第1期,总第67期

2006年3月15日国 土 资 源 遥 感REMOTESENSINGFORLAND&RESOURCESNo.1,2006 Mar.,2006

地理信息系统支持下的山区

遥感影像决策树分类

陈艳华,张万昌

域研究中心,北京 100029)

摘要:山区遥感影像分类是遥感研究的一大难题。本文利用一种决策树生成算法(C4.5算法)自动提取知识,基

于知识建立决策树用于山区影像分类,并结合研究区土地利用类型与DEM空间统计关系的先验知识,在GIS空间

分析的基础上进行影像分类的后处理。与传统的最大似然法分类结果相比,该方法极大地改善了山区地表覆被分

类的精度,得到试验区较为可靠的遥感分类图像。

关键词:遥感影像;分类;知识;决策树;地理信息系统

中图分类号:TP79:P208 文献标识码:A 文章编号:1001-070X(2006)01-0069-0612(1.南京大学国际地球系统科学研究所,南京 210093;2.中国科学院大气物理所全球变化东亚区

0 引言

提高遥感数据的专题信息计算机提取精度,是

遥感研究的主要方向之一。近20a里,前人提出了

[1]大量的基于影像的分类算法与理论,但大多利用

目标地物的光谱反射特性开发各种算法加以分类,

而由多种因素造成的 同物异谱,异物同谱 问题,制

约了基于光谱特征的统计模式分类方法精度的提

高。为此,多年来,结合像元级的空间光谱特征辅以

遥感信息以外的待分类区各种特征信息开发的分类

算法逐渐成为一种趋势,并取得了进展。辅助

数据引入遥感图像分类这一领域出现了很多新的智

能化分类方法,如专家系统

网络[7][6][2~5]问题时,特别是在山区影像分类时,还存在着一定的缺憾。鉴于此,作者研究了一种比较通用的山区影像分类方法。该方法首先利用DEM对试验区的影像进行地形影响校正,减少阴阳坡植被光谱差异;然后利用C4.5算法自动提取知识,结合土地利用图参与训练区样本的选择与影像的分类和后处理,提高了分类精度。本文以汉江流域上游山区为实验区,系统介绍了分类方法,并讨论了该方法的分类精度。1 试验区概况与数据源1.1 试验区概况试验区位于陕西省石泉县境内,汉江流域上游边界地段,北纬32 25 ~33 52 ,东经107 16 ~108

20 。区内植被类型以草地、亚高山针叶林和阔叶林

为主。由于受气候、水分和地形条件影响,其植被垂

直地带性分布特征明显:海拔500m~1600m的代

表类型为草地和高密度草地;海拔1600m~2000m

的代表类型为阔叶林;海拔2000m~2500m的代

表类型为针叶林。

1.2 数据源

(1)遥感数据。根据该区的物候特征,5~8月(ExpertSystem)、神经、数据挖掘等。神经网络方法仍然处于发展阶段,不容易实现,而且分类结果存在着不可预测[8,9]性;基于知识的专家系统分类是一种人工智能分类方法,它运用知识以及输入的数据来确定解决问题的最佳途径,而不是采用预先定义的方法。当没有专业知识或专业知识不可获取时,它常常采用机器学习的方法来建立基于规则的分类系统。但这些分类方法虽然在分类精度上有了一定的提高,但是在处理同物异谱、异物同谱和山体阴影等具体

收稿日期:2005-07-04;修订日期:2005-10-09[10]

基金项目:国家重点基础研究发展规划项目(2001CB309404),中国科学院 百人计划 启动项目(8-047401)和教育部科学技术重点项目(