基于空间数据挖掘决策树算法的多元数据辅助遥感图像分类方法研讨.pdfVIP

基于空间数据挖掘决策树算法的多元数据辅助遥感图 像分类方法研究 张晓美何国金 (中科院遥感卫星地面站，北京100086) 摘要：0l入辅助数据可以提高遥感图像的分类精度。慕于知识的专家分类系统是引入辅助数据的有效 途径之一，但是住知识的扶取卜存红一定的困难。采用空问数据挖掘方法中的决策树算法从遥感图像 及儿辅助数据中提取有用的信息，即知识米进行分类，有效提高-fj)-类的智能化水，F和精度。 关键词：遥感图像分类专家系统窄间数据挖掘决策树知识获取 0引言 辅助数据引入遥感图像分类这一领域出现了很多新的、智能化的分类方法。如专家系统…、神 经网纠2】等。神经网络方法仍然处于发展阶段，不容易实现，而且分类结果存在着不可预测性p圳。 专家系统(ExpertSystem简称ES)是一种人j：l：智能的方法，它运用知识以及输入的数据来定义解决问 题的最佳途径：而不是采用预先定义的方测51．当没有专业知识或专业知识不可得时，专家系统常常寸 步难行，冈此，本文尝试采用空间数据挖掘方法的决策树分类算法来获取分类知识，从而建立基丁- 规则的分类系统，试图弥补专家系统的不足。 空间数据挖掘是数据挖掘的一个分支。它是指从空间数据库中提取隐含的、用户感兴趣的空间 和非空间的模式租普遍特征的过程16J。遥感数据作为一种特殊的空间数据库——光栅数据库，数据 有噪声、不完全、不精确、模糊的情况经常存在，而且，有的字段或属性间相关性强，有的属性是 离散的而有的是连续值或混合式的。对于多源信息融合分类，各种资料可能会出现不完整的情况， 在处理缺失甚至是错误的数据方面，传统分类方法不能很好地解决问题，精度受到较大影响。而决 策树算法擅长的数据挖掘任务就是混合数据的分类预测问题，在处理多维属性时可以确定各属性的 重要群度，从而可以提取必要的属性进行分类，其分类速度也相对较快。另外，分类模型描述简单， 规则更具体和精确，冈而有其优势。 1决策树算法概述 有CHAID、 CART和Quest。其中由CART算法得到的决策树每个：常点有两个分支，这种树称为 二义树。允许：1，点含有多丁．两个子：1，点的树称为多义树。各种决策树算法之间的主要区别就是对这 and 个“差异”衡鼙方式的区别。决策树学习算法采用分治(divide conquer)的策略，用属性值对例子 81，包 集逐步划分，直到一个。仃点仅含有同一类的例子为I卜。最有名的算法是Quinlan的ID3系列I 法的核心是分类属性的选抒，ID3系列算法采用熵来选择属性，效果非常理想。 纵观决策树算法的不同版本，对决策树算法的各种改进主要着眼于3个方面【9J：一是提高分类 精度：二是尽量减小树的大小：三是降低计算复杂性，其中最为重要的是对分类精度的提高，如著 Boosting技术。目前对决策树的研究仍在进行，并逐渐转入实用阶段。 名的Bagging汞I 1．1决策树基本算法总体框架 离散或连续值。分类属性集合为A，取离散值。另有测试数据集合T，用来评估生成的决策树的分 类精度。 决策树算法的基本思想是先构造决策树的过程。通过某种方法选择最优的属性作为树的结点， 根据训练集中各训练例对应的不同属性值，划入不同的“树枝”中，并在一定的条件下停止树的生 K，终．I卜后的叶结点中各训练例的属性值要求尽可能的一致。得到的结果可用于预测新例子属r丁．哪 一类。 1．2基本决策树生成算法Induce—tree 基本的决策树生成算法Inducetree为： Function Induce—tree(D，X，A) f IfD中所有的训练例都属丁．A中同一类ax， 返同一个以a、为标记的叶结点： Else ifX为空 返同叶结点以D中I_|『主导地位的类别au为标记： Else{选取X中一个属性Xi，以它作为当前树的根结点： 把Xi从X中删除：