基于TM數(shù)據(jù)土地分類方法研究報(bào)告-以武漢地區(qū)為例

.z遙感應(yīng)用模型結(jié)課論文基于TM數(shù)據(jù)土地分類方法研究——以**地區(qū)為例摘要:利用**地區(qū)TM數(shù)據(jù)以遙感為手段對(duì)土地分類進(jìn)展研究，遙感技術(shù)已經(jīng)廣泛的應(yīng)用于土地利用與土地覆蓋數(shù)據(jù)獲取中。現(xiàn)綜合分析了目前主要的遙感圖像分類方法，將遙感圖像分類方法歸納為:基于傳統(tǒng)統(tǒng)計(jì)分析的分類方法、神經(jīng)網(wǎng)絡(luò)分類方法、模糊分類方法、決策樹分類方法、專家系統(tǒng)分類方法，并對(duì)各種方法的應(yīng)用情況進(jìn)展了綜述，比照各種分類方法的優(yōu)劣，對(duì)隨機(jī)森林決策樹分類方法進(jìn)展展開和延伸，提出改進(jìn)算法。Abstract:UsingTMDatatoclassifylanduseandlandcover.Recently,Remotesensingtechniquehasbeenwidelyappliedinlanduseandlandcover,andgettheinformation.Thepopularmethodsofremotesensingimageclassificationhavebeengenerallyanalyzedandsummarized:areclassificationbasedonstatistic,neuralnetworkclassification,fuzzyclassification,decisiontreeclassification,e*pertsystemclassification.Inotonlyintroducecharacteristicineveryclassificationway,butalsoparethemwitheachother.What`smore,Iwillintroducetherandomforestwaydeeperandfurther,andputupwithnewadvancedalgorithm.目錄摘要:-2-1緒論-4-1.1選題背景和意義:-4-1.2參考文獻(xiàn)綜述：-4-1.3土地分類簡(jiǎn)介：-6-1.3.1土地分類概述：-6-1.3.2土地分類系統(tǒng)：-7-1.3.3利用遙感進(jìn)展土地分類國內(nèi)外研究現(xiàn)狀：-7-1.4本文工作內(nèi)容及行文思路：-8-2實(shí)驗(yàn)與分析：-8-2.1實(shí)驗(yàn)數(shù)據(jù)和軟件平臺(tái)：-8-2.2影像分類：-9-2.2.1無先驗(yàn)信息對(duì)原始影像進(jìn)展分類：-9-2.2.2無先驗(yàn)信息對(duì)拓展波段影像進(jìn)展分類：-10-2.2.3基于先驗(yàn)信息對(duì)拓展波段影像進(jìn)展分類：-11-2.2.4非監(jiān)視分類結(jié)果參照：-12-2.3分類結(jié)果分析：-13-分類精度評(píng)價(jià)體系：-13-分類精度評(píng)估：-14-2.4結(jié)論：-15-3關(guān)于決策樹分類算法改進(jìn)：-15-3.1決策樹分類算法改進(jìn)幾點(diǎn)想法：-15-3.2利用改進(jìn)算法編寫程序?qū)崿F(xiàn)：-16-3.3對(duì)疑似點(diǎn)進(jìn)展拓?fù)溥B通性分類：-17-3.4改進(jìn)算法分類精度評(píng)估：-18-4完畢語：-19-1緒論1.1選題背景和意義:利用遙感手段獲得土地利用、覆蓋信息的一個(gè)重要的中間環(huán)節(jié)就是分類。最先出現(xiàn)的分類技術(shù)是圖像目視解譯分類，它可充分利用判讀人員的知識(shí)，靈活性好。擅長(zhǎng)提取空間相關(guān)信息，但定位不準(zhǔn)確，時(shí)效性差，可重復(fù)性差，并存在個(gè)人差異。目視解譯現(xiàn)在仍然被廣泛地應(yīng)用于對(duì)精度要求較高的應(yīng)用中，特別是在對(duì)米級(jí)高分辨率遙感圖像分類時(shí)，目視解譯精度一般高于計(jì)算機(jī)分類精度。為了更好地幫助國家有關(guān)部門及時(shí)、快速和準(zhǔn)確地掌握土地利用情況,進(jìn)而建立起土地利用管理和決策信息系統(tǒng),就要涉及利用遙感進(jìn)展土地分類的問題。衛(wèi)星遙感以其覆蓋面廣、信息量大、實(shí)時(shí)性強(qiáng)等特點(diǎn)在地學(xué)領(lǐng)域得到廣泛應(yīng)用,尤其在土地利用現(xiàn)狀調(diào)查中更表達(dá)了其快速、經(jīng)濟(jì)等特點(diǎn)。遙感數(shù)據(jù)的土地利用分類一直是遙感圖像處理里面的研究熱點(diǎn)，其核心其中心內(nèi)容是設(shè)計(jì)一個(gè)將遙感圖像分類形成各種專題圖像的圖像處理程序。經(jīng)過數(shù)十年細(xì)致研究，現(xiàn)有的土地；利用分類的方法非常之多，對(duì)諸多的分類方法進(jìn)展評(píng)價(jià)和比較，有利于確定特定條件下，分類方法的選取，以及土地分類算法的優(yōu)化。本課題研究基于傳統(tǒng)統(tǒng)計(jì)分析的分類方法、神經(jīng)網(wǎng)絡(luò)分類方法、模糊分類方法、決策樹分類方法和專家系統(tǒng)分類方法在遙感土地分類中的應(yīng)用，并學(xué)習(xí)和研究其最新的開展方法。研究成果可以直接應(yīng)用到遙感土地分類、變化監(jiān)測(cè)，具有重要的實(shí)際意義。隨機(jī)森林等計(jì)算機(jī)學(xué)習(xí)方法作為優(yōu)秀的分類算法，可以被應(yīng)用于遙感影像的分類中，但是目前國內(nèi)相關(guān)研究還比較少。1.2參考文獻(xiàn)綜述：計(jì)算機(jī)遙感圖像分類是計(jì)算機(jī)模式識(shí)別技術(shù)在遙感領(lǐng)域中的具體應(yīng)用，其核心任務(wù)就是確定不同地物類別間的判別界面和判別準(zhǔn)則，可重復(fù)性好，定位準(zhǔn)確，處理時(shí)間短，時(shí)效性好[29]。然而與其他的計(jì)算機(jī)模式識(shí)別不同的是．遙感影像數(shù)據(jù)類別多，含混度大，維數(shù)高，高精度的多類別分類識(shí)別具有較大難度[26]。利用遙感進(jìn)展土地分類的方法主要可以分為：基于傳統(tǒng)統(tǒng)計(jì)分析的分類方法、神經(jīng)網(wǎng)絡(luò)分類方法、模糊分類方法、決策樹分類方法、專家系統(tǒng)分類方法等[30]。其中傳統(tǒng)統(tǒng)計(jì)分析分類方法基于傳統(tǒng)統(tǒng)計(jì)分析對(duì)遙感圖像分類是目前應(yīng)用較多，算法較為成熟的分類方法。常見的非監(jiān)視分類的方法：K一均值(K—Means)、迭代自組織數(shù)據(jù)分析(IterativeSelf—OrganizeDataAnalysis)等。經(jīng)典的監(jiān)視分類法有最大似然法(Ma*imumLikeli—hoodClassifier)、最小距離法(Nearest—MeanClassifier)、光譜角分類法(SpectralAngleClassifier)等,傳統(tǒng)的計(jì)算機(jī)分類方法主要有以下六個(gè)特點(diǎn)：基于數(shù)理統(tǒng)計(jì)理論的分類；基于影像光譜特征的分類；基于像元的逐點(diǎn)分類；每個(gè)像元有且僅有一個(gè)所屬類別的硬分類；利用單源遙感影像的分類；利用單分類器分類(即利用一個(gè)分類器一次分出所有類別)。這六個(gè)方面都在不同程度上限制著分類精度的提高，尤其是隨著遙感技術(shù)的進(jìn)步，不利影響越顯突出[29]。 由于傳統(tǒng)統(tǒng)計(jì)分析的分類方法暴露出上述六大問題，因此國內(nèi)外學(xué)者對(duì)其進(jìn)展了改進(jìn)，同時(shí)演化出了新的分類方法：人工神經(jīng)網(wǎng)絡(luò)分類方法，是以模擬人腦神經(jīng)系統(tǒng)的構(gòu)造和功能為根底而建立的一種數(shù)據(jù)分析處理系統(tǒng)。具有對(duì)信息的分布式存儲(chǔ)、并行處理、自組織、自學(xué)習(xí)等特點(diǎn)，在王城所做的基于HJ-1A的BP神經(jīng)網(wǎng)絡(luò)分類研究[11]中指出：第一，神經(jīng)網(wǎng)絡(luò)分類方法不需要任何關(guān)于統(tǒng)計(jì)分布的先驗(yàn)知識(shí)。因此，它用于遙感影像分類時(shí)不必考慮像元統(tǒng)計(jì)分布特征;第二，神經(jīng)網(wǎng)絡(luò)分類方法不需要預(yù)定義分類中各個(gè)數(shù)據(jù)源的先驗(yàn)權(quán)值，這意味著它可以廣泛的用于多源遙感數(shù)據(jù)分類[31]。模糊分類方法，它以模糊集合論作為根底，運(yùn)用數(shù)學(xué)模型計(jì)算它對(duì)于所有集合的隸屬度，每一像元都在不同程度上隸屬于不止一個(gè)類別。其中羅來平進(jìn)展的遙感圖像分類中模糊模式識(shí)別的應(yīng)用研究[19]，得到結(jié)論地表信息是多維的、無限的，遙感信息傳遞過程中的局限性以及遙感信息之間的復(fù)雜相關(guān)性，決定了遙感信息的分析結(jié)果具有不確定性和多解性，這正是模糊分類成為遙感影像分類研究中一個(gè)重要趨勢(shì)的原因所在．之前的很多研究都證明了模糊分類在分析混合像元、提高分類精度等方面具有較大優(yōu)勢(shì)[28]。支持向量機(jī)(SVM)由VapnikV和CortesC于1995年首先提出，是建立在VC維理論和構(gòu)造風(fēng)險(xiǎn)最小化(SRM)根底上的一種監(jiān)視無參數(shù)統(tǒng)計(jì)學(xué)習(xí)方法［14］。SVM能根據(jù)有限的樣本信息在模型的復(fù)雜性(即對(duì)特定訓(xùn)練樣本的學(xué)習(xí)精度)和學(xué)習(xí)能力(即無錯(cuò)誤地識(shí)別任意樣本的能力)之間尋求最正確折衷，以期獲得最好的推廣能力。經(jīng)過一系列研究與改進(jìn)后，該方法在解決小樣本、非線性問題及高維模式識(shí)別應(yīng)用中表現(xiàn)出許多特有的優(yōu)勢(shì)，并能夠推廣應(yīng)用到函數(shù)擬合等其他機(jī)器學(xué)習(xí)問題中［15］。決策數(shù)分類方法，決策樹方法是多元統(tǒng)計(jì)分類中的一種方法。決策樹算法用于遙感分類的優(yōu)勢(shì)在于對(duì)數(shù)字影像數(shù)據(jù)特征空間的分割上。其中索玉霞、王正興研究的基于決策樹和MODIS植被指數(shù)時(shí)間序列的中亞土地覆蓋分類[27]，其結(jié)論論證了決策樹分類構(gòu)造簡(jiǎn)單明了，尤其是二叉樹構(gòu)造的單一決策樹構(gòu)造十分容易解釋。決策樹分類法的樹狀分類構(gòu)造對(duì)數(shù)據(jù)特征空間分布不需要預(yù)先假設(shè)*種參數(shù)化密度分布，所以其總體分類精度優(yōu)于傳統(tǒng)的參數(shù)化統(tǒng)計(jì)分類方法。由于它屬于嚴(yán)格“非參〞，對(duì)于輸入數(shù)據(jù)空間特征和分類標(biāo)識(shí)，具有更好的彈性和穩(wěn)健性，但它的算法根底比較復(fù)雜，而且需要大量的訓(xùn)練樣本來探究各類別屬性間的復(fù)雜關(guān)系，在針對(duì)空間數(shù)據(jù)特征比較簡(jiǎn)單而且樣本量缺乏的情況下，其表現(xiàn)并不一定比傳統(tǒng)方法如最大似然法好，甚至可能更差[20]?？偨Y(jié)上述方法，可以看出傳統(tǒng)統(tǒng)計(jì)分析的分類方法，具有較為廣泛的應(yīng)用，其中以貝葉斯最大似然法分類最為普遍。但是受六大因素的制約，其精度不能滿足現(xiàn)階段土地利用分類的要求，因此延伸出新的分類方法。在這些方法中，神經(jīng)網(wǎng)絡(luò)有利于應(yīng)用到多源數(shù)據(jù)的分類，而模糊分類法則適合分析混合像元問題，最后本文關(guān)注的重點(diǎn)為決策樹分類其優(yōu)勢(shì)表達(dá)在其容易解釋且嚴(yán)格“非參〞，它具有更好的彈性和穩(wěn)健性。但是由于其需要大量訓(xùn)練樣本的弊端，在樣本偏少的情況下暴露出很大的缺乏?，F(xiàn)引入了隨機(jī)森林的決策樹分類算法，它以投票的方式進(jìn)展分類，大大提高了分類精度，而且其隨機(jī)性很好的客服了樣本少的問題。本文章創(chuàng)新點(diǎn)是現(xiàn)將面向?qū)ο蟮乃枷雲(yún)⒓又岭S機(jī)森林的分類中，并優(yōu)化了屬性劃分確定的方式，由遍歷二叉分割點(diǎn)拓展到依據(jù)灰度直方圖進(jìn)展高斯混合模型分解，進(jìn)而更易解釋其土地利用分類。同時(shí)將逆向地將自頂向下的貪婪算法轉(zhuǎn)變?yōu)樽韵孪蛏系暮喜⑺惴ā?.3土地分類簡(jiǎn)介：土地分類概述：土地利用是人類根據(jù)自身需要和土地的特性，對(duì)土地資源進(jìn)展的多種形式的利用。土地利用現(xiàn)狀是土地資源的自然屬性和經(jīng)濟(jì)特性的深刻反映。土地利用劃分具有如下特點(diǎn)：〔1〕它是在自然、經(jīng)濟(jì)和技術(shù)條件的綜合影響下，經(jīng)過人類的勞動(dòng)所形成的產(chǎn)物?！?〕它們?cè)谝欢ǖ目臻g分布上服從社會(huì)經(jīng)濟(jì)條件，因此，它們?cè)诘赜蚍植忌喜灰欢ㄟB成片?！?〕它們的種類、數(shù)量、分布是隨著社會(huì)經(jīng)濟(jì)技術(shù)條件的進(jìn)步而變化的。土地分類系統(tǒng)：土地分類是國家為掌握土地資源現(xiàn)狀、制定土地政策、合理利用土地資源的重要根底工作之一。土地分類由于目的不同，有顯著的差異，形成不同的土地分類系統(tǒng)?！?〕土地自然分類系統(tǒng)。指主要依據(jù)土地自然屬性的一樣性和差異性，對(duì)土地進(jìn)展分類。一般按地貌、土壤、植被為具體標(biāo)志進(jìn)展分類。其目的是提醒土地類型的分異和演替規(guī)律，遵循土地構(gòu)成要素的自然規(guī)律，最正確、最有效地挖掘土地生產(chǎn)力?！?〕土地評(píng)價(jià)分類系統(tǒng)。指主要依據(jù)一些評(píng)價(jià)指標(biāo)的一樣性和差異性，對(duì)土地進(jìn)展分類。一般按土地生產(chǎn)力水平、土地質(zhì)量、土地生產(chǎn)潛力、土地適宜性等為具體標(biāo)志進(jìn)展分類。也稱為土地的經(jīng)濟(jì)特性分類。其分類的主要依據(jù)是土地的自然屬性和社會(huì)經(jīng)濟(jì)屬性，其目的是為開展土地條件調(diào)查和適宜性調(diào)查效勞，為實(shí)現(xiàn)土地資源的最正確配置效勞?！?〕土地綜合分類系統(tǒng)。指主要依據(jù)土地的自然特性和社會(huì)經(jīng)濟(jì)特性、管理特性及其他因素對(duì)土地進(jìn)展綜合分類。一般按土地的覆蓋特征、利用方式、用途、經(jīng)營(yíng)特點(diǎn)、利用效果等為具體標(biāo)志進(jìn)展分類。其目的是了解土地利用現(xiàn)狀，反映國家各項(xiàng)管理措施的執(zhí)行情況和效果，為國家和地區(qū)的宏觀管理和調(diào)控效勞。在這三種分類中，土地利用現(xiàn)狀分類即土地綜合分類，在土地資源管理中應(yīng)用最廣，是全覆蓋的根底分類。掌握土地利用現(xiàn)狀是國家制定國民經(jīng)濟(jì)方案和有關(guān)政策，發(fā)揮土地資源在經(jīng)濟(jì)社會(huì)開展中的宏觀調(diào)控作用，加強(qiáng)土地管理，合理利用土地資源，切實(shí)保護(hù)耕地的重要根底。利用遙感進(jìn)展土地分類國內(nèi)外研究現(xiàn)狀：1〕我國土地分類現(xiàn)狀：為了更有效地管理土地，在上述三種分類的根底上，我國土地管理工作者又將土地作了更進(jìn)一步的分類，其方法是按照?土地利用現(xiàn)狀調(diào)查技術(shù)規(guī)程?中使用的土地利用現(xiàn)狀體系，根據(jù)土地的用途、利用方式和復(fù)蓋特征等因素，將我國土地分為了8大類、４６小類。８大類土地是：耕地、園地、林地、牧草地、居民點(diǎn)及工礦用地、交通用地、水域、未利用土地。2〕美國土地分類現(xiàn)狀：資源導(dǎo)向的土地利用/覆蓋分類。1976年發(fā)布的遙感數(shù)據(jù)源的土地利用/覆被分類(LULC)由內(nèi)務(wù)部地質(zhì)調(diào)查局(USGS)設(shè)計(jì)，是美國土地利用/覆被分類的里程碑。該分類系統(tǒng)當(dāng)中最小的土地分類單元的劃分依賴于制圖比例尺和遙感數(shù)據(jù)的分辨率等。要求在遙感影像上能夠識(shí)別出來的最低級(jí)別的分類類別應(yīng)該到達(dá)85%以上。各類別的解譯精度要近似相等。分類系統(tǒng)分為四級(jí)，一級(jí)類源于LANDSAT數(shù)據(jù)類型，二級(jí)類的軌道高度在12400m以上或比例尺小于1：80000;三級(jí)類的軌道高度在3100～12400m;比例尺在1∶20000～1∶80000;四級(jí)類的軌道高度在3100m以下,比例尺大于1∶20000。第一級(jí)和第二級(jí)適用于全國性的或全州*圍的研究,適用于當(dāng)時(shí)條件下的地球資源技術(shù)衛(wèi)星遙感。第一級(jí)包括9個(gè)類型,分別為城市或建成區(qū)土地、農(nóng)業(yè)土地、牧場(chǎng)、林地、水域、濕地、貧瘠土地、苔原和永久冰雪。第二級(jí)包括35個(gè)類型。第三級(jí)、第四級(jí)提供更詳細(xì)的土地覆蓋資料,適用于州內(nèi)的、區(qū)域性的、縣域的研究,適合于利用航空遙感資料。1.4本文工作內(nèi)容及行文思路： 本文中心是綜述各種土地利用分類方法，并利用2005年**TM數(shù)據(jù)進(jìn)展實(shí)驗(yàn)。實(shí)驗(yàn)設(shè)計(jì)為1、無先驗(yàn)知識(shí)的假設(shè)前提下對(duì)原始數(shù)據(jù)的分類和拓展波段數(shù)據(jù)的分類2、有先驗(yàn)知識(shí)的假設(shè)前提下對(duì)拓展波段數(shù)據(jù)進(jìn)展分類。比照各種分類方法的結(jié)果發(fā)現(xiàn)各自利弊，有助于在特定條件下分類方法的選取。獲得結(jié)論發(fā)現(xiàn)決策樹分類方法穩(wěn)定性和精度較好，但仍存在一些缺乏，通過隨機(jī)森林等計(jì)算機(jī)學(xué)習(xí)算法的引入來提高分類精度，并將面向?qū)ο蟮乃枷肴谌肫渲?，提出自己的隨機(jī)森林優(yōu)化算法，進(jìn)展實(shí)現(xiàn)后與前者進(jìn)展比較。2實(shí)驗(yàn)與分析：2.1實(shí)驗(yàn)數(shù)據(jù)和軟件平臺(tái)：實(shí)驗(yàn)數(shù)據(jù)為2005年9月11日的同地區(qū)的TM數(shù)據(jù)〔圖1〕及其光譜數(shù)據(jù)〔圖2〕，選擇此實(shí)驗(yàn)數(shù)據(jù)的原因是，我們生活在**地區(qū)，對(duì)此地區(qū)的土地類型較為熟悉，而且便于進(jìn)展分類檢驗(yàn)，比照各種分類的精度。圖12005年**地區(qū)TM圖2地物的光譜曲線結(jié)合與實(shí)地比對(duì)后的勘測(cè)數(shù)據(jù)，將影像解譯為圖1:水體(wart)，植被(vege)，林地(forest)，建筑用地(town)，裸地(soil)。根據(jù)圖2可以看出所選樣本中不同地物類別光譜曲線具有良好的別離性，滿足分類要求。軟件平臺(tái)使用ENVI/IDL結(jié)合VC6.0編程軟件，其中傳統(tǒng)統(tǒng)計(jì)分類方法借助ENVI實(shí)現(xiàn)，基于計(jì)算機(jī)學(xué)習(xí)的分類方法是利用編程實(shí)現(xiàn)。2.2影像分類：無先驗(yàn)信息對(duì)原始影像進(jìn)展分類： 直接對(duì)原始影像選取訓(xùn)練樣區(qū)進(jìn)展分類，分類結(jié)果如以下圖3、圖4、圖5、圖6所示：圖3最小距離分類結(jié)果圖4馬氏距離分類結(jié)果圖5最大似然法分類結(jié)果圖6決策樹分類方法結(jié)果無先驗(yàn)信息對(duì)拓展波段影像進(jìn)展分類：首先，在多光譜的根底上提取其均值、熵，以及利用灰度共生矩陣提取的紋理信息[21]，對(duì)原始靜態(tài)波段進(jìn)展擴(kuò)大，然后利用NDVI指數(shù)進(jìn)展植被波段的擴(kuò)大，擴(kuò)大時(shí)需要對(duì)植被指數(shù)進(jìn)展線性拉伸，構(gòu)成了一幅新的擴(kuò)大波段后的影像。利用擴(kuò)大后的影像選取ROI感興區(qū)域分別進(jìn)展：最小距離分類、馬氏距離分類、最大似然法分類、決策樹分類、神經(jīng)網(wǎng)絡(luò)分類以及支撐向量機(jī)分類，分類結(jié)果如下： 圖7最小距離分類結(jié)果圖8馬氏距離分類結(jié)果圖9最大似然法分類結(jié)果圖10決策樹分類方法結(jié)果圖11a神經(jīng)網(wǎng)絡(luò)分類結(jié)果圖11b神經(jīng)網(wǎng)絡(luò)分類按類別顯示基于先驗(yàn)信息對(duì)拓展波段影像進(jìn)展分類： 通過獲取**地區(qū)的植被覆蓋率以及周邊城市分布情況的先驗(yàn)信息，以參數(shù)的形式傳入分類器〔或在選取樣本時(shí)依照實(shí)際比率來進(jìn)展樣本大小確實(shí)定〕，從而較為真實(shí)的反響各類地物的比率情況，調(diào)整之前選擇樣本覆蓋像素的多少，以適應(yīng)真實(shí)的地物比率，基于先驗(yàn)信息對(duì)拓展波段進(jìn)展分類的結(jié)果如圖12、圖13、圖14、圖15所示：圖12最小距離分類結(jié)果圖13馬氏距離分類結(jié)果圖14最大似然法分類結(jié)果圖15決策樹分類方法結(jié)果圖16a神經(jīng)網(wǎng)絡(luò)分類結(jié)果圖16b神經(jīng)網(wǎng)絡(luò)分類按類別顯示非監(jiān)視分類結(jié)果參照： 對(duì)原始影像進(jìn)展非監(jiān)視分類，其中最小聚類象元個(gè)數(shù)選擇50個(gè)，分別進(jìn)展ISODATA和K-Mean非監(jiān)視分類，結(jié)果如圖17、圖18所示：圖17ISODATA分類結(jié)果圖18K-Mean分類結(jié)果 對(duì)波段拓展后影響進(jìn)展上述分類，與上述操作一樣，分別進(jìn)展ISODATA和K-Mean非監(jiān)視分類，結(jié)果如圖19、圖20所示： 圖19ISODATA分類結(jié)果圖20K-Mean分類結(jié)果2.3分類結(jié)果分析：分類精度評(píng)價(jià)體系：1〕目視定性分析：通過在**生活的經(jīng)歷，以目視的方法進(jìn)展分類精度的判斷，即大致評(píng)估每種分類結(jié)果的整體情況。2〕利用分類差值比較的方法結(jié)合地大周邊實(shí)地情況定量分析，即對(duì)每種分類得到結(jié)果各類 進(jìn)展差值，獲取地大周圍的分類差異，無差異地區(qū)不進(jìn)展考察，出現(xiàn)差異的地區(qū)結(jié)合實(shí)地考察，確定分類結(jié)果正確與否，從而判定分類精度。上述實(shí)地考察方法，由于只能使用手機(jī)GPS單點(diǎn)定位，精度不高，主要采用目估定位的方法，由于生活在地大，對(duì)其周邊環(huán)境比較了解，這種方法雖然不能夠說明分類方法在整個(gè)影像區(qū)域內(nèi)的分類精度，但是結(jié)合區(qū)域?qū)嶋H情況可以有效的說明問題。分類精度評(píng)估：1〕定性分析：基于先驗(yàn)信息的監(jiān)視分類的結(jié)果明顯要好于無先驗(yàn)信息的監(jiān)視分類；傳統(tǒng)統(tǒng)計(jì)分類結(jié)果相似，其中最大似然法分類結(jié)果最正確；神經(jīng)網(wǎng)絡(luò)分類受訓(xùn)練樣本的限制，未實(shí)現(xiàn)完整分類；因此需要定量分析比較決策樹分類和最大似然法分類的精度。2〕定量分析：對(duì)決策樹分類和最大似然法分類的結(jié)果進(jìn)展差值，結(jié)果如圖21所示，地大地區(qū)的分類差異結(jié)果如圖22所示，選擇具有差異的30個(gè)樣本點(diǎn)〔此30個(gè)樣點(diǎn)的特點(diǎn)：樣點(diǎn)周圍同屬一類，對(duì)位置要求不十分精細(xì)〕，進(jìn)展實(shí)地考察樣點(diǎn)如圖23所示： 圖21分類差值結(jié)果圖22地大地區(qū)分類差異圖23地大地區(qū)樣本點(diǎn)利用考察結(jié)果分別建立決策樹分類和最大似然法分類的混淆矩陣，混淆矩陣如下所示：水體草地森林城區(qū)裸土水體20000草地011210森林00200城區(qū)00063裸土00012表1決策樹分類混淆矩陣水體草地森林城區(qū)裸土水體00002草地031010森林00002城區(qū)00135裸土00003表2最大似然法分類混淆矩陣決策樹分類在地大周圍樣點(diǎn)KAPPA系數(shù)：0.988；最大似然法分類在地大周圍樣點(diǎn)的KAPPA系數(shù)：0.825。2.4結(jié)論：通過上述實(shí)驗(yàn)得到以下直觀結(jié)論，關(guān)于每種分類比照分析結(jié)論將在完畢語中詳細(xì)表達(dá)：一、從總體上來看：1〕有先驗(yàn)信息的分類結(jié)精度高于無先驗(yàn)信息分類結(jié)果，傳統(tǒng)分類方法精度提高顯著；2〕監(jiān)視分類精度明顯高于非監(jiān)視分類結(jié)果；二、非監(jiān)視分類中：3〕在非監(jiān)視分類中，利用拓展數(shù)據(jù)分類精度明顯高于原始數(shù)據(jù)分類結(jié)果〔建立在拓展數(shù)據(jù)與原始數(shù)據(jù)相關(guān)性不大的根底之上〕，但是受拓展波段的類型影響，分類將向*類或*幾類傾斜，導(dǎo)致分類數(shù)的減少；三、監(jiān)視分類中：4〕利用原始數(shù)據(jù)，傳統(tǒng)統(tǒng)計(jì)分類的結(jié)果好于機(jī)器學(xué)習(xí)的分類結(jié)果。5〕利用拓展波段數(shù)據(jù)，決策樹分類結(jié)果好于其他分類結(jié)果；6〕神經(jīng)網(wǎng)絡(luò)分類不夠穩(wěn)定，受訓(xùn)練樣本影響，收斂性不強(qiáng)，因此不能分類完全。綜上所述，利用具有先驗(yàn)信息的拓展波段決策樹分類精度最好，效率較高，因此我進(jìn)一步針對(duì)決策樹分類算法進(jìn)展研究和改進(jìn)。3關(guān)于決策樹分類算法改進(jìn)：3.1決策樹分類算法改進(jìn)幾點(diǎn)想法：1〕在考慮圖像鄰域進(jìn)展分類中確定分割函數(shù)，構(gòu)建語義紋元森林[21]。2〕我國土地分類系統(tǒng)，是自頂向下的，與決策樹的形式類似，但它分支數(shù)目一般多于2個(gè)，由于灰度值的連續(xù)分布只能夠構(gòu)建二叉樹，我們可以根據(jù)灰度直方圖的特點(diǎn)，利用高斯混合模型確定對(duì)于每個(gè)子集的分類數(shù)和分類標(biāo)準(zhǔn)，抑制針對(duì)閾值連續(xù)分布只能生成二叉樹的弊端。3〕不僅需要利用光譜信息，還可以參加其他屬性：NDVI等指數(shù)和紋理幾何信息，參加面向?qū)ο蟮乃枷搿?〕傳統(tǒng)的決策樹分類采用的自頂向下的貪婪算法，我們可以逆向自底向上的進(jìn)展屬性合并，同時(shí)判斷屬性分類標(biāo)準(zhǔn)，其中需要利用數(shù)學(xué)驗(yàn)證相關(guān)性的傳遞性。5〕在分類中引入canny算子的思想，對(duì)于分類結(jié)果根據(jù)投票數(shù)分為確定種子點(diǎn)和疑似點(diǎn)，再利用連通性進(jìn)展疑似點(diǎn)的判斷。3.2利用改進(jìn)算法編寫程序?qū)崿F(xiàn)： 利用參加面向?qū)ο笏枷氲碾S機(jī)森林，即在決策樹分類中，參加對(duì)幾何特性以及紋理信息的判別，同時(shí)利用bagging算法進(jìn)展取樣訓(xùn)練500棵相關(guān)性不大的決策樹。利用投票的方式來確定待分類數(shù)據(jù)的分類結(jié)果，利用canny算法的思想，通過疑似點(diǎn)與確定點(diǎn)的連通性來判斷疑似點(diǎn)的分類結(jié)果。 此程序以vs2010為界面開發(fā)平臺(tái)，vc6.0建立底層算法dll庫，在暑期二次開發(fā)的作品根底上，增添了決策樹分類算法和改進(jìn)后的決策樹分類算法。具體分類操作如圖24所示，分類結(jié)果如圖25所示〔以植被和水體為例〕圖24利用編寫的程序選取感興區(qū)域進(jìn)展改進(jìn)算法的決策樹分類圖25以草地〔左〕和水體〔右〕分類結(jié)果為例3.3對(duì)疑似點(diǎn)進(jìn)展拓?fù)溥B通性分類： 利用canny算法的思想，以投票數(shù)為50-60的待分類點(diǎn)作為疑似點(diǎn)生成疑似點(diǎn)圖，如圖26所示，通過拓?fù)溥B通性來確定疑似點(diǎn)的分類結(jié)果如圖27-30所示：圖26分類疑似點(diǎn)圖圖27疑似點(diǎn)草地結(jié)果圖圖28疑似點(diǎn)城市結(jié)果圖圖29疑似點(diǎn)森林結(jié)果圖圖30疑似點(diǎn)裸土結(jié)果圖3.4改進(jìn)算法分類精度評(píng)估： 對(duì)于改進(jìn)后決策樹分類算法，采用上述對(duì)最大似然法分類和決策樹分類精度評(píng)估體系進(jìn)展精度評(píng)估，選取同樣的30個(gè)樣點(diǎn)，進(jìn)展實(shí)地調(diào)查建立混淆矩陣并計(jì)算KAPPA系數(shù)，對(duì)改進(jìn)后的決策樹算法精度進(jìn)展評(píng)估。樣區(qū)及樣點(diǎn)分布如圖32所示，改進(jìn)后決策屬分類地大樣區(qū)結(jié)果如圖31所示：圖31改進(jìn)算法后的分類結(jié)果圖32地大地區(qū)樣本點(diǎn)水體草地森林城區(qū)裸土水體20000草地013100森林00200城區(qū)01071裸土01002表3改進(jìn)后決策樹分類結(jié)果混淆矩陣改進(jìn)后決策樹分類基于地大周圍樣點(diǎn)的KAPPA系數(shù)：0.76。4完畢語： 本文列舉了在土地應(yīng)用中傳統(tǒng)統(tǒng)計(jì)分類方法[36]、機(jī)器學(xué)習(xí)的分類方法[29]、模糊分類法[19]和非監(jiān)視分類等主要的遙感分類方法，并以**城區(qū)TM數(shù)據(jù)為例進(jìn)展了實(shí)驗(yàn)，在實(shí)驗(yàn)結(jié)果中可以看出傳統(tǒng)統(tǒng)計(jì)學(xué)的分類方法對(duì)數(shù)據(jù)分類時(shí)需要較為準(zhǔn)確先驗(yàn)信息及表達(dá)，分類方法較為成熟，數(shù)學(xué)根底方法易于理解，受六大因素制約拓展性不強(qiáng)[29]；計(jì)算機(jī)學(xué)習(xí)分類方法中神經(jīng)網(wǎng)絡(luò)分類收斂性差，受樣本影響不能充分分類到達(dá)要求，BP神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)展了改進(jìn)[31]，但是其分類效率較低、解釋性較差；針對(duì)原始靜態(tài)數(shù)據(jù)的決策樹分類精度低于傳統(tǒng)分類方法，但是通過引入各種指數(shù)和其他信息的拓展波段數(shù)據(jù)，決策樹分類效果明顯增強(qiáng)，而且決策樹分類對(duì)有無先驗(yàn)信息表現(xiàn)較為穩(wěn)定，屬于完全“無參〞分類，它還具有解釋性強(qiáng)，可以直接以決策樹圖形構(gòu)造輸出的特點(diǎn)。關(guān)于利用拓展波段進(jìn)展分類研究得到結(jié)論，傳統(tǒng)分類結(jié)果根本不受波段拓展的影響，而決策樹分類表現(xiàn)敏感，但是由于引入波段的類型針對(duì)*類地物導(dǎo)致分類結(jié)果向*些類別傾斜，在非監(jiān)視分類中尤為突出，因此在對(duì)原始靜態(tài)波段拓展時(shí)應(yīng)該考慮多種地類，并降低與現(xiàn)有波段的相關(guān)性。 本文創(chuàng)新點(diǎn)在于對(duì)使用拓展波段進(jìn)展土地分類的研究，并對(duì)決策樹分類算法進(jìn)展了改進(jìn)，在決策判別時(shí)引入了紋理幾何信息，基于此面向?qū)ο蟮乃枷胍詁agging方法構(gòu)建隨機(jī)森林，以投票的方法進(jìn)展分類的判定，這種方法大大提高了分類的精度和分類穩(wěn)定性。 預(yù)期與展望：本文中提到了有關(guān)決策樹分類的其他幾點(diǎn)想法，但由于時(shí)間原因未進(jìn)展實(shí)現(xiàn)，將會(huì)在未來一段時(shí)期進(jìn)展補(bǔ)充拓展；分類精度評(píng)估體系在基于時(shí)空局限性所制定，未能充分反映各種分類方法的真實(shí)精度，由于ROI樣本的是基于整幅影像進(jìn)展選取，因此整個(gè)區(qū)域的分類精度高于局部區(qū)域的分類精度。相信隨著各種方法的改進(jìn)和數(shù)據(jù)質(zhì)量精度的提高，利用遙感方法進(jìn)展土地分類將更加適應(yīng)生活生產(chǎn)需要。參考文獻(xiàn)[1] LeoBreiman.BaggingPredictors[j].MachineLearning,1996,24(5):123-124.[2] IsraaAmro,JavierMateos,MiguelVega,RafaelMolina.Asurveyofclassicalmethodsandnewtrendsinpansharpeningofmultispectralimages[j].asp.eurasipjournals./content/2011/1/79.[3] UttamKumar,AninditaDasgupta,ChiranjitMukhopadhyay.RandomForestAlgorithmwithderivedGeographicalLayersforImprovedClassificationofRemoteSensingData[j].2012,12(4):1032-1043.[4] DavidS.Palmer,NoelM.O’Boyle.RandomForestModelsToPredictAqueousSolubility[j].J.Chem.Inf.Model.2007,47:150-158[5] D.RICHARDCUTLER,THOMASC.EDWARDS.RANDOMFORESTSFORCLASSIFICATIONINECOLOGY[j].Ecology.2007,88(11):2783–2792[6] JamieShotton,MatthewJohnson,RobertoCipolla.SemanticTe*tonForestsforImageCategorizationandSegmentation[j].IEEE.2008.2(8):2243-2253.[7] *勇洪.基于MODIS數(shù)據(jù)的中國區(qū)域的土地覆蓋分類研究[c].2005.[8] 溫興平.基于多分類器組合的高光譜遙感數(shù)據(jù)分類技術(shù)的研究[c].2008[9] 戴南.基于決策樹的分類方法研究[c].2003[10] 胡江洪.基于決策樹的分類算法的研究[c].2006[11] 李爽,*二勛.基于決策樹的遙感影像分類方法研究[j].地域研究與開發(fā).2003,22(1):17-21.[12] *倩,*繼賢.基于決策樹方法的航空高光譜遙感土地覆蓋分類研究[c].2005.[13] 申文明,王文杰,羅海江,*峰,*小曼,熊文.基于決策樹分類技術(shù)的遙感影像分類方法研究[j].遙感技術(shù)與應(yīng)用.2007,22(3):332-338.[14] 陳鑫.基于決策樹技術(shù)的遙感影像分類研究[c].2006[15] *毅，杜培軍，*輝，夏俊士，柳思聰.基于隨機(jī)森林的國產(chǎn)小衛(wèi)星遙感影像分類研究[j].測(cè)繪科學(xué).2012,37(4):194-196.[16] *華偉,王明文,甘麗新.基于隨機(jī)森林的文本分類模型研究[j].**大學(xué)學(xué)報(bào)(理學(xué)版).2006.41(3):139-143.[17] 方匡南,吳見彬,朱建平,謝邦昌.隨機(jī)森林方法研究綜述[j].統(tǒng)計(jì)與信息論壇.2011.26(3):32-37.[18] 王劍，*美，曾和平，葉霞.遙感技術(shù)在土地利用分類中的應(yīng)用[j].**師*專科學(xué)校學(xué)報(bào).2010.26(2):107-109.[19] 羅來平.遙感圖像分類中模糊模式識(shí)別和決策樹方法的應(yīng)用研究[c].2006.[20] 王萍.遙感土地利用/土地覆蓋變化信息提取的決策樹方法[c].2000.[21] 譚瑩.翁源縣基于紋理信息級(jí)CART決策樹技術(shù)的遙感影像分類研究[c].2008.[22]雷震.隨機(jī)森林及其在遙感影像處理中應(yīng)用研究[c].2012.[23] 雍凱.隨機(jī)森林的特征選擇和模型優(yōu)化算法研究[c].2008.[24]*祺.決策樹ID3算法的改進(jìn)研究[c].2009.[25] 穆建偉.決策樹分類的研究[c].2010.[26] *建華,胡光道.高分辨率遙感影像的土地利用分類[j].資源開發(fā)與市場(chǎng)2004,20(4):298-300.[27] 索玉霞，王正興.基于決策樹和MODIS植被指數(shù)時(shí)間序列的中亞土地覆蓋分類[j].世界地理研究.2008,17(3):126-129.[28] 賈庭芳,尹琦,李勃.利用遙感信息實(shí)現(xiàn)土地利用分類方法研究[j].**地質(zhì).2008,27(3):383-389.[29] 王圓圓，李京.遙感影像土地利用／覆蓋分類方法研究綜述[j].遙感信息.2004,9(1):53-60.[30] *假設(shè)琳,萬力，*發(fā)旺，石迎春.土地利用遙感分類方法研究進(jìn)展[j].南水北調(diào)與水利科技.2006,4(2):39-42.[31] *曉霞,王垚.遙感圖像分類方法在土地利用分析中的比較[j].科技情報(bào)開發(fā)與經(jīng)濟(jì).2007,17(9):136-138.[32]Gislason,P.O.,J.A.Benediktss