利用决策树模型的湿地提取与分类

为解决因湿地环境复杂且类型多样导致光谱混淆而难以对其自动遥感提取的问题,采用决策树模型的湿地信息提取方法,以Landsat OLI影像光谱特征和经缨帽变换后的数据为基础,结合不同类型湿地的环境特征和空间特征信息,提出先分区再分类的思想,构建决策树分类模型.对原始影像进行缨帽变换,利用变换后的湿度分量及地物的光谱特征规律,将研究区划分为水体区域、植被区域和非植被区域,然后分别对各个区域进行再分类,逐层分级,最终实现不同类型湿地的分级提取.研究结果表明:采用分区分类思想构建决策树模型,可以有效提取湿地信息,精度达87.50%.     

基于QuickBird数据的输电线路径优选中地表信息提取

针对输电线路径优选的目标,利用QuickBird数据,基于地物类型光谱特征分析,结合遥感影像的纹理特征,采用决策树分类算法,提取影响输电线路径选择的主要地物要素.研究影响输电线选线的相关要素(如居民区、道路、水体等)及其背景地物要素(如耕地、空地等)的光谱特征和纹理特征,确立以4个波段亮度值、归一化植被指数(NDVI)和纹理对比度参数作为特征变量,建立了基于光谱和纹理组合的决策树分类模型,有效地实现居民地、道路和水体信息的提取,并将自适应滤波方法用于分类后处理,优化了分类结果.总体精度由82.09%提高到92.83%,Kappa系数由0.760 8提高到0.904 1.该精度能够满足输电线路径初选优化的要求,为提取影响输电线路径初选地物要素提供了高效快速的技术方法和基础地理数据.     

NDVI/NDWI/DEM决策树方法在东莞ALOS影像土地利用分类中的应用

以东莞市2008年的ALOS影像为数据源,通过目视判读选取8类目标地物,并采用最大似然法进行土地利用分类,发现分类精度不高(80%).其主要原因是ALOS数据的有效波段较少,且研究区植被、水体密布,多类目标地物难以区分.针对该问题,结合东莞市的地形地貌特点,引入植被指数NDVI、水体指数NDWI和DEM数据,利用决策树方法进行土地利用分类,使分类精度有较大提高(90%),可有效地解决了因ALOS数据有效波段数较少而产生的分类精度低的问题.本研究表明,在我国南方亚热带地区基于植被指数、水体指数和DEM的改进型决策树分类是一种非常好的ALOS数据土地利用分类方法.     

决策树技术支持下的植被类型信息提取研究

本文以新疆哈日图热格国家森林公园为研究区,应用ASTER和GIS数据,采用决策树分类技术对研究区植被类型信息进行提取分析.研究表明:决策树分类方法精度较传统的计算机分类方法高11.33%.有效排除提取地物时复杂信息的干扰,分类过程简单高效.     

基于Landsat遥感影像的黑河干流中游湿地信息提取

基于Landsat卫星遥感影像,将一种新的水体自动提取指数(AWEI_nsh/AWEI_sh)运用于湿地信息提取,并通过箱型图统计方法自动获取了12种相关变量的阈值范围.结果表明:利用该水体自动提取指数和归一化植被指数,结合数字高程模型建立决策树模型,可对研究区内的湿地信息进行有效提取,且2000,2014年的遥感影像湿地信息提取精度分别为83%、93%,提取方法可用于大范围湿地研究.     

基于多特征的高光谱遥感土地利用信息提取

【目的】为了降低高光谱遥感数据噪声,提高土地利用分类信息提取精度,探索结合纹理和空间信息的分类方法。【方法】以河南镇平县Hyperion高光谱成像光谱仪获取的高光谱影像为数据源,借鉴决策树分类思想,采用了一种结合光谱、纹理和空间信息的高光谱遥感多特征地类提取方法,先通过提取光谱特征初步提取地类,再分别采用提取纹理特征和基于空间信息的植被提取进行详细地类信息的分层提取,最后,用地面实测样点验证各类土地利用类型的分类精度,比较了用不同方法对不同地类的提取效果。【结果】基于多特征的地类分层提取体系中,采用各波段光谱反射率区分大的地类,再用纹理特征进行光谱差异较小的地类划分,而基于空间信息进行植被的分类。通过结合纹理和空间信息提取方法的总分类精度达86.7%,较最大似然法分类精度提高13.3%。【结论】高光谱与纹理和空间信息相结合的遥感分类方法能有效减小噪声,提高分类精度,可为土地利用分类提取研究提供一定的参考。     

基于决策树的网络流量分类方法

针对传统流量分类方法(基于端口和有效载荷)分类不可靠的问题,提出基于C4.5决策树算法,根据训练集中属性的信息增益比率构建分类模型,按属性对测试数据集进行预测,通过查找分类模型实现对网络流量的分类。在公开数据集和自己采集的数据集上进行实验,结果表明,采用C4.5决策树算法对网络流量分类,平均分类精度为93%,单类别分类精度均在90%以上,能有效地实现对网络流量应用类型的识别。     

高光谱图像植被类型的CART决策树分类

为提高植被分类的精度, 在利用高光谱图像提取植被信息时需要考虑训练样本和地形等其他因素的影响。以长白山为研究背景, 基于CART（Classification And Regression Tree）算法构建决策树模型, 对高光谱图像进行植被分类。由于混合像元的影响, 以采用PPI（Pixel Purity Index）提取的纯净像元作为训练样本, 提取植被指数、 纹理和地形等分类特征变量。基于这些变量构建CART决策树对植被分类, 并将结果与最大似然法分类结果进行比较。结果表明, CART决策树分类法可实现光谱、 纹理和地形特征的有效组合, 有较好的分类效果。     

一种改进的决策树分类方法在土地利用信息提取中的应用

选择昆明市作为研究区,以2011年LandsatTM影像为基础数据,通过分析研究区地形特征,提出把研究区进行分区并分别确定高程、坡度决策规则的改进型决策树分类方法,并结合分析的光谱特征规律,在决策分类中引进了比值型指数、NDVI值,构建基于光谱特征和地学辅助知识的决策树信息提取模型,最后对传统计算机自动监督分类方法与决策树信息提取模型方法解译的昆明市土地利用数据的精度进行评价。研究结果表明：基于改进的决策树分类方法进行遥感信息提取的昆明市土地利用数据的Kappa指数比传统监督分类方法提高了0．234,分类精度提高了17．03％;从各种地类类型的测试样本点平均正确率来看,改进的决策树分类方法比传统监督分类方法提高了21％,大大提高了LandsatTM遥感数据分类的精确度和可靠性。     

基于贝叶斯决策树的交通事件持续时间预测

采用基于贝叶斯方法的决策树算法,利用上海市中心城区1536个交通事件持续时间数据,建立交通事件持续时间的预测模型.结果表明,事件类型是决策树中的第一层测试属性,不同类型事件的特性属性在决策树中的位置并不相同.并用384个交通事件数据对模型的预测精度进行检验.检验结果表明,抛锚事件持续时间预测误差小于10 min的正确率为79%,而交通事故持续时间预测误差小于20 min的正确率为65%.基于贝叶斯推理的决策树算法比仅基于贝叶斯或仅基于决策树算法的分类精度更高,鲁棒性更强.     

结合多特征的高光谱遥感土地利用信息提取

【目的】为了降低高光谱遥感数据噪声,提高土地利用分类信息提取精度,探索结合纹理和空间信息的分类方法。【方法】以河南镇平县Hyperion高光谱成像光谱仪获取的高光谱影像为材料,借鉴决策树分类思想,采用了一种结合了光谱、纹理和空间信息的高光谱遥感多特征地类提取方法,先通过提取光谱特征初步提取地类,再分别采用提取纹理特征和基于空间信息的植被提取进行详细地类信息的分层提取,最后,用地面实测样点验证各类土地利用类型的分类精度,比较了用不同方法对不同地类的提取效果。【结果】结合多特征的地类分层提取体系中,采用各波段光谱反射率区分大的地类,再用纹理特征进行光谱差异较小的地类划分,而基于空间信息进行植被分类。通过结合纹理和空间信息提取方法的总分类精度达86.7%,较最大似然法分类精度提高13.3%。【结论】高光谱与纹理和空间信息相结合的遥感分类方法能有效减小噪声,提高分类精度,可为土地利用分类提取研究提供一定的参考。     

一种基于加权Jaccard距离的决策树集成选择方法

在决策树集成中,准确性和多样性都很重要,精确且多样化的决策树构成的集成系统能够提高对未知样本的分类精度.提出了一种加权Jaccard距离WJD来度量决策树的多样性,对WJD的性质进行了分析,并用基于WJD的层次聚类算法来选择集成.在UCI数据集上的对比实验表明,WJD是一种有效的多样性度量方法,基于WJD的决策树集成选择能够达到较高的预测精度.     

基于高光谱遥感数据的城市河网水体提取方法比较

目前水体提取多局限于基于多光谱遥感数据的研究,高光谱遥感的出现为水体精细光谱获取和水体提取提供了可能.以机载高光谱遥感数据源为基础,构建了适用于可见-近红外高光谱数据的水体提取决策树,充分利用高光谱数据的光谱丰富性,设定了决策树的最优波段和提取阈值.以2012年AISA成像光谱获取的嘉兴城区高光谱数据作为验证数据,采用检出率和误检率对所提出的水体提取算法进行验证和评价.实验结果表明,对比单波段阈值法、谱间关系法、归一化水体指数法、分类法和决策树这5种方法,决策树水体提取方法效果最好且误检率最低.     

基于Landsat8影像喀斯特石漠化调查研究

喀斯特石漠化是一种常见的土地退化基岩裸露的现象,主要分布在我国西南喀斯特地区,具有分布范围广且有进一步恶化的趋势.利用Landsat8影像,基于决策树分类方法提取凤山县石漠化信息.以NDVI值、植被覆盖度和凤山县坡度分析为分类条件,运用决策树提取凤山县石漠化信息,利用Google Earth对最初的分类结果存在错分和漏分的情况纠正,最后得到2021年凤山县不同等级石漠化面积及空间分布情况.结果表明：2021年凤山县石漠化面积约为197.307 1 km2,占全县土地面积的11.32%,总体分类精度为87.4%,Kappa系数为0.865 1.从精度评定结果可知,该方法提取石漠化信息精度可靠,同时也提出了凤山县具有石漠化较为严重的现象.     

基于SEaTH的决策树方法在区域尺度土地覆被分类中的应用

利用最大值合成法处理洮河流域2000年MODIS数据,得到归一化植被指数年最大值栅格数据,结合该区数字地面模型构造土地覆被分类数据集,采用SEaTH算法提取不同地类的特征阈值,构建决策树,对洮河青藏片区和黄土片区进行土地覆被分类,与NLCD-2000数据相对比进行精度评价.结果表明:决策树法能够较好实现洮河流域主要地物的识别并反映其宏观分布格局.青藏片区地物分类的总体精度为74%, Kappa系数为0.71;黄土片区地物分类的总体精度为63.8%, Kappa系数为0.57;青藏片区的分类效果总体要好于黄土片区.与最大似然法相比,决策树法在青藏片区的分类精度提高约10%,黄土片区分类精度提高约5%.     

一种基于序列挖掘的分类系统框架

为了有效地对序列数据进行分类，提出了一种集成分类挖掘和序列模式挖掘技术的分类系统框架(SPACS)．先采用一套约束和裁减策略，为每个分类挖掘频繁序列模式，并将其转换为分类序列规则(CSR)；再利用平均CSR匹配置信度和一个规则匹配算法构建有效的序列数据分类器．SPACS不需要在提取序列的特征后采用传统方法进行分类，可以直接利用从序列数据中提取出的频繁序列进行分类．实验结果表明，对于序列类型的数据的分类，SPACS比传统的决策树和关联分类方法具有更高的分类精度．     

基于决策树模型的面向对象方法的遥感湿地信息提取

以宁夏回族自治区中卫市与腾格里沙漠边缘及其毗邻区域为研究区,运用基于决策树模型的面向对象方法,对图像融合后15m分辨率的Landsat 8 OLI遥感影像进行湿地信息提取研究,并与基于对象的最大似然法的分类结果进行比较,结果表明,基于决策树模型的面向对象法相比于基于对象的最大似然法的湿地分类总体精度提高了18.45%,Kappa系数提高了0.17,分类结果精度显著提高。     

2m分辨率遥感影像地表覆盖分类误差研究

以贵州省镇远县焦溪镇为研究区,以资源3号(ZY-3)2m分辨率卫星影像为主要数据源,采用面向对象分类技术提取研究区地表覆盖信息,将提取结果与普莱亚(Pleiades)影像,经目视解译并结合实地验证获取的高精度地表覆盖进行对比,分析ZY-3影像提取地表覆盖各类型的精度误差。研究结果表明:ZY-3影像相对于Pleiades数据提取平均总误差为1.56%,其中旱地和建设用地分类误差相对较大,精度误差分别是3.41%和3.08%。而水体分类误差最小,为0.70%,其余地类水田、乔木林、灌木林、草地、裸地提取误差则分别是1.28%、0.53%、0.86%、1.18%、1.47%。     

基于决策树的多源遥感数据分类

遥感影像是获取土地覆盖信息的重要手段。分析了影响决策树分类的特征因子,并根据这些因子构建分类决策树。结合中分辨率多源遥感数据,对贡嘎山区进行土地覆盖分类,通过与最大似然法分析对比,基于决策树的多源数据分类对试验区的分类精度(总体精度85.71%,Kappa系数0.83)远高于基于像素的最大似然法监督分类(总体精度63.56%,Kappa系数0.58)。     

基于案例推理的遥感影像水体信息提取方法

为了提取得到高分辨率遥感影像水体信息,以0.5 m分辨率World View-2影像为数据源,提出了一种基于案例推理的遥感影像水体信息提取方法。首先以提取到的影像上水体的光谱特征和纹理特征来构建推理案例库,采用归一化的案例相似度计算方法和案例匹配策略进行特征匹配,然后结合区域生长法和数学形态闭运算进行匹配后处理,最终完成水体信息提取。对不同类型的水体信息进行了提取试验,并与SVM方法提取水体的精度进行了对比,结果表明,文中方法的总体精度98.15%,kappa系数0.96,从而验证了方法的有效性和适用性。文中方法可以推广应用于不同遥感影像其他地物信息的提取。