基于MODIS数据的决策树分类方法研究与应用.docVIP

基于MODIS数据的决策树土地覆盖分类方法研究 WANG Chang-yao1, LIU Zheng-jun2, LIU Yong-hong3, YUAN Jin-guo1 (1. The State Key Laboratory of Remote Sensing Science，Institute of Remote Sensing Applications，Chinese Academy Siences，Beijing 100101，China2. Institute of Photoranlmetry and Remote Sensing, Chinese Aoademy of Survey and Mapping, Beijing, 100039, China; 3. Climate Center of Beijing Metropolis Beijing 100089, China) 摘 要:目前国际上流行的有两种决策树算法－CART算法与C4.5算法及两种机器学习领域里的分类新技术——boosting和bagging技术，为探究这些决策树分类算法与新技术在遥感影像分类方面的潜力，我们以中国华北地区MODIS250米分辨率影像进行了土地覆盖决策树分类试验与分析。研究结果表明决策树在满足充分训练样本的条件下，相对于传统方法如最大似然法（MLC）能明显提高分类精度，而在样本量不足下决策树分类表现差于MLC；并发现在单一决策树生成中，分类回归树CART算法表现较C4.5算法具有分类精度和树结构优势，分类精度的提高取决于树结构的合理构建与剪枝处理；另外在决策树CART中引入boosting技术，能明显提高那些较难识别类别的分类准确率18.5%到25.6％。 关键词： 决策树 CART算法 C4.5算法 boosting和bagging技术 土地覆盖 MODIS250米 1 引 言 土地覆盖及其变化是全球环境变化过程中的重要因子,而土地覆盖/植被类型的分布对于地球生态系统过程的物质和能量交换中起着非常重要的作用和地位，也是全球变化和碳循环模拟、气候模拟等研究的重要内容。遥感技术的发展，特别是全球1公里NOAA/AVHRR数据集产品的提供，为大范围的土地覆盖和森林制图提供了一条新途径，MODIS 250m分辨率全球数据的提供则兴起新一轮全球环境变化遥感研究的高潮。 近年来，在全球及区域土地覆盖/植被覆盖遥感制图方法上，决策树作为一种新兴的分类方法已得到成功应用。Hansen（1996）等人利用NOAA/AVHRR全球1o×1 o数据进行了决策树与最大似然法的土地覆盖分类[1]，显示分类树法的精度优于最大似然法，马里兰大学全球8km的土地覆盖产品也采用了二元决策树分类算法进行监督分类[2]，目前分发的MODIS 1公里全球土地覆盖产品也把决策树作为一种主要分类方法[3]，D. Muchoney（2002）等人利用MODIS数据对美国中部进行土地覆盖分类[4]，比较了决策树、神经网络、最大似然法三种分类方法效果，结果显示决策树分类精度最高，此外在小区域范围内，S. M. JOY（2003）等人利用TM影像采用决策树对森林类型识别也取得较好的效果[5]。在国内，决策树也开始得到应用，王建（2000）等人利用地物的光谱统计特性结合纹理、形状等建立分层决策树有效地提取荒漠化土地类型[6]；张丰（2002）等人根据水稻的高光谱特性建立混合决策树分类树[7]，达到总体分类精度94.9％效果。 决策树作为一种监督分类方法，由于它的非参数和树结构特性，在处理遥感影像由于云覆盖和星下校正反射率NBAR（Nadir BRDF-adjusted reflectance）数据不全造成的损失问题上具有良好的稳健性和鲁棒性，并克服了最大似然法对数据分布要求的局限。同时，决策树相对于另一种流行的分类方法——人工神经网络法具有以下几个优势：（1）分类树不含隐含层从而避免了神经网络方法的内在模糊性。（2）计算时间明显少于神经网络。（3）树的分割层次关系有利于进行数据结构的解释，有助于消除输入数据冗余和噪声，并能用于分类特征提取，例如J. S. Borak（1999）等人运用决策树从大量数据中进行分类特征选择[8]，取得较好效果。 国内建立决策树的方法主要基于光谱统计特性生成的阈值以及相关先验知识，在实际工作中由于不同时间、不同地点变化较大而难以操作，结果往往与研究者的经验和专业知识密切相关。本文采用常见两种决策树方法——CART算法、C4.5算法及两种应用到决策树中提高分类精度的新方法——boosting和bagging技术，并尝试采用上述方法和新技术进行了区域尺度土地覆盖的遥感数据分类试验，目的在于探讨决策树分类器在遥感数据应用方面的技术