决策树学习方法应用于生境景观分类-清华大学.PDFVIP

( ) ISSN 清华大学学报 自然科学版 2006 年 第46 卷 第9 期 1836 CN 112223N 　 ( ) , 2006, . 46, . 9 J T singhua U niv Sci T ech V o l N o 　 决策树学习方法应用于生境景观分类 张　爽, 　刘雪华, 　靳　强 (清华大学 环境科学与工程系, 北京 100084) 摘　要: 遥感影像分类是进行景观生态学研究以及区域景 要 方 法。 随 着 地 理 信 息 系 统 ( geograph ical 观规划的基础工作, 是获取环境资源与信息的主要手段。研 info rm ation system , G IS ) 和 专 家 系 统 ( expert 究选取秦岭南坡地区 100 km 2 范围为实验区域, 综合遥感影 system , ES) 技术的发展, 综合利用遥感影像与空间 像、数字高程模型等空间数据, 利用 5. 0 决策树学习算法从 C 数据来实现基于知识的遥感专家分类逐渐成为目前 750 个实地调查样点中自动提取分类知识、建立规则库并实 遥感技术研究与应用的热点领域[ 1, 2 ]。随着人工智能 现计算机自动景观分类; 同时分析根据不同数量样点得到 与机器学习理论的发展, 空间数据挖掘技术实现了 的决策树规则以及决策树分类精度变化的趋势。分析结果表 从参考信息中直接发现分类知识, 解决了限制专家 明, 在样点信息充分的条件下, 利用决策树学习方法能够实 现高景观分类精度; 随着样点数量的增加, 分类精度也随之 分类应用的“瓶颈”问题——知识获取问题, 并在国 [ 3 5 ] 提高, 该研究中景观分类精度最高达到79. 0% 。 内外得到了广泛的应用 。 关键词: 遥感(R S) ; 地理信息系统(G IS) ; 专家系统; 数据 决策树学习方法是解决实际应用中分类问题的 挖掘; C 5. 0 算法; 景观分类 数据挖掘方法之一, 能够从无次序、无规则的事例中 推理出决策树表达形式的分类规则。决策树学习的 中图分类号: T P 753 文献标识码: A