据。

步骤(4)：建立分类体系，即将土地用地类型进行划分。

所述的步骤(4)具体为：

在建立分类体系时，参考《全国土地利用现状调查分类系统(gb/t21010-2017)》,并根据区域的用地特征和遥感数据的精度进行重新组合，将土地利用类型划分为建设用地、林地、耕地、草地、水域以及未利用地，其中林地、耕地、草地以及水域四类具有明显生态特征的用地列为绿色空间。

步骤(5)：采集谷歌地球影像数据，将其作为训练样本。在选取训练样本时，广泛参考谷歌地球影像数据，精确训练样本用地类型的真实性。

步骤(6)：对步骤(3)的遥感影像数据进行波段计算，生成波段计算完成的遥感影像数据，并根据训练样本获得各个土地用地类型的波段计算值。

所述的步骤(6)具体为：

(a)、在enviclassic5.3软件中打开研究区域范围的遥感影像数据，该遥感影像数据包括n个波段，在波段列表中分别对n个波段以灰阶模式显示其单个波段bx，其中x为1、2、3……n,通过交互式拉伸工具查看波段bx的dn值，并记录波段bx的最大dn值dn2和最小dn值dn1；所述的n个波段为7个波段；

(b)、在波段计算器中输入公式：(float(bx)-dn1)/(dn2-dn1),其中dn1为波段bx的最小dn值，dn2为波段bx的最大dn值，按照上述公式分别对n个波段进行波段计算，得出n个波段的dn值；

(c)、打开波段合成工具,将7个波段按波段1-7的顺序排序并合并，生成波段计算完成的遥感影像数据；

(d)、在enviclassic5.3软件中打开遥感影像数据，载入训练样本，计算训练样本n-d平均值，得到各个土地用地类型的波段计算值。

步骤(7)：参考各个土地用地类型的波段计算值建立决策树分类规则，对波段计算完成的遥感影像数据执行决策树并生成分类结果。

步骤(8)：将步骤(7)的分类结果矢量化：在分类结果矢量化时，是通过将分类结果发送至arcmap中，将栅格格式的分类结果转变为shapefile格式。

步骤(9)：根据矢量化的分类数据进行绿色空间信息提取。

所述的步骤(9)具体为：

使用arcgis将矢量化的分类数据按土地用地类型进行融合，在属性表中分别选择并计算各个土地用地类型的几何面积，通过对几何面积数据的统计和各个土地用地类型的可视化表达，完成绿色空间信息的提取。

具体实施如下：

一：例区准备：

南京市位于我国长江下游中部地区，地理坐标为北纬31°14″至32°37″，东经118°22″至119°14″，总面积6587km²。南京市作为我国东部重要的中心城市，城市化进程较快，截止2017年，城镇化率高达82.29％，城镇土地利用类型演变剧烈。

二：数据准备：

遥感影像数据来源于中国科学院计算机网络信息中心地理空间数据云平台(http://www.gscloud.cn)，数据类型为美国陆地资源卫星landsatoil影像数据；行政边界矢量数据来源于中国科学院资源环境科学数据中心(http://www.resdc.cn)，从2015年中国县级行政边界数据中提取而来。

三：技术路线：

利用基础地理数据、遥感影像数据等多源数据形成数据库，通过波段计算与决策树分类，提取城镇绿色空间。具体技术路线如图2所示。

四：结果分析。

具体步骤如下：

1、数据预处理：

(1)利用envi5.3打开遥感影像数据文件夹中的mtl文件，使用软件中的辐射定标工具添加gain和offset值；

(2)利用快速大气校正工具(quac)对辐射定标后的数据进行大气校正；

(3)以遥感影像数据文件夹中的15米分辨率的第8波段影像为基准，对大气校正后的遥感数据进行几何校正，校正精度为0.5个像元；

(4)载入行政边界矢量数据，利用subset命令裁剪校正完成的影像，获得研究区遥感数据。

2、建立解译标志：

(1)在建立分类体系时，参考《全国土地利用现状调查分类系统(gb/t21010-2017)》,并根据区域的用地特征和遥感数据的精度进行重新组合，将南京都市圈的土地用地类型划分为建设用地、林地、耕地、草地、水域、未利用地，其中林地、耕地、草地、水域四类具有明显生态特征的用地列为绿色空间。

(2)在选取训练样本时，广泛参考谷歌地球影像数据，精确训练样本用地类型的真实性。

3、波段运算：

(a)在enviclassic5.3软件中打开研究区域范围的遥感数据，显示单个波段bx，通过交互式拉伸工具查看波段bx的dn值，并记录最大dn值和最小dn值；

(b)在波段计算器中输入公式：(float(bx)-dn1)/(dn2-dn1),其中dn1为波段bx的最小dn值，dn2为波段bx的最大dn值；

(c)将计算完成的各个波段按顺序排序并合并；

(d)载入训练样本，计算训练样本n-d平均值，得到各土地用地类型的波段值，如图3。

4、通过简单的归纳训练样本的各土地用地类型的波段值，建立分类规则，分类规则如图4所示。

5、使用arcgis提取绿色空间并计算几何面积，结果如图1、表1所示。表1为2017年南京市城镇绿色空间信息表。表1如下：

2017年南京市城镇绿色空间信息表

本发明的保护范围包括但不限于以上实施方式，本发明的保护范围以权利要求书为准，任何对本技术做出的本领域的技术人员容易想到的替换、变形、改进均落入本发明的保护范围。