第十一章 决策树分类实战：刚果双子星之都
本文整理自我的原创教程《通过决策树分类看刚果双子星之都》，内容基本保持原貌。 金沙萨（刚果民主共和国）与布拉柴维尔（刚果共和国）隔刚果河相望， 是世界上相距最近的两国首都，人称刚果双子星。
决策树分类的思路：按特征值逐层设立阈值判据，像走树状岔路一样， 把影像逐级分成目标类别。本案例计划分为水体、湿地、建筑区、耕地、林地、草地这6类。 其中草地并不是单纯的草坪，而是相对林地来说、乔木较稀疏的植被覆盖地。
分类依赖五个特征值：MNDWI、NDVI、NDBI、坡度（Slope）与植被覆盖度（FVC）。 下面逐一确定每种地物的特征值判据与阈值。
特征值与判据
改进的归一化水体指数 MNDWI
水体在近红外（NIR）和短波红外（SWIR）波段几乎只吸收不反射， 而非水体区域在绿波段通常反射较强。改进的归一化水体指数能够有效地反映出水域信息：
MNDWI = (Green - SWIR) / (Green + SWIR)
MNDWI 值域在 [-1, 1] 之间，通常值越大就越能说明是水体。
由于湿地与普通陆地相比通常具有较高的含水量，所以对于 NDVI 大于0的部分， 当 MNDWI 达到一定阈值时，则判定为湿地；低于阈值时则判定为其余类， 即包含建筑区、耕地、林地、草地的地物信息。
结果：分出水体、湿地和其余类。
归一化植被指数 NDVI
健康植被在可见光 Red 波段处吸收较强，在 NIR 波段处反射率较高； NDVI 能够反映遥感影像中的植被信息（详见第七章）。
NDVI 值域在 [-1, 1] 之间，值越大就越能反映是植被；通常绿色植被的值在 0.2～0.8。 当 NDVI 值越接近0时则越可能是裸地，因为裸地的 NIR 和 Red 波段值相近； 当值小于0时则代表是云、水体、冰雪等对可见光具有高反射率的地类。
所以如果用来研究的遥感影像几乎没有云：当 NDVI 小于0时可判定为水体； 当 NDVI 大于0时则判定为非水体，即包含湿地、建筑、耕地、林地和草地的地物信息。
结果：分出水体和其余类。
归一化建筑指数 NDBI
人造地表在近红外和短波红外波段间反射率较高，而其它地物在此波段间则较低：
NDBI = (SWIR - NIR) / (SWIR + NIR)
NDBI 值域在 [-1, 1] 之间，值越大就越能反映是建筑用地， 一般情况下当值小于0时则说明是非建筑用地。
所以对于其余 MNDWI 值的部分，当 NDBI 达到一定阈值时则判定为建筑区； 低于阈值时则判定为其余类，即包含耕地、林地和草地的地物信息。
结果：分出水体、湿地、建筑区和其余类。
植被覆盖度 FVC
植被覆盖度（Fractional Vegetation Cover，FVC）能够反映植被的密集程度或覆盖率。 由于林地的植被覆盖率通常大于其它植被，所以利用 FVC 可对植被再进一步细分成 林地和其它植被：当 FVC 达到一定阈值时则判定为林地，低于阈值时则判定为其它植被。
坡度（Slope）来自 DEM 数据，用于辅助区分地形因子明显的类别。
在 ENVI 中的具体步骤
- 确定研究方案：研究区概况；综合研究区特征确定要划分的类别及决策树思路。
- 准备数据：下载影像；下载 DEM。
- 数据预处理：去云、辐射定标、大气校正、拼接、裁剪。
- 计算特征值：NDVI、MNDWI、NDBI、坡度、植被覆盖度。
- 确定特征值阈值：借助 Raster Color Slices 观察直方图取阈值。
- 建立决策树并执行：在 ENVI 的分类工具中搭建决策树并调整。
- 分类后处理。
- 精度评价。
对于简单的决策树分类，其实只在 ArcGIS 中用 Con 函数就可以搞定。
问题补充
1 云对水域提取的干扰
用 MNDWI 提取水域与用 NDVI 提取水域相比，云对 NDVI 提取水域的干扰程度会更大：
2 本教程失败原因
如实记录：通过颜色可以看出是湿地，但不知道怎么操作提取出湿地—— 如何仅通过颜色来提取的话又缺乏依据。常规指数以及 FVC 都试过了，不好识别。 所以本案例的湿地类别最终没有达到理想效果。 遥感处理就是这样，失败的部分同样是经验的一部分。
参考资料
- 杨帆, 王博. 基于决策树的遥感图像分类方法研究[J]. 测绘与空间地理信息, 2019, 42(07): 1-4.
