基于决策树分类的大屯矿区地物信息提取及矿区污染分析

本文在对国内外遥感图像分类方法充分研究分析的基础上,选择决策树分类法对大屯矿区的Landsat 8遥感图像进行分类研究。选取样本提取并分析研究区典型地类光谱特征曲线,依据光谱曲线特征和归一化植被指数建立了土地利用分类决策树模型,通过反复试验和修正,筛选出适宜大屯矿区地物分类的决策树最优阈值,对研究区进行分类和精度评价,最后通过分类结果对研究区的水体污染状况进行简要分析。     

基于ENVI的遥感图像决策树分类

传统遥感图像分类方法一般是基于概率统计,然而人们一直致力于提高分类精度的研究。本文利用ENVI5.0对研究区分别进行了最大似然法、ISODATA法、决策树三种遥感图像分类;首先对三种分类方法进行简单阐述,然后图像预处理,选取训练样本,最后进行分类。通过数据比较和图表分析,可以看出这三种分类方法中,决策树分类精度最高,最大似然分类次之,ISODATA分类精度最低。决策树分类法可以有效地提高图像分类的精度。     

基于Weka平台的C4.5算法在影像分类中的应用

遥感图像分类是从复杂的地物类型中提取有效类别信息的过程。在研究区地物类型较为复杂的情况下,借助计算机对遥感数据进行类别预测可以提高分类效率和准确率。本文基于Weka平台,利用决策树C4.5算法构造分类模型,进而对未知类别数据进行预测。实验分析表明,基于Weka平台利用决策树C4.5算法对遥感图像分类是可行且有效的,且分类精度较高。     

基于历史影像的水网提取方法研究

以60年代宁波平原地区的锁眼卫星为数据源,提出一种基于PS图像处理方法来实现河网的提取,并与阈值法、监督分类法和决策树法进行对比分析。结果表明,传统的阈值法和监督分类方法对于单波段高分辨率遥感影像的提取能力十分有限,决策树方法和基于PS图像处理法取得的面状数据整体精度在70%以上,线状数据整体精度在60%以上。在提取水面信息的能力上,决策树方法的正确率较高,但图斑较为破碎,水网连接度保留不完整;基于PS图像处理法受建筑阴影干扰较大,但水体提取完整度较高,水网连接度保留效果较好。     

基于决策树方法的海岛土地利用分类研究

以山东省荣成市镆铘岛为例,利用SPOT 5卫星数据,探讨了基于决策树方法的海岛土地利用类型的遥感分类.结果表明,利用决策树分类方法进行海岛土地利用类型分类,可以得到较好的分类结果(分类的平均精度达到86.46％,Kappa系数为0.8414);与其他分类方法比较,决策树分类法的分类精度有明显的提高,在海岛土地利用类型调查中具有较好的应用潜力.     

决策树算法在西藏遥感影像分类中的应用研究

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C5.0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TM影像作为实验数据,与监督分类的精度进行对比,实验结果表明,决策树分类方法能取得较好的分类效果。     

基于ENVI的遥感影像分类

传统的遥感影像是依据地物的波谱信息来进行分类的。这往往会产生"同物异谱,异物同谱"的问题,使得分类精度和效果不理想。因此本文采用基于专家知识的决策树C4.5法,利用地物的波谱信息、归一化植被指数、主成分分析等特征构建决策树,与监督分类中的支持向量机法、最小距离法去比较。实验结果表明,几种分类方法中,决策树法分类法的分类规则易于理解,准确率较好,所需分类时间短,总体分类效果最为理想,验证了决策树法在遥感影像分类领域的优势。     

基于决策规则的遥感影像土地利用信息提取

遥感作为近几十年迅速发展起来的一门综合性技术学科,己经在许多领域发挥了重大作用。通过对遥感数据进行专题分类处理以得到土地利用等专题信息是遥感最广泛的应用领域之一。尽管土地利用遥感分类方法不断发展,但分类技术始终跟不上遥感技术本身的发展。本论文的主要目标之一就是以沈阳矿区为研究区,利用多源遥感数据结合地面实地调查,围绕遥感图像,采用常规的最大似然分类法,同时采用选用决策树分类方法,对不同数据源得到的信息进行综合分析,充分利用其中的光谱信息、地学知识以及人的经验知识进行土地利用分类,从而更好地为地方土地有效利用提供决策依据。     

遥感图像在土地利用更新中的应用研究——以里下河地区防汛信息系统(LXFPGIS)为例

以里下河地区防汛信息系统为例 ,阐述了利用 TM遥感图像进行 GIS土地利用更新的试验研究。采用了最大似然分类法和模糊分类法两种监督分类方法进行分类试验。提出了两种提高训练区采样效率的基于 GIS本底数据的采样方法 ,即半人工采样方法和全自动分类区直方图提取法。对上述方法分别做了土地利用分类试验 ,对分类结果进行了分析比较 ,并作出了相应的结论。     

多时相MODIS影像土地覆盖分类比较研究

首先以黑龙江省多时相MODIS影像为试验数据,利用最大似然分类(MLC)、自组织神经网络(SONN)、支持向量机(SVM)以及决策树分类(DTC)等四种广泛使用的分类方法进行了土地覆盖遥感分类研究.并从分类精度、样本数量对分类器的影响、模型复杂度、参数的选择、分类速度等多个方面对4种分类方法进行了深入比较和分析.综合比较得出决策树分类法最优,而经典方法之一的最大似然分类法最稳定.进而将此二法推广到全国范围的土地覆盖分类试验中,并进行精度对比.本文所得出的结论将对于在类似的应用中如何选择合适的分类方法具有一定的参考价值.     

基于专家知识的决策树分类

基于ENVI运用专家知识的决策树分类、监督分类、非监督分类手段来实现对于Landsat TM影像和快鸟影像数据的图像分类处理,简单介绍了决策树的建立过程,以及如何进行预处理、分类后处理、精度评价。通过3种分类方式的比较,基于专家知识的决策树分类法具有分类判别规则十分灵活、分类决策树看起来很直观、分类条件清晰、分类效果好、运算效率高等特点。实验中,其分类方式的缺陷表现为分类过多、过于复杂,可能会产生错误的速度加快;决策树判别规则复杂,树形分枝多导致用户难以识别、理解、应用。     

基于决策树的我国农业数据挖掘分析

决策树是用于分类的常用建模方法。首先对分类的概念和决策树方法分别进行了总体介绍,在此基础上对我国30个省市自治区的乡村劳动力、耕地面积以及农业总产值信息数据进行了挖掘分析,在运用决策树对数据进行分类过程中对连续数据采用聚类分析的方法进行离散化处理,从而避免了原始经验分类方法的主观性。最后,通过上述决策树分类方法,生成我国农业情况的决策树,获得相关空间分类规则,并对其进行分析说明。结果表明,决策树分类方法适合我国农业情况。     

A Spatial Entropy-Based Decision Tree for Classification of Geographical Information

A decision tree is a classification algorithm that automatically derives a hierarchy of partition rules with respect to a target attribute of a large dataset. However, spatial autocorrelation makes conventional decision trees underperform for geographical datasets as the spatial distribution is not taken into account. The research presented in this paper introduces the concept of a spatial decision tree based on a spatial diversity coefficient that measures the spatial entropy of a geo‐referenced dataset. The principle of this solution is to take into account the spatial autocorrelation phenomena in the classification process, within a notion of spatial entropy that extends the conventional notion of entropy. Such a spatial entropy‐based decision tree integrates the spatial autocorrelation component and generates a classification process adapted to geographical data. A case study oriented to the classification of an agriculture dataset in China illustrates the potential of the proposed approach.     

基于遥感影像光谱信息的二叉决策分类树自动生成方法研究

使用决策树方法进行遥感影像分类时需要人工辅助构建决策树,这种方法存在着一旦数据变化就要人工参与重新建立决策树的缺点。针对这一问题,文中提出了依据地物类的样本训练结果,自动构建二叉决策分类树的方法。从阈值的完整性、有效性以及自动选择满足用户需求最佳的建立决策树标准等方面保证决策树的精度以及合理性等。分类结果表明,与最大似然法相比,文中提出算法分类效果良好。     

基于遗传算法优化决策树的多光谱影像分类研究

决策树C4.5算法采用局部贪婪搜索的策略,会增加局部最优解的风险;在样本有限的情况下,所产生的分类规则会过于依靠样本,往往造成决策树不能有效地挖掘出有价值的分类规则和形式。本文将决策树算法用到基于像斑的多光谱分类研究中,尝试引入遗传算法,对决策树分类规则进行优化。试验结果表明,在样本有限的情况下,该方法比单个决策树具有更高的分类精度。     

基于决策树的CBERS遥感影像分类及分析评价

以江苏省徐州市为研究区,以城市土地利用遥感分类为目标,采用CBERS多光谱数据的近红外波段、全球环境监测植被指数(GEMI)、归一化植被指数(NDVI)及主成分分析得出的第一和第二主成分作为分类的特征数据,基于先验知识和统计分析构建层次分类决策树,进而发展和改进了决策树交互式构建算法,实现了城市土地利用遥感分类。通过与最大似然分类器(MLC)和支持向量机分类器(SVM)分类结果的比较分析,表明基于多种特征的决策树分类器能够有效应用于CBERS遥感数据分类,在研究区具有良好的推广性。     

基于MODIS影像多特征的CART决策树分类

以山东省为研究区域,利用2009年9月MODIS的8 d合成波段反射率产品MOD09,选择特征变量植被指数(NDVI、EVI)、NDWI、NDMI、NDSI及辅助信息DEM,通过选取其中的影像特征组合来确定分类方案,构建各波段组合的CART决策树,对MODIS影像进行分类,得到CART决策树的最优波段组合。结果表明,特征变量DEM、NDVI、EVI对分类结果贡献较大;将CART决策树的分类结果与其相对应的最大似然分类结果进行比较可知,基于影像多特征的CART决策树分类方法能明显提高分类精度。     

基于决策树的多光谱影像分类研究

采用了辅以纹理特征的决策树方法进行分类,探讨了决策树在遥感数据分类方面的优势,提高了遥感影像的分类精度。     

基于ASTER数据的决策树自动构建及分类研究

 在对ASTER原始9个波段数据进行各种变换处理的基础上，采用数量化指标平均可分性方法确定参与分类的最佳特征组合； 结合研究区8种主要地物类型训练数据集，分别采用最大似然法、BP神经网络法和基于See 5.0数据挖掘的决策树分类法进行分类，提取主要地物的空间分布专题信息。经过379个野外样点的验证，结果表明： 决策树算法分类性能最优，神经网络算法次之，最大似然法效果最差； 与ENVI 4.1、ERDAS 8.7提供的传统决策树建立及分类方法比较，基于数据挖掘工具See 5.0和Cart的决策树生成和分类方法具有客观、高效率、分类性能可靠和精度高等优点。