基于决策树模型的喀斯特石漠化光谱信息自动提取研究

《基于决策树模型的喀斯特石漠化光谱信息自动提取研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要遥感信息的提取与分类～直是遥感技术领域研究的一项重要内容。在遥感分类应用中，监督与非监督分类的传统分类方法以及人工神经网络分类专家系统分类等新方法都以影像光谱特征为基础。然而，由于影像本身存在“同物异谱，异物同谱’’现象，这种纯粹依赖地物光谱特征的分类方法往往会出现较多的错分、漏分情况。众多研究表明，结合影像光谱信息和其他辅助信息，可大大提高分类精度。当前，多光谱遥感影像具有大量信息，如地物的纹理信息、几何知识、地物间邻近关系等，这些信息可以辅助影像中地物信息的提取。纹理是遥感影像的重要信息，它不仅反映了影像的灰度统计

2、特征，而且反映了地物空间排列的关系，是目视判读的重要标志之一。采用光谱特征与纹理分析相结合的方法，能够提高影像光谱信息的精度(陈云，戴锦芳，李俊杰，2008)。决策树作为一种基于知识的分类法逐渐运用于遥感领域。其提取信息的关键是特征变量及节点阈值的选择。本文以贵州省毕节鸭池石桥小流域为研究区，在分析地物光谱特征的基础上，运用基于CART算法的决策树分类方法，通过从训练样本数据集中挖掘并确定决策树的节点规则，选用影像的光谱特征值、NDVI值、主成分PCI、PC2、DEM以及纹理特征为测试变量，集成遥感影像多种光谱特征和地学辅

3、助数据建立研究区石漠化信息自动提取的决策树模型，实现快速识别和石漠化信息的高精度提取，完成毕节鸭池示范区多光谱遥感影像石漠化等级分类。采用实测的GPS样本点对分类结果进行精度验证，并与最大似然监督分类法(MaximumLikelihoodClassification，MLC)进行对比。结果表明，基于CART的决策树分类方法的总精度为91．4％，比最大似然法分类高8．3％1Kappa系数为0．893，比最大似然法分类高0．105。由此说明，利用CART算法构建决策树获取的分类规则是合理的，它可以快速、有效地获取大量分类规则，

4、而且该算法复杂性低，效率高，体现了基于知识的遥感影像分类方法在喀斯特地区石漠化信息自动提取中优势。关键词：决策树；遥感与地理信息系统；喀斯特石漠化；光谱信息；自动提取AbstractInformationextractionandclassificationofremotesensingtechnologyhavebeenimportantelementsintheremotesensingarea．Traditionalclassificationmethods，supervisedandnon—supervisedcl

5、assificationaswellastheartificialneuralnetworkclassification，expertsystemclassificationandothernewmethodsarebasedonspectral}eaturesinapplicationofremotesensingclassification．However，theimageitselfasaresultoftheexistenceof”sameobjectwithdifferentspectra，differentob

6、jectswithsamespectrum”phenomenon，whichrelysolelyonspectralfeaturesofsurfacefeatureswi11makeerrorsoccurmorefrequentlyaswel1asthesituationofleakage．Manystudieshaveshownthatspectralinformationcombinedwithimagesandothersupportinginformation，cangreatlyimprovetheclassif

7、icationaccuracy．Atpresent，themulti—spectralremotesensingimagehasalargeamountofinformation，suchasthetexturefeaturesofinformation，geometricknowledge，neighboringrelationsbetweenfeatures，whichcanbeassistedextractingimageinformationfeatures．TextureiSimportantinformatio

8、ninremotesensing．Itnotonlyreflectsthestatisticalcharacteristicsofgray—scaleimages，butalsoreflectstherelationshipbetweenfeaturespaces．Visualinterpretatio