【文章內(nèi)容簡(jiǎn)介】 置分類結(jié)果的名稱和顏色，最后結(jié)果如圖，其中 no veg 表示不是植被 ， class1 表示陡坡植被 ,class2 表示非朝北的陡坡植被 ,class3表示朝北的緩坡植被。 10 圖 36 規(guī)則輸入結(jié)果圖和決策樹運(yùn)行圖 決策樹分類后處理 (1)分類統(tǒng)計(jì)： ENVI:ClassificationPost ClassificationClass Statistics：包括每一類的點(diǎn)數(shù)、最小值、最大 值、平均值以及類的每個(gè)波段的標(biāo)準(zhǔn)差等。其中每一類的最小值、最大值、平均值以及標(biāo)準(zhǔn)差可以以圖的方式進(jìn)行顯示。可以顯示出每一類的直方圖，并且計(jì)算其協(xié)方差矩陣、相關(guān)矩陣、特征值和特征矢量等 圖 37 分類統(tǒng)計(jì)顯示圖 (2)兩個(gè)分類結(jié)果的比較： ENVI:ClassificationPost ClassificationConfusion Matrix：分類結(jié)果的精度，顯示在一個(gè)混淆矩陣?yán)?。通過用分類結(jié)果與地表真實(shí)圖像（ Ground Truth Image）相比較來計(jì)算混淆矩陣。分類結(jié)果記錄了總體精度、準(zhǔn)確度 、 Kappa 系數(shù)、混淆矩陣、mission 誤差（每類中額外像元占的百分比）和冗長(zhǎng)誤差（類左邊的像元占的百分比）等等。當(dāng)用地表真實(shí)圖像計(jì)算混淆矩陣時(shí)，還可以輸出每類圖像中沒有被正確分類的那些像元。如圖 38 所示為針對(duì)兩個(gè)分類結(jié)果的比較： 11 圖 38 分類后處理圖（其中 class1 表示陡坡植被 ,class2 表示緩坡植被） 本章小結(jié) 決策樹分類算法具有靈活 ,直觀 ,清晰 ,運(yùn)算效率高等特點(diǎn) , 在遙感分類問題上表現(xiàn)出巨大的優(yōu)勢(shì) [12]。 隨著人工智能技術(shù)和理論的發(fā)展 , 當(dāng)前遙感圖像分類技術(shù)也向更高層 次發(fā)展 ,地學(xué)知識(shí)和地理信息的輔助決策可以大大提高遙感圖像分類和信息提取的精度 ,其中專家系統(tǒng)是解 決這一問題的有效途徑 .因此 ,將決策樹算法與基于知識(shí)的專家系統(tǒng)相結(jié)合將引起關(guān) 12 注。 決策樹分類法優(yōu)缺點(diǎn)分析 利用不同方式提取植被信息 本文以某 TM 遙感數(shù)據(jù) （ 圖 41） 作為數(shù)據(jù)源，分別利用監(jiān)督分類法、非監(jiān)督分類法與決策樹分類法就針對(duì)植被信息的提取進(jìn)行對(duì)比。對(duì)比過程中發(fā)現(xiàn)：利用監(jiān)督分類法 （ 圖 42)對(duì)植被信息的提取首先要選取感興趣區(qū)，監(jiān)督分類只能識(shí)別訓(xùn)練樣本中定義的類別，得到的結(jié)果內(nèi)容缺失嚴(yán)重， 人為主觀因素較強(qiáng) ，從而影響分類結(jié)果。而利用決策樹分類法進(jìn)行植被信息的提取不需要提取感興趣區(qū)，決策樹分類法的樹狀分類結(jié)構(gòu)對(duì)數(shù)據(jù)特征空間分布也不需要預(yù)先假設(shè)某種參數(shù)化密度分布，只需根據(jù)二叉樹單一的決策樹結(jié)構(gòu)按照決策樹輸入規(guī)則，便可對(duì)目標(biāo)圖像提取出相應(yīng)的地物。如 （ 圖 43） 所示。 圖 41 TM 圖像原始數(shù)據(jù) 13 圖 42 利用監(jiān)督分類提取植被信息 圖 43 利用決策樹提取植被信息 在實(shí)驗(yàn)過程中同樣發(fā)現(xiàn)：利用非監(jiān)督分類法 (圖 44)對(duì)于地物的信息的提取是整體的提取，對(duì)于單一的地物信息，例如植被信息 的提取，需要進(jìn)行大量分析及后處理才能得到可靠結(jié)果，并且存在同物異譜，異物同譜的現(xiàn)象導(dǎo)致集群組與類別的匹配難度加大。相較之，決策樹分類法對(duì)于單一的地物信息提取方便且匹配度高，其分類結(jié)構(gòu)簡(jiǎn)單明了，對(duì)于輸入數(shù)據(jù)的空間特征和分類標(biāo)志具有更好的彈性，在對(duì)數(shù)字圖像數(shù)據(jù)特征的分割上很好的體現(xiàn)了其優(yōu)勢(shì)。如圖 45 所示： 圖 44 非監(jiān)督分類提取植被信息 圖 45 利用決策樹提取植被信 14 決策樹分類法的優(yōu)點(diǎn)分析 (1)決策樹 學(xué)習(xí)方法是解決實(shí)際應(yīng)用中分類問題的數(shù)據(jù)挖掘方法之一，能夠從無次序、無規(guī)則的事例中推理出決策樹表達(dá)形式的分類規(guī)則。決策樹學(xué)習(xí)過程中不需要操作人了解很多背景知識(shí)，只要訓(xùn)練樣本能夠用“屬性 —— 結(jié)論”的方式表達(dá)出來，就能使用該算法來學(xué)習(xí)[13]。決策樹學(xué)習(xí)或得的分類知識(shí)易于表達(dá)和應(yīng)用。目前國(guó)外已經(jīng)有學(xué)者利用決策樹學(xué)習(xí)方法獲取知識(shí)并應(yīng)用于空間分析與研究過程。 (2)決策樹算法對(duì)于輸入數(shù)據(jù)的空間特征和分類標(biāo)志具有更好的彈性，它應(yīng)用于遙感數(shù)據(jù)分類的優(yōu)勢(shì)主要在于對(duì)數(shù)字圖像數(shù)據(jù)特征的分割上，其分類結(jié)構(gòu)簡(jiǎn)單明了，尤其是二叉樹結(jié)構(gòu)的單一決策樹結(jié)構(gòu)十分容易解釋。 決策樹分類法的不足之處 基于決策樹的分類方法目前在國(guó)內(nèi)僅僅處于研究階段，并且存在樣本依賴度大 [14]、分類決策規(guī)則與專家系統(tǒng)不宜結(jié)合、不能充分利用分類地物的空間特征等缺點(diǎn)，需要通過進(jìn)一步深入研究，改善分類效果，提高分類效率，實(shí)現(xiàn)更友好方便的人機(jī)界面，滿足計(jì)算機(jī)自動(dòng)分類流程化自動(dòng)化的要求。 總結(jié)與展望 總 結(jié) 基于決策樹的分類方法與傳統(tǒng)自動(dòng)分類方法相比，不需要數(shù)據(jù)集正態(tài)分布的假設(shè)，可以重復(fù)利用 GIS 數(shù)據(jù)庫(kù)中的多源信息 [15]，因此具有更高的分類精度和適應(yīng) 能力，并易于實(shí)現(xiàn)計(jì)算機(jī)自動(dòng)分類的流程化和自動(dòng)化。分類過程中加入 DEM、坡度坡向等 GIS 數(shù)據(jù)可以提高分類精度，特別是在山區(qū)、丘陵地形區(qū)域。但是，輔助數(shù)據(jù)的分辨率或者比例尺必須與待分影像接近，否則反而會(huì)影像分類效果。 遙感圖像分類是遙感圖像解譯中的一項(xiàng)關(guān)鍵技術(shù)，始終受到許多專家學(xué)者的熱切關(guān)注，它是遙感領(lǐng)域的一個(gè)重要研究方向。而遙感影像的監(jiān)督分類和非監(jiān)督分類方法，是影像分類的最基本、最概括的兩種方法。傳統(tǒng)的監(jiān)督分類和非監(jiān)督分類方法雖然各有優(yōu)勢(shì)，但是也都存在一定的不足。新方法、新理論、新技術(shù)的引入，為遙感影像分類提 供了廣闊的前景，但是不可能存在任何一種分類算法在所有情況下優(yōu)于其他方法，必須根據(jù)具體問題選擇合適的分類算法。因此對(duì)已有算法的改進(jìn)或應(yīng)用其他領(lǐng)域的知識(shí)來設(shè)計(jì)一些新的算法是遙感圖像分類方法研究中的重點(diǎn)。 15 展 望 通過本文研究發(fā)現(xiàn)：決策樹算法應(yīng)用于遙感圖像分類尚處于探索階段，大部分都是理論上針對(duì)某一具體應(yīng)用的探討，目前研究成果比較少參考 [16]，還沒有較為通用的軟件誕生。本文則在探索理論的基礎(chǔ)上理解到，進(jìn)一步的工作就是將決策樹算法與其他技術(shù)，如神經(jīng)網(wǎng)絡(luò)相結(jié)合，與基于知識(shí)的專家系統(tǒng)相結(jié)合，以期獲取更高的分類精 度和更好的分類效率。并且，本論文在運(yùn)用決策樹對(duì)遙感圖像分類過程著重在對(duì)植被信息的提取，以期對(duì)居民地等信息的提取 ,運(yùn)用決策樹分類法依然可以取得理想效果。 16 參 考 文 獻(xiàn) [1] 湯國(guó)安 .遙感數(shù)字圖像處理 [M].科學(xué)出版社， 2021. [2] 周興東 .基于遙感圖像的土地利用分類方法研究 [J].2021. [3] 張蓬濤 ,周雁等 .人工神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)自然資源研究中的應(yīng)用 [J].2021. [4] 戴南 ,基于決策樹的分類方法研究 [D].南京師范大學(xué)碩士學(xué)位論文 ， 2021. [5] 李寧，等，決策樹算法及其常見問題的解決 [J].計(jì)算機(jī)與數(shù)字工程， 2021. [6] 羅來平，等，基于決策樹算法遙感圖像分類研究與實(shí)現(xiàn) [J].2021. [7] 張仁華，實(shí)驗(yàn)遙感模型及地面基礎(chǔ) [M],北京：科學(xué)出版社， 1996. [8] 李爽，丁圣彥 .決策樹分類方法及其在土地覆蓋分類中的應(yīng)用 [J].遙感技術(shù)與應(yīng)用 .(1):611. [9] 羅來平，宮輝力 .遙感圖像決策樹分類器研究與實(shí)現(xiàn) [J].遙感信息 .2021.(3):1316. [10] 郭建坤 .基于時(shí)序 NDVI 的土 地覆蓋被變化檢測(cè)方法研究 [D]； 2021. [11] 李爽，丁圣彥，徐書明 遙感影像分類方法比較研究 [J] 河南大學(xué)學(xué)報(bào) 2021 32（ 2） :7274. [12] 李德仁，李德毅 .基于空間數(shù)據(jù)挖掘的遙感圖像分類研究 [J].武漢測(cè)繪科技大學(xué)學(xué)報(bào)，2021,125（ 1）： 4248. [13] 史忠植 .知識(shí)發(fā)現(xiàn) [M].北京：清華大學(xué)出版社， 2021. [14] 李爽，張二勛 .基于決策樹的遙感影像分類方法研究 [J].地域研究與開發(fā)， 2021,22（ 1） ：1721. [15] 葛春青，張凌寒，楊杰 基于決策樹 規(guī)則的面向?qū)ο筮b感影像分類 [J] 2021. [16] 劉小平，等，像元信息分解和決策樹相結(jié)合的圖像分類方法 [J].地理與地理信息科學(xué) ，2021. 致 謝 在此論文撰寫過程中，要特別感謝顧曉莉老師的指導(dǎo)與督促，同時(shí)感謝她的諒解與包容。沒有顧老師的幫助也就沒有今天的這篇論文。求學(xué)歷程是艱苦的，但又是快樂的。感謝我的班主任崔老師，感謝朱老師、吳老師以及謝謝揚(yáng)州環(huán)境資源學(xué)院各位老師的無私幫助，三年的學(xué)習(xí)和生活，感謝所有關(guān)心和幫助過我的人們！在這三年的學(xué)期中結(jié)識(shí)的各位生活和學(xué)習(xí)上的摯友讓我得到了人生最大的 一筆財(cái)富。在此，也對(duì)他們表示衷心感謝。 謝謝我的父母，沒有他們辛勤的付出也就沒有我的今天，在這一刻，將最崇高的敬意獻(xiàn)給你們！ 本文參考了大量的文獻(xiàn)資料，在此，向各學(xué)術(shù)界的前輩們致敬！ 最后，在本論文結(jié)束之際，向所有為我的論文提出寶貴意見的評(píng)閱老師們表示衷心的感謝和崇高的敬意！ 9JWKf wvGt YM*Jgamp。 6a*CZ7H$dq8Kqqf HVZFedswSyXTyamp。 QA9wkxFyeQ^! djsXuyUP2kNXpRWXm Aamp。 UE9aQ@Gn8xp$Ramp。849Gx^Gj qv^$UE9wEwZQc@UE%amp。 qYp@Eh5pDx2zVkumamp。 gTXRm 6X4NGpP$vSTTamp。ksv*3t nGK8!z 89Am YWpazadNuKNamp。MuWFA5uxY7JnD6YWRr Wwc^vR9CpbK!zn%Mz849Gx^Gj qv^$UE9wEwZQc@UE% amp。 qYp@Eh5pDx2zVkum amp。gTXRm 6X4NGpP$vSTTamp。 ksv*3t nGK8! z89Am YWpazadNuKNamp。MuWFA5ux^Gj qv^$UE9wEwZQc@UE% amp。 qYp@Eh5pDx2zVkum amp。gTXRm 6X4NGpP$vSTTamp。 ksv*3t nGK8! z89Am YWpazadNuKNamp。MuWFA5uxY7JnD6YWRr Wwc^vR9CpbK! zn%Mz849Gx^Gj qv^$UE9wEwZQc@UE%amp。 qYp@Eh5pDx2zVkumamp。 gTXRm 6X4NGpP$vSTTamp。 ksv*3tnGK8! z89Am UE9aQ@Gn8xp$Ramp。 849Gx^Gj qv^$UE9wEwZQc@UE%amp。 qYp@Eh5pDx2zVkumamp。 gTXRm 6X4NGpP$vSTTamp。 ksv*3tnGK8! z89Am YWpazadNuKNamp。 MuWFA5uxY7JnD6YWRrWwc^vR9CpbK! zn% Mz849Gx^Gj qv^$UE9wEwZQc@UE%amp。 qYp@Eh5pDx2zVkumamp。 gTXRm6X4NGpP$vSTTamp。 ksv*3t nGK8! z89Am YWpazadNuKNamp。 MuWFA5ux^Gj qv^$UE9wEwZQc@UE%amp。 qYp@Eh5pDx2zVkumamp。 gTXRm6X4NGpP$vSTTamp。 ksv*3t nGK8! z89Am YWpazadNuKNamp。 MuWFA5uxY7JnD6YWRr Wwc^vR9CpbK!zn%Mz849Gx^Gj qv^$UE9wEwZQc@UE% amp。 qYp@Eh5pDx2zVkum amp。gTXRm 6X4NGpP$vSTTamp。 ksv*3t nGK8! z8vGt YM*Jgamp。 6a*CZ7H$dq8Kqqf HVZFedswSyXTyamp。 QA9wkxFyeQ^! dj sXuyUP2kNXpRWXm Aamp。 UE9aQ@Gn8xp$Ramp。849Gx^Gj qv^$UE9wEwZQc@UE%amp。 qYp@Eh5pDx2zVkumamp。 gTXRm 6X4NGpP$vSTTamp。 ksv*3t nGK8!z89Am YWpazadNuKNamp。MuWFA5uxY7JnD6YWRrWwc^vR9CpbK!zn% Mz849Gx^G89Am UE9aQ@Gn8xp$Ramp。849Gx^Gj qv^$UE9wEwZQc@UE%amp。 qYp@Eh5pDx2zVkumamp。 gTXRm6X4NGpP$vSTTamp。 ksv*3t nGK8!z89Am YWpazadNuKNamp。 MuWFA5uxY7JnD6YWRrWwc^vR9CpbK! zn% Mz849Gx^Gjqv^$UE9wEwZQc@UE% amp。qYp@Eh5pDx2zVkumamp。 gTXRm 6X4NGpP$vSTTamp。 ksv*3t nGK8! z89Am YWpazadNuKNamp。MuWFA5ux^Gjqv^$UE9wEwZQc@UE% amp。qYp@Eh5pDx2zVkumamp。 gTXRm 6X4NGpP$vSTTamp。 ksv*3t nGK8!z89Am YWpazadNuKNamp。MuWFA5uxY7JnD6YWRr Wwc^vR9CpbK!zn%Mz849Gx^Gj qv^$UE9wEwZQc@UE%amp。 qYp@Eh5pDx2zVkum amp。 gTXRm 6X4NGpP$vSTTamp。 ksv*3t nGK8! z8vGt