地理信息系统支持下的山区遥感影像决策树分类-国土资源遥感.pdfVIP

第１期，总第６７期 国　土　资　源　遥　感 Ｎｏ．１，２００６　 ２００６年３月１５日 ＲＥＭＯＴＥＳＥＮＳＩＮＧＦＯＲＬＡＮＤ＆ＲＥＳＯＵＲＣＥＳ Ｍａｒ．，２００６　 地理信息系统支持下的山区 遥感影像决策树分类 １ ２ 陈艳华 ，张万昌 （１．南京大学国际地球系统科学研究所，南京　２１００９３；２．中国科学院大气物理所全球变化东亚区 域研究中心，北京　１０００２９） 摘要：山区遥感影像分类是遥感研究的一大难题。本文利用一种决策树生成算法（Ｃ４．５算法）自动提取知识，基 于知识建立决策树用于山区影像分类，并结合研究区土地利用类型与ＤＥＭ空间统计关系的先验知识，在ＧＩＳ空间 分析的基础上进行影像分类的后处理。与传统的最大似然法分类结果相比，该方法极大地改善了山区地表覆被分 类的精度，得到试验区较为可靠的遥感分类图像。 关键词：遥感影像；分类；知识；决策树；地理信息系统 中图分类号：ＴＰ７９：Ｐ２０８　文献标识码：Ａ　　　文章编号：１００１－０７０Ｘ（２００６）０１－００６９－０６ 问题时，特别是在山区影像分类时，还存在着一定的 ０　引言 缺憾。 鉴于此，作者研究了一种比较通用的山区影像 提高遥感数据的专题信息计算机提取精度，是 分类方法。该方法首先利用 ＤＥＭ对试验区的影像 遥感研究的主要方向之一。近２０ａ里，前人提出了 进行地形影响校正，减少阴阳坡植被光谱差异；然 ［１］ 大量的基于影像的分类算法与理论 ，但大多利用 后利用Ｃ４．５算法自动提取知识，结合土地利用图参 目标地物的光谱反射特性开发各种算法加以分类， 与训练区样本的选择与影像的分类和后处理，提高 而由多种因素造成的“同物异谱，异物同谱”问题，制 了分类精度。本文以汉江流域上游山区为实验区， 约了基于光谱特征的统计模式分类方法精度的提 系统介绍了分类方法，并讨论了该方法的分类精度。 高。为此，多年来，结合像元级的空间光谱特征辅以 遥感信息以外的待分类区各种特征信息开发的分类 １　试验区概况与数据源 算法逐渐成为一种趋势，并取得了进展［２～５］。辅助 数据引入遥感图像分类这一领域出现了很多新的智 １．１　试验区概况 ［６］ 能化分类方法，如专家系统 （ＥｘｐｅｒｔＳｙｓｔｅｍ）、神经 试验区位于陕西省石泉县境内，汉江流域上游 ［７］ 网络 、数据挖掘等。神经网络方法仍然处于发展 边界地段，北纬３２°２５′～３３°５２′，东经１０７°１６′～１０８° 阶段，不容易实现，而且分类结果存在着不可预测 ２０′。区内植被类型以草地、亚高山针叶林和阔叶林 ［８，９］ 性 ；基于知识的专家系统分类是一种人工智能 为主。由于受气候、水分和地形条件影响，其植被垂 分类方法，它运用知识以及输入的数据来确定解决 直地带性分布特征明显：海拔５００ｍ～１６００ｍ的代 ［１０］ 问题的最佳途径，而不是采用预先定义的方法 。 表类型为草地和高密度草地；海拔１６００ｍ～２０００ｍ 当没有专业知识或专业知识不可获取时，它常常采 的代表类型为阔叶林；海拔２０００ｍ～２５００ｍ的代 用机器学习的方法来建立基于规则的分类系统。但 表类型为针叶林。 这些分类方法虽然在分类精度上有了一定的提高， １．２　数据源 但是在处理同物异谱、异物同谱和山体阴影等具体 （１）遥感数据。根据该区的物候特征，５～８月 收稿日期：２００５－０７－０４；修订日期：２００５－１０－０９ 基金项目：国家重点基础研究发展规划项目（２００１ＣＢ３０９４０４），中国科学院“百人计划”启动项目（８－０４７４０１）和教育部科