【正文】 ，%，%，%[12]。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]。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]。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]。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?；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。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]。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]。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。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。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。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。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(jià)和對比。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(shí)相、多應(yīng)用目標(biāo)以及多學(xué)科綜合的特點(diǎn)[22]。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。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。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]。并計(jì)算各類中央本的距離函數(shù)等指標(biāo)。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，但是如果要想得到具體的分類就需要人工操作將每個(gè)類別劃分到相應(yīng)的目標(biāo)類中，這個(gè)過程往往需要對研究區(qū)有一些背景資料和認(rèn)識。最大似然法假設(shè)遙感圖像的每個(gè)波段數(shù)據(jù)都為正態(tài)分布。這時(shí)的歸屬概率是指對于待分像元x，它從屬于分類類別k的(后驗(yàn))概率，取最大概率對應(yīng)的類為分類結(jié)果。這是貝葉斯分類的一個(gè)特例。在p（x |wi）服從多元正態(tài)分布的假設(shè)下，判別函數(shù)可改寫成gi (x)= lnP(Wi)－ln|Σi |－[ (x－Mi) T (Σi) 1 ( x－Mi)] (24)式中：Mi為類別中wi中像元的均值；Σi 為類別wi中像元的協(xié)方差矩陣；|Σi |表示矩陣Σi的范數(shù)；Mi和Σi可以從訓(xùn)練數(shù)據(jù)中獲得。然而，在很多實(shí)際的遙感圖像分類問題中取得先驗(yàn)知識很困難，這使得最大似然法取得的效果不理想。監(jiān)督分類中最大似然分類方法在中低空間分辨率遙感數(shù)據(jù)分類中被認(rèn)為是最佳方法。近幾年，很多新的研究方法已經(jīng)應(yīng)用在了遙感圖像分類上，比如有人工神經(jīng)網(wǎng)絡(luò)法(ANN)、決策樹分類法以及支持向量機(jī)(SVM)等。能“自然地”實(shí)現(xiàn)各種非線性映射和求解各種分界面十分復(fù)雜和高度非線性的分類和模式識別問題[46]。在遙感數(shù)字圖像分類中得到越來越多的重視，并廣泛應(yīng)用于分類研究中。輸入模型就是用于分類的特征數(shù)據(jù)。每一層都包括許多節(jié)點(diǎn)。它建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理基礎(chǔ)上，通過適當(dāng)?shù)剡x擇函數(shù)子集，根據(jù)有限樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折中，使學(xué)習(xí)機(jī)的實(shí)際風(fēng)險(xiǎn)達(dá)到最小。標(biāo)準(zhǔn)的支持向量機(jī)算法是有監(jiān)督的學(xué)習(xí)方法，根據(jù)最優(yōu)分類面情況可分為兩種：線性類別（可分和不可分）和非線性類別。分類間隔是指兩類中離分類超平面最近的樣本且平行于分類超平面的兩個(gè)超平面間的距離，或者說是從分類超平面到兩類樣本中最近樣本的距離的和，正是這些樣本確定了最優(yōu)分類超平面，它們就是所謂的支持向量（Support Vectors，SV）。決策樹由一個(gè)根節(jié)點(diǎn)(Root nodes)、一系列內(nèi)部節(jié)點(diǎn)(Intenral nodes)(分支)及終節(jié)點(diǎn)(Terminal nodes)(葉)組成，類似于流程圖的樹狀結(jié)構(gòu)(圖22決策樹示意圖)。決策樹內(nèi)部節(jié)點(diǎn)對輸入數(shù)據(jù)的屬性特征進(jìn)行相應(yīng)的判斷，每個(gè)分支對判斷后的結(jié)果進(jìn)行相應(yīng)的輸出。 決策樹分類的算法原理就是以選定的樣本數(shù)據(jù)為對象逐級找到分類樹的結(jié)點(diǎn)，并且在每個(gè)結(jié)點(diǎn)上記錄所選的空間數(shù)據(jù)圖層的編號以及相應(yīng)的判別函數(shù)參數(shù)，從而有可能反過來從“樹根”到“葉”按照生成的判別規(guī)則，逐級地在每個(gè)結(jié)點(diǎn)上對樣本數(shù)據(jù)以外的待分類數(shù)據(jù)進(jìn)行分類[53]。因此，本次論文主要選用QUEST算法進(jìn)行決策樹分類研究，其基本算法原理為：首先對所有自變量與因變量的相關(guān)性進(jìn)行分析，設(shè)X為分類變量，則使用卡方檢驗(yàn)分別計(jì)算X與Y的關(guān)聯(lián)強(qiáng)度，并求出P值；如果X為有序或連續(xù)變量，則使用方差分析計(jì)算P值。假如Y為多分類，則為每一Y取值的類別計(jì)算X的均數(shù)，通過聚類分析算法，把這些類別合并為兩個(gè)大類，從而多類判別問題簡化為二類判別。決策樹是一種非參數(shù)、分層的分類方法，分類結(jié)構(gòu)清晰，可重復(fù)性好，對數(shù)據(jù)分析與解釋更具有靈活性[55]。近年來，利用決策樹技術(shù)進(jìn)行分類方法盡管時(shí)間不長，但是由于各種數(shù)據(jù)量不斷增大，建立在知識基礎(chǔ)上的規(guī)則判斷也越來越引起很多研究者的注意，并已得到成功應(yīng)用[5657]。綜合分析考慮ANN法和SUM法分類存在的缺陷，本論文最終選用決策樹方法進(jìn)行桉樹分布信息提取研究。其中分類精度矩陣是目前研究者使用較多的一種方法。混淆矩陣(也稱誤差矩陣)是表示精度評價(jià)的一種常用的標(biāo)準(zhǔn)格式，是指將分類數(shù)據(jù)(通常作為行)同參考數(shù)據(jù)(通常作為列)相比較而形成的矩陣表格，其中主對角線代表正確分類即一致的情況，非主對角線代表錯(cuò)誤分類即不一致的情況[60]。對特定的分類圖來說，總體精度是由誤差矩陣中正確的樣本總數(shù)與所有樣本總數(shù)的比值而得；生產(chǎn)者精度是用某一類別的正確的像元除以該類總參考像元個(gè)數(shù)；使用者精度是用一個(gè)類別的正確像元總數(shù)除以實(shí)際上被分到該類像元的總數(shù)；他們的計(jì)算表達(dá)式分別為:總體精度=主對角線元素之和/誤差矩陣所有元素之和 （25）生產(chǎn)者精度=類型對應(yīng)的主對角線元素/類型所在的列總和 （26）使用者精度=類型對應(yīng)的主對角線元素/類型所在的行總和 （27） Kappa分析對誤差矩陣得出總體精度、生產(chǎn)者精度以及使用者精度后，我們?nèi)匀恍枰粋€(gè)更客觀的指標(biāo)來評價(jià)分類質(zhì)量，比如兩幅圖像之間的吻合度。Kappa分析技術(shù)是一種多變量統(tǒng)計(jì)分析技術(shù)，反映分類結(jié)果在多大程度上優(yōu)于隨機(jī)分類結(jié)果，并可以用于比較兩個(gè)分類器的誤差矩陣是否具有顯著差別，Kappa統(tǒng)計(jì)是一種測定兩幅圖之間吻合度或精度的指標(biāo)，其公式為：Kappa=Ni=1rxiii=1r(xi+x+i)N2i=1r(xi+x+i) （28）式中，r為誤差矩陣中的總列數(shù)(即總的類別數(shù))；xii為誤差矩陣中第i行、第i列上像元數(shù)量(即正確分類的數(shù)目)；xi+和x+i分別是第i行和第i列上總像元數(shù)量；N是用于精度評價(jià)總的的像元數(shù)量。43 ′北緯22176。全縣土壤偏酸，有機(jī)質(zhì)含量高，由于氣溫較低，有機(jī)質(zhì)分解較慢，缺磷、少鉀。山脈水系大致南北延伸，地勢北高南低，最低點(diǎn)為各弄秧河與南卡江匯合處，海拔590m，地貌類型以山地為主，%，僅在縣城駐地勐梭鎮(zhèn)有小面積的河谷平壩。氣象特征：西盟縣地處北回歸線以南，地形復(fù)雜，氣候類型多樣，可劃分為三個(gè)氣候類型，即海拔800m以下為亞熱帶濕潤河谷區(qū)，海拔800—1500m為南亞熱帶濕潤半山區(qū)，海拔1500m以上為中亞熱帶濕潤山區(qū)。降雨多集中在610月份，%，常年雨季歷時(shí)164天，歷年平均暴雨天數(shù)為8～10天。植被特征：，%。圖31 西盟縣交通位置圖（1）2005年9月20日高分辨率SPOT5影像：主要用于幾何校正和為研究區(qū)典型地類訓(xùn)練樣本和驗(yàn)證樣本的選擇提供數(shù)據(jù)支持；（2）西盟縣行政邊界：主要用于研究區(qū)裁剪；（3）金光公司提供的1：10萬20032005年西盟縣桉樹造林分布圖：主要為研究區(qū)桉樹的訓(xùn)練樣本和驗(yàn)證樣本的選擇提供數(shù)據(jù)支持；（4）2010年12月2011年1月野外實(shí)測各地類GPS（160個(gè)）坐標(biāo)點(diǎn)：主要為研究區(qū)典型地類訓(xùn)練樣本和驗(yàn)證樣本的選擇提供數(shù)據(jù)支持。在合作的過程中遇到一些障礙，迫使合作在1990～1994年處于停頓狀態(tài)。中巴地球資源衛(wèi)星沒有經(jīng)過試驗(yàn)星階段，首發(fā)即能有效使用，使國內(nèi)外同行專家認(rèn)為中巴地球資源衛(wèi)星的成功，代表中國衛(wèi)星研制水平上了一個(gè)新臺階。2006年4月國防科工委公布了CBERS衛(wèi)星數(shù)據(jù)的免費(fèi)分發(fā)政策，為國內(nèi)用戶免費(fèi)提供數(shù)據(jù)產(chǎn)品，大大降低了國內(nèi)用戶的使用成本。32176。（1）投影變換投影變換就是把遙感影像從一種地圖投影類型變換到另一種投影類型。這項(xiàng)工作在ARCGIS中進(jìn)行。由于研究所用的影像已經(jīng)進(jìn)行了幾何粗校正和輻射校正，所以在此只做幾何精校正。幾何校正可以使用的幾何校正模型有圖像仿射變換、多項(xiàng)式變換等，本研究采用多項(xiàng)式幾何校正模型對影像進(jìn)行校正，根據(jù)要求其最少控制點(diǎn)數(shù)的計(jì)算公式為(t+l)(t+2)/2，t表示次方數(shù)。在進(jìn)行幾何校正時(shí)，合理選取控制點(diǎn)最為重要。西盟縣中巴衛(wèi)星影像校正點(diǎn)分布見圖32，西盟縣中巴衛(wèi)星影像校正誤差見表32。最近鄰點(diǎn)法的優(yōu)點(diǎn)是輸出圖像仍然保持原來的像元值,簡單、處理速度快。三次卷積插值法的優(yōu)點(diǎn)是有利于保持原始圖像中的灰級。西盟縣主要涉及中巴衛(wèi)星兩景影像，成像時(shí)間均為2009年12月28日，Path/Row分別為14/714/74。圖33 西盟縣涉及圖像鑲嵌圖 34 西盟縣原始影像裁剪圖研究區(qū)地類獲取以衛(wèi)星影像為信息源。 表33全國遙感監(jiān)測土地利用/覆蓋分類體系一級類型 二級類型含 義代碼名稱代碼名稱1耕地——指種植農(nóng)作物的土地，包括熟耕地、新開荒地、休閑地、輪歇地、草田輪作地；以種植農(nóng)作物為主的農(nóng)果、農(nóng)桑、農(nóng)林用地；耕種三年以上的灘地和灘涂11水田指有水源保證和灌溉設(shè)施，在一般年景能正常灌溉，用以種植水稻，蓮藕等水生農(nóng)作物的耕地，包括實(shí)行水稻和旱地作物輪種的耕地111山區(qū)水田112丘陵水田113平原水田114大于25度坡地水田12旱地指無灌溉水源及設(shè)施，靠天然降水生長作物的耕地；有水源和澆灌設(shè)施，在一般年景下能正常灌溉的旱作物耕地；以種菜為主的耕地，正常輪作的休閑地和輪歇地121山區(qū)旱地122丘陵旱地123平原旱地124大于25度坡地旱地2林地——指生長喬木、灌木、竹類、以及沿海紅樹林地等林業(yè)用地21有林地指郁閉度30％的天然木和人工林。因此樣本的選擇至關(guān)重要。樣本按照作用類型主要分為兩種：訓(xùn)練樣本和驗(yàn)證樣本。本研究中考慮到要對各地類做光譜分析以及信息的完整性，所以充分利用5個(gè)波段的波譜信息作為研究數(shù)據(jù)。相對于其它林地而言，紋理要整齊光滑一點(diǎn)，建設(shè)用地為藍(lán)色且發(fā)亮，耕地則顯示為淺藍(lán)色或灰白色，水域顯示為深藍(lán)色，其它主要為山地陰影，呈藍(lán)黑色。充分考慮到南方丘陵地帶，地貌復(fù)雜，地形破碎的特點(diǎn)，使所選擇的樣本更有代表性，并盡量使每種樣本盡量均勻分布在整景圖像上。本論文主要對光譜、植被指數(shù)、主成分變換、紋理等幾種特征進(jìn)行提取分析，通過決策樹方法實(shí)現(xiàn)遙感圖像分類。特征提取(Feature Extraction)是對若干個(gè)原特征或原波段圖像施以某種運(yùn)算，產(chǎn)生數(shù)目相等或數(shù)目較少的新特征或新圖像。地物的光譜特征不但是傳感器波段設(shè)計(jì)的依據(jù)，也是遙感數(shù)據(jù)分析解譯的基礎(chǔ)，同時(shí)也是現(xiàn)代遙感技術(shù)的重要組成部分。在遙感圖像土地分類研究中，通常把多光譜信息作為特征進(jìn)行分類。從表37和圖37可以直觀地得出：（1）地類的波譜相應(yīng)特征桉樹：Band4 Band 2 Band 1 Band 3 Band 5其它林地：Band4 Band 2 Band 1 Band 3 Band 5耕地：Band 4 Band 5 Band 3 Band 2 Band 1建設(shè)用地：Band 4 Band 5 Band 3 Band 1 Band 2水域：Band 4 Band 1 Band 2 Band 3 Band 5其它：Band 4 Band 1 Band 2 Band 3 Band 5（2）地類的亮度值Band1：建設(shè)用地耕地水域其它林地桉樹其它Band2：建設(shè)用地耕地其它林地桉樹水域其它Band3：建設(shè)用地耕地其它林地水域桉樹其它Band4：桉樹其它林地建設(shè)用地耕地水域其它Band5：建設(shè)用地耕地其它林地桉樹水域其它（3）不同地類具