决策树在遥感影像分类中de应用.pdfVIP

第31卷 第 2期 高 原 山 地 气 象 研 究 V0I．31No．2 2011年6月 PlateauandMountainMeteorologyResearch Jun．2011 文章编号 ：1674—2184(2011)02—0031—04 决策树在遥感影像分类 中的应用 巴 桑 ，刘志红 ，张正健 ，李奇穗 (1．西藏高原大气环境科学研究所，拉萨 850001；2．成都信息工程学院，成都 610225； 3．四川省眉山市气象局，眉山620010) 摘要：在充分了解决策二叉树分类过程的基础上，以西藏波密地区的TM遥感影像为研究对象，提取并分析各种典型地物的 反射光谱特征 ，利用不同地物的光谱差异并结合人工 目视判读建立了一组能够精确、快速划分遥感影像的分类规则。用 ENVI建立分类决策树对实验区遥感影像进行分类，并将分类结果和传统的最大似然法相 比较。结果表明：决策树分类的总 体精度和Kappa分别为97．15％和0．9644，优于传统的最大似然法，取得了较为满意的分类结果。 关键词：决策树；遥感影像 ；最大似然法；分类；误差矩阵 中图分类号：P412．27 文献标识码：A doi：10．3969／j．issn．1674—2184·201I．02．005 引言 1 决策树分类方法概述 遥感是通过接收地物反射或者发射电磁辐射而对其 决策树分类算法的基本 “”思想是：按照一定的规 进行识别的一项空间技术，作为近年来最受重视的空间 则把遥感数据集逐级往下细分以得到具有不同属性的各 科学技术之一，其对地表进行监测具有常规监测手段无 个子类别。分类决策数由一个根节点(Rootnodes)、一系 法比拟的宏观、快速、实时、经济等优点。对影像进行分 列内部节点(Internalnodes)(分支)和终极节点(Terminal 类是将遥感技术应用于实际最重要的手段之一。传统的 nodes)(nf)组成，每一个内部节点只有一个父节点和两 遥感影像分类方法多是在假设图像灰度值服从某种分布 个或多个子节点。在每一个 内部节点 (包括根节点)处 的基础上 ，基于图像统计特征对影像进行划分的，如最大 根据一系列规则将该节点处的数据集划分为两个子集， 似然法、平行六面体法、ISODATA法和 K一均值聚类法 如此往复直至所有的数据被分为预期设定的各个子集为 等。这些方法的概率分布假设在单一数据源中不一定成 止。这里的规则可以是根据经验和 目视解译人为设定， 立，在多源数据情况下，其出现偏差的概率越大…。为了 也可以按照一定的算法 自动获取。决策树能够处理的数 提高分类精度、丰富分类算法，上世纪90年代以来，具有 据集不仅包含光谱信息，还可以是纹理信息、空间特征和 较好容错能力的神经网络在遥感影像分类中取得了较为 高程信息等多源数据。 广泛的应用，目前在影像分类中使用得较多的包括BP神 和常规分类方法相 比，决策树应用于遥感影像分类 经网络 “、径向基函数 (RBF)神经网络 和概率神经 主要具有以下优点 。 ： 网络 等。神经网络虽然为具有非线性、不确定性等特 (1)分类决策树具有结构清晰，易于理解 ，实现简 点的遥感影像分类开辟 了一条新途径 ，但存在网络最优 单 ，运行速度快，准确性高等特点。可以供专家分析、判 结构难以确定、易陷入局部极值和收敛速度较慢等缺 断和修正 ，也可以输入到专家系统中。 点 “。随着遥感技术的高速向前发展 ，人们面对的将 (2)决策树分类方法不需要假设先验概率分布，这 是多来源、多波段的海量遥感数据，以及影像数