【正文】 土、水稻土、紫色土、沖積土。25′～22176。18′～99176。Kappa系數(shù)充分利用了分類誤差矩陣的信息，它不僅考慮了對(duì)角線被正確分類的像素?cái)?shù)量，而且考慮了不在對(duì)角線上的各種漏分和錯(cuò)分誤差，所以被作為分類精度評(píng)估的綜合指標(biāo)。因此Kappa系數(shù)指標(biāo)應(yīng)運(yùn)而生。總體精度、生產(chǎn)者精度或使用者精度的缺點(diǎn)是像元類別的小變動(dòng)可能導(dǎo)致其百分比變化，運(yùn)用這些指標(biāo)的客觀性取決于采樣樣本以及方法。s accuracy)表述的是對(duì)每一個(gè)隨機(jī)樣本，所分類的結(jié)果所對(duì)應(yīng)區(qū)域的實(shí)際類型相一致的概率，是具有概率意義的一個(gè)統(tǒng)計(jì)量。誤差矩陣提供了三種精度指標(biāo)：總體精度（overall accuracy)表示實(shí)際資料中的任意一個(gè)隨機(jī)樣本，分類專題圖像上同一地點(diǎn)的分類結(jié)果與其相一致的條件概率；生產(chǎn)者精度(producer39。根據(jù)混淆矩陣能夠計(jì)算出總體精度和Kappa系數(shù)。分類矩陣是一個(gè)N階方陣，表示抽樣單元中被分到某一類而經(jīng)過(guò)檢驗(yàn)屬于該類的數(shù)目。用分類結(jié)果與實(shí)際地表之間的吻合程度來(lái)反映分類結(jié)果精度，分類結(jié)果的精度計(jì)算即可以用抽樣像元中分類正確的像元數(shù)和誤分的像元數(shù)來(lái)表示，也可以用實(shí)際類型與分類類型的二維表(分類精度矩陣)來(lái)表示。 由于“同物異譜”或“異物同譜”現(xiàn)象在遙感圖像中的普遍存在，以及樣本選擇過(guò)程中的人為誤差等因素的影響，每一種分類器的分類結(jié)果都會(huì)存在不同程度的偶然性，即分類的結(jié)果不可能達(dá)到與地物的真實(shí)分布完全對(duì)應(yīng)。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。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)空間特征和分類標(biāo)識(shí)方面，相比神經(jīng)網(wǎng)絡(luò)方法具有更好的彈性。并且，決策樹(shù)分類方法能夠重點(diǎn)突出植被的空間分布，尤其是稀疏植被的空間分布，因此在分類時(shí)能提高分類精度。決策樹(shù)分類法的樹(shù)狀分類結(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。決策樹(shù)分類中的運(yùn)算一般都是比較大小運(yùn)算，因此分類計(jì)算量相對(duì)較小，在模式含混比較小、各類別之間混迭不大時(shí)，不失為是一種很有效的分類方法。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]。但是假如選出的分支變量為無(wú)序分類變量，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。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。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。在二維空間的分布模式上看兩個(gè)模式類，若用傳統(tǒng)的分類方法進(jìn)行分類，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)模式類別區(qū)別開(kāi)來(lái)。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，直至圖像分出類別，即葉節(jié)點(diǎn)[14]。每個(gè)外部節(jié)點(diǎn)表示判斷后的最終結(jié)果，為一個(gè)判斷類別。假如節(jié)點(diǎn)沒(méi)有子節(jié)點(diǎn)，則稱其為葉節(jié)點(diǎn)[51]。位于樹(shù)最頂層的節(jié)點(diǎn)稱為根節(jié)點(diǎn)。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。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)分類超平面。圖21 線性可分情況下的超平面圖21中H為分類線，HH2分別為過(guò)各類中離分類線最近的樣本且平行于分類線的直線，它們之間的距離就叫做分類間隔（margin）。如圖21所示，空心點(diǎn)和實(shí)心點(diǎn)代表兩類樣本。支持向量機(jī)是基于從線性可分情況下的最優(yōu)分類超平面（OHP，Optimal Hyper Plane）提出的，通過(guò)非線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)分類超平面，該最優(yōu)分類超平面能夠?qū)⑺械挠?xùn)練樣本正確分類，而且使訓(xùn)練樣本中離分類面最近的點(diǎn)到分類面的距離最大，也就是實(shí)現(xiàn)分類間隔最大。支持向量機(jī)(SVM)提出軟間隔的概念以解決線性不可分問(wèn)題。(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)。在中間層和輸出層的節(jié)點(diǎn)上都包括許多處理元。中間層又叫做隱藏層。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。輸入層只是連接數(shù)據(jù)的界面，并不做任何處理。神經(jīng)網(wǎng)絡(luò)是人工智能的一種，可用于監(jiān)督分類也可用于非監(jiān)督分類。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]。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)。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)雜的非線性動(dòng)力學(xué)系統(tǒng)[4445]。(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)稱神經(jīng)網(wǎng)絡(luò)。因此為了提高分類精度，人們不斷研究和嘗試新方法，以圖改善。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)致分類結(jié)果精度下降。Bayes準(zhǔn)則所要求的協(xié)方差矩陣將難以實(shí)現(xiàn)。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。最大似然法是以經(jīng)典統(tǒng)計(jì)學(xué)為基礎(chǔ)，分類器的分類精度很到程度上依賴有關(guān)樣本的先驗(yàn)知識(shí)。最大似然分類方法的計(jì)算量比較大，同時(shí)對(duì)不同類別的方差變化也比較敏感，但訓(xùn)練樣本比較多、一定的類別先驗(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)為是分類精度最高的分類方法，在遙感分類中比較常用。分類規(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）被稱為判別函數(shù)。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)以及地面類別的先驗(yàn)知識(shí)的條件下，該條件概率可以估計(jì)得到。分類按以下規(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)，像元屬于類別wi。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(gè)數(shù))當(dāng)判別位于x的某一像元的類別時(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)。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。其基本思想是：地物類數(shù)據(jù)在空間中構(gòu)成一定的點(diǎn)群；每一類的每一維數(shù)據(jù)都在自己的數(shù)軸上呈正態(tài)分布，該類的多維數(shù)據(jù)就構(gòu)成了一個(gè)多維正態(tài)分布；各類的多維正態(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]。具有嚴(yán)密的理論基礎(chǔ)，判別函數(shù)對(duì)呈正態(tài)分布的類別易于建立，能綜合應(yīng)用每個(gè)類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)督分類方法[36]。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。(4)經(jīng)過(guò)多次迭代運(yùn)算后，直到結(jié)果收斂，運(yùn)算最終結(jié)束。(2)根據(jù)給定的要求，將前一次獲得的集群組進(jìn)行處理，以獲得新的聚類中心。ISODATA算法的一般步驟如下:(l)首先選擇一些初始值作為初始聚類中心，然后將帶分類像元按照一定指標(biāo)分配給各個(gè)聚類中心。這是一種最常用的非監(jiān)督分類算法，它不需要通過(guò)訓(xùn)練場(chǎng)地來(lái)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]。在傳統(tǒng)方法中人們最常使用的是以迭代為實(shí)質(zhì)的ISODATA法以及基于貝葉斯(Bayes)準(zhǔn)則建立的最大似然法。如目前比較流行的分類方法：人工神經(jīng)網(wǎng)絡(luò)方法、模糊數(shù)學(xué)方法、決策樹(shù)方法、專家系統(tǒng)方法、支持向量機(jī)方法等。為此專家學(xué)者不斷研究和探索新方法。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。傳統(tǒng)的遙感影像計(jì)算機(jī)分類主要基于統(tǒng)計(jì)模式識(shí)別方法。遙感圖像分類就是利用計(jì)算機(jī)對(duì)遙感圖像中各類地物的光譜信息和空間信息進(jìn)行分析，然后選擇特征，并用一定的手段將特征空間劃分為互不重疊的子空間，然后將圖像中的每個(gè)像元按照某種規(guī)則或算法劃分為不同的類別，得到遙感圖像中與實(shí)際地物的對(duì)應(yīng)信息，最終實(shí)現(xiàn)分類[33]。新型傳感器的不斷出現(xiàn)，能獲得不同空間分辨率、時(shí)間分辨率和光譜分辨率的遙感圖像，并與全球定位系統(tǒng)（Global Position System，簡(jiǎn)稱GPS）、地理信息系統(tǒng)（Geographical Information System，簡(jiǎn)稱GIS）等相結(jié)合，為遙感圖像的解譯提供了多種途徑。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(duì)其實(shí)際應(yīng)用進(jìn)行了展望?；跊Q策樹(shù)分類的桉樹(shù)分布信息提取實(shí)驗(yàn)本章主要選取合適的特征組合構(gòu)建特征空間，然后利用不同特征組合信息提取研究最優(yōu)桉樹(shù)分布信息提取方案。研究區(qū)遙感圖像地類分類特征分析本章介紹了研究區(qū)的概況和數(shù)據(jù)源的預(yù)處理工作。同時(shí)對(duì)全文的整體結(jié)構(gòu)作了詳細(xì)安排。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(shí)別的知識(shí)基于知識(shí)的決策樹(shù)分類土地利用/覆蓋及桉樹(shù)信息提取精度評(píng)價(jià)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(guó)內(nèi)外植被信息提取技術(shù)和決策樹(shù)分類技術(shù)的研究進(jìn)展。在遙感信息提取時(shí)，桉樹(shù)的光譜信息和其它地類光譜信息會(huì)出現(xiàn)一定的相似性，因此在特征選擇時(shí)，除了利用其光譜信息外，同時(shí)還利用了植被指數(shù)特征、主成分變換特征和紋理信息特征，構(gòu)建了基于光譜信息、植被指數(shù)信息、主成分變換信息和紋理信息等分類特征，建立研究區(qū)的各地類識(shí)別知識(shí)。本文主要利用決策樹(shù)的分類方法，利用中巴遙感影像，探討了基于決策樹(shù)分類方法的影像特征提取、分類體系的建立，并提取出桉樹(shù)分布信息。通過(guò)研究現(xiàn)狀，我們可以看出利用遙感技術(shù)實(shí)現(xiàn)桉樹(shù)分布信息提取，很少有文獻(xiàn)涉及，而利用決策樹(shù)分類方法實(shí)現(xiàn)對(duì)桉樹(shù)分布信息的提取研究，更是薄弱。Joy等（2003）基于TM影像，采用決策樹(shù)方法對(duì)森林類型進(jìn)行識(shí)別，也取得了較好的效果。Defries等（1984）通過(guò)對(duì)1984年AVHRR全球遙感數(shù)據(jù)的分類處理，得到了全球土壤覆蓋分類圖。美國(guó)的USGS、EPA 等部門聯(lián)合實(shí)施的“美國(guó)土地覆蓋數(shù)據(jù)庫(kù)”計(jì)劃(NLCD 2001) 中，利用決策樹(shù)進(jìn)行了土地、城市密度信息、林冠密度信息的提取，結(jié)果表明,土地利用分類精度達(dá)到了73%～77%, 城市密度信息提取精度達(dá)到83%～91%, 樹(shù)冠精度在78% ～93%,完全能夠滿足大規(guī)模土地分類數(shù)據(jù)產(chǎn)品的生產(chǎn)要求。陳君穎等對(duì)IKONOS衛(wèi)星影像，利用決策樹(shù)分類算法對(duì)植被進(jìn)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(shí)現(xiàn)植被分類并且精度較高，為實(shí)現(xiàn)植被的自動(dòng)化提取提供了理論依據(jù)和方法途徑[27]。羅來(lái)平采用TM遙感影像，利用決策樹(shù)CART算法進(jìn)行專題圖分類，識(shí)別出了水體、建筑用地、耕地和林地[25]?？梢钥闯?，決策樹(shù)分類方法在一定程度上優(yōu)于傳統(tǒng)自動(dòng)分類。如它與GIS數(shù)據(jù)進(jìn)行融合的分類，就是采用分級(jí)形式，選取不同的標(biāo)準(zhǔn)或方法針對(duì)不同的集合對(duì)其進(jìn)行最有效的劃分，達(dá)到將復(fù)雜的多分類問(wèn)題指標(biāo)簡(jiǎn)單化目的。更重要的是計(jì)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(guò)程中使用者不必了解很多背景知識(shí)，因?yàn)樘峁┑挠?xùn)練例子能夠用屬性——結(jié)論式的方式表達(dá)出來(lái)，就能以該算法來(lái)進(jìn)行學(xué)習(xí)。決策樹(shù)一詞最早出現(xiàn)在1982年的模式識(shí)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(shí)現(xiàn)圖像的自動(dòng)解譯成為遙感圖像解譯的主要趨勢(shì)之一[22]。Jason S．Walker等采用面向?qū)ο蟮姆椒◤母叻直媛实暮狡咸崛honeix市的植被信息，總體分類精度達(dá)至94％。Knotes利用光譜和紋理信息進(jìn)行土地覆蓋高一層次的分類。（2000）以