遥感地学分析遥感地学分析.docVIP

湖南师范大学研究生课程论文 论文题目 基于专家知识的决策树遥感影像分类 课程名称 遥感地学分析 姓 名 乔方毅 学 号 201202131079 专 业 人文地理学 年 级 2012级 学 院 资源与环境科学学院日 期 2012-03-05 研究生课程论文评价标准 指标 评价内容 评价等级（分值） 得分 A B C D 选题 选题是否新颖；是否有意义；是否与本门课程相关。 20-16 15-11 10-6 5-0 论证 思路是否清晰；逻辑是否严密；结构是否严谨；研究方法是否得当；论证是否充分。 20-16 15-11 10-6 5-0 文献 文献资料是否翔实；是否具有代表性。 20-16 15-11 10-6 5-0 规范 文字表达是否准确、流畅；体例是否规范；是否符合学术道德规范。 20-16 15-11 10-6 5-0 能力 是否运用了本门课程的有关理论知识；是否体现了科学研究能力。 20-16 15-11 10-6 5-0 评阅教师签名： 年 月 日 总分： 湖南师范大学研究生处制 基于专家知识的决策树遥感影像分类 摘要：决策树分类作为一种基于空间数据挖掘和知识发现的监督分类方法在遥感影像分类中应用广泛。本文首先回顾了基于决策树的遥感影像分类的基本概念、主要算法以及应用特点。在此基础上，以Landsat TM数据和DEM数据构成多源数据进行在ENVI软件中进行试验，探讨基于专家知识的决策树分类方法的主要应用特点。 关键词：遥感影像分类；决策树；专家知识；C4.5算法 1 引言 随着计算机技术的快速发展，遥感影像的计算机分类已经成为遥感影像信息提取和分类的主要手段。传统的基于统计模式识别的遥感影像分类(如最大似然法分类等)、人工神经网络分类、模糊聚类分类等在遥感影像分类中获得了广泛地应用。但这些分类方法都是以影像的光谱特征为基础，由于遥感影像“同物异谱”和“异物同谱”现象的大量存在，导致分类结果出现较多的错分、漏分情况，致使分类精度降低。众多研究表明，结合影像光谱信息以及其它辅助信息，则可以大大提高遥感影像的分类精度[1]。而决策树分类作为一种基于空间数据挖掘和知识发现的监督分类方法，突破了以往分类仅仅依靠影像光谱信息，不需要满足正态分类，可以充分利用GIS数据库中的地学知识辅助分类，大大提高了分类精度[2]。 2 决策树分类 2.1 概念[3] 决策树(Decision Tree)，顾名思义就是一个类似于流程图的树形结构。一个决策树由一个根节点(Root nodes)、一系列内部节点(Internal nodes)组成，每个内部节点只有一个父节点和两个或多个子节点，节点和子节点之间形成分支。其中，每个分支代表测试的一个结果，不同属性值形成不同的分支；而每个叶节点就代表一个类别，即图像的分类结果。树的最高节点称为根节点，是整个决策树的开始。图1就是一棵用于遥感影像分类的二叉树决策树分类器的简单示意图。 决策树是一种直观的知识表示方法，同时也是高效的分类器。它以信息论为基础， 将复杂的决策形成过程抽象成为易于理解和表达的规则或判断。此方法利用信息论中的信息增益寻找示例数据库中具有最大信息量的属性字段，形成一条规则以此建立决策树的一个节点，依据这条规则对指定遥感影像图像进行运算，所产生的逻辑值(真或假)派生出两类结果，即形成两个分支，或根据属性的不同取值形成多个分支，该过程可向下继续拓展，直至图像分出类别(叶节点)。这种自顶向下递归的方式构造判定决策树的方法称之为“贪心算法”。 理想的决策树有3个要求：①最优覆盖问题(MCV)——生成最少数目的公式(合取式)；②最简单公式问题(MCOMP)——生成具有最少数目选择子及属性值的公式；③最优示例学习问题——生成具有最简单公式的最优覆盖。 2.2 决策树分类的主要算法 1) 分类回归树[1] 分类回归树(CART, Classification and Regression Tree)是一种通用的树生长算法，由Breiman等人提出，是一种监督分类算法，它利用训练样本来构造二叉树进行决策树分类。其特点是充分利用二叉树的结构(Binary Tree-structured)，即根节点包含所有样本，在一定的分割规则下根节点被