基于决策树模型的喀斯特石漠化光谱信息自动提取研究

论文摘要

遥感信息的提取与分类一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PC1、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(Maximum Likelihood Classification,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%;Kappa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,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。

论文目录

• 摘要
• ABSTRACT
• 1.绪论
• 1.1 研究背景和意义
• 1.2 国内外研究现状及进展
• 1.3 研究内容与技术路线
• 1.3.1 研究内容
• 1.3.2 技术路线
• 2.问题提出及研究区选择
• 2.1 问题提出及研究区选择标准
• 2.1.2 研究区选择依据
• 2.2 研究区概况
• 2.2.1 自然环境概况
• 2.2.2 社会经济概况
• 2.3 研究区问题解决的代表意义
• 3.石漠化数据预处理及其地学特征分析
• 3.1 数据预处理
• 3.1.1 遥感影像几何精校正
• 3.1.1.1 几何精校正步骤
• 3.1.1.2 几何精校正的方法及原理
• 3.1.2 遥感影像辐射校正
• 3.1.2.1 辐射校正的含义
• 3.1.2.2 辐射误差产生的原因
• 3.1.2.3 辐射校正的目的
• 3.1.2.4 辐射校正的原理与方法
• 3.1.2.5 遥感影像辐射增强处理
• 3.2 SPOT5遥感数据光谱信息统计特征分析
• 3.2.1 单波段数据统计
• 3.2.2 多波段数据统计
• 3.2.3 基于信息量的最佳分类波段的选择
• 3.3 建立石漠化分类信息解译标志及训练区选择
• 3.3.1 喀斯特石漠化的类型划分
• 3.3.1.1 按石漠化严重程度划分
• 3.3.1.2 按发生地貌类型划分
• 3.3.1.3 按岩性类型划分
• 3.3.2 石漠化信息判读的解译标志
• 3.3.3 训练区选择
• 3.4 石漠化信息综合数据库的建立
• 3.4.1 数据库
• 3.4.2 知识库
• 4.决策树（DTC'S）石漠化信息自动提取流程及发现方法
• 4.1 决策树（DTC's）技术概述
• 4.1.1 决策树的定义与特点
• 4.1.2 决策树算法描述
• 4.1.3 特征的选取和规则的终止
• 4.1.4 决策树可信度分析
• 4.2 石漠化信息决策树自动提取流程及实现
• 4.2.1 自动提取流程
• 4.2.2 实现步骤
• 4.3 决策树分类特征选择
• 4.3.1 主要地物光谱曲线的测定
• 4.3.2 归一化植被指数
• 4.3.3 主成分分析（PCA）
• 4.3.4 其他辅助数据
• 4.3.4.1 数字高程模型的建立
• 4.3.4.2 遥感影像纹理特征分析
• 5.案例分析——基于DTC'S技术的喀斯特石漠化光谱信息自动提取
• 5.1 石漠化光谱信息自动提取的CART决策树分析
• 5.1.1 规则库建立
• 5.1.1.1 植被覆盖度与喀斯特石漠化相关关系确定
• 5.1.1.2 石漠化信息的光谱特征分析
• 5.1.1.3 相关分割阈值的确定
• 5.1.1.4 决策树分类规则库建立
• 5.1.2 CART决策树分析
• 5.1.2.1 与非监督分类结合的分层决策树分类方法和模型
• 5.1.2.2 研究区CART决策树模型的生成与分析
• 5.2 精度分析及评价
• 5.2.1 精度评价方法—混淆矩阵评价法
• 5.2.2 研究区混淆矩阵评价对比分析
• 6.结论及讨论
• 6.1 结论
• 6.2 讨论
• 参考文献
• 附录
• 致谢
• 读研期间科研经历