基于决策树的土地分类方法案例研究
基于决策树的土地分类方法案例研究
基于决策树的土地分类方法案例研究作者：张成强周国祥齐红超来源：《科技资讯》 2013年第24期张成强1 周国祥2 齐红超3(1.山东日照市莒县国土资源局山东济南 250001; 2.济南军区司令部第二部山东济南250001; 3.北京中科九度有限公司北京 100000)摘要：以鲁中地区为例，利用卫星遥感影像数据，探讨了基于决策树算法的土地分类方法，结果表明，基于决策树算法的土地分类方法可以自动生成分类规则，效率高，周期短，对于当前大面积土地综合利用的研究具有重要意义。
关键词：决策树鲁中地区土地覆被中图分类号：P23文献标识码：A 文章编号：1672-3791(2013)08(c)-0203-02土地利用的变化，反映的是人类为满足社会经济发展需要，不断调配各种土地利用的过程。
因此土地利用/覆被变化（LUCC）研究一直是全球土地研究的重点内容[1]。
随着社会发展进程的不断加快，传统的实地调查和定位观测已经跟不上土地资源变化的节奏。
通用做法是利用遥感（RS）和地理信息系统（GIS）相结合的方法进行分析处理，而对大范围地域的土地覆被分析需要大量的遥感数据及辅助数据的处理、集成、解译过程[2]，因此对高效率、高精度的遥感自动分类算法的需求非常迫切。
近年来，机器学习算法由于其在效率和分类精度的优势开始取代传统的监督和非监督算法[3]。
决策树算法和人工神经网络是机器学习算法中比较典型的算法，他们在利用遥感图像对土地覆被分类中各有特点：决策树算法在分类规则上速度较快，而人工神经网络算法的精度较高[4]。
本文通过利用C5.0决策树算法对鲁中地区的土地覆被进行了分析研究，在数据的处理方面选择了原始波段数据、纹理数据、非监督分类数据作为决策树算法的原始数据，选择了2071个样本点，对样本点进行分类学习，之后学习得到的分类规则对整个研究区进行分类1 研究区概况鲁中地区，面积大约 6.5万平方公里，整个地区南低北高，西侧为鲁西北平原，东侧为潍、沐河谷底和漫长海岸，北临莱州湾，南面与苏北平原接壤，省内四分之三的山地以近圆形集中于该区，属于一种典型的中尺度地形，具有特殊的研究价值。
基于NDVI的决策树分类方法研究
基于NDVI的决策树分类方法研究严玉奎【摘要】20世纪80年代以来,随着城镇化进程的快速发展,我国土地利用结构发生了明显的变化.及时准确地掌握土地利用状况有利于有关部门根据土地利用现状做出合理的规划和正确的决策,有利于促进经济和社会的协调发展.本文针对石河子垦区地物覆盖的特点,综合分析了不同覆盖类别区域的时序NDVI特性以及他们之间的差异性,选择最能反映土地覆盖情况和有效区分不同地类的两期TM影像,解算制作NDVI亮度图.利用均值滤波器对NDVI亮度图进行平滑处理,降低噪声.根据不同地物时序NDVI的差异选择适当的阈值进行决策树分类.精度评价结果表明该方法能够简单有效的区分不同覆盖类型的地类,特别是季节性变化差异较大的地区.【期刊名称】《北京测绘》【年(卷),期】2016(000)003【总页数】6页(P85-89,84)【关键词】NDVI;均值滤波;决策树;分类【作者】严玉奎【作者单位】中材地质工程勘查研究院有限公司,北京100102【正文语种】中文【中图分类】P237土地资源是人类赖以生存和发展的物质基础。
随着科学技术的大幅度进步和经济水平快速提高，人类对土地的利用强度不断增强，导致了地表生物地球化学循环水温过程和景观动态的快速变化，土地利用成为当前人类活动对全球变化的重要影响因素。
土地覆盖变化及其时空规律研究已经成为当前全球变化研究的热点问题[1]。
遥感能够快速、准确地获取大范围地表变化信息，已经成为当前土地覆盖变化研究的主要手段。
NDVI( Normalized Difference Vegetation Index , 归一化植被指数)作为一个重要的遥感参数，能够敏感地反映出植被生长状况、生物物理化学性质及生态系统参数的变化，在一定程度上反映了像元所对应区域的土地覆盖类型的综合情况，因而在在土地覆盖遥感研究中植被系数常被用于土地覆盖的分类、描述植被生长状况、植被光合能力、叶面积指数 ( LAI) 、现存绿色生物量和植被生产力等。
基于决策树的耕地质量评价研究
基于决策树的耕地质量评价研究摘要：本文介绍了决策树的基本概念以及决策树在耕地质量评价中的意义，并以汕尾市陆河县为例，用决策树建立了陆河县耕地质量评价模型，耕地质量模型的建立为陆河县的耕地质量评价以及改进陆河县的耕地质量、提高耕地质量水平具有一定的现实指导意义。
关键词：耕地；评价；决策树中图分类号：f301.21文献标识码： a 文章编号：决策树是一树状结构，它从根结点开始，对数据样本进行测试，根据不同的结果将数据样本划分成不同的数据样本子集，每个数据样本子集构成一子节点。
在决策树的生成过程中包含了下列思想：在构造树的每层时，选择一个具有最高信息增益的属性，使得依据该属性的值，将对象集被剖分成几个不相交的子集。
每个子集表示为树的一个子节点，以该属性的相应值标识到这些子节点的弧。
耕地质量评价是对区域耕地资源质量的综合评定，其评价过程不仅复杂，而且具有很强的技术性。
针对不同耕地区域，各个评价属性权重确定大多掺入了人为因素，从而影响了评价结果的准确性。
基于决策树的耕地质量评价，将克服传统的耕地评价方法中人为因素过多的缺点，提高耕地评价的效率和准确性；另外将决策树模型用在耕地评价中也具有鲜明的生产实践意义。
一、本地区的决策树耕地质量的控制1.目标数据集的创建目标数据集的创建工作主要包括：耕地评价单元的划分、确定评价因素和建立评价数据库，目标数据集是从评价数据库中导出的耕地属性数据。
评价单元的划分是依据陆河县2004年土地利用现状分幅图（1：10000）的土地利用现状图，在mapgis系统环境下从土地利用现状图中分离提取出县耕地图斑，作为工作底图，将选定的参评因素图与工作底图进行叠加，得出的最小图斑即为评价单元，最终确定30281个图斑为陆河县耕地评价单元。
在采集数据后，需要对图形数据和属性数据输入建库，形成图形数据库和属性数据库，并对其分别管理，其中图形数据库采用层次型管理方法；属性数据和统计数据则采用关系模型管理。
基于ENVI的决策树方法在土地利用分类中的应用
基于ENVI的决策树方法在土地利用分类中的应用秦臻;汪云甲;王行风;阚俊峰;李晓霞【摘要】Taking Shenfu Dongsheng mine in north of Yulin Shenmu County,Shanxi Province as a study case,and with the support of ENVI software, Landsat ETM image was used to analyze the spectral characteristics of the image and its value of NDVI,NDBI,NDWI. And this image was transformed with tasseled cap to determine the threshold value for different lands and build a decision tree. Then,the classification results were obtained and the role of decision tree in remote sensing data classification was evaluated.%以陕西省榆林市神木县北部神府东胜矿区为研究区,利用Landsat ETM 影像,在ENVI软件的支持下,分析了影像的光谱特征及NDVI,NDBI,NDWI特征值,并对影像进行缨帽变换,确定各地类的综合阈值,建立决策树模型,得到分类结果,并且评价了决策树分类在遥感数据分类中的作用.【期刊名称】《金属矿山》【年(卷),期】2011(000)002【总页数】4页(P133-135,140)【关键词】遥感影像;决策树模型;缨帽变换;土地分类【作者】秦臻;汪云甲;王行风;阚俊峰;李晓霞【作者单位】中国矿业大学;江苏省资源环境信息工程重点实验室;国土环境与灾害监测国家测绘局重点实验室;中国矿业大学;江苏省资源环境信息工程重点实验室;国土环境与灾害监测国家测绘局重点实验室;中国矿业大学;江苏省资源环境信息工程重点实验室;国土环境与灾害监测国家测绘局重点实验室;中国矿业大学;江苏省资源环境信息工程重点实验室;国土环境与灾害监测国家测绘局重点实验室;中国矿业大学;江苏省资源环境信息工程重点实验室;国土环境与灾害监测国家测绘局重点实验室【正文语种】中文遥感影像分类是影像分析的一项重要内容。
决策树的形式算法及其在地理信息学中的应用
方面 ： 是提 高 分 类 精 度 ； 是 尽 量 减 小 树 的大 小 ； 一 二 三是 降低 计算 复杂 性 ， 中最 为 重 要 的是 对 分 类 精 其 度 的提 高 ， 著 名 的 Ｂ ｇｉｇ和 Ｂ ｏｔ ｇ技 术 。 目 如 ａ ｇｎ ｏｓ ｎ ｉ 前 对 决策 树 的研 究 仍 在进 行 ， 逐 渐 转入 实用 ， 并 出现 了一批 实 用 的基 于 决策 树 的商 业 分析 软件 。 １ ．决策 树 算法 的总 体 框 架
设有 一 训 练 数 据 集 合 Ｄ ＝ ｛ ， ， ， ｝ Ｄｌ Ｄ２ … Ｄ ，
二 、 策树基 本算法 决
决策 树 的起 源 可以追 溯 到 Ｈ ｎ 等人 在 ２ ｕｔ ０世纪 ６ ０年 代 研 究 人 类 概 念 建 模 时 建 立 的 学 习 系 统 Ｃ Ｓｌ。２ Ｌ＿ ０世 纪 ７ Ｊ ０年 代 末 Ｑ ｉｌｎ提 出 的 Ｉ ３算 ｕｎａ Ｄ 法 【是 最 早 的 决 策 树 算 法 之 一 。人 们 在 实 践 中 发 ２ １ 现， 随着训 练 数 据 集 的增 大 ， 能会 出 现 数据 失 真 、 可 数据 缺 失 、 续 数 值 的数 据 区 间划 分 等 问题 。为 了 连 解决 这 些 问题 ， 人们 研 究 出 了不少 优 秀 的算法 ， 为 最
了树 — — 叶结 ：
一
据 广
Ｇｉ Ｘ） ａ （ 可以确定最大的 Ｇ ｉ（ 值 ，以它作为 ｎ ａ Ｘ） ｎ 树 的 根结 点 ， 法递 归 地 调用 这 种 方 法来 确 定 各 子 算
Ｅ Ｘ） （ 为用属性 作 为结 点进行分类所需 的信息
量 ， 果对 应 把 ｃ分 成 ｃｌｃ ， ， ，等 ｎ个子 如 ， ２ … ｃ
集合 ， Ｘ）可这 样 计算 Ｅ（
基于决策树的土地利用分类方法研究
ｏ ｃ ｒｅ ｃ ｔｉｅ ｒｍ ｈ ｒｔｐ ｉ ｃｐ ｏ ｏ ｅ ｔ ｈｅ ｈ ｅ ｈ ｌ ｓ ｅｅ ｔｄ ｆｏ ｔｅ ｃ ａａ ｔｒｓｉ ａｕ ｓ ｃ ｕ ｒ ｎ ｅ Ｍａｒｃ ｓｆｏ ｔｅｆ ｓ ｒｎ ｉａ ｃ ｍｐ ｎ ｎ ，ｔ ｎ ｔ ｒｓ ｏｄ Ｗａ ｓ ｌｃｅ ｒｍ ｈ ｒ ｃｅ ｔ ｖ ｅ ｉ ｌ ｈ ｉ ｃ ｌ
新 疆 农业科 学
２ ０ ，６ ２ ：３ ４ ４ ０ ９４ （ ）４ ０— ３
Ｘｎｉ ｇＡ ｒ ｕ ｕａ Ｓ ｉ ｃｓ ｉ ａ ｇｉ ｌ ｒ ｃ ｎ ｅ ｊｎ ｃｔ ｌ ｅ
基 于 决 策树 的土地 利 用 分类 方 法研 究
余 晶 蒋平安 高敏 华２ ， ，
（． １新疆农业大学草业与环境科学学院， 鸟鲁木 齐 ８０５ ； ． ３０ ２２ 新疆大学资源与环境科学学院， 鸟鲁木齐 ８０ ４ ） ３０６
ｃ ｍｐ ｎ ｎｓ ｗｅ ｅ ｅ ｔａ ｔｄ ｆｏ Ｓ ｔ ｍａ ｅ，ｔｘｕ ｅ ｉｆｒ ｔ ｎ ｗａ ｃ ｕ ｒｄ ｂ ａ ｓｏ ｓｎ ａ ｅ ｅ ｏ ｏ ｏ ｅ ｔ ｒ ｘｒ ｃｅ ｒｍ ｐ 一５ ｉ ｇ ｏ ｅ ｔｒ ｎｏｍａｉ ｓ ａ ｑ ｉ ｙ ｍｅ ｎ ｆｕ ｉｇ Ｇｒ ｙＩ ｖ ｌＣ ｏ ｅ ＿
Байду номын сангаас
Ｓ ｕ ｙ ｏ ｎｄ Ｕｓ ａ ｓｆｃ ｔｏ ｓ ｄ ｎ Ｄｅ ｉｉｎ ｅ ｅｈ ｄ ｔ ｄ ｆＬａ ｅ Ｃｌｓｉ ａ ｉｎ Ｂａ ｅ ｏ ｃｓｏ Ｔｒ ｅＭ ｔ ｏ ｉ
Ｙ ｉｇ ，Ｌ Ｇ Ｐｎ Ｕ Ｊ ‘Ｊ ｉｇ—ａ Ｇ ｎ—ｈ ｎ ｎ ， ＡＯ Ｍｉ ｕ
比较 ， 结果表明 ， 决策数分 类较最 大似然 法分 类的精度提高 了 ５ ６ ％ ， ａｐ ．６ Ｋ ｐａ系数提高了 ７ ８％ 。说明决策 ． ９ 树 分类 能够灵活、 有效运用纹理 等辅助信息 ， 更好地 区分光谱特 征相似 的 目标地物 ， 具有更高的准确性。
基于决策树的遥感影像分类方法研究
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
·18 ·
地域研究与开发
第 22 卷
质用于进一步地有效细分类 。这就是决策树分类器特 NOAA/ AV HRR 的 NDV I 数据 ,以实现全球植被分类 ,
摘要 : 基于决策树分类算法在遥感影像分类方面的深厚潜力 ,探讨了 3 种不同的决策树算法 ( UD T、MD T 和 HD T) 。首先对决策树算法结构 、算法理论进行了阐述 :具体利用决策树算法进行遥感土地覆盖分类实验 ,并把获得 的结果与传统统计分类法进行比较 。研究表明 ,决策树分类法相对简单 、明确 ,分类结构直观 ,有诸多优势 。
种相关因素 。这些因素包括 : (1) 判别函数如何处理不
同类型数据 ; (2) 如何处理缺失值 ; (3) 用于衡量分割适
宜度的分割标准以及在多特征决策树中用于内部结点
特征选择的特殊算法的确定[11] 。
事实上 ,决策树分类器的特征选择过程不是由“原
级”到“终级”的顺序过程 ,而是由“终级”到“原级”的逆
第1期
李 爽等 : 基于决策树的遥感影像分类方法研究
·19 ·
的关系使得 MD T 较 UD T 在运行过程中表现出更多优 点 : 第一 ,在 MD T 每个内部结点处的分类判决规则可 以使用多种不同的数学方法 ,如最小二乘法 ; 第二 ,由 于 MD T 内部结点处每次分割依靠一个或多个数据特 征 ,因此 ,MD T 中数据的特征选择可以使用顺序前向 选择 ( Sequential forward selection) 和 顺 序 后 向 剔 除 ( Sequential backward elimination) 等不同的算法[14] 。文 章研究 MD T 算法的特征选择更注重于局部特征选择 而非全局特征选择 ,也就是说在每一特定的内部结点 处进行特征选择并用于结点分割而不是就整个 MD T 进行特征选择 ,因为在每个内部结点处 ,随数据集的空 间分布特征不同所需采用的分类特征也不同 。但由于 MD T 内部结点处的判决规则的复杂性 , MD T 较 UD T 更难于解释 。
基于MODIS数据的决策树分类方法研究与应用
基于MODIS数据的决策树分类方法研究与应用刘勇洪;牛铮;王长耀【期刊名称】《遥感学报》【年(卷),期】2005(009)004【摘要】介绍了目前国际上流行的两种决策树算法--CART算法与C4.5算法,并引入了两种机器学习领域里的分类新技术--boosting和bagging技术,为探究这些决策树分类算法与新技术在遥感影像分类方面的潜力,以中国华北地区MODIS250m分辨率影像进行了土地覆盖决策树分类试验与分析.研究结果表明决策树在满足充分训练样本的条件下,相对于传统方法如最大似然法(MLC)能明显提高分类精度,而在样本量不足下决策树分类表现差于MLC;并发现在单一决策树生成中,分类回归树CART算法表现较C4.5算法具有分类精度和树结构优势,分类精度的提高取决于树结构的合理构建与剪枝处理;另外在决策树CART中引入boosting 技术,能明显提高那些较难识别类别的分类准确率18.5%到25.6%.【总页数】8页(P405-412)【作者】刘勇洪;牛铮;王长耀【作者单位】中国科学院,遥感应用研究所,遥感科学国家重点实验室,北京,100101;中国科学院,遥感应用研究所,遥感科学国家重点实验室,北京,100101;中国科学院,遥感应用研究所,遥感科学国家重点实验室,北京,100101【正文语种】中文【中图分类】TN911.73【相关文献】1.基于MODIS影像的森林类型决策树分类方法研究 [J], 吴梓尚;林辉;孙华;林欣2.基于MERSI和MODIS数据的2种监督分类方法比较研究 [J], 王馨凝;李国春3.基于 CART 决策树方法的 MODIS 数据海冰反演 [J], 张娜;张庆河4.基于MODIS时序数据的Landsat8影像选取及面向对象分类方法的农作物分类[J], 刘明月;王宗明;满卫东;毛德华;贾明明;张柏;张淼5.基于MODIS时序数据的Landsat8影像选取及面向对象分类方法的农作物分类[J], 刘明月;王宗明;满卫东;毛德华;贾明明;张柏;张淼;;;;;;;;;因版权原因，仅展示原文概要，查看原文内容请购买。
基于决策树的分层分类方法在土地利用信息提取中的应用
收稿日期262 修改日期22作者简介李栋梁,男,南京晓庄学院地理科学学院教师,硕士,主要从事测绘及遥感教学工作2008年11月第6期南京晓庄学院学报JOURNAL OF NANJ I NG X I A OZ HUANG U N I V ERS ITY Nov .2008No .6基于决策树的分层分类方法在土地利用信息提取中的应用李栋梁,谢汝欢(南京晓庄学院地理科学学院,江苏南京210017)摘 要:T M 遥感影像能获取丰富的地面信息,适合于大面积的宏观监测,文章利用分层分类的方法提取南京江宁区土地利用信息,获得了土地利用变化图,并对土地利用分类方法中的决策树分类和监督分类方法中的最大似然法在实践中的应用和精度比较进行了探讨,最后结合GI S 空间分析方法对分类的结果图进行比较分析,并分析其变化的原因.关键词:信息提取;变化分析;最大似然分类;决策树分类中图分类号:F301.24 文献标识码:A 文章编号:100927902(2008)0620077205 随着近代航空航天技术的发展与成熟,运用遥感技术进行大面积、大规模、实时、动态的土地等地球资源信息的采集成为可能.遥感影像的多时相特性为土地利用动态监测的定性、定量分析提供了丰富的信息;利用遥感影像能够获取各土地利用类型数量、质量、空间分布等变化信息,了解土地利用规律,探讨土地合理利用的方向和途径,为确定城市土地资源合理利用和整治提供依据.我国土地利用信息提取研究采用的方法多种多样,有传统的监督、非监督分类、神经网络等方法,近年来也有不少学者利用基于知识的分层分类方法对遥感影像进行信息提取,如:陈艳华在山区遥感影像分类中利用DE M 信息辅助提取[1],杜明义在荒漠化遥感分类技术中利用决策树方法进行分类[2],基于知识的分类方法被越来越多的运用于遥感影像分类中,本文对传统的最大似然比的分类方法和分层分类的决策树方法在土地利用分类的信息提取进行了比较.1 研究数据和研究区的概况研究所采用的数据为1994年7月22日的T M 影像,太阳高度角为58.52度;2002年8月21日的ET M +影像太阳高度角为59度.经纬度范围为:北纬30°38′～32°13′,东经118°31′～119°04′.江宁区位于南京市的南部,从东西南三面环抱南京,全区已形成了快速立体交通,全区人口约80万,区政府驻东山镇.东与句容市接壤,东南与溧水县毗连,南与安徽省当涂县衔接,西南与安徽省马鞍山市相邻,西与安徽省和县及南京市浦口区隔江相望.全区属北亚热带季风湿润气候区,四季分明,雨量充沛,年平均气温15.5℃,年均无霜期224天,年均降水量1012毫米,年均日照时数2148.3小时,日照率达49%.2 信息提取在信息提取之前对影像进行预处理,预处理主要工作为,不同时相的遥感影像的几何配准;本文采用的是二次多项式的校正模型,像元重采样方法采用的是最近邻法.以2002年的影像为基准影像来配准1994年的影像,匹配精度控制在一个像元内.2.1 影像特征分析2.1.1 光谱特征遥感图像的波谱响应特征通常是以地物在多光谱图像上的反射体现出来的,即不同的地物在同一波段图像上表现的反射率一般互不相同;同时不同的地物在多个波段图像上反射率也不相同,同一地物点的不同波段图像中的亮度的观测量将构成一个——:2008028:20080910:.77多维随机向量,称为波谱响应特征向量(图1),利用这种光谱响应特征的差异可以将不同地物区分开来.图1 地物波谱反射率图2 归一化指数图在城市中,包括植被、建设用地和水体等多种地物,在地理分布上,这些地物多数相互交错,构成了复杂的混合体;同时由于建筑材料差异、结构和形式的不同,在遥感图像上会有着较大的差异,如图1所示.由于“同物异谱,异物同谱”现象的存在,很难取得很好的分类效果,因此引进归一化差异指数生成高层次的特征.a .植被指数对1994年和2002年影像构建了归一化植被指数(ND V I ):N DV I =(N I R -Red )/(N I R +Red )式中,N I R 为近红外波段,Red 为红光波段b .水体指数(MND W I )[3]MND W I =(Green -M I R )/(Green +M I R )其中M I R 为中红外波段,如T M /ET M +的5波段MND W I 即为M f ND W I,意为改进的归一化差异水体指数c .建筑指数(NDB I )[4]N DB I =(M I R -N I R )/(M I R +N I R )式中,N I R 、M I R 分别指T M 图像的第4、第5波段,显然NDB I 取值在-1与1之间.由图2可以看出各类地物的区分较明显.2.1.2 变换特征由于不同时期的建筑物在遥感影像上的亮度差异比较明显,因而对图像进行穗帽变换(K 2T 变换),由此生成六个主分量:第一分量是亮度分量,主要反映了土壤反射率变化信息;第二分量为绿度分量,主要反映了地面植物的绿度;第三分量为湿度分量,主要反映湿度特征,其他三个分量没有实际的意义.通过选取亮度分量的两个阈值将建筑物划分为两个类型,建立并执行决策树.2.2 试验区的选择选用T M 图像中各类地物齐全且像元数目比较均匀的一块4003400的子区域作为实验区,并利用T M 影像的4、3、2波段分别配以近红、红、绿合成为标准假彩色图像.在此图像上,植被呈现红色,纯净水体呈现黑色,建筑物呈现灰蓝色(图4).经过目视判读并结合实地调查,确定土地利用类型为植被、水体、建筑用地1、建筑用地2和未利用地五大类.2.3 分类方法的实现采用监督分类中的最大似然分类器和分层分类方法中的决策树分类器进行分类,并对两种分类结果图进行精度比较.2.3.1 最大似然分类最大似然分类法又称贝叶斯(Baye s )监督分类,它首先假定分类类别在光谱空间的分布是服从正态分布的,把特征向量X 归于某类集群W i 的条件概率P (W iPX )作为判别函数,称为概率判别函数.由于概率是建立在统计意义上的,所以当使用概率判别函数进行分类时,错分现象是不可避免的,研究希望以“错分损失最小”来建立需要的判别规则,这就是Bayes 准则.最大似然分类法有着严密的理论基础,对于呈正态分布的数据,判别函数易于建立,综合应用了每一类别在各波段中的均值、方差以及多波段之间的协方差,有较好的统计特性,这些优良特性使得它很长时间内一直被认为是最先进的分类方法.[5]2.3.2 决策树分类决策树就是不断把数据按一定规则进行分裂,在每个节点分裂使用一个相应的特征,使分裂后某种准则函数达到最优,不同的准则对应不同的分裂方法和不同的决策树选择分裂的方法有好几种,但——.odi ied ..87是目的都是一致的,即对目标类尝试进行最佳的分裂.决策树方法实际上是在对数据库中的大量数据做信息量分析的基础上提取出反映类别的重要特征.见图3.(其中:b1为植被指数影像,b2为水体指数影像,b3为建筑指数影像,b4为KT 亮度波段).图3 决策树流程图(以2002年影像为例)决策树的实现主要是建立二叉树,二叉树尽管在结构上相对简单,但是其判别能力并不一定受到削弱.二叉树分类器从一系列训练样本的变量开始,利用二分规则,通过不断地迭代划分,将数据分为更均匀的子集.理论上,这种迭代过程不断进行直到得到完全纯净的子集为止.通过最佳判别属性阈值的确定(单变量)或者最佳判别函数的确定(多变量)来得到决策规则.每次分裂时所依据的属性是根据要产生的子集的质量控制进行的.2.4 分类后处理和精度评价2.4.1 分类后处理及结果图由于分类过程中是按像元逐个进行的,输出分类图一般会出现成片的地物类别中有零星异类像元散落分布情况,其中许多是不合理的“类别噪声”.通过采用四邻域类别筛选的方法处理分类图像中的孤岛问题.最终得到两种分类方法的分类结果,见图5和图6.2.4.2 精度评价与分析采用分类混淆矩阵进行精度评价,(年)认为[6],在进行精度评价时,每类至少有图4 2002年实验区影像标准假彩色合成图5 最大似然法分类器的分类结果图6 决策树分类器的分类结果3～5个样本点针对试验区分层随机选取了3个样本点,且保证每类至少有3个样本点,然后去——Congalt on 199100.00097除了一些边缘过渡地带的样本点,因为这些地区的分类结果往往是不稳定的,最后保留286个样本点进行精度评价,这里只对转移量和可能性比较大的变化类型进行分析评价,所评价的依据是原始影像的目视判读和实地调查的结果.由表1可以看出,未利用地的用户精度和生产精度都比较低.这是因为其大部分像元是植被与未利用地的混合像元.有些绿化较好的建筑区在光谱上和未利用地及植被较为相似,容易产生混合像元.表1 研究区最大似然分类精度评价结果植被水体建筑1建筑2未利用地总样本数用户精度(%)植被4413486073.33水体1360013894.74建筑162421156667.30建筑24734466468.75未利用地10293345858.62总样本数6548576254286生产精度(%)67.6975.0073.6870.9762.9669.93总体精度200/286=69.63% Kappa系数为0.64表2 研究区决策树分类精度评价结果植被水体建筑1建筑2未利用地总样本数用户精度(%)植被5212146086.67水体1370003897.37建筑131********.30建筑22325436484.38未利用地4242465879.31总样本数6244616059286生产精度(%)83.8786.3686.8990.0077.97总体精度 242/286=84.62%Kappa系数为0.82 由表1和表2可见,利用决策树分类,分类精度明显提高,分类总体精度由最大似然法的69163%提高到84162%,提高了14199%,Kappa系数由0164提高到0182.从理论上看,精度提高的原因是由于决策树为分层分类的信息提取方法,它能将一个复杂的分类过程分解成若干步,每一步仅解决一个问题,便于问题的简化[7],且在各个步骤可以利用不同来源的数据、不同的特征集、不同算法有针对性地解决问题,使分类过程透明化,便于理解与掌握由于每一步可以有针对地利用数据,减少了处理时间,提高了分类精度,特别是小类分类的精度.3 土地利用状况变化分析采用决策树分类方法分别对1994年及2002年的江宁区遥感影像进行分类,得到土地利用分类图,并对分类结果图进行波段叠加运算,获得江宁区土地利用变化转移矩阵,见表3.由表3可以看出江宁区土地利用从1994年到2002年8年间转移变化的基本情况,城市土地利用的变化情况是进行城市决策的依据,其中掌握建筑用地的变化更是城市建设的前提[8],建筑1的总面积由1994年的48.64km2增至2002年的78.88km2,建筑2总面积由1994年49.11km2增至2002年80.95 km2.2002年新增加的建设用地主要以1994年的植被转变为主,分别为47.37km2和41.77km2;小部分来自未利用地的开发.表3 江宁区土地利用转移矩阵(km2)2002年1994年植被未利用地水体建筑1建筑294年各类地物面积植被990.6699.209.3147.3741.771188.31未利用地41.2720.26 4.226.4715.4587.67水体25.3112.4058.311.182.83100.03建筑124.38 4.890.7713.405.2048.64建筑215.057.400.5010.4615.7049.11 02年各类地物面积1096.67144.1573.1178.8880.951473.76 建筑用地的增加主要是因为近年来江宁区开发力度比较大.上世纪80年代南京市政府提出了“城市建设要实行改造老城区和建设新城区相结合,以改造老城区为主”的方针,江宁开始大规模城市建设,城区工业也开始向边缘城市转移,而且江宁科学园的兴建,多家高校在此建设新校区,使得建筑用地总量大幅度增加.4 结论利用T M影像对土地利用类型的动态监测具有及时性、客观性和实用性等优点.基于决策树的分层分类方法与监督分类中的最大似然比分类方法相比,能够更多的利用相关的地学知识,采用逐层逻辑判别的方式,使人的知识及判别思维能力与图像处理有机结合起来,在最大似然比的分类方法运用光谱响应特征的基础上,融入了更多的地物特征变量,经实验证明,精度较最大似然比的分类方法有较大提高,将决策树理论技术应用于变化信息的提取方法中,针对特征变量的复杂情况,建立多信息的提取决策模型,是——.0 8土地利用变化宏观监测的重要手段之一。
决策树例题分析及解答
各点效益值计算过程是：
点2：13.5×0.8×3＋172.9×0.8＋25.5×0.2×3＋206.5×0.2－25(投资)=202.3万元
点3：15×0.8×3＋105×0.8＋15×0.2×3＋105×0.2－10（投资）=140万元
点4：21.5×0.6×7年＋29.5×0.4×7年=172.9万元
例： 某农业企业有耕地面积33.333公顷，可供灌水量6300立方米，在生产忙季可供工作日2800个，用于种植玉米、棉花和花生三种作物。预计三种作物每公顷在用水忙季用工日数、灌水量和利润见表，在完成16.5万公斤玉米生产任务的前提下，如何安排三种作物的种植面积，以获得最大的利润。
作物类别
忙季需工作日数
建设大工厂需要投资600万元，可使用10年。销路好每年赢利200万元，销路不好则亏损40万元。
建设小工厂投资280万元，如销路好，3年后扩建，扩建需要投资400万元，可使用7年，每年赢利190万元。不扩建则每年赢利80万元。如销路不好则每年赢利60万元。
试用决策树法选出合理的决策方案。 经过市场调查，市场销路好的概率为0.7，销路不好的概率为0.3。
甲
乙
丙
丁
需求量较高 需求量一般 需求量较低 需求量很低
600 400 -150 -350
800 350 -350 -700
350 220 50 -100
40求量一般
需求量较低
需求量很低
max
甲
600
400
-150
-350
600
乙
800
350
-350
-700
800
*
1
4
2
3
6
5
决策树算法在西藏遥感影像分类中的应用研究
测绘第 ３ ４卷 第 １ ２ １ 年 ２月 期 ０１
决策树算法在 西藏遥 感影像分类 中的 应 用 研 究
罗虹 徐京 华 蔡 国林
（ 西南交通大学测量工程系 ，四川 成都 ６ ０ ３ ） １ ０ １
［ 要 ］ 将 决 策 树 算 法 引 入 到 遥 感 影 像 分 类 中 ，以提 高 分 类 的 精度 。首 先 对 影 像 进 行 预 处 理 ，然 后 利 用 Ｃ ． 摘 ５０算 法 在 分 析地 物 光 谱 特 征 、纹 理 特 征 、归 一 化 植 被 指 数 的 基 础 上 ， 自动提 取 分 类 规 则 ，构 建 决 策 树 ， 实现 地 物 的 自动 分 类 。 为验 证 该算 法 的有 效 性 ，选 取 西 藏某 地 区 Ｔ 影 像 作 为 实 验 数 据 ， 与监 督 分类 的精 度 进 行 对 比 ，实 Ｍ
测 绘 第 ３ 第 １期 ２ １ ４卷 ０ １年 ２月
水体 、裸岩 、沙砾地 共 ｌ ０个类别 。
由于 遥感 器 的位 置及 姿 态 的测量 值 精度 不 高等
原 因 ，可 能 会产 生 严重 的几 何变 形 ，需 要对 原始 影
３ 基 于决 策 树 算法 的分 类技 术 路 线
遥感影像中的地物分类算法研究与应用
遥感影像中的地物分类算法研究与应用遥感影像是通过各种传感器获取的地球表面的图像数据，它具有广泛的应用领域，包括土地利用类型分析、城市规划、环境监测等。
而遥感影像中的地物分类算法研究与应用是指通过计算机算法对遥感影像中的地物进行自动分类，以实现地物类型的识别与分析的过程。
地物分类在遥感影像处理领域具有重要的意义。
然而，由于遥感影像中的地物种类繁多、空间分布复杂，地物分类算法的研究与应用面临许多挑战。
本文将从地物分类的基本原理、主要算法以及应用案例等方面进行介绍，旨在帮助读者全面了解遥感影像中的地物分类算法。
地物分类算法的基本原理是通过对遥感影像的像素进行特征提取和分类器构建来实现地物分类。
首先，对于遥感影像中的每个像素，我们可以提取其光谱、纹理、形状等特征，以描述其在不同波段下的反射、辐射情况。
然后，通过将提取的特征输入到分类器中，可以基于已知地物类型的样本进行训练和判别，最终完成地物分类的过程。
在地物分类算法中，常用的算法包括最大似然法、支持向量机、随机森林等。
最大似然法是一种基于统计学原理的分类方法，它通过对样本的概率分布进行建模，并通过最大化样本似然函数来确定每个地物类别的概率。
支持向量机是一种经典的机器学习算法，它通过在特征空间中找到一个超平面，将不同类别的样本分开。
随机森林是一种基于决策树的集成学习方法，它通过构建多个决策树，并通过投票的方式确定最终的分类结果。
在地物分类算法的应用方面，遥感影像中的地物分类在许多领域具有重要的实际意义。
例如，在土地利用类型分析领域，地物分类可以帮助确定不同地区的农田、森林、水域等类型，以指导农业生产、森林保护等决策。
在城市规划领域，地物分类可以帮助区分建筑物、道路、绿地等地物类型，以实现城市规划的合理布局。
在环境监测领域，地物分类可以帮助检测空气质量、水体污染等环境问题，以提供决策支持。
此外，地物分类算法的研究还面临一些挑战。
首先，遥感影像中的地物种类繁多、空间分布复杂，地物分类算法需要具备较高的准确性和鲁棒性。
决策树例题经典案例
决策树例题经典案例决策树是一种常用的机器学习算法，它能够通过构建一棵树来对数据进行分类或者回归预测。
决策树通过对每个样本的特征进行划分，从而逐步构建树结构，最终得到一棵用于分类或者回归的决策树。
下面我们来看一个经典的决策树例题。
假设我们有一个数据集，包含了一些二分类问题的样本，每个样本有两个特征，特征1表示是否有房产（是/否），特征2表示是否有工作（是/否）。
我们的目标是通过这两个特征来预测样本的类别（是/否）。
我们可以根据这个问题构建一个决策树。
首先，我们需要选择一个特征来进行划分。
通常我们选择的划分特征是能够最大程度地将样本分开的特征。
在这个例子中，我们可以选择特征1作为划分特征。
然后，我们将特征1的取值分别为“是”和“否”的样本分成两个子集。
对于特征1取值为“是”的样本，我们可以看到它们的类别都为“是”，所以我们可以将其划分为一个叶子节点，并且将类别设为“是”。
对于特征1取值为“否”的样本，我们需要选择另一个特征来划分。
同样地，我们选择特征2作为划分特征。
对于特征2取值为“是”的样本，我们可以看到它们的类别有一部分为“是”，一部分为“否”，所以我们还需要继续划分。
我们选择特征1作为再次划分的特征。
对于特征2取值为“否”的样本，我们可以看到它们的类别都为“否”，所以我们可以将其划分为一个叶子节点，并且将类别设为“否”。
对于特征2取值为“是”，特征1取值为“否”的样本，我们可以看到它们的类别全部为“否”，所以我们可以将其划分为一个叶子节点，并且将类别设为“否”。
最后，我们得到的决策树如下：特征1是|--- 类别：是特征1否|--- 特征2是| |--- 类别：是||--- 特征2否|--- 类别：否通过这个决策树，我们可以根据样本的特征值来进行预测。
例如，对于一个样本，特征1为“是”，特征2为“否”，按照决策树的规则，我们可以预测该样本的类别为“否”。
决策树是一种直观、易于解释的机器学习算法，它能够根据数据集的特征进行分类或者预测，对于解决一些简单的二分类问题非常有效。
基于决策树的算法分析与应用示例
基于决策树的算法分析与应用示例在机器学习领域，决策树是一个经典的算法，它可以在面对大量数据时进行快速且可靠的分类或回归。
本文将介绍决策树算法的原理与应用，并通过一个具体的案例来展示其实际应用价值。
一、什么是决策树算法决策树是一种树形结构的分类模型，它的构建过程就像是一次“递归”的决策过程。
假设我们有一组数据，每个数据点都有若干个特征（即不同的属性），我们要根据这些特征来决定其类别（如是/否、高/中/低等）。
而决策树的生成就是一个逐步“分治”的过程，将原始数据分成不同子集，并根据不同特征来分别处理，最终得到一棵带有判定条件的树形结构。
决策树的构建过程可以分为三个步骤：特征选择、决策树生成和决策树剪枝。
其中，特征选择是指从所有特征中选出一个最佳特征来作为当前的分类依据；决策树生成是指利用选定的特征对数据进行划分，生成一棵完整的决策树；决策树剪枝是指对已经生成的决策树进行优化，去除一些不必要的节点和分枝，以避免过拟合等问题。
除了常见的二叉树决策树外，还有多叉树、CART树、C4.5树、ID3树等多种类型的决策树算法。
它们在特征选择、剪枝等方面有所不同，但本质上都是基于“树形结构”来完成分类或回归任务的。
二、决策树算法的应用示例决策树算法有许多实际应用，如金融风险评估、医学诊断、信用卡反欺诈等。
这里我们以一个简单的基于决策树的鸢尾花分类为例来说明决策树的应用过程。
鸢尾花数据集是机器学习中常用的一个数据集，它包含了150条记录，每条记录都有四个特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度。
根据这些特征，我们需要判断鸢尾花属于哪种类型：山鸢尾（Iris-setosa）、变色鸢尾（Iris-versicolor）或维吉尼亚鸢尾（Iris-virginica）。
以下是如何用Python和sklearn库来实现这一任务：```python# 引入相关库和数据集from sklearn.datasets import load_irisfrom sklearn.tree import DecisionTreeClassifierfrom sklearn.model_selection import train_test_splitiris = load_iris()X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3, random_state=42)# 构建决策树模型并进行训练clf = DecisionTreeClassifier(criterion='entropy', max_depth=10, random_state=42)clf.fit(X_train, y_train)# 预测并评估模型准确率y_pred = clf.predict(X_test)score = clf.score(X_test, y_test)print(score)```上述代码首先引入了相关的Python库和鸢尾花数据集，并将数据集分为训练集和测试集。
ENVI-13基于专家知识的决策树分类
QGIS是一款免费的开源地理信息系统软件 ，适合进行空间数据管理和分析；而ENVI 则专注于遥感图像处理和分类。
PART 03
基于专家知识的决策树分 类方法
REPORTING
WENKU DESIGN
专家知识的获取与表示
专家知识的获取
通过与领域专家交流、查阅文献资料、 实验研究等方式，获取与分类任务相 关的专家知识。
envi-13基于专家知 识的决策树分类
https://
REPORTING
目录
• 引言 • envi-13软件介绍 • 基于专家知识的决策树分类方法 • envi-13实现基于专家知识的决策树分类 • 案例分析 • 结论与展望
PART 01
引言
REPORTING
WENKU DESIGN
分类结果评估与优化
分类结果评估
使用测试数据集对分类模型进行评估，计算准确率、召回率、F1值 等指标。
模型优化
根据评估结果，对模型进行优化，如调整参数、剪枝等。
结果解释
根据分类结果和决策树结构，对分类结果进行解释，提供可理解的分 类依据。
PART 05
案例分析
REPORTING
WENKU DESIGN
基于专家知识的决策树分类过程
特征选择
根据遥感影像和辅助数据，选择了与土地利用类型相关的特征，如光谱特征、纹理特征和空间特征等。这些特征对于 决策树分类器的训练和预测至关重要。
决策树构建
使用envi-13软件平台，基于专家知识构建决策树分类器。通过设置不同的分类阈值和规则，训练出适用于该案例的 决策树模型。
使用主成分分析、特征选择等方法降低特征维度，减 少计算量和过拟合风险。
基于决策树的分类方法在土地利用分类中的应用
基金项 目：科技部对欧合作专项一Ｉ ｎ ｔ ｅ ｇ ｒ ａ ｔ ｅ ｄ ｇ ｅ ｏ － ｓ ｐ ａ ｔ ｉ ａ ｌ ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ａ ｎ ｄ ｉ ｔ ｓ ａ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｔ ｏ ｒ ｅ ｓ ｏ ｕ ｒ ｃ ｅ ａ ｎ ｄ ｅ ｎ ｖ ｉ ｒ ｏ ｎ ｍ ｅ ｎ ｔ ａ ｌ ｍ ａ ｎ ａ ｇ ｅ ｍ ｅ ｎ ｔ ｔ ｏ ｗａ ｒ ｄ ｓ ｔ ｈ ｅ Ｇ Ｅ Ｏ Ｓ Ｓ（ 面向Ｇ Ｅ Ｏ Ｓ Ｓ 的应 用于资源环境管理的地理空间信息技术综合 （ ２ ４ ７ ６ ０ ８ 资助 ）
基于决策树的分类方法在土地利用分类中的应用
王 光 远 福 建 师 范 大 学地 理 科 学 学 院 ３ ５ ０ １ ０ ８
摘 要 决策树 分 类方 法是一 种基 于 空间 数据 挖 掘来 获得 分类规 则 的方 法 ．能够 融八影像 以外 的 各种知 识 ，有 效地将各 种 用 于植 被 、 水体和 土地 的 分类知识 以 及 空间纹理 信 息结合 起 来 … 本 文尝 试 基于 决 策树 分 类方 法之 上 ，结 合 光 谱特征 提取 值和 纹理 信 息特征 提取 值 对 Ｌ ａ ｎ ｄ ｓ ａ ｔ ５ Ｔ Ｍ 影像 进行 分 类 ，寻 找提 高 土地 分 类的精 度和 准确 性 的方 法 。 关 键词 决 策树 ；光谱信 息物 一 卫星 三 者 相对 位 置 （ 遥感 几 何 ）的影响 ，增 强 了对植 被的 响应 能力 ，具 有 简 易操作 的特 点 ，是 目前应 用最 广的 植被 指 数 。ＮＤ Ｗ Ｉ（ 归 一化 水 体 指数 ）反映 了 水体 光谱的 典型 特征 。 ２ ． ２纹 理信 息 特征提 取 由于研 究 区域 山地 居 多 ，地形 崎岖 ， 目 视解 译工作 难 度大 。同 时 ，分 类结 果 因遥感 图像 本身 的空 间分辨 率 以及 同物异 谱和 异物 同谱 现象 的大量 存 在 ，会有较 多 的错分 、漏 分情 况 出现 ，也 导 致分 类精 度降低 。为此 ， 引言 许 多专家学 者进 一 步 引入 纹理 特征 ，以 增强 遥感 信息 的提取 与分 类 是遥 感影 像分析 不 同地物 的可 识 别性 。 纹理 特征 是一 种不 依赖 于物 体表 面色调 与应 用的 重要 内容 。传 统遥 感 图像分 类方法 有监 督 分类 与 非监 督 分类 ；近 年较 新 的 遥 或 亮度 的 、反映 图像灰 度的 空 间变化 情况 ， 感 图像分 类 比如人 工神 经 网络分 类法 、模糊 表现 为平 滑性 、均 一性 、粗 糙性 和 复杂程 度 ” 纹 理 特征 提取 的 主要 方 法是 基 于灰 度 共 分 类法 和 专 家 系统 分 类 法” 等 都 是 以 遥 感 影像 的光 谱特 征 为基础 的 。但遥 感影 像本 身 生矩 阵 的纹理 特征 提取 方法 ，利 用的 是纹理 存在 “ 同谱异 物 ，同物 异谱 ”的 现象 ，这 些 特 征 的 局 部 随 机 性 和 整 体 统 计规 律 性 的 特 ｃ ｏ ｎ ｔ ｒ ａ ｓ ｔ ） 、 仅依 赖于 光谱 特征 的分 类方 法往 往会 导致 遥 点 。 对于 遥 感 图 像来 说 对 比度 （ ｅ ｎ ｔ ｒ ｏ ｐ ｙ ） 、逆差 矩（ ｈ ｏ ｍｏ ｇ ｅ ｎ ｅ ｉ ｔ ｙ ） 和 相 关 感影 像的 错分 或 漏分 ，从而 降 低遥 感影像 分 熵 （ Ｎ ｉ （ ｃ ｏ ｒ ｒ ｅ ｌ ａ ｔ ｉ ｏ ｎ ） 等 统 计 量效 果 最 好 。本 文 类精 度 。 ＮＶＩ 为 平 台 ，先对 试 验 区 遥感 影像 进 行 决策 树分 类 方法是 一 种基于 空 间数据 挖 以Ｅ 掘来 获得 分类 规 则的方 法 ，数据 挖掘 （ Ｄ ａ ｔ ａ 主成分 分析 ，有 效去 除噪音 和 冗余 ，取 变换 ｍｉ ｎ ｉ ｎ ｇ ，Ｄ Ｍ ）是 从大 量的 、不 完全 的 、模 后的 第 一 主成 分 分 量 ；再 根 据 灰 度 共 生 矩 糊 的 、随 机 的数 据 中 ，提取 隐 含其 中的 、人 阵 纹 理 提 取 方 法 对 影 像 进 行 纹 理 分 析 ，得 ｃ ｏ ｎ ｔ ｒ ａ ｓ ｔ ） 、熵（ ｅ ｎ ｔ ｒ ｏ ｐ ｙ ） 、逆差 矩 们 不知 道的 、具 有潜 在利 用价值 的信 息和 知 到对 比度 （ ｈ ｏ ｍｏ ｇ ｅ ｎ ｅ ｉ ｔ ｙ ） ｉ ￣ Ｉ Ｉ ｝ Ｎ 关性 （ ｃ ｏ ｒ ｒ ｅ ｌ ａ ｔ ｉ ｏ ｎ ） 纹 理特 识 的过 程 ，决 策树 分 类 方法 能够 有 效地 将 （ 遥 感 影 像 中 的光 谱 信 息 和 空 间纹 理 信 息 结 征 图像 。 合 ，并 借 助现 有的 土地 、植被 和 水体等 土地 ＤＥ ＭＲ Ｉ １ 数 字 高 程模 型 ，是 一 定 范 围 内 类 型 的分 类知识 对影 像进 行 上地 类型分 类 。 ｘ ｙ ） 及 其高 程 （ ｚ ） 的 本 文 尝试 基 于决 策树 分类 方法 之 上 ，结 合 规 则格 网 点的 平面 坐标 （ 光 谱特 征 提 取值 和纹 理 信 息特 征 提 取 值 对 数据 集 ，它主 要是描 述 区域 地貌 形态 的空 间 Ｌ ａ ｎ ｄ ｓ ａ ｔ ｉ ｆ ＴＭ影 像进 行 分 类 ，并 将 分 类结 分 ，是 通过 等高 线或 相似 立体 模型进 行数 包括 采样 和量 测 ） ，然 后进 行数据 果 与运 用最 大似 然 法的 监督 分类 结果进 行对 据采 集 （ 内插 而形 成 的 ，是 对地 貌形 态的 虚拟表 示 ， 比分 析 。 可派 生 出等高 线 、坡 度图等 信 息 。由于试验 １研究区概况与数据来源 尤 溪 县 是 福 建 省 三 明 市 下 区分布 着大 量低 山丘 陵 ，林 地与 耕地 较难 区 分 ，林地 主 要分 布在 低 山丘 陵地 区 ，与耕 地 辖 的 一 个 县 ，位 于 ｊ 明 市 东 部 ， Ｍ 北 纬 ２ ５。 ５ ０ 一２ ６。 ２ ６ ， 东 经 在 高 程 上 有 明显 差 异 ，所以 尝 试 利 用ＤＥ ｌ ｌ ７ 。４ ８ ～ｌ ｌ ８ 。３ ９ ，总 面积 ３ ４ ２ ５ ． ３ 平 方 将 林地 从植 被 中区分 出来 。 ２ ． ４ 决 策树 分类 千米 ，属 中亚 热带 季风 性湿 润 气候 。夏季 暖 决 策 树 分 类法 突破 了以 往 分 类 树 或 分 热 ，冬季 温凉 ，春 夏 多雨 ，降水 丰富 。地 处 闽 中 、戴 云 山脉 以北 ，境 内 Ｌ Ｌ Ｉ 岭 耸峙 ，丘 陵 类 规 则的构 建要 利用 分类者 的生 态学 和 遥感
基于深度学习的土地利用分类研究
基于深度学习的土地利用分类研究近年来，随着图像处理技术的迅猛发展，基于深度学习的土地利用分类研究逐渐成为了土地利用和遥感领域的热门话题。
深度学习模型可以针对不同的土地类型进行分类，从而提高了土地利用调查工作的效率和准确性。
本文将探讨深度学习在土地利用分类中的应用以及其优势。
深度学习在土地利用分类中的应用深度学习模型的出现，使得土地利用分类进入了一个全新的阶段。
与传统的土地利用分类算法相比，深度学习模型可以无需输入太多人工特征，而是直接针对原始图像进入训练。
常见的深度学习模型包括卷积神经网络、循环神经网络和深度信念网络等。
这些模型中，卷积神经网络是应用最广泛的一种模型，它可以通过大量的数据学习到对图像的特征进行有意义的分类判断。
循环神经网络则可以对空间上连续的数据具有更好的应用效果。
深度学习模型在土地利用分类中的应用广泛，包括农作物、林地、城市和草地等多种类型。
例如，在农作物分类中，深度学习模型可以分辨出麦田、玉米地以及其他农作物的类型；在林地分类中，深度学习模型可以判断出森林的类型、森林覆盖率以及各类植被的分布情况；在城市分类中，深度学习模型可以对道路、建筑物、水体和草地等进行分割和识别。
深度学习与传统算法的比较深度学习模型在土地利用分类中的应用相对于传统的分类算法，具有一定的优势。
传统的算法主要依赖于人工设计的特征和分类器，而深度学习模型可以从数据中学习出一些更为抽象的特征，并将这些特征应用于分类中，从而可以得到更准确的结果。
此外，深度学习模型还具有非常强的适应性和鲁棒性，对于一些光谱上存在的扰动和噪声，深度学习模型可以进行一定的抵抗和过滤。
当然，深度学习模型也有一些劣势，例如需要大量的数据和算力进行训练。
同时，深度学习模型具有一定的黑盒性质，很难解释其内部的工作原理，这对于一些领域专家来说并不太友好。
因此，在实际应用中，需要根据具体的数据特点选择合适的算法和模型，综合评估各自的优缺点，从而得出更为准确的分类结果。
随机森林模型在土地覆盖变化预测中的应用
随机森林模型在土地覆盖变化预测中的应用随机森林是机器学习中一种强大的预测模型，其在土地覆盖变化预测中具有广泛的应用。
土地覆盖变化是指土地利用类型在时间上的演变过程，对于环境管理、土地规划和决策制定等领域具有重要意义。
随机森林模型是一种集成学习算法，采用了决策树作为基本分类器。
它通过随机选择特征和样本的方式，创建了多个决策树，然后将这些决策树的结果进行集成，选择投票最多的结果作为最终的预测。
这种集成学习的方式使得随机森林模型具有较高的准确性和鲁棒性，能够有效地处理大规模复杂的数据集。
在土地覆盖变化预测中，随机森林模型可以利用历史土地利用数据和相关环境因素，进行未来土地覆盖变化的预测。
首先，需要收集包括土地利用类型、气候、高程等因素的多维数据。
这些数据可以通过遥感技术获取，包括卫星图像、激光雷达数据等。
然后，将这些数据进行处理，提取出有用的特征。
例如，可以计算每个地区不同土地利用类型的面积比例、周围地区的土地利用类型等。
接下来，将数据集随机分成多个子集，每个子集用于构建一个决策树。
在构建决策树时，随机森林模型会随机选择特征子集，以增加模型的多样性。
最后，利用这些决策树对未来的土地覆盖进行预测。
随机森林模型在土地覆盖变化预测中的应用具有多个优点。
首先，它能够处理大规模复杂的数据集，包括来自不同源头的数据。
这使得预测结果更加准确可靠。
其次，随机森林能够自动处理缺失数据和异常值，减少了数据预处理的工作量。
此外，随机森林还可以计算特征的重要性，帮助决策者了解不同因素对土地覆盖变化的影响程度，从而制定合理的政策和规划。
然而，随机森林模型也存在一些挑战和限制。
首先，模型的参数调节对于预测结果具有一定影响，需要通过试验和调整来找到合适的参数组合。
此外，随机森林模型对于不平衡的数据集和噪声较大的数据集可能效果不佳。
在实际应用中，需要根据具体情况对模型进行改进和优化。
总之，随机森林模型作为一种强大的预测模型，在土地覆盖变化预测中具有广泛应用。
土地利用覆盖变化信息提取
土地利用/覆盖变化信息提取实验报告1. 实验目的利用TM/ETM3个时相卫星数据，应用ENVI软件进行土地利用/覆盖分类，在此基础上进一步分析其动态变化特征。
2. 实验内容金华市土地利用/覆被变化信息的提取。
采用决策树分类法提取土地利用/覆被信息，它通过分析地物光谱特征和其他图像特征，充分利用高程、坡度等地理辅助信息可以有效地提高分类精度，比较适合于江南丘陵地形破碎、地物分布复杂的地区。
和传统的监督分类法相比，它可以消除园地和林地、建设用地和裸地光谱相似所带来的影响。
（1）TM影像数据的预处理。
本文的遥感数据处理主要包括大气校正、几何校正和图像增强，并利用行政边界矢量图对影像进行裁剪。
（2）土地利用变化信息提取。
首先对其中的一期影像(2003年)分别采用最大似然法、决策分类树法进行分类，提取土地利用/覆被信息，并对二者的提取精度进行比较，选择精度最高者作为最终的提取方法，进而提取1988～2003年金华市土地利用/土地覆被信息。
（3）利用空间叠加获取土地利用/覆被变化的面积转移矩阵，进而通过面积转移矩阵分析土地利用/土地覆被的数量变化、空间结构变化和土地利用程度。
3. 实验方案4. 数据预处理4.1 数据源本文所采用的数据包括：两景金华市的Landsat TM和一景Landsat ETM陆地卫星影像，一景半SPOT 全色影像；该地区1：50 000地形图；该地区81m*81m分辨率的数字高程模型（DEM）；1：100万中国行政边界矢量图等。
具体的见表4-1和4-2所示。
表4-1 研究区遥感影像数据获取时间传感器类型数量（景）空间分辨率（m）2003年3月9日SPOT-5全色151/252003年3月26日LandsatETM+1-8波段115m（全色）30m(多光谱)1996年9月6日LandsatTM1-7波段1301988年12月5日LandsatTM1-7波段130表4-2 研究区其他资料及应用说明数据类型应用说明大比例尺地形图最新时相的1：50000地形图，用于进行卫星遥感资料的几何校正野外调查资料野外控制点的测量，土地利用/覆盖分类训练样本区的调查，建立判读标志，进行分类及信息提取精度检验等工作土地利用现状图对比土地利用/覆盖动态变化及遥感影像分类精度参考4.2 图像预处理数据预处理部分主要包括：对遥感影像进行大气校正、几何纠正、以及对研究区进行边界裁剪和图像增强。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于决策树的土地分类方法案例研究
摘要：以鲁中地区为例，利用卫星遥感影像数据，探讨了基于决策树算法的土地分类方法，结果表明，基于决策树算法的土地分类方法可以自动生成分类规则，效率高，周期短，对于当前大面积土地综合利用的研究具有重要意义。
关键词：决策树鲁中地区土地覆被
土地利用的变化，反映的是人类为满足社会经济发展需要，不断调配各种土地利用的过程。
因此土地利用/覆被变化（LUCC）研究一直是全球土地研究的重点内容[1]。
随着社会发展进程的不断加快，传统的实地调查和定位观测已经跟不上土地资源变化的节奏。
通用做法是利用遥感（RS）和地理信息系统（GIS）相结合的方法进行分析处理，而对大范围地域的土地覆被分析需要大量的遥感数据及辅助数据的处理、集成、解译过程[2]，因此对高效率、高精度的遥感自动分类算法的需求非常迫切。
近年来，机器学习算法由于其在效率和分类精度的优势开始取代传统的监督和非监督算法[3]。
决策树算法和人工神经网络是机器学习算法中比较典型的算法，他们在利用遥感图像对土地覆被分类中各有特点：决策树算法在分类规则上速度较快，而人工神经网络算法的精度较高[4]。
本文通过利用C5.0决策树算法对鲁中地区的土地覆被进行了分析研究，在数据的处理方面选择了原始波段数据、纹理数据、非监督分类数据作为决
策树算法的原始数据，选择了2071个样本点，对样本点进行分类学习，之后学习得到的分类规则对整个研究区进行分类
1 研究区概况
鲁中地区，面积大约6.5万平方公里，整个地区南低北高，西侧为鲁西北平原，东侧为潍、沐河谷底和漫长海岸，北临莱州湾，南面与苏北平原接壤，省内四分之三的山地以近圆形集中于该区，属于一种典型的中尺度地形，具有特殊的研究价值。
鲁中地区主要包含济南、淄博、东营、泰安、莱芜五个城市，随着城市发展步伐的加快，城市土地利用格局也随之发生很大变化。
2 数据获取预处理
在数据源的处理上，由于传统的监督、非监督分类方法在数据的选择上只能是原始波段数据和通过波段运算后获取的特征数据，还可以包干GIS数据及经过非监督分类后的初始数据等。
本文选择了2013年鲁中地区30m分辨率ETM影像，时间为5月20号，ETM影像共有8个波段，包含可见光波段1-5、7，全色波段8，两个近红红外波段6-1,6-2，本文只研究了可见光波段，通过这些波段，将原始波段的DN值转化成地物的表观反射率数据。
本文采用均值、方差、均匀比、对比度、非相似度、熵、角二阶矩、相关度等八个特征作为统计量。
对于非监督分类数据，采用在多光谱图像中搜索自然相似光谱，请将其分类组成的数据集群。
3 分析方法
3.1 工作流程
C5.0算法对地面覆被的分类主要分两个步骤：一是通过机器学习生成决策树，并建立相应的决策规则；二是决策规则对遥感影像图进行覆被分类。
本文通过See5.0软件生成分类规则，之后利用NLCD 制图工具，利用分类规则对鲁中地区进行了覆被分类。
其流程如图1所示。
3.2 波段组合与变量选择
遥感图像中有5个原始波段数据，波段合成的步骤是将5个原始波段数据与8个纹理波段、非监督分类数据进行波段合成，而后对合成波段进行采样，本身决策树算法的输入参数可以有DEM、坡度、坡向、地温土壤类型等等，但由于鲁中地区处于平原地区，坡度、坡向等数据对结果影响不大，因此没有使用。
3.3 土地分类与样本采集
鲁中地区的地形分类，主要包括耕地、林地、建设用地、水域。
另外，由于鲁中地区地处平原，交通道路比较发达，因此，道路在分
类中也可作为一项分类标示进行分类；水域包含河流、湖泊，但是鲁中地区水域有个需要重点关注的点是黄河水域的光谱特征有异于湖泊的光谱特征；鲁中地区草地面积较少，且特征不明显，与林地不好区分，因此，将两者归为一类。
在对地物覆被采样时，样本点的分布要均匀。
3.4 决策规则的构建
决策树算法自从被提出，到如今已经涌现出很多决策树的机器学习算法。
本文采用的是Quinlan的C5.0决策树算法，该算法是在C4.5基础上的改进算法。
该算法用两种修剪方法来构建决策树，一种是前剪枝，一种是后剪枝。
它比C4.5的运算速度更快，树的结构更简单。
当前See5.0软件中集成了C5.0算法，本文决策树学习将样本点作为输入数据，得到决策规则，决策树是有多条决策规则形成的树状决策规则的集合，由于机器学习的决策规则较多，决策树结构会比较庞大，所以本文无法用图形方式将决策树展现。
4 分类结果及精度评价
4.1 覆被分类
本文对影像图土地覆被的分类采用了NLCD制图工具，该工具集成了C5.0算法，可以读入See5.0软件的分类规则，而后运用规则对影像图进行分类，分类结果如图2所示。
4.2 精度分析
在土地覆被分类过程后，通常对分类结果进行精度分析，分类精度从一定程度上反映了分类模式的科学性和有效性，通过精度分析，可以对分类模式进行改进，进而进一步提高分类精度。
本文通过对影像图进行解译，随机选取了2071个像元点构建混淆矩阵，通过混淆矩阵方法对分类精度进行了评价，结果如表1所示。
由分析结果可以看出，分析精度较高的是水域、林地和耕地，分精度较低的是道路，道路分类精度低的原因是在30M分辨率的遥感影像中，道路的光谱特征不明显，与其周围的覆被不好区分，因此造成样本像元点混淆较多，因此误差较大。
对于道路的测算，需要更高精度的影像图来进行分类。
5 结论
本文利用决策树算法对鲁中地区的土地覆被进行了分类探索，研究通过手工采取样本点，而后利用决策树C5.0算法对样本进行学习，并生成分类规则，而后利用分类规则对样本进行了分类。
通过研究，得出以下结论：
与传统的方法相比，决策树算法可以不用手工制定分类规则，算法可以通过机器学习，自动生成分类规则，效率高，周期短，对于当前大面积土地综合利用的研究具有重要意义。
但该方法也有其不足之处：决策树算法对于样本的选取依赖性强，不同的样本点，在同一幅
影像图下其分类规则可能差异很大，必须仔细的选取具有代表性的样本点，才能得到较高精度的分类结果。
参考文献
[1]李秀彬.全球环境变化研究的核心领域——土地利用/土地覆被变化的国际研究动向[J].地理学报，1996,51(6):553-557.
[2]赵建辉.基于1∶50000西部无图区土地覆盖分类应用研究[J].测绘与空间地理信息,2012,35(1):183-184.
[3]Muchoney D,Williamson J.A Gaussian Adaptive Resonance Theory Neural Network Classification Algorithm Applied to Supervised Landcover Mapping Using Multi2temporal Vegetation Index Data[J].IEEE Transactions on Geoscience and Remote Sensing,2001,39(9):1969-1977.
[4]杨曦光.基于决策树方法的海岛土地利用分类研究[J].国土资源遥感, 2012,93(2):117-118.。