【文章內(nèi)容簡(jiǎn)介】 具體的分類(lèi)就需要人工操作將每個(gè)類(lèi)別劃分到相應(yīng)的目標(biāo)類(lèi)中，這個(gè)過(guò)程往往需要對(duì)研究區(qū)有一些背景資料和認(rèn)識(shí)。該方法優(yōu)點(diǎn)在于引入誤差小，并且獨(dú)特的、覆蓋量小的類(lèi)別也能夠被識(shí)別，但在實(shí)際應(yīng)用中也存在精度低、無(wú)法控制等缺陷。最大似然分類(lèi)方法是根據(jù)有關(guān)概率判決函數(shù)的貝葉斯準(zhǔn)則對(duì)遙感圖像進(jìn)行的識(shí)別分類(lèi)。具有嚴(yán)密的理論基礎(chǔ)，判別函數(shù)對(duì)呈正態(tài)分布的類(lèi)別易于建立，能綜合應(yīng)用每個(gè)類(lèi)別在各波段中的均值，方差以及各波段之間的協(xié)方差，充分利用了遙感數(shù)據(jù)的統(tǒng)計(jì)特征，被認(rèn)為是至今應(yīng)用比較廣泛、比較成熟的一種監(jiān)督分類(lèi)方法[36]。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。其基本思想是：地物類(lèi)數(shù)據(jù)在空間中構(gòu)成一定的點(diǎn)群；每一類(lèi)的每一維數(shù)據(jù)都在自己的數(shù)軸上呈正態(tài)分布，該類(lèi)的多維數(shù)據(jù)就構(gòu)成了一個(gè)多維正態(tài)分布；各類(lèi)的多維正態(tài)分布模型各有其分布特征，如位置、形狀、密集或分散的程度等[37]。最大似然分類(lèi)法在多類(lèi)別分類(lèi)時(shí)，常采用統(tǒng)計(jì)學(xué)方法建立起一個(gè)判別函數(shù)集。然后根據(jù)這個(gè)判別函數(shù)集計(jì)算各待分像元的歸屬概率。這時(shí)的歸屬概率是指對(duì)于待分像元x，它從屬于分類(lèi)類(lèi)別k的(后驗(yàn))概率，取最大概率對(duì)應(yīng)的類(lèi)為分類(lèi)結(jié)果。假設(shè)一影像中的光譜類(lèi)別表示為wi(i=1,…,M,M為總的類(lèi)別個(gè)數(shù))當(dāng)判別位于x的某一像元的類(lèi)別時(shí)，使用條件概率p（wi |x）(i=1,…,M)位置矢量是一個(gè)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(gè)點(diǎn)。概率p（wi |x）給出了再光譜空間中點(diǎn)x的像元屬于類(lèi)別wi的概率。分類(lèi)按以下規(guī)則進(jìn)行[38]：如果對(duì)所有j≠i,有p（wi |x） p（wj |x）,則x∈wi也就是說(shuō)，當(dāng)p（wi |x）最大時(shí)，像元屬于類(lèi)別wi。這是貝葉斯分類(lèi)的一個(gè)特例。一般情況下，p（wi |x）是未知的，但是在有足夠的訓(xùn)練數(shù)據(jù)以及地面類(lèi)別的先驗(yàn)知識(shí)的條件下，該條件概率可以估計(jì)得到。條件概率p（wi |x）和p（x | wi）可以用貝葉斯定律表達(dá)：p（wi |x）= p（x | wi）p（wi）/ p（x） (21)式中：p（x | wi）x在類(lèi)別wi出現(xiàn)的概率；p（wi） 類(lèi)別wi在整個(gè)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(yàn)概率，p（x | wi）為后驗(yàn)概率。分類(lèi)規(guī)則如下：如果對(duì)所有j≠i,有p（x | wi）p（wi） p（x j）p（wj）,則x∈wi這里由于p（x ）與判別無(wú)關(guān)，被作為公共項(xiàng)刪去，為便于計(jì)算，設(shè)gi（x）= ln(p（x |wi）p（wi）)= lnp（x |wi）+lnp（wi） (23)則判別函數(shù)表達(dá)為如果對(duì)所有的j≠i,有g(shù)i(x)gj(x),則x∈wigi（x）被稱(chēng)為判別函數(shù)。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(xiě)成gi (x)= lnP(Wi)－ln|Σi |－[ (x－Mi) T (Σi) 1 ( x－Mi)] (24)式中：Mi為類(lèi)別中wi中像元的均值；Σi 為類(lèi)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。最大似然分類(lèi)方法的計(jì)算量比較大，同時(shí)對(duì)不同類(lèi)別的方差變化也比較敏感，但訓(xùn)練樣本比較多、一定的類(lèi)別先驗(yàn)概率分布的知識(shí)，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(lèi)精度最高的分類(lèi)方法，在遙感分類(lèi)中比較常用。 傳統(tǒng)分類(lèi)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(lèi)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］。最大似然法是以經(jīng)典統(tǒng)計(jì)學(xué)為基礎(chǔ)，分類(lèi)器的分類(lèi)精度很到程度上依賴(lài)有關(guān)樣本的先驗(yàn)知識(shí)。然而，在很多實(shí)際的遙感圖像分類(lèi)問(wèn)題中取得先驗(yàn)知識(shí)很困難，這使得最大似然法取得的效果不理想。隨著遙感數(shù)據(jù)時(shí)空維數(shù)的不斷擴(kuò)展，該方法開(kāi)始暴露出一些缺點(diǎn):、多維的遙感數(shù)據(jù)可能不具備正態(tài)分布特征。(如地面實(shí)測(cè)數(shù)據(jù))在很多情況下不具備統(tǒng)計(jì)意義。，Bayes準(zhǔn)則所要求的協(xié)方差矩陣將難以實(shí)現(xiàn)。監(jiān)督分類(lèi)中最大似然分類(lèi)方法在中低空間分辨率遙感數(shù)據(jù)分類(lèi)中被認(rèn)為是最佳方法。但是，假如特征空間數(shù)據(jù)分布比較復(fù)雜、離散，再加上如果采集的訓(xùn)練樣本不夠充分、不具代表性，則通過(guò)直接手段來(lái)估計(jì)的最大似然函數(shù)的參數(shù)，極容易造成與實(shí)際分布存在較大偏差，從而導(dǎo)致分類(lèi)結(jié)果精度下降。 計(jì)算機(jī)非傳統(tǒng)分類(lèi)方法傳統(tǒng)的遙感圖像計(jì)算機(jī)分類(lèi)方法是根據(jù)遙感數(shù)據(jù)的統(tǒng)計(jì)特征與訓(xùn)練樣本數(shù)據(jù)之間的統(tǒng)計(jì)關(guān)系來(lái)進(jìn)行地物分類(lèi)，其分類(lèi)結(jié)果精度差強(qiáng)人意。因此為了提高分類(lèi)精度，人們不斷研究和嘗試新方法，以圖改善。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(lèi)上，比如有人工神經(jīng)網(wǎng)絡(luò)法(ANN)、決策樹(shù)分類(lèi)法以及支持向量機(jī)(SVM)等。(ANN)人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)是在對(duì)人腦組織結(jié)構(gòu)和運(yùn)行機(jī)制的認(rèn)識(shí)理解基礎(chǔ)之上模擬其結(jié)構(gòu)和智能行為的一種工程系統(tǒng)，簡(jiǎn)稱(chēng)神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)分類(lèi)方法在分類(lèi)時(shí)綜合考慮了地物的光學(xué)特性、空間特性和時(shí)相特性[4243]。人工神經(jīng)網(wǎng)絡(luò)由大量處理單元互相連接而形成的復(fù)雜的并行網(wǎng)絡(luò)結(jié)構(gòu)，雖然是簡(jiǎn)單的處理單元，而且完成的是簡(jiǎn)單的計(jì)算功能，但是其構(gòu)成的整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)卻是高度復(fù)雜的非線(xiàn)性動(dòng)力學(xué)系統(tǒng)[4445]。能“自然地”實(shí)現(xiàn)各種非線(xiàn)性映射和求解各種分界面十分復(fù)雜和高度非線(xiàn)性的分類(lèi)和模式識(shí)別問(wèn)題[46]。人工神經(jīng)網(wǎng)絡(luò)是基于生物神經(jīng)系統(tǒng)的分布存儲(chǔ)、并行處理及自適應(yīng)學(xué)習(xí)這些現(xiàn)象構(gòu)造出具有一些低級(jí)智慧的人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)。近年來(lái)，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(duì)遙感圖像進(jìn)行監(jiān)督分類(lèi)[4748]。神經(jīng)網(wǎng)絡(luò)方法具有很多特性：能夠并行分布處理、具有非線(xiàn)性映射特性、通過(guò)訓(xùn)練進(jìn)行學(xué)習(xí)、適應(yīng)與集成；有自學(xué)習(xí)、自適應(yīng)和自組織的能力，對(duì)外不但表現(xiàn)為可以適應(yīng)多種不同的問(wèn)題空間，也能很好地抑制噪聲和信息缺失對(duì)最優(yōu)解的影響；對(duì)內(nèi)則表現(xiàn)為很好的容錯(cuò)性，即可以通過(guò)自適應(yīng)與自組織來(lái)消除壞神經(jīng)元的影響[33]。在遙感數(shù)字圖像分類(lèi)中得到越來(lái)越多的重視，并廣泛應(yīng)用于分類(lèi)研究中。神經(jīng)網(wǎng)絡(luò)是人工智能的一種，可用于監(jiān)督分類(lèi)也可用于非監(jiān)督分類(lèi)。一個(gè)基本的神經(jīng)網(wǎng)可分為三層：輸入層、中間層和輸出層。輸入層只是連接數(shù)據(jù)的界面，并不做任何處理。輸入模型就是用于分類(lèi)的特征數(shù)據(jù)。在最簡(jiǎn)單的情況下，他們就是訓(xùn)練樣本像元的多光譜數(shù)據(jù)向量。其他特征數(shù)據(jù)，如像元的空間鄰域數(shù)據(jù)或多時(shí)相光譜向量數(shù)據(jù)也可以用做輸入。中間層又叫做隱藏層。每一層都包括許多節(jié)點(diǎn)。在中間層和輸出層的節(jié)點(diǎn)上都包括許多處理元。在每一個(gè)處理節(jié)點(diǎn)都進(jìn)行求和以及變換運(yùn)算。(SVM)支持向量機(jī)（Support Vector Machines，SVM）是20世紀(jì)90年代發(fā)展起來(lái)的一種基于統(tǒng)計(jì)學(xué)習(xí)理論的有限樣本的模式分類(lèi)方法，建立在傳統(tǒng)統(tǒng)計(jì)學(xué)理論基礎(chǔ)之上，逐漸成為模式識(shí)別和機(jī)器學(xué)習(xí)領(lǐng)域中的一個(gè)研究熱點(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(guò)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。支持向量機(jī)(SVM)提出軟間隔的概念以解決線(xiàn)性不可分問(wèn)題。引入核函數(shù)使解平面從線(xiàn)性擴(kuò)展到非線(xiàn)性。支持向量機(jī)是基于從線(xiàn)性可分情況下的最優(yōu)分類(lèi)超平面（OHP，Optimal Hyper Plane）提出的，通過(guò)非線(xiàn)性變換將輸入空間變換到一個(gè)高維的特征空間，繼而在這個(gè)新的高維特征空間中求取最優(yōu)分類(lèi)超平面，該最優(yōu)分類(lèi)超平面能夠?qū)⑺械挠?xùn)練樣本正確分類(lèi)，而且使訓(xùn)練樣本中離分類(lèi)面最近的點(diǎn)到分類(lèi)面的距離最大，也就是實(shí)現(xiàn)分類(lèi)間隔最大。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(lèi)面情況可分為兩種：線(xiàn)性類(lèi)別（可分和不可分）和非線(xiàn)性類(lèi)別。如圖21所示，空心點(diǎn)和實(shí)心點(diǎn)代表兩類(lèi)樣本。如果這兩類(lèi)樣本（訓(xùn)練集）是線(xiàn)性可分的，那么機(jī)器學(xué)習(xí)的結(jié)果是一個(gè)超平面（二維情況下是直線(xiàn)）或稱(chēng)為判別函數(shù)，該超平面將訓(xùn)練樣本分為正負(fù)兩類(lèi)。圖21 線(xiàn)性可分情況下的超平面圖21中H為分類(lèi)線(xiàn)，HH2分別為過(guò)各類(lèi)中離分類(lèi)線(xiàn)最近的樣本且平行于分類(lèi)線(xiàn)的直線(xiàn)，它們之間的距離就叫做分類(lèi)間隔（margin）。分類(lèi)間隔是指兩類(lèi)中離分類(lèi)超平面最近的樣本且平行于分類(lèi)超平面的兩個(gè)超平面間的距離，或者說(shuō)是從分類(lèi)超平面到兩類(lèi)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(lèi)超平面，它們就是所謂的支持向量（Support Vectors，SV）。SVM實(shí)現(xiàn)的過(guò)程是首先求出支持向量SV，然后求出最優(yōu)分類(lèi)超平面。決策樹(shù)算法是以實(shí)例為基礎(chǔ)的歸納學(xué)習(xí)算法，它從一組無(wú)次序、無(wú)規(guī)則的事例中推理出決策樹(shù)表示的分類(lèi)規(guī)則[4950]。它是一種直觀的知識(shí)表示方法，以信息論為基礎(chǔ)，根據(jù)影像的不同特征，以樹(shù)型結(jié)構(gòu)表示分類(lèi)或決策集合，實(shí)現(xiàn)復(fù)雜的決策形成過(guò)程抽象成易于理解和表達(dá)的規(guī)則或判斷。決策樹(shù)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(lèi)似于流程圖的樹(shù)狀結(jié)構(gòu)(圖22決策樹(shù)示意圖)。位于樹(shù)最頂層的節(jié)點(diǎn)稱(chēng)為根節(jié)點(diǎn)。其中每個(gè)內(nèi)部節(jié)點(diǎn)都包含一個(gè)父節(jié)點(diǎn)，一個(gè)或者幾個(gè)子節(jié)點(diǎn)。假如節(jié)點(diǎn)沒(méi)有子節(jié)點(diǎn)，則稱(chēng)其為葉節(jié)點(diǎn)[51]。決策樹(shù)內(nèi)部節(jié)點(diǎn)對(duì)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(duì)判斷后的結(jié)果進(jìn)行相應(yīng)的輸出。每個(gè)外部節(jié)點(diǎn)表示判斷后的最終結(jié)果，為一個(gè)判斷類(lèi)別。使用決策樹(shù)進(jìn)行事例決策的過(guò)程，就是通過(guò)對(duì)事例的屬性進(jìn)行一系列的由數(shù)根節(jié)點(diǎn)向下經(jīng)內(nèi)部節(jié)點(diǎn)逐步判斷，直至葉節(jié)點(diǎn)產(chǎn)生最終決策結(jié)果[52]。此方法也就是利用信息論中的信息增益尋找示例數(shù)據(jù)庫(kù)中具有最大信息量的屬性字段，形成一條規(guī)則以此建立決策樹(shù)的一個(gè)節(jié)點(diǎn)，依據(jù)這條規(guī)則對(duì)指定遙感影像進(jìn)行運(yùn)算，所產(chǎn)生的邏輯值（真或假）派生出兩類(lèi)結(jié)果，即形成兩個(gè)分支，或根據(jù)屬性的不同取值形成多個(gè)分支，該過(guò)程可向下繼續(xù)拓展，直至圖像分出類(lèi)別，即葉節(jié)點(diǎn)[14]。 決策樹(shù)分類(lèi)的算法原理就是以選定的樣本數(shù)據(jù)為對(duì)象逐級(jí)找到分類(lèi)樹(shù)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(hào)以及相應(yīng)的判別函數(shù)參數(shù)，從而有可能反過(guò)來(lái)從“樹(shù)根”到“葉”按照生成的判別規(guī)則，逐級(jí)地在每個(gè)結(jié)點(diǎn)上對(duì)樣本數(shù)據(jù)以外的待分類(lèi)數(shù)據(jù)進(jìn)行分類(lèi)[53]。在二維空間的分布模式上看兩個(gè)模式類(lèi)，若用傳統(tǒng)的分類(lèi)方法進(jìn)行分類(lèi)，其決策邊界將會(huì)是一個(gè)十分復(fù)雜的二元函數(shù)式，而若用決策樹(shù)分類(lèi)法，只想要兩個(gè)判別條件的聯(lián)合就輕易而又準(zhǔn)確地將兩個(gè)模式類(lèi)別區(qū)別開(kāi)來(lái)。圖 22 決策樹(shù)示意圖決策樹(shù)分類(lèi)樹(shù)模型早期有CART和CHIAD兩種算法，1997年Loh和Shih對(duì)CHIAD算法加以改進(jìn)，提出了一種新的二叉樹(shù)算法QUEST（Quick，Unbiased，Efficient Statistical Tree的縮寫(xiě)），該算法不但克服了CHIAD算法的某些缺點(diǎn)，在變量選擇上基本無(wú)偏，而且將變量選擇和分叉點(diǎn)選擇分開(kāi)進(jìn)行，可以適用于任何類(lèi)型的自變量。另外，目前決策樹(shù)在經(jīng)濟(jì)、金融、醫(yī)學(xué)等其它領(lǐng)域廣泛應(yīng)用的決策樹(shù)模型，算法大都為ID3，，而諸如CART，CHAID，ExhaustiveCHAID，QUEST等決策樹(shù)算法，在森林遙感技術(shù)上都沒(méi)有深入的應(yīng)用。因此，本次論文主要選用QUEST算法進(jìn)行決策樹(shù)分類(lèi)研究，其基本算法原理為：首先對(duì)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(lèi)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。然后將所有的P值和預(yù)設(shè)的界值相比較（），如果均小于界值，則選擇P值最小的一個(gè)作為分支變量；如果均大于界值，則當(dāng)X為連續(xù)或有序變量時(shí)，分別使用Levene方差齊性檢驗(yàn)計(jì)算P值，當(dāng)有P值小于界值時(shí)則選擇P值最小的一個(gè)作為分枝變量。相反如果方差齊性檢驗(yàn)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。但是假如選出的分支變量為無(wú)序分類(lèi)變量，則將其變換為啞變量組Z，并計(jì)算其最大判別坐標(biāo)（1argest discriminant coordinate），也就是通過(guò)變換，使得不同X取值時(shí)因變量Y取值的差異最大化。假如Y為多分類(lèi)，則為每一Y取值的類(lèi)別計(jì)算X的均數(shù)，通過(guò)聚類(lèi)分析算法，把這些類(lèi)別合并為兩個(gè)大類(lèi)，從而多類(lèi)判別問(wèn)題簡(jiǎn)化為二類(lèi)判別。使用二次判別分析（quadratic discriminant analysis）最終決定分叉點(diǎn)的位置，并還原為X的原始取值[54]。眾所周知，遙感圖像分類(lèi)是一個(gè)多因素、多環(huán)節(jié)交織在一起的復(fù)雜過(guò)程，受到多種因素的影響，目前還沒(méi)有一種分類(lèi)算法能達(dá)到完全實(shí)用的目的。決策樹(shù)分類(lèi)中的運(yùn)算一般都是比較大小運(yùn)算，因此分類(lèi)計(jì)算量相對(duì)較小，在模式含混比較小、各類(lèi)別之間混迭不大時(shí)，不失為是一種很有效的分類(lèi)方法。決策樹(shù)是一種非參數(shù)、分層的分類(lèi)方法，分類(lèi)結(jié)構(gòu)清晰，可重復(fù)性好，對(duì)數(shù)據(jù)分析與解釋更具有靈活性[55]。決策樹(shù)分類(lèi)法的樹(shù)狀分類(lèi)結(jié)構(gòu)由于不需要對(duì)數(shù)據(jù)特征空間分布預(yù)先假設(shè)某種參數(shù)化密度分布。所以，其總體分類(lèi)精度優(yōu)于傳統(tǒng)的參數(shù)化統(tǒng)計(jì)分類(lèi)方法[51]。并且，決策樹(shù)分類(lèi)方法能夠重點(diǎn)突出植被的空間分布，尤其是稀疏植被的空間分布，因此在分類(lèi)時(shí)能提高分類(lèi)精度。近年來(lái)，利用決策樹(shù)技術(shù)進(jìn)行分類(lèi)方法盡管時(shí)間不長(zhǎng)，但是由于各種數(shù)據(jù)量不斷增大，建立在知識(shí)基礎(chǔ)上的規(guī)則判斷也越來(lái)越引起很多研究者的注意，并已得到成功應(yīng)用[5657]。決策樹(shù)方法相對(duì)于神經(jīng)元網(wǎng)絡(luò)方法，在訓(xùn)練樣本數(shù)據(jù)時(shí)速度更快，并且執(zhí)行效率要高，在輸入數(shù)據(jù)空間特征和分類(lèi)標(biāo)識(shí)方面，相比神經(jīng)網(wǎng)絡(luò)方法具有更好的彈性。人工神經(jīng)網(wǎng)絡(luò)方法訓(xùn)練數(shù)據(jù)時(shí)間很長(zhǎng)，并且網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)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(fèi)時(shí)并且對(duì)訓(xùn)練結(jié)果的好壞事先缺乏判斷，這些都是不如決策樹(shù)分類(lèi)的地方。而支持向量機(jī)關(guān)于參數(shù)選擇的問(wèn)題仍然有很多存在問(wèn)題，如多項(xiàng)式學(xué)習(xí)機(jī)器的階數(shù)問(wèn)題、徑向基機(jī)器中的函數(shù)寬度，以及S型函數(shù)的寬度和偏移等。綜合分析考慮ANN法和SUM法分類(lèi)存在的缺陷，本論文最終選用決策樹(shù)方法進(jìn)行桉樹(shù)分布信息提取研究。 由于“同物異譜”或“異物同譜”現(xiàn)象在遙