《林业遥感》实习报告.docVIP

基于决策树的林业遥感影像分类 Classification of RS Image based on Decision Tree Classifier 实习目的与要求 林业遥感是遥感技术在林业经营中具体应用的实用性强的专业课，旨在培养学生利用遥感手段进行森林资源监测和管理的基本技能，实习的主要目的是培养学生使用GPS进行野外地形参数的手工测量，内业计算机遥感图像的几何精校正和探索学习决策树分类方法对林业遥感影像进行分类研究的动手能力。通过实习，加深遥感技术在森林资源监测和管理中的应用和理解。 实习内容 GPS采集地面控制点坐标（经纬度或平面直角坐标）以及地形参数（坡度，坡向） 野外训练区的地面调查 内业遥感图像的几何精校正 ENVI图像处理软件决策树分类器建立逐级决策规则 决策规则的修改与添加（与实地调查进行比较分析） 利用建立的决策规则对林业遥感图像进行分类 保存分类规则与分类图像 实习中涉及的理论知识 决策树分类简介 与其它分类方法相比，决策树分类具有如下特点：1）决策树分类是非参数分类，因此其独立于训练区像元亮度值的统计分布模式；2）决策树分类时模型的输入既可以是连续的光谱波段值，也可以是离散的数值，甚至是定名变量；3）分类结束后可以生成易于解译的分类判别准则文件；4）样本训练的速度快，分类精度通常高于其它的分类器 决策树分类原理 决策树分类实质是利用输入分类器的多元特征参数，从多角度挖掘出蕴藏在其中的模式类别间的差异，并建立起“特征识别矩阵”（类似于判读检索表），其外在表现为多个“If Then, else if then”的连用，就如同数学上的多个集合求交集运算，从而将满足交集条件的模式与不满足交集条件的模式区分开来，实现不同模式类别的自动识别。具体地讲，决策树可以像分类过程一样被定义，依据某种规则将窨数据集一级级往下细分以定义决策树的各个分支。决策树由一个根结点，一系列内部结点及终极结点组成，每一个结点只有一个父结点和两个或多个子结点。根据决策树的构成思想，以选定的样本数据为对象逐级找到分类树的结点，并且在每个结点上记录所选的空间数据图层的编号以及相应的判别函数参数，从而有可能反过来从树根到叶按照生成的判别规则，逐级地在每个结点上对样本数据以外的待分类数据进行分类 本实习决策树分类规则描述 类1(class 1)：NDVI值大于0.3，坡度大于或等于20度 类2(class 2)：NDVI值大于0.3，坡度小于20度，阴坡 类3(class 3)：NDVI值大于0.3，坡度小于20度，阳坡 类4(class 4)：NDVI值小于或等于0.3，波段4的值大于或等于20 类5(class 5)：NDVI值小于或等于0.3，波段4的值小于20 类6(class 6)：波段4的值等于0 类7(class 7)：波段1的值小于波段1的均值 决策树分类规则是在决策树分类过程中不断修改和添加的，为了实现逐步分类更加精细与准确 实习步骤 外业数据采集 在中山陵地区选取若干样点，利用GPS记录样点坐标，测定相应位置的地形参数。目的：练习使用GPS以及DEM的建立方法。 研究资料确定与处理 1) 运行ENVI软件，打开并显示对决策树分类有贡献的影像文件： bouldr_tm.dat (Landsat 5 TM影像) 与boulder_dem.dat（相应的DEM空间子集） 2) 投影类型转换 查看bouldr_tm影像特征： Projection : UTM Pixel: 30 Meters Datum: NAD 27 查看boulder_dem影像特征： Projection : GAUSS-KRUGER Pixel: 30 Meters Datum: WGS84 以bouldr_tm影像为基准，转换boulder_dem影像的投影类型： 运行ENVI软件，点击Map/Convert Map Projection，在弹出的Convert Map Projection Input Image中选择boulder_dem，在弹出的Convert Map Projection对话框中选择UTM，DATUM选择NAD 27，可选择多项式和最邻近点方式，保存投影类型转换后的图像。 3）图像配准 为提高TM影像的分辨率，从而提高分类精度，以bouldr_tm影像与相应地区的SPOT影像配准（SPOT为已经过精校正的影像，空间分辨率为10m） 配准方法：点击Map/Registration/Select GCPs: Image to Image，使得bouldr_tm影像的分辨率也达到10m，查看配准后的影像特征： Projection : UTM Pixel: 10 Meters Datum: NAD 27 如图1所示： 输入决