【正文】 ，但訓(xùn)練樣本比較多、一定的類別先驗概率分布的知識，而且數(shù)據(jù)接近正態(tài)分布的條件下，最大似然法被認(rèn)為是分類精度最高的分類方法，在遙感分類中比較常用。假設(shè)一影像中的光譜類別表示為wi(i=1,…,M,M為總的類別個數(shù))當(dāng)判別位于x的某一像元的類別時，使用條件概率p（wi |x）(i=1,…,M)位置矢量是一個多波段的反射值的矢量，它將像元表達(dá)為多維空間中的一個點。該方法優(yōu)點在于引入誤差小，并且獨特的、覆蓋量小的類別也能夠被識別，但在實際應(yīng)用中也存在精度低、無法控制等缺陷。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]。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。結(jié)論和展望總結(jié)了本文的研究結(jié)果和結(jié)論，并且對其實際應(yīng)用進(jìn)行了展望。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。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。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]。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]。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。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]。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。因此植被信息的調(diào)查成為遙感的重要應(yīng)用領(lǐng)域[35]。隨著遙感技術(shù)的發(fā)展，因其具有覆蓋面積大、重復(fù)周期短、多時相性和動態(tài)監(jiān)測等優(yōu)勢，已成為一種最有效的資源調(diào)查和監(jiān)測手段，廣泛應(yīng)用于遙感信息提取中。 Information extraction目錄 1 1 1 2 4 5 5 6 72. 遙感圖像計算機(jī)分類技術(shù) 8 9 9 9 傳統(tǒng)分類方法的不足 11 計算機(jī)非傳統(tǒng)分類方法 11(ANN) 12(SVM) 13 14 16 17 Kappa分析 17 19 研究區(qū)概況 19 21 21 21 27 29 33 33 35 38 40 45 基于決策樹的桉樹分布信息提取 45 4植被指數(shù)和主成分特征的決策樹信息提取 4植被指數(shù)、主成分特征和紋理特征的決策樹信息提取 54 基于其它分類方法的桉樹分布信息提取 60 ISODATA分類方法 60 最大似然分類方法 61 62 67 67 68參考文獻(xiàn)： 70致謝 75VII本論文依托于國家自然科學(xué)基金項目——云南尾葉桉類林引種的環(huán)境影響與生態(tài)安全格局研究開展研究。可見，紋理特征的加入有利于提高桉樹分布信息提取的精度。研究生簽名： 導(dǎo)師簽名： 日 期： 摘要桉樹作為世界上三大速生林之一，因其具有很高的實用價值和經(jīng)濟(jì)效益，世界各地大量引種。 （保密的論文在解密后應(yīng)遵循此規(guī)定）研究生簽名： 導(dǎo)師簽名： 日 期： …………………………………………………………………本人及導(dǎo)師同意將學(xué)位論文提交至清華大學(xué)“中國學(xué)術(shù)期刊（光盤版）電子雜志社”進(jìn)行電子和網(wǎng)絡(luò)出版，并編入CNKI系列數(shù)據(jù)庫，傳播本學(xué)位論文的全部或部分內(nèi)容，同意按《中國優(yōu)秀博碩士學(xué)位論文全文數(shù)據(jù)庫出版章程》規(guī)定享受相關(guān)權(quán)益。研究發(fā)現(xiàn)，在決策樹分類過程中，基于光譜、植被指數(shù)、主成分變換和紋理特征的決策樹是最佳的分類方法，分類效果最好，%，桉樹的生產(chǎn)者精度為86%；該分類方法比基于光譜、%，桉樹的生產(chǎn)者精度提高3%；%，桉樹的生產(chǎn)者精度提高8%。 Decision Tree Classification。傳統(tǒng)的森林資源調(diào)查費(fèi)時、費(fèi)力。采用傳統(tǒng)的人工調(diào)查法耗時耗力，無法滿足大區(qū)域的準(zhǔn)確植被信息提取的需要，且遙感技術(shù)具有宏觀觀測等特點，在大面積調(diào)查時具有較大優(yōu)勢。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]。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]。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]。自數(shù)字計算機(jī)在上世紀(jì)五、六十年代出現(xiàn)以來，人們利用計算機(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。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]。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。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。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，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。利用遙感數(shù)據(jù)的統(tǒng)計值特征與訓(xùn)練樣本數(shù)據(jù)之間的統(tǒng)計關(guān)系來實現(xiàn)地物分類。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，每次迭代都重新計算均值，且根據(jù)所得的新均值，對象元進(jìn)行再分類[34]。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類別劃分到相應(yīng)的目標(biāo)類中，這個過程往往需要對研究區(qū)有一些背景資料和認(rèn)識。這時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)概率，取最大概率對應(yīng)的類為分類結(jié)果。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。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。能“自然地”實現(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]。輸入模型就是用于分類的特征數(shù)據(jù)。它建立在統(tǒng)計學(xué)習(xí)理論的VC維和結(jié)構(gòu)風(fēng)險最小化原理基礎(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)的實際風(fēng)險達(dá)到最小。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）。決策樹內(nèi)部節(jié)點對輸入數(shù)據(jù)的屬性特征進(jìn)行相應(yīng)的判斷，每個分支對判斷后的結(jié)果進(jìn)行相應(yīng)的輸出。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，則使用卡方檢驗分別計算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，則使用方差分析計算P值。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]。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。混淆矩陣(也稱誤差矩陣)是表示精度評價的一種常用的標(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，非主對角線代表錯誤分類即不一致的情況[60]。Kappa分析技術(shù)是一種多變量統(tǒng)計分析技術(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分類器的誤差矩陣是否具有顯著差別，Kappa統(tǒng)計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是用于精度評價總的的像元數(shù)量。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。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)。植被特征：，%。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)。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。（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。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。在進(jìn)行幾何校正時，合理選取控制點最為重要。最近鄰點法的優(yōu)點是輸出圖像仍然保持原來的像元值,簡單、處理速度快。西盟縣主要涉及中巴衛(wèi)星兩景影像，成像時間均為2009年12月28日，Path/Row分別為14/714/74。 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。樣本按照作用類型主要分為兩種：訓(xùn)練樣本和驗證樣本。相對于其它林地而言，紋理要整齊光滑一點，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。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，通過決策樹方法實現(xiàn)遙感圖像分類。地物的光譜特征不但是傳感器波段設(shè)計的依據(jù)，也是遙感數(shù)據(jù)分析解譯的基礎(chǔ)，同時也是現(xiàn)代遙感技術(shù)的重要組成部分。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