【正文】 通過研究現(xiàn)狀，我們可以看出利用遙感技術(shù)實現(xiàn)桉樹分布信息提取，很少有文獻涉及，而利用決策樹分類方法實現(xiàn)對桉樹分布信息的提取研究，更是薄弱。陳君穎等對IKONOS衛(wèi)星影像，利用決策樹分類算法對植被進行了分類，研究表明，充分利用高分辨力影像的紋理信息，能有效實現(xiàn)植被分類并且精度較高，為實現(xiàn)植被的自動化提取提供了理論依據(jù)和方法途徑[27]。更重要的是計算量不是很大，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，因為提供的訓(xùn)練例子能夠用屬性——結(jié)論式的方式表達出來，就能以該算法來進行學(xué)習(xí)。（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到的精度最大為89%。顏梅春以南京市鐘山景區(qū)為試驗區(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。、。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]。繼1972年美國實施地球資源衛(wèi)星計劃以來，衛(wèi)星遙感技術(shù)以迅猛的速度在全球范圍內(nèi)發(fā)展，隨著新的遙感平臺陸續(xù)升空，遙感儀器也不斷的進行更新?lián)Q代。我國自1890年引種桉樹以來，從零星種植到規(guī)模發(fā)展，現(xiàn)有桉樹人工林總面積達到170多萬hm178。本論文研究初步形成了一套基于決策樹的桉樹分布信息資源自動提取的方法與技術(shù)。做好桉樹森林資源調(diào)查是一項基礎(chǔ)性的工作，而傳統(tǒng)的森林資源調(diào)查費時、費力。除了文中特別加以標(biāo)注和致謝的地方外，論文中不包含其他人或集體已經(jīng)發(fā)表或撰寫過的研究成果，對本文的研究做出貢獻的集體和個人均已在論文中作了明確的說明并表示了謝意。采用2009年12月28日中巴衛(wèi)星遙感影像，結(jié)合目前比較流行的決策樹方法與傳統(tǒng)分類方法對桉樹分布信息進行提取對比研究。 Remote Sensing。目前需要解決的關(guān)鍵問題是科學(xué)合理地發(fā)展桉樹人工林，實現(xiàn)桉樹人工林的可持續(xù)發(fā)展。植被不但是環(huán)境的重要組成因子，也是反映區(qū)域生態(tài)環(huán)境的最好標(biāo)志之一，同時也是土壤、水文等要素的解譯標(biāo)志[3]。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。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)實現(xiàn)植被的分類。向娟采用面向?qū)ο蠓诸惙椒ǎ瑢﹁駱湫畔⑻崛∵M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]。Shefali等（2003）利用多時相的NDVI對中南亞地區(qū)的植被進行分類，植被指數(shù)的加入使分類結(jié)果較好[20]。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]。John Durkin(2005)利用決策樹對衛(wèi)星圖像進行分析以估計落葉林和針葉林的基部面積值。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驗區(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。并確定了土地利用/覆蓋分類類別，針對研究區(qū)進行了各類別的典型樣本選擇，計算各對象的光譜、植被指數(shù)、主成分變換、紋理信息等特征，并對這些特征進行分析。遙感圖像分類過程中可以利用計算機技術(shù)，通過數(shù)字處理的方法來增強和提取遙感圖像中的專題信息，從而提高分類精度。本論文主要介紹比較典型人工神經(jīng)網(wǎng)絡(luò)法、支持向量機法和決策樹分類法。(3)進行迭代運算，重新計算各項指標(biāo)，判別聚類結(jié)果是否符合要求。最大似然分類法在多類別分類時，常采用統(tǒng)計學(xué)方法建立起一個判別函數(shù)集。條件概率p（wi |x）和p（x | wi）可以用貝葉斯定律表達：p（wi |x）= p（x | wi）p（wi）/ p（x） (21)式中：p（x | wi）x在類別wi出現(xiàn)的概率；p（wi） 類別wi在整個圖像中出現(xiàn)的概率，并且有p(x)=i=1M p（x |wi）p（wi） (22)p（wi）為先驗概率，p（x | wi）為后驗概率。(如地面實測數(shù)據(jù))在很多情況下不具備統(tǒng)計意義。人工神經(jīng)網(wǎng)絡(luò)分類方法在分類時綜合考慮了地物的光學(xué)特性、空間特性和時相特性[4243]。一個基本的神經(jīng)網(wǎng)可分為三層：輸入層、中間層和輸出層。在每一個處理節(jié)點都進行求和以及變換運算。如果這兩類樣本（訓(xùn)練集）是線性可分的，那么機器學(xué)習(xí)的結(jié)果是一個超平面（二維情況下是直線）或稱為判別函數(shù)，該超平面將訓(xùn)練樣本分為正負(fù)兩類。其中每個內(nèi)部節(jié)點都包含一個父節(jié)點，一個或者幾個子節(jié)點。圖 22 決策樹示意圖決策樹分類樹模型早期有CART和CHIAD兩種算法，1997年Loh和Shih對CHIAD算法加以改進，提出了一種新的二叉樹算法QUEST（Quick，Unbiased，Efficient Statistical Tree的縮寫），該算法不但克服了CHIAD算法的某些缺點，在變量選擇上基本無偏，而且將變量選擇和分叉點選擇分開進行，可以適用于任何類型的自變量。眾所周知，遙感圖像分類是一個多因素、多環(huán)節(jié)交織在一起的復(fù)雜過程，受到多種因素的影響，目前還沒有一種分類算法能達到完全實用的目的。人工神經(jīng)網(wǎng)絡(luò)方法訓(xùn)練數(shù)據(jù)時間很長，并且網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計的選擇也并非很直接[58]，因而神經(jīng)網(wǎng)絡(luò)的訓(xùn)練不但費時并且對訓(xùn)練結(jié)果的好壞事先缺乏判斷，這些都是不如決策樹分類的地方。常用的精度評價方法是混淆矩陣。由于總體精度只利用了誤差矩陣主對角線上的元素，沒有利用整個誤差矩陣的信息，使得全面衡量分類誤差缺乏整體性。57′之間，研究區(qū)位置見圖31。水文特征：縣內(nèi)河流均屬怒江水系，境內(nèi)較大的河流有6條，東部有庫杏河與勐梭河匯合，中部有新廠河與勐梭河匯合而成南康河，西部有南錫河與南康河匯合為南卡江。降雨隨大氣環(huán)流的季節(jié)更換，氣候變化十分明顯，具有“夏秋多雨、冬春干旱”的季風(fēng)氣候特點。它有效載荷艙有電荷耦合器件攝像機(CCD)、紅外多光譜掃描儀(IRMSS)和寬視場相機(WFI)三種傳感器。02星(CBERS2)于2003年10月21日在中國太原衛(wèi)星發(fā)射中心成功發(fā)射。因此本文主要采用2009年12月28日的CBERS02BCCD影像對研究區(qū)進行桉樹分布信息提取分類研究。一般來講，遙感圖像接收后由地面接收站先進行幾何粗校正，然后再將產(chǎn)品提供給客戶。與之相反，所用地面控制點數(shù)量越少，校正精度就越低，計算的工作量也就越小。因此，需要根據(jù)輸出圖像上的各像元在輸入圖像中的位置，對原始圖像按一定規(guī)則重新采樣，進行亮度值的插值計算，建立新的圖像矩陣。本研究中采用雙線性插值法進行重采樣。結(jié)合遙感影像地面分辨率及野外考察的實際情況，將研究區(qū)地類劃分為耕地、林地（桉樹、其它林地）、建設(shè)用地、水域、其它。也就是所含類型應(yīng)與研究地域所要區(qū)分的類別一致。植被根據(jù)覆蓋度不同表現(xiàn)出深淺不同的紅色，橡膠、果園等園地多表現(xiàn)為綠色。圖35 西盟縣地類野外考察GPS點分布圖表35 西盟縣各地類訓(xùn)練樣本選取數(shù)量表地類桉樹其它林地耕地建設(shè)用地水域其它樣本數(shù)15001400900700500600圖 36 西盟縣各地類訓(xùn)練樣本分布圖表36西盟縣CBERS02B影像各地類解譯標(biāo)志（432假彩色合成影像）地類典型影像影像特征色調(diào)形狀紋理桉樹鮮紅色邊界較清晰,成片狀影像結(jié)構(gòu)均一,平滑其它林地淡紅、紫紅、暗紅、綠色、部分發(fā)白不規(guī)則斑塊影像結(jié)構(gòu)混雜，多平滑，局部顆粒狀耕地淺藍色、灰白色不規(guī)則斑塊顆粒狀，質(zhì)感強建設(shè)用地亮藍色不規(guī)則斑塊，成片狀、簇狀影像結(jié)構(gòu)較均一,平滑水域深藍色邊界清晰、塊狀、線狀影像結(jié)構(gòu)均一其它藍黑色邊界清晰、塊狀、簇狀影像結(jié)構(gòu)均一遙感影像需要選取大量的分類特征來加以區(qū)分，因為其不但存在“同物異譜”和“同譜異物”現(xiàn)象，而且影像上的光譜特征和空間特征對環(huán)境背景的依賴性較大。遙感圖像特征提取的實質(zhì)就是通過對原始特征光譜進行一定的變換或映射處理，找出最能準(zhǔn)確分出待分類別的特征光譜子集，使分散在波段之間的分類信息集中在少數(shù)幾個特征中，從而在對數(shù)據(jù)進行降維處理的同時增強分類性能、提高分類精度[63]。根據(jù)地類選取樣本進行各地類的光譜分析，各典型地類樣本統(tǒng)計見表37。但總體來說，還是有幾種多光譜衛(wèi)星遙感影像記錄了地物對電磁波的反射信息，以及地物自身的熱輻射信息。圖像特征是圖像分析的重要依據(jù)。本實驗中的桉樹樣本，主要來源于金光公司提供的1：10萬20032005年西盟縣桉樹造林分布圖和野外實地采樣點GPS。驗證樣本主要用來對分類結(jié)果的精度進行評價，可靠的樣本數(shù)據(jù)將給計算統(tǒng)計量和進行精度評價提供必要的基礎(chǔ)資料。此類草地一般水分條件較好，草被生長茂密32中覆蓋度草地指覆蓋度在20％～50％的天然草地和改良草地，此類草地一般水分不足，草被較稀疏33低覆蓋度草地指覆蓋度在5％～20％的天然草地。（4）圖像裁剪圖像裁剪是在實際工作中，根據(jù)研究工作范圍對圖像進行分幅裁剪，將研究范圍切割下來，這是一種用于抽提特定研究區(qū)域的方法。雙線性內(nèi)插法的優(yōu)點是計算較為簡單，校正后的圖像亮度連續(xù)，精度明顯提高，特別是對亮度不連續(xù)現(xiàn)象或線狀特征的塊狀化現(xiàn)象有明顯的改善。如道路交叉點、河流交叉處中心點、湖泊水岸線拐點、山脊轉(zhuǎn)折點等。它是利用控制點對進行的幾何校正。本研究所采用的CBERS影像數(shù)據(jù)采用橫軸墨卡托投影，WGS84坐標(biāo)系。32176。但由于合作的進度推遲，使廣大用戶受到影響，也使衛(wèi)星趕超世界先進水平的步伐滯后。植被類型復(fù)雜多樣，主要有季節(jié)性雨林、季雨林、季風(fēng)常綠闊葉林和后期發(fā)展的杉木林、橡膠林、思茅松林、竹林、桉樹林等。℃，最熱月(5月)℃,最冷月(1月)℃。 研究區(qū)概況西盟縣位于云南省西南部，西與緬甸為鄰，地處東經(jīng)99176。s accuracy) 表示從分類結(jié)果中任意取一個隨機樣本，所具有的類型與地面實際類型相同的條件概率；使用者精度(user39。因此對分類的結(jié)果進行分析與評價是整個分類過程中的一個重要的、必不可少的環(huán)節(jié)[59]。所以，其總體分類精度優(yōu)于傳統(tǒng)的參數(shù)化統(tǒng)計分類方法[51]。相反如果方差齊性檢驗的P值均大于界值，則選擇在第一步中P值最小的變量作為分枝變量。使用決策樹進行事例決策的過程，就是通過對事例的屬性進行一系列的由數(shù)根節(jié)點向下經(jīng)內(nèi)部節(jié)點逐步判斷，直至葉節(jié)點產(chǎn)生最終決策結(jié)果[52]。決策樹算法是以實例為基礎(chǔ)的歸納學(xué)習(xí)算法，它從一組無次序、無規(guī)則的事例中推理出決策樹表示的分類規(guī)則[4950]。引入核函數(shù)使解平面從線性擴展到非線性。其他特征數(shù)據(jù)，如像元的空間鄰域數(shù)據(jù)或多時相光譜向量數(shù)據(jù)也可以用做輸入。近年來，不同學(xué)者提出或應(yīng)用BP網(wǎng)絡(luò)、三維Hopfield網(wǎng)絡(luò)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)等對遙感圖像進行監(jiān)督分類[4748]。 計算機非傳統(tǒng)分類方法傳統(tǒng)的遙感圖像計算機分類方法是根據(jù)遙感數(shù)據(jù)的統(tǒng)計特征與訓(xùn)練樣本數(shù)據(jù)之間的統(tǒng)計關(guān)系來進行地物分類，其分類結(jié)果精度差強人意。 傳統(tǒng)分類方法的不足傳統(tǒng)方法中的ISODATA法雖可自迭代由少到多地確定類數(shù)，但參數(shù)確定困難，一些距離參數(shù)要隨維數(shù)的變化作相應(yīng)的調(diào)整［3941］。概率p（wi |x）給出了再光譜空間中點x的像元屬于類別wi的概率。最大似然分類方法是根據(jù)有關(guān)概率判決函數(shù)的貝葉斯準(zhǔn)則對遙感圖像進行的識別分類。ISODATA法或迭代法聚類的實質(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。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)計模式識別方法逐漸顯現(xiàn)了本身的一些不足之處，因為只考慮單一分類規(guī)則對影像進行分類,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,致使計算機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，使得分類精度達不到要求。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]。并介紹了本文的研究內(nèi)容和技術(shù)路線。Yoshikawa Masanobu等(1995)用完全自動構(gòu)造二叉決策樹對遙感數(shù)據(jù)進行了土地覆蓋類型分類，并將這種算法與Bayesian分類器進行了比較，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。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分類方法進行比較,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]。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，因為它不但建立速度快、精度高，而且可以生成可理解的規(guī)則。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行分類，分類精度有所提高[19]。申廣榮等通過統(tǒng)計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]。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。植被遙感信息提取的目的是在遙感影像上