空间数据挖掘在天目山地区遥感影像分类中的应用研讨.pdfVIP

空间数据挖掘在天目山地区遥感影像 分类中的应用研究 朱红旗 李先华 赵军 (华东师范大学教育部城市与环境遥感开放实验室 E海200062) 摘要：本文作者先通过对地物的光谱特征进行最大似然监督分类，然后运用空间数据挖掘技术之一 …一决策树算法，以栅格图像的单元格为训练学习粒度对GIS数据库进行归纳学习，从GIS数据库 中挖掘出知识和规则然后建立知识库和推理机，结合预处理的遥感影像获得最终的遥感影像分类图。 这种归纳学习的方法不但知识获取速度快而且能较好的解决了“同物异谱”和“异物同谱”等问题， 显著提高分类精度，同时能够根据挖掘的知识进一步细化分类，扩展了遥感影像的分类能力。 关键词：地理信息系统遥感 空间数据挖掘决策树 一 引言 对于遥感而言，地物光谱特征的研究，已经为这门学科的研究打下了扎实的理论基础，但是由 于光谱信号在传播过程中受到种种因素的干扰，图像又来自不同的传感器、不同的大气条件、不同 的时相，使得关于地物光谱特征的知识无法有效地运用于图像解译中。在实际的图像处理过程中， 无论是监督分类还是非监督分类的方法，都很难以满足影像分类精度的要求。因为在实际的图像处 理过程中常常会碰到诸如一下的一些问题比如：(1)影像局部有云、积雪以及阴影；(2)“同物异谱” 和“异物同谱”现象的存在等。这些问题都成为遥感数据在分类中有效应用的“瓶颈”，因此，提高 遥感影像的解译精度已不能单纯依赖地物的光谱特征。 传统的知识获取方法通常是一个漫长而反复的过程，并且难免有遗漏，给实用化带来很多困难。 而实际上，已建立的GIS数据库中就隐藏着大量的可供遥感图像分类的知识，因为它们没有直接存 储在空间或属性数据库中，所以必须通过运算和学习才可能挖掘出来。本文作者利用土地利用数据 库辅以地形、年积温、降水等专题信息，在地理信息系统的叠加分析和强大的空间统计分析功能的 支持下，通过土地利用数据库与海拔高度、坡度、坡向、温度和降水量等进行叠加和统计分析，建 立相关联的空间和属性数据库，然后通过选择学习粒度对空间和属性数据库进行归纳学习挖掘深层 次的知识和判别规则，本文用到的归纳学习方法为决策树算法，即通过决策树算法归纳学习空问数 据库发现知识和判别规则，建立知识库和推理机，然后尝试运用于遥感影像土地利用和土地覆盖分 类。 二研究区域基本概况 2．1、自然概况【11 天目山自然保护区位于浙江省西北部临安县境内，离杭州市94公里。地理坐标为北纬 30018’3030021 是浙江省西北部主要高峰之一，保护区处于天目山的南坡。属亚热带季风气候区，地势复杂，雨量 充沛，温度湿润，土质肥沃，生物资源丰富，自然条件非常优越。研究区内天然植被面积大，植被 以森林为主，森林覆盖率达95％。。 132 2．2、数据源分析 护区自然资源综合考察报告等)等。 有作者曾经引用Sheffield提出的N维熵值原理对TM信息特征进行分析，经验算得出结论如 3、l波段次之；4、6波段信息独立性较大坦’。 在对杭州幅TM遥感影像的处理过程中发现，其结果与上述结论相一致；波段3、4、5组合， 分别赋予红、绿、蓝三色时，就成为假彩色影像。此时，天目山区地貌类型界线清晰，．水体突出， 林草分明。4、5、7组合，红色植被尤为明显。 三基于空间数据挖掘的遥感影像分类 3．1空间数据挖掘的基本概念 Data 空间数据挖掘(Spatial from Database)，是指从空间数据库中提取用户感兴趣的空间模式与特征、空间与 DiscoverySpatial from Database)技术在空间数据库方面应用的延伸13】。 Discovery 3．2、决策树进行空间数据挖掘的实施途径 3．2．1决策树算法H3 可用于空间数据挖掘的方法有很多种，归纳学习是最重要的一种方法，它旨在从大量的经验数 据中归纳学习抽取一般的判定规则和模式。归纳学习的算法有很多，最著名的是ID3系列，包括ID3、 C4．5、C5．0。 ID3系列算法是一种决策树学习算法，采用分治的策略，用属性值对例子集逐步划分，直到一 个结点仅含有同一类的例子为止。核心算法是ID3。决策树算法的关键是分类属性的选择，ID3系列