【正文】 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行分類。特征提取(Feature Extraction)是對若干個原特征或原波段圖像施以某種運算，產(chǎn)生數(shù)目相等或數(shù)目較少的新特征或新圖像。充分考慮到南方丘陵地帶，地貌復雜，地形破碎的特點，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個波段的波譜信息作為研究數(shù)據(jù)。因此樣本的選擇至關重要。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。三次卷積插值法的優(yōu)點是有利于保持原始圖像中的灰級。西盟縣中巴衛(wèi)星影像校正點分布見圖32，西盟縣中巴衛(wèi)星影像校正誤差見表32。幾何校正可以使用的幾何校正模型有圖像仿射變換、多項式變換等，本研究采用多項式幾何校正模型對影像進行校正，根據(jù)要求其最少控制點數(shù)的計算公式為(t+l)(t+2)/2，t表示次方數(shù)。這項工作在ARCGIS中進行。32176。中巴地球資源衛(wèi)星沒有經(jīng)過試驗星階段，首發(fā)即能有效使用，使國內(nèi)外同行專家認為中巴地球資源衛(wèi)星的成功，代表中國衛(wèi)星研制水平上了一個新臺階。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)典型地類訓練樣本和驗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)桉樹的訓練樣本和驗證樣本的選擇提供數(shù)據(jù)支持；（4）2010年12月2011年1月野外實測各地類GPS（160個）坐標點：主要為研究區(qū)典型地類訓練樣本和驗證樣本的選擇提供數(shù)據(jù)支持。降雨多集中在610月份，%，常年雨季歷時164天，歷年平均暴雨天數(shù)為8～10天。山脈水系大致南北延伸，地勢北高南低，最低點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。43 ′北緯22176。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數(shù)；使用者精度是用一個類別的正確像元總數(shù)除以實際上被分到該類像元的總數(shù)；他們的計算表達式分別為: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€更客觀的指標來評價分類質(zhì)量，比如兩幅圖像之間的吻合度。其中分類精度矩陣是目前研究者使用較多的一種方法。近年來，利用決策樹技術進行分類方法盡管時間不長，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，并已得到成功應用[5657]。假如Y為多分類，則為每一Y取值的類別計算X的均數(shù)，通過聚類分析算法，把這些類別合并為兩個大類，從而多類判別問題簡化為二類判別。 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，并且在每個結(jié)點上記錄所選的空間數(shù)據(jù)圖層的編號以及相應的判別函數(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，逐級地在每個結(jié)點上對樣本數(shù)據(jù)以外的待分類數(shù)據(jù)進行分類[53]。決策樹由一個根節(jié)點(Root nodes)、一系列內(nèi)部節(jié)點(Intenral nodes)(分支)及終節(jié)點(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)。標準的支持向量機算法是有監(jiān)督的學習方法，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。每一層都包括許多節(jié)點。在遙感數(shù)字圖像分類中得到越來越多的重視，并廣泛應用于分類研究中。近幾年，很多新的研究方法已經(jīng)應用在了遙感圖像分類上，比如有人工神經(jīng)網(wǎng)絡法(ANN)、決策樹分類法以及支持向量機(SVM)等。然而，在很多實際的遙感圖像分類問題中取得先驗知識很困難，這使得最大似然法取得的效果不理想。這是貝葉斯分類的一個特例。最大似然法假設遙感圖像的每個波段數(shù)據(jù)都為正態(tài)分布。并計算各類中央本的距離函數(shù)等指標。尤其是近年來由于模式識別技術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來改善分類效果或提高分類精度。遙感技術具有覆蓋面廣, 成像迅速而且具有周期成像能力, 并且具有多波段、多時相、多應用目標以及多學科綜合的特點[22]。遙感圖像計算機分類技術本章主要介紹了遙感圖像的計算機分類技術，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)絡法、支持向量機法和本次試驗研究主要采用的決策樹分類方法。為彌補上述不足，本文基于決策樹分類技術，嘗試選擇不同的特征組合對遙感影像進行分類研究，并與傳統(tǒng)的ISODATA法和最大似然分類法進行比較，找到最佳決策樹分類方法，實現(xiàn)對桉樹分布信息的準確提取。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]?；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))有機地組合來提高分類精度。Griffiths和Lee（2000）采用GIS技術結(jié)合地物的光譜信息，分類精度在80%～85%[18]。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]。采用光學遙感手段進行植被信息提取的方法已經(jīng)比較成熟[10]。之后的計算機自動分類比目視解譯進了一步，后面又發(fā)展采用了遙感信息復合技術[8]。隨著航天遙感技術的快速發(fā)展, 遙感為地球科學研究提供數(shù)據(jù)的能力越來越強, 已經(jīng)成為資源調(diào)查、環(huán)境監(jiān)測的重要技術手段[12]。已成為我國南方速生豐產(chǎn)林的戰(zhàn)略性樹種(鄭明鏡等，2003)。關鍵詞：桉樹；遙感；紋理；決策樹分類；信息提取AbstractThe eucalyptus is one of the three fastgrowing forests in the world. Because of its high practical value and economic benefits, it is introduced by a large number of parts in the world. Yunnan is one of the largest provinces of planting eucalyptus, and how to scientifically and reasonably operate and manage for eucalyptus plantations has attracted much attention for people. Making eucalyptus forest resources survey is a basic work, but the traditional forest resources survey is timeconsuming and laborious. In recent years, with the further development of remote sensing technology, it has bee one possibility by use of remote sensing images for specific species information extraction.Ximeng County in Pu39。近年來，隨著遙感技術的進一步發(fā)展，利用遙感影像進行特定的樹種信息提取為我們提供了一種有效手段。碩士研究生學位論文題 目基于RS的桉樹分布信息提取方法研究 扉頁：獨創(chuàng)性聲明本人聲明所呈交的論文是我個人在導師指導下進行的研究工作及取得的研究成果。本文以云南省普洱市西盟縣為試驗區(qū)。er City of Yunnan Province is used for the test area in paper. Based on December 28 2009 CMB satellite remote sensing images, the paper makes the study of extraction contrast for eucalypt with the more popular method of the decision tree and the traditional classification of information. At the same time, on the basis of spectral analysis of different land types, vegetation index, principal ponent transform features and texture information, the paper constructs classification of the characteristics of the study area to accurately extract the eucalyptus distribution information.The study finds that the decision tree based on the spectral information, vegetation index, principal ponent transform features and texture features is the best classification method and the best classification result in the decision tree classification process. The overall accuracy of that classification method is to reach %, Kappa coefficient is to reach , and eucalyptus producer’s accuracy is to reach 86%. The overall accuracy of that classification method is % higher than that based on spectral information, vegetation indices and principal ponent features. The Kappa coefficient is higher, and eucalyptus producer precision is 3%high. The overall accuracy of that classification method is % higher than that based on spectral information and vegetation indices. The Kappa coefficient is higher, and eucalyptus producer’s accuracy is 8% high. The study shows that texture features are helpful to improve the accuracy of eucalypt extract. Compared with the traditional IS0DATA and supervised classification maximum likelihood method, the overall accuracy of that classification method is % higher than that of the unsupervised classification IS0DATA Kappa coefficient is higher, and eucalypt producer’s accuracy is 44% high. The overall accuracy of that classification method is % higher than that of the supervised classification maximum likelihood Kappa coefficient is higher, and eucalyptus producer’s accuracy is 28% high. Because of full use of the spectrum of the surface features, the principal ponent transform characteristics, texture, and other information, decision tree classification improves the classification accuracy. In this study, the method and technique for automatic extraction of eucalypt resources based on decision tree is formed initially.Keyw