【正文】 以及對植被的生物量作出估算等[6]。最開始的植被分類主要采用人工目視解譯，它可充分利用判讀人員的知識，具有很好的靈活性，擅長提取空間相關(guān)信息，但定位不準(zhǔn)確，時效性差，可重復(fù)性差，并存在個人差異[7]。之后的計(jì)算機(jī)自動分類比目視解譯進(jìn)了一步，后面又發(fā)展采用了遙感信息復(fù)合技術(shù)[8]。信息復(fù)合的內(nèi)容和方式包括：；；。遙感數(shù)據(jù)與GIS數(shù)據(jù)的復(fù)合，可視為信息復(fù)合的高級形式。隨著計(jì)算機(jī)技術(shù)的迅速發(fā)展，遙感技術(shù)的不斷日益創(chuàng)新，遙感植被信息提取也不斷的出現(xiàn)了很多新的方法。如原始波段合成法、植被指數(shù)提取法、NDVI與波段合成法、HIS融合法、分級分類提取法、基于知識庫提取法等[9]。利用光學(xué)遙感進(jìn)行植被信息提取的理論是植被的光譜特征，與其他地物光譜特征具有明顯的區(qū)別。綠色植物體內(nèi)的葉綠素控制著植物在可見光波段區(qū)間的光譜特征。、。采用光學(xué)遙感手段進(jìn)行植被信息提取的方法已經(jīng)比較成熟[10]。將光譜特征和非光譜形成的特征(如地形、紋理結(jié)構(gòu)等)結(jié)合對植被的提取也有很大的幫助。即可以利用地物在不同地形(如高程、坡度、坡向)出現(xiàn)概率的不同建立判別函數(shù)實(shí)現(xiàn)植被的分類。在國內(nèi)，邸向紅等通過引入高程信息能很好地將林地與果園分開[11]。李國清采用光譜信息、植被指數(shù)、紋理特征和地形因子進(jìn)行決策樹分類，%，%，%，%，%[12]。黃建文等利用TM數(shù)據(jù)對4個季節(jié)的帽兒山進(jìn)行植被分類，同時輔助以物候特征和地面GIS專題信息，先利用基于光譜知識的林地提取模型提取林地邊界，再用監(jiān)督分類方法分別進(jìn)行林地和非林地內(nèi)部類型信息的提取，生成多季相綜合分類圖，％[13]。申廣榮等通過統(tǒng)計(jì)和小波分析的方法提取了SPOT影像的綠地紋理特征，并將其引入基于光譜分類的最大似然法進(jìn)行綠地信息的提取分類，相對于面向象元的監(jiān)督分類分類結(jié)果，%%, , [14]。顏梅春以南京市鐘山景區(qū)為試驗(yàn)區(qū)，探討了植被類型信息提取相關(guān)的圖像預(yù)處理和植被類型信息提取方法,利用IKONOS影像數(shù)據(jù)的紋理信息進(jìn)行植被分類, 并將結(jié)果與用光譜信息、植被指數(shù)信息的分類結(jié)果比較。研究表明紋理信息分類的精度最高, 植被指數(shù)次之, 光譜信息中的非監(jiān)督分類最低[15]。田新光等采用面向?qū)ο蟮奶崛》椒ǎ瑢KONOS衛(wèi)星影像利用簡單的決策樹分類方法對海岸帶紅樹林信息提取，并與其他方法進(jìn)行比較，結(jié)果表明該分類精度較高[16]。向娟采用面向?qū)ο蠓诸惙椒?，對桉樹信息提取進(jìn)行研究，結(jié)果表明采用面向?qū)ο蠓诸惙椒ǚ诸惪偩葹?0%，桉樹的生產(chǎn)者精度為83%，分類精度較傳統(tǒng)分類方法大大提高[17]。ADAMS等(1995)采用1988年、1989年、1990年的TM影象對巴西AMZON盆地進(jìn)行土地覆蓋變化研究，其監(jiān)測精度可達(dá)到90％以上。LENNEY等（1996）對埃及的農(nóng)業(yè)土地進(jìn)行了監(jiān)測，采用1984年和1993年的TM數(shù)據(jù)NDVI特征進(jìn)行，％[18]。Stolz，Roswitha（1996）為解決在德國南部的Bavarian山區(qū)草地與谷物很難區(qū)分這一情況，使用RS和GIS，對圖像中每個像元的類別進(jìn)行判定，最終結(jié)果比僅用歸一化植被指數(shù)(NDVI) 進(jìn)行地面植被分類的精度高。ZarcoTejado等（1999）綜合植被調(diào)查、植被光譜信息和陸地衛(wèi)星資料對地面覆蓋物和森林分布進(jìn)行分類，分類精度有所提高[19]。（2000）以圖斑為單元結(jié)合紋理信息的人工神經(jīng)網(wǎng)絡(luò)方法，使該區(qū)域的土地覆蓋分類能夠達(dá)到的精度最大為89%。Griffiths和Lee（2000）采用GIS技術(shù)結(jié)合地物的光譜信息，分類精度在80%～85%[18]。Knotes利用光譜和紋理信息進(jìn)行土地覆蓋高一層次的分類。Shefali等（2003）利用多時相的NDVI對中南亞地區(qū)的植被進(jìn)行分類，植被指數(shù)的加入使分類結(jié)果較好[20]。Jason S．Walker等采用面向?qū)ο蟮姆椒◤母叻直媛实暮狡咸崛honeix市的植被信息，總體分類精度達(dá)至94％。自數(shù)字計(jì)算機(jī)在上世紀(jì)五、六十年代出現(xiàn)以來，人們利用計(jì)算機(jī)模擬人的智能過程不斷得到各種成就，在這一研究過程中不斷加速了數(shù)據(jù)分析技術(shù)“模式識別”的發(fā)展。決策樹一詞最早出現(xiàn)在1982年的模式識別領(lǐng)域中，十多年前作為一種數(shù)據(jù)挖掘技術(shù)引入遙感圖像處理，因此，模擬專家目視解譯，建立遙感圖像解譯的專家系統(tǒng)，實(shí)現(xiàn)圖像的自動解譯成為遙感圖像解譯的主要趨勢之一[22]。決策樹學(xué)習(xí)算法在信息提取問題上呈現(xiàn)了非常巨大的優(yōu)勢，因?yàn)樗坏⑺俣瓤?、精度高，而且可以生成可理解的?guī)則。更重要的是計(jì)算量不是很大，能夠處理連續(xù)值和離散值屬性，能夠直觀的顯示重要屬性，并且在學(xué)習(xí)過程中使用者不必了解很多背景知識，因?yàn)樘峁┑挠?xùn)練例子能夠用屬性——結(jié)論式的方式表達(dá)出來，就能以該算法來進(jìn)行學(xué)習(xí)?；跊Q策樹的分類決策樹分類能夠按照一定的方式將多種信息(RS和非遙感數(shù)據(jù))有機(jī)地組合來提高分類精度。如它與GIS數(shù)據(jù)進(jìn)行融合的分類，就是采用分級形式，選取不同的標(biāo)準(zhǔn)或方法針對不同的集合對其進(jìn)行最有效的劃分，達(dá)到將復(fù)雜的多分類問題指標(biāo)簡單化目的。國內(nèi)申文明等以河北唐山為研究區(qū)，利用Landsat ETM+ 影像數(shù)據(jù)和GIS數(shù)據(jù),，得到?jīng)Q策樹分類方法與傳統(tǒng)自動分類相比,%, Kappa [23]?？梢钥闯觯瑳Q策樹分類方法在一定程度上優(yōu)于傳統(tǒng)自動分類。汪金花等以河北省唐山市為研究區(qū)，采用CBERS1影像，運(yùn)用決策樹分層處理結(jié)構(gòu)思想, 構(gòu)建了唐山市土地利用分類體系和數(shù)學(xué)模型[24]。羅來平采用TM遙感影像，利用決策樹CART算法進(jìn)行專題圖分類，識別出了水體、建筑用地、耕地和林地[25]。袁林山等以江蘇省徐州市為研究區(qū)，采用多特征決策樹方法對CBERS02數(shù)據(jù)分類，并與最大似然法和支持向量機(jī)分類方法進(jìn)行比較,結(jié)果表明,多特征決策樹分類方法在土地利用/覆蓋分類具有較好的分類效果[26]。陳君穎等對IKONOS衛(wèi)星影像，利用決策樹分類算法對植被進(jìn)行了分類，研究表明，充分利用高分辨力影像的紋理信息，能有效實(shí)現(xiàn)植被分類并且精度較高，為實(shí)現(xiàn)植被的自動化提取提供了理論依據(jù)和方法途徑[27]。高玉蓉利用SPOT5影像，引入植被指數(shù)、紋理、高程數(shù)據(jù)和坡度特征數(shù)據(jù)進(jìn)行信息提取，研究表明，其分類相對于相對監(jiān)督分類能明顯提高分類精度[28]。美國的USGS、EPA 等部門聯(lián)合實(shí)施的“美國土地覆蓋數(shù)據(jù)庫”計(jì)劃(NLCD 2001) 中，利用決策樹進(jìn)行了土地、城市密度信息、林冠密度信息的提取，結(jié)果表明,土地利用分類精度達(dá)到了73%～77%, 城市密度信息提取精度達(dá)到83%～91%, 樹冠精度在78% ～93%,完全能夠滿足大規(guī)模土地分類數(shù)據(jù)產(chǎn)品的生產(chǎn)要求。John Durkin(2005)利用決策樹對衛(wèi)星圖像進(jìn)行分析以估計(jì)落葉林和針葉林的基部面積值。Defries等（1984）通過對1984年AVHRR全球遙感數(shù)據(jù)的分類處理，得到了全球土壤覆蓋分類圖。Friedl等（1997）利用TM影像，通過單因子決策樹、多因子決策樹、混合決策樹與最大似然法和線性分離函數(shù)分類器相比較得出，決策樹的分類精度較高。Joy等（2003）基于TM影像，采用決策樹方法對森林類型進(jìn)行識別，也取得了較好的效果。Yoshikawa Masanobu等(1995)用完全自動構(gòu)造二叉決策樹對遙感數(shù)據(jù)進(jìn)行了土地覆蓋類型分類，并將這種算法與Bayesian分類器進(jìn)行了比較，結(jié)果表明在分類精度和所需要的訓(xùn)練樣本數(shù)量上，該模型都得到了比較滿意的結(jié)果。通過研究現(xiàn)狀，我們可以看出利用遙感技術(shù)實(shí)現(xiàn)桉樹分布信息提取，很少有文獻(xiàn)涉及，而利用決策樹分類方法實(shí)現(xiàn)對桉樹分布信息的提取研究，更是薄弱。為彌補(bǔ)上述不足，本文基于決策樹分類技術(shù)，嘗試選擇不同的特征組合對遙感影像進(jìn)行分類研究，并與傳統(tǒng)的ISODATA法和最大似然分類法進(jìn)行比較，找到最佳決策樹分類方法，實(shí)現(xiàn)對桉樹分布信息的準(zhǔn)確提取。本文主要利用決策樹的分類方法，利用中巴遙感影像，探討了基于決策樹分類方法的影像特征提取、分類體系的建立，并提取出桉樹分布信息。最后通過與傳統(tǒng)分類方法非監(jiān)督分類ISODATA法和監(jiān)督分類最大似然法在實(shí)驗(yàn)區(qū)的分類結(jié)果對比評價，說明利用決策樹分類方法相對于傳統(tǒng)分類方法的優(yōu)勢所在。在遙感信息提取時，桉樹的光譜信息和其它地類光譜信息會出現(xiàn)一定的相似性，因此在特征選擇時，除了利用其光譜信息外，同時還利用了植被指數(shù)特征、主成分變換特征和紋理信息特征，構(gòu)建了基于光譜信息、植被指數(shù)信息、主成分變換信息和紋理信息等分類特征，建立研究區(qū)的各地類識別知識。利用中巴衛(wèi)星遙感影像，采用基于知識的決策樹分類方法，利用已構(gòu)建的分類特征，對研究區(qū)主要地類進(jìn)行分類識別，研究了一種最佳桉樹分布信息識別方法。本論文主要采用的技術(shù)路線如下：中巴衛(wèi)星影像影像預(yù)處理光譜特征各地類光譜特征差異分析光譜特征植被指數(shù)特征各地類植被指數(shù)特征差異分析ISODATA法分類最大似然法分類各地類主成分變換特征差異分析主成分變換特征各地類紋理特征差異分析紋理特征建立土地利用/覆蓋分類識別的知識基于知識的決策樹分類土地利用/覆蓋及桉樹信息提取精度評價與分析圖1 論文技術(shù)路線緒論本章主要概述了論文選題意義和目的，以及國內(nèi)外植被信息提取技術(shù)和決策樹分類技術(shù)的研究進(jìn)展。并介紹了本文的研究內(nèi)容和技術(shù)路線。同時對全文的整體結(jié)構(gòu)作了詳細(xì)安排。遙感圖像計(jì)算機(jī)分類技術(shù)本章主要介紹了遙感圖像的計(jì)算機(jī)分類技術(shù)，論述了非監(jiān)督分類中的ISODATA法和監(jiān)督分類中的最大似然法兩種最常用傳統(tǒng)分類方法，以及目前非傳統(tǒng)分類中比較流行的人工神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)法和本次試驗(yàn)研究主要采用的決策樹分類方法。研究區(qū)遙感圖像地類分類特征分析本章介紹了研究區(qū)的概況和數(shù)據(jù)源的預(yù)處理工作。并確定了土地利用/覆蓋分類類別，針對研究區(qū)進(jìn)行了各類別的典型樣本選擇，計(jì)算各對象的光譜、植被指數(shù)、主成分變換、紋理信息等特征，并對這些特征進(jìn)行分析。基于決策樹分類的桉樹分布信息提取實(shí)驗(yàn)本章主要選取合適的特征組合構(gòu)建特征空間，然后利用不同特征組合信息提取研究最優(yōu)桉樹分布信息提取方案。最后，用傳統(tǒng)的非監(jiān)督分類（ISODATA法）和監(jiān)督分類(最大似然法)進(jìn)行了研究區(qū)桉樹分布信息提取試驗(yàn)，并將其分類結(jié)果和決策樹分類結(jié)果進(jìn)行精度評價和對比。結(jié)論和展望總結(jié)了本文的研究結(jié)果和結(jié)論，并且對其實(shí)際應(yīng)用進(jìn)行了展望。遙感（Remote sensing）是在不直接接觸研究對象的情況下，通過某種傳感器裝置，測量、分析并判定目標(biāo)性質(zhì)的一門科學(xué)和技術(shù)[2932]。新型傳感器的不斷出現(xiàn)，能獲得不同空間分辨率、時間分辨率和光譜分辨率的遙感圖像，并與全球定位系統(tǒng)（Global Position System，簡稱GPS）、地理信息系統(tǒng)（Geographical Information System，簡稱GIS）等相結(jié)合，為遙感圖像的解譯提供了多種途徑。遙感技術(shù)具有覆蓋面廣, 成像迅速而且具有周期成像能力, 并且具有多波段、多時相、多應(yīng)用目標(biāo)以及多學(xué)科綜合的特點(diǎn)[22]。遙感圖像分類就是利用計(jì)算機(jī)對遙感圖像中各類地物的光譜信息和空間信息進(jìn)行分析，然后選擇特征，并用一定的手段將特征空間劃分為互不重疊的子空間，然后將圖像中的每個像元按照某種規(guī)則或算法劃分為不同的類別，得到遙感圖像中與實(shí)際地物的對應(yīng)信息，最終實(shí)現(xiàn)分類[33]。遙感圖像分類過程中可以利用計(jì)算機(jī)技術(shù)，通過數(shù)字處理的方法來增強(qiáng)和提取遙感圖像中的專題信息，從而提高分類精度。傳統(tǒng)的遙感影像計(jì)算機(jī)分類主要基于統(tǒng)計(jì)模式識別方法。利用遙感數(shù)據(jù)的統(tǒng)計(jì)值特征與訓(xùn)練樣本數(shù)據(jù)之間的統(tǒng)計(jì)關(guān)系來實(shí)現(xiàn)地物分類。常用的傳統(tǒng)分類方法包括非監(jiān)督分類的循環(huán)集群法（ISODATA）分類法、K均值聚類法等，以及監(jiān)督分類的最大似然法、最小距離法、平行六面體分類法等。隨著遙感圖像解譯和分析的深入研究以及地物類型分布方式的復(fù)雜性，統(tǒng)計(jì)模式識別方法逐漸顯現(xiàn)了本身的一些不足之處，因?yàn)橹豢紤]單一分類規(guī)則對影像進(jìn)行分類,而不考慮其他因素，如空間位置、色調(diào)特征等構(gòu)成影像的多種因素，最終影響了傳統(tǒng)分類方法的精度，造成傳統(tǒng)分類方法不足，加上衛(wèi)星遙感光譜數(shù)據(jù)由于空間分辨率比較低(TM影像30米、SPOT5影像10米) ,存在綜合光譜信息如混合像元,致使計(jì)算機(jī)分類面臨著諸多模糊對象導(dǎo)致分類出現(xiàn)較多錯分、漏分，使得分類精度達(dá)不到要求。為此專家學(xué)者不斷研究和探索新方法。尤其是近年來由于模式識別技術(shù)特別是人工智能的發(fā)展，人們發(fā)展了許多新方法和新技術(shù)來改善分類效果或提高分類精度。如目前比較流行的分類方法：人工神經(jīng)網(wǎng)絡(luò)方法、模糊數(shù)學(xué)方法、決策樹方法、專家系統(tǒng)方法、支持向量機(jī)方法等。本論文主要介紹比較典型人工神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)法和決策樹分類法。在傳統(tǒng)方法中人們最常使用的是以迭代為實(shí)質(zhì)的ISODATA法以及基于貝葉斯(Bayes)準(zhǔn)則建立的最大似然法。ISODATA法是迭代式自組織數(shù)據(jù)分技術(shù)算法(Iterative SelfOrganizing Data Analysis Techniques Algorithm)的縮寫，簡稱迭代法，是一種重復(fù)自組織數(shù)據(jù)分析技術(shù)，首先計(jì)算數(shù)據(jù)空間中均勻分布的類均值，然后用最小距離技術(shù)將剩余象元進(jìn)行迭代聚合，每次迭代都重新計(jì)算均值，且根據(jù)所得的新均值，對象元進(jìn)行再分類[34]。這是一種最常用的非監(jiān)督分類算法，它不需要通過訓(xùn)練場地來確定判別函數(shù)集，而是根據(jù)像元間的相似度大小，進(jìn)行合并歸類，也稱聚類[35]。ISODATA法或迭代法聚類的實(shí)質(zhì)是先給出一個不的初始分類，然后用某種原則反復(fù)修改和調(diào)整分類，以逐步逼近一個正確的分類。ISODATA算法的一般步驟如下:(l)首先選擇一些初始值作為初始聚類中心，然后將帶分類像元按照一定指標(biāo)分配給各個聚類中心。并計(jì)算各類中央本的距離函數(shù)等指標(biāo)。(2)根據(jù)給定的要求，將前一次獲得的集群組進(jìn)行處理，以獲得新的聚類中心。(3)進(jìn)行迭代運(yùn)算，重新計(jì)算各項(xiàng)指標(biāo)，判別聚類結(jié)果是否符合要求。(4)經(jīng)過多次迭代運(yùn)算后，直到結(jié)果收斂，運(yùn)算最終結(jié)束。ISODATA法作為非監(jiān)督分類優(yōu)勢在于不需要事先對所要分類的區(qū)域有廣泛的了解認(rèn)識，得到的類別只是按照自然光譜獲得，但是如果要想得到