基于决策树技术的遥感影像分类研究

论文摘要

决策树分类法已被应用于许多分类问题，但应用于遥感分类的研究成果并不多见。决策树分类法具有灵活、直观、清晰、强健、运算效率高等特点，在遥感分类问题上表现出巨大优势。本文以广东省广州市从化地区的SPOT5卫星遥感影像为研究对象，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6种不同的决策树算法——包括单一决策树模型(CART，CHAID，exhaustive CHAID，QUEST)和组合决策树模型(提升树，决策树森林)。首先对决策树算法结构、算法理论进行了阐述，然后利用这些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的最大似然分类和人工神经元网络分类进行比较。结果表明： 1．在卫星影像的整体分类精度的上，决策树分类技术要优于神经元网络和最大似然分类。相对于神经元网络方法，决策树在训练样本数据的速度要快，并且执行效率要高，对于输入数据空间特征和分类标识，具有更好的弹性和鲁棒性。并且，决策树并不象神经网络方法那样具有黑箱(black box)结构，和分析人员有着良好的交互性和透明性，而神经元网络初始参数的设定是根据实践经验来确定的，缺乏有效的理论指导，带有很强的主观性，并且在训练过程中这些参数要经过不断的调整，才能生成一个较好的网络模型，而且，神经网络的训练非常费时并且对训练结果的好坏事先缺乏判断，这些都是不如决策树分类的地方(在本研究中，虽然神经元网络的分类精度达到了82％，要优于CHAID，但是这种分类精度是在不断调整神经网络的初始参数通过数次尝试才达到的)。相对于最大似然分类，决策树的树状分类结构对数据特征空间分布不需要预先假设某种参数化密度分布，所以其总体分类精度优于传统的参数化统计分类方法。 2．在所有的决策树分类技术中，，组合决策树模型(决策树森林和TreeBoost)的总体表现要比单一决策树模型(CART，CHAID，Exhaustive CHMD，QUEST)模型优秀，但是组合决策树模型的“黑箱”结构其可视性和可解释性又不如单一决策树，正以为如此，在分类过程中要选择那种模型要视情况而定，单一树模型能直观的理解预测变量在分类中的作用和能生成清晰的类别判别规则，而组合树模型通常能比单一树模型得到更高的预测精度。 3．在组合决策树模型中，TreeBoost是通过将每次预测函数的输出赋以一定权重并重复的应用该预测函数来使得总预测误差达到最小化而提高分类精度的。而与TreeBoost模型不同的是，决策树森林中的每棵树都是独立平衡生长的并且它们在所有的树生成之前是不相互影响的，整个森林的预测精度是由其中每一棵树的预测精度组合而得到的。相对于单一树模型，组合树模型能显著提高分类精度，并且该模型能避免过拟合现象，因而不需要对其进行修剪。一般来说，组合树模型树的数目越多，该模型的预测效果越好。 4．在单一决策树模型中，各分类方法的差别主要体现在决策树生长过程中预测变量的选择和变量分割点的选择。在本研究中，CART(精度86.5％)要优于QUEST(82.7％)＞CHAID(81.5％)＞Exhausitve CHAID(81.3％)。

论文目录

• 摘要
• Abstract
• 第一章 文献综述
• 1.1 遥感图像分类技术研究动态
• 1.1.1 监督分类方法
• 1.1.2 非监督分类法
• 1.1.3 遥感图像分类的新技术
• 1.2 决策树分类算法研究
• 1.2.1 决策树基本概念
• 1.2.2 决策树生长算法
• 1.2.3 用生成的决策树模型对待分数据进行分类
• 1.3 决策树在遥感影像分类中的研究进展
• 1.4 课题研究的目的和意义
• 第二章 研究区概况及研究资料
• 2.1 研究区位置
• 2.2 研究资料
• 2.3 研究方法及技术路线
• 第三章 研究区遥感数据处理
• 3.1 遥感数据简介
• 3.2 遥感影像正射校正
• 3.2.1 遥感影像正射校正的原因
• 3.2.2 遥感影像正射校正过程及其流程图
• 3.3 遥感信息的融合处理
• 3.4 植被指数图像的生成
• 3.5 纹理特征影像的生成
• 3.6 各影像波段可分性分析
• 3.6.1 变换生成的所有波段及其序号对应表
• 3.6.2 各影像波段统计特征参数分析
• 3.6.3 最佳分类波段的选择
• 第四章 基于决策树技术的遥感图像分类
• 4.1 分类类别的确定
• 4.2 训练样本的选取
• 4.3 CART决策树
• 4.3.1 CART决策树的建立
• 4.3.2 CART决策树的修剪
• 4.3.3 研究区CART决策树模型的生成及判决规则的建立
• 4.4 CHAID决策树
• 4.4.1 CHAID决策树生长算法
• 4.4.2 研究区CHAID决策树模型的生成及判决规则的建立
• 4.5 EXHAUSTIVE CHAID决策树
• 4.5.1 Exhaustive CHAID决策树生长算法
• 4.5.2 研究区Exhaustive CHAID决策树模型的生成及判决规则的建立
• 4.6 QUEST决策树
• 4.6.1 QUEST决策树生长算法
• 4.6.2 研究区QUEST决策树模型的生成及判决规则的建立
• 4.7 TREEBOOST模型
• 4.7.1 TreeBoost模型的概念及生成算法
• 4.7.2 研究区TreeBoost模型的生成和分析
• 4.8 决策树森林（DECISIONTREEFORESTS）模型
• 4.8.1 决策树森林的概念及算法
• 4.8.2 研究区决策树森林模型的生成
• 4.9 决策树分类精度计算
• 4.10 决策树分类算法评价
• 第五章 与其它遥感影像分类方法的比较
• 5.1 人工神经元网络分类
• 5.1.1 神经网络概述
• 5.1.2 神经网络模型构成
• 5.1.3 神经网络模型的运行及BP网络的训练
• 5.1.4 研究区BP神经网络分类的实现及精度评价
• 5.2 最大似然法分类
• 5.3 各种分类方法的比较
• 第六章 结论与研究展望
• 6.1 研究结论
• 6.2 研究展望
• 参考文献
• 详细摘要