【正文】 何類型的自變量。因此，本次論文主要選用QUEST算法進行決策樹分類研究，其基本算法原理為：首先對所有自變量與因變量的相關性進行分析，設X為分類變量，則使用卡方檢驗分別計算X與Y的關聯(lián)強度，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。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。假如Y為多分類，則為每一Y取值的類別計算X的均數(shù)，通過聚類分析算法，把這些類別合并為兩個大類，從而多類判別問題簡化為二類判別。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。決策樹是一種非參數(shù)、分層的分類方法，分類結構清晰，可重復性好，對數(shù)據(jù)分析與解釋更具有靈活性[55]。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]。近年來，利用決策樹技術進行分類方法盡管時間不長，但是由于各種數(shù)據(jù)量不斷增大，建立在知識基礎上的規(guī)則判斷也越來越引起很多研究者的注意，并已得到成功應用[5657]。人工神經網絡方法訓練數(shù)據(jù)時間很長，并且網絡結構設計的選擇也并非很直接[58]，因而神經網絡的訓練不但費時并且對訓練結果的好壞事先缺乏判斷，這些都是不如決策樹分類的地方。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行桉樹分布信息提取研究。因此對分類的結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]。其中分類精度矩陣是目前研究者使用較多的一種方法。常用的精度評價方法是混淆矩陣?；煜仃?也稱誤差矩陣)是表示精度評價的一種常用的標準格式，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]。s accuracy) 表示從分類結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。對特定的分類圖來說，總體精度是由誤差矩陣中正確的樣本總數(shù)與所有樣本總數(shù)的比值而得；生產者精度是用某一類別的正確的像元除以該類總參考像元個數(shù)；使用者精度是用一個類別的正確像元總數(shù)除以實際上被分到該類像元的總數(shù)；他們的計算表達式分別為:總體精度=主對角線元素之和/誤差矩陣所有元素之和 （25）生產者精度=類型對應的主對角線元素/類型所在的列總和 （26）使用者精度=類型對應的主對角線元素/類型所在的行總和 （27） Kappa分析對誤差矩陣得出總體精度、生產者精度以及使用者精度后，我們仍然需要一個更客觀的指標來評價分類質量，比如兩幅圖像之間的吻合度。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。Kappa分析技術是一種多變量統(tǒng)計分析技術，反映分類結果在多大程度上優(yōu)于隨機分類結果，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，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。 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99176。43 ′北緯22176。57′之間，研究區(qū)位置見圖31。全縣土壤偏酸，有機質含量高，由于氣溫較低，有機質分解較慢，缺磷、少鉀。山脈水系大致南北延伸，地勢北高南低，最低點為各弄秧河與南卡江匯合處，海拔590m，地貌類型以山地為主，%，僅在縣城駐地勐梭鎮(zhèn)有小面積的河谷平壩。水文特征：縣內河流均屬怒江水系，境內較大的河流有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。氣象特征：西盟縣地處北回歸線以南，地形復雜，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)。℃，最熱月(5月)℃,最冷月(1月)℃。降雨多集中在610月份，%，常年雨季歷時164天，歷年平均暴雨天數(shù)為8～10天。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”的季風氣候特點。植被特征：，%。植被類型復雜多樣，主要有季節(jié)性雨林、季雨林、季風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。圖31 西盟縣交通位置圖（1）2005年9月20日高分辨率SPOT5影像：主要用于幾何校正和為研究區(qū)典型地類訓練樣本和驗證樣本的選擇提供數(shù)據(jù)支持；（2）西盟縣行政邊界：主要用于研究區(qū)裁剪；（3）金光公司提供的1：10萬20032005年西盟縣桉樹造林分布圖：主要為研究區(qū)桉樹的訓練樣本和驗證樣本的選擇提供數(shù)據(jù)支持；（4）2010年12月2011年1月野外實測各地類GPS（160個）坐標點：主要為研究區(qū)典型地類訓練樣本和驗證樣本的選擇提供數(shù)據(jù)支持。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。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)。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。中巴地球資源衛(wèi)星沒有經過試驗星階段，首發(fā)即能有效使用，使國內外同行專家認為中巴地球資源衛(wèi)星的成功，代表中國衛(wèi)星研制水平上了一個新臺階。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。2006年4月國防科工委公布了CBERS衛(wèi)星數(shù)據(jù)的免費分發(fā)政策，為國內用戶免費提供數(shù)據(jù)產品，大大降低了國內用戶的使用成本。32176。32176。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。（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。本研究所采用的CBERS影像數(shù)據(jù)采用橫軸墨卡托投影，WGS84坐標系。這項工作在ARCGIS中進行。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，然后再將產品提供給客戶。由于研究所用的影像已經進行了幾何粗校正和輻射校正，所以在此只做幾何精校正。它是利用控制點對進行的幾何校正。幾何校正可以使用的幾何校正模型有圖像仿射變換、多項式變換等，本研究采用多項式幾何校正模型對影像進行校正，根據(jù)要求其最少控制點數(shù)的計算公式為(t+l)(t+2)/2，t表示次方數(shù)。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。在進行幾何校正時，合理選取控制點最為重要。如道路交叉點、河流交叉處中心點、湖泊水岸線拐點、山脊轉折點等。西盟縣中巴衛(wèi)星影像校正點分布見圖32，西盟縣中巴衛(wèi)星影像校正誤差見表32。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。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。雙線性內插法的優(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。三次卷積插值法的優(yōu)點是有利于保持原始圖像中的灰級。本研究中采用雙線性插值法進行重采樣。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。（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。圖33 西盟縣涉及圖像鑲嵌圖 34 西盟縣原始影像裁剪圖研究區(qū)地類獲取以衛(wèi)星影像為信息源。結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）、建設用地、水域、其它。 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；以種植農作物為主的農果、農桑、農林用地；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施，在一般年景能正常灌溉，用以種植水稻，蓮藕等水生農作物的耕地，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施，靠天然降水生長作物的耕地；有水源和澆灌設施，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。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。因此樣本的選擇至關重要。也就是所含類型應與研究地域所要區(qū)分的類別一致。樣本按照作用類型主要分為兩種：訓練樣本和驗證樣本。驗證樣本主要用來對分類結果的精度進行評價，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資料。本研究中考慮到要對各地類做光譜分析以及信息的完整性，所以充分利用5個波段的波譜信息作為研究數(shù)據(jù)。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。相對于其它林地而言，紋理要整齊光滑一點，建設用地為藍色且發(fā)亮，耕地則顯示為淺藍色或灰白色，水域顯示為深藍色，其它主要為山地陰影，呈藍黑色。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。充分考慮到南方丘陵地帶，地貌復雜，地形破碎的特點，使所選擇的樣本更有代表性，并盡量使每種樣本盡量均勻分布在整景圖像上。圖35 西盟縣地類野外考察GPS點分布圖表35 西盟縣各地類訓練樣本選取數(shù)量表地類桉樹其它林地耕地建設用地水域其它樣本數(shù)15001400900700500600圖 36 西盟縣各地類訓練樣本分布圖表36西盟縣CBERS02B影像各地類解譯標志（432假彩色合成影像）地類典型影像影像特征色調形狀紋理桉樹鮮紅色邊界較清晰,成片狀影像結構均一,平滑其它林地淡紅、紫紅、暗紅、綠色、部分發(fā)白不規(guī)則斑塊影像結構混雜，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，質感強建設用地亮藍色不規(guī)則斑塊，成片狀、簇狀影像結構較均一,平滑水域深藍色邊界清晰、塊狀、線狀影像結構均一其它藍黑色邊界清晰、塊狀、簇狀影像結構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。本論文主要對光譜、植被指數(shù)、主成分變換、紋理等幾種特征進行提取分析，通過決策樹方法實現(xiàn)遙感圖像分類。圖像特征是圖像分析的重要依據(jù)。特征提取(Feature Extraction)是對若干個原特征或原波段圖像施以某種運算，產生數(shù)目相等或數(shù)目較少的新特征或新圖像。遙感圖像特征提取的實質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]。地物的光譜特征不但是傳感器波段設計的依據(jù)，也是遙感數(shù)據(jù)分析解譯的基礎，同時也是現(xiàn)代遙感技術的重要組成部分。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。在遙感圖像土地分類研究中，通常把多光譜信息作為特征進行分類。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。從表37和圖37可以直觀地得出：（1）地類的波譜相應特征桉樹：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：建設用地耕地水域其它林地桉樹其它Band2：建設用地耕地其它林地桉樹水域其它Band3：建設用地耕地其它林地水域桉樹其它Band4：桉樹其它林地建設用地耕地水域其它Band5：建設用地耕地其它林地桉樹水域其它（3）不同地類具