南方地区复杂条件下的耕地面积遥感提取方法

针对我国南方地区植被类型复杂、地形复杂和地块破碎等原因导致耕地信息提取精度较低问题,提出了一种面向对象和CART决策树结合的复杂条件下耕地面积提取方法。以广西南宁市隆安县与武鸣县地区为研究区,采用Sentinel-2A影像,结合数字高程数据（Digital Elevation Model,DEM）及归一化植被指数（Normalized Difference Vegetation Index,NDVI）等多源数据,利用面向对象分割技术识别地块信息,然后以地块为单位采用CART（Classification And Regression Tree,CART）决策树分类法,依据不同地类的形状、光谱特征,提取研究区的耕地。结果表明：面向对象的CART决策树分类方法分类总体精度和Kappa系数分别为96.1%和0.94,相比较于未加入面向对象分割的CART决策树耕地信息提取总体精度提高Kappa系数提高0.54,面向对象的分割方法有利于减少复杂背景对耕地提取的影响。基于面向对象的CART决策树分类方法相比较于传统方法对研究区耕地信息的提取有较好的精确性,能够提高耕地信息的提取精度。     

基于地形信息的Landsat与Radarsat-2遥感数据协同分类研究

针对不同成像机理的光学与雷达遥感数据协同应用于地表信息提取瓶颈问题,提出了一种基于地形信息的光学与雷达数据协同分类方法。首先利用InSAR测量技术从Radarsat-2数据中提取DEM地形信息,然后构建基于地形信息的Landsat光学数据和Radarsat-2雷达数据的不同特征集输入模型,最后通过随机样本选取构建随机森林(Random Forest,RF)、支持向量机(Support Vector Machine,SVM)和决策树(Decision Tree,DT)分类算法模型提取地表信息。结果表明:①针对不同特征协同策略,在随机选取10%训练样本时,Radarsat-2干涉提取DEM与Landsat数据集提取精度优于ASTER GDEM与光学影像协同策略;②针对不同地表信息提取算法模型,通过50次随机选取训练样本构建模型评价分类精度,验证RF算法的鲁棒性和提取精度都要优于DT算法和SVM算法。研究充分利用光学和雷达遥感的优势信息,为光学和雷达遥感协同地表信息提取提供新的思路。     

基于决策树方法的淡水沼泽湿地信息提取——以三江平原东北部为例

湿地是生态系统的重要组成部分,及时、准确地获得湿地基础信息,对湿地的动态监测、保护与可持续利用及其它领域的研究具有重要意义。以三江平原东北部沼泽湿地为例,利用分类回归树(Classification and Regression Tree,CART)算法从训练样本数据集中挖掘分类规则,集成遥感影像的光谱特征、纹理特征和地学辅助数据建立研究区湿地信息提取的决策树模型。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方法(Maximum Likelihood Classification,MLC)进行对比。结果表明,基于CART的决策树分类结果的总精度和Kappa系数分别为82.65%和0.7935,分类精度较MLC监督分类方法有明显提高,是内陆淡水沼泽湿地信息提取的有效手段。     

基于地形信息的Landsat与Radarsat-2遥感数据协同分类研究

针对不同成像机理的光学与雷达遥感数据协同应用于地表信息提取瓶颈问题,提出了一种基于地形信息的光学与雷达数据协同分类方法。首先利用InSAR测量技术从Radarsat-2数据中提取DEM地形信息,然后构建基于地形信息的Landsat光学数据和Radarsat-2雷达数据的不同特征集输入模型,最后通过随机样本选取构建随机森林（Random Forest,RF）、支持向量机（Support Vector Machine, SVM）和决策树（Decision Tree,DT）分类算法模型提取地表信息。结果表明：①针对不同特征协同策略,在随机选取10%训练样本时,Radarsat-2干涉提取DEM与Landsat数据集提取精度优于ASTER GDEM与光学影像协同策略;②针对不同地表信息提取算法模型,通过50次随机选取训练样本构建模型评价分类精度,验证RF算法的鲁棒性和提取精度都要优于DT算法和SVM算法。研究充分利用光学和雷达遥感的优势信息,为光学和雷达遥感协同地表信息提取提供新的思路。     

基于地形信息的Landsat与Radarsat-2遥感数据协同分类研究

针对不同成像机理的光学与雷达遥感数据协同应用于地表信息提取瓶颈问题，提出了一种基于地形信息的光学与雷达数据协同分类方法。首先利用InSAR测量技术从Radarsat-2数据中提取DEM地形信息，然后构建基于地形信息的Landsat光学数据和Radarsat-2雷达数据的不同特征集输入模型，最后通过随机样本选取构建随机森林（Random Forest,RF）、支持向量机（Support Vector Machine, SVM）和决策树（Decision Tree,DT）分类算法模型提取地表信息。结果表明：①针对不同特征协同策略，在随机选取10%训练样本时，Radarsat-2干涉提取DEM与Landsat数据集提取精度优于ASTER GDEM与光学影像协同策略；②针对不同地表信息提取算法模型，通过50次随机选取训练样本构建模型评价分类精度，验证RF算法的鲁棒性和提取精度都要优于DT算法和SVM算法。研究充分利用光学和雷达遥感的优势信息，为光学和雷达遥感协同地表信息提取提供新的思路。     

基于决策树的干旱区湿地信息自动提取——以疏勒河流域为例

以疏勒河流域为研究区,探讨了干旱区湿地的遥感影像自动提取方法。以Landsat 8卫星影像数据为主要数据源并辅以数字高程模型(DEM),利用改进的干旱区湿地指数(MAZWI)、归一化植被指数(NDVI)、地表反照率(Albedo)、灰度共生矩阵(GLCM)的非相似性分量等识别指数构建决策树模型,对研究区湿地进行提取,并将结果与最大似然分类结果进行对比。结果表明:该方法在一定程度上提高了湿地提取的精度,与最大似然分类结果相比总体精度和Kappa系数分别提高了6.52%和0.124。证明决策树法是干旱区水域湿地自动提取的一种有效手段。     

基于纹理信息CART决策树的林芝县森林植被面向对象分类

以西藏自治区林芝县的Landsat-8影像、地形图为信息源,结合样地调查数据及森林资源二类调查数据,研究基于纹理信息的CART决策树的面向对象分类对研究区内的森林地物类别进行提取,分类的总体精度和Kappa系数分别为82.53%和0.768,相较于不利用纹理信息的决策树分类和基于最大似然分类法的研究区地物类别的提取总体精度均高近10%,Kappa系数分别高0.12和0.111。结果表明:基于纹理信息的CART决策树面向对象分类方法对研究区Landsat-8影像进行植被类型提取,分类结果较好,能够满足研究要求。     

面向基因选择的结合Relief-F和决策树的APSO算法

由于基因表达数据高维度、高噪声、小样本的特点,基因选择一直是肿瘤分类的一大挑战。为了提高肿瘤分类的精度,同时保证基因选择的效率,提出一种结合Relief-F和CART决策树的自适应粒子群优化(APSO)算法(R-C-APSO)。该方法首先利用Relief-F快速过滤大量无关基因和噪声,缩小基因选择范围;然后以CART决策树为适应度函数,用APSO算法对基因进行最终搜索。通过6个数据集的分析实验,实验结果表明,R-C-APSO拥有较高的分类精度和较快的基因选择速度,且具有良好的稳定性。     

基于决策树的数据挖掘算法优化研究

决策树模型是数据挖掘中最常用的一种方法,具有较好的分类预测能力,并能方便提取决策规则。基于相似性原理,以测试属性和决策属性的相似度作为启发规则构建决策树。提出了一种新的决策树生成算法。并在高校教师综合考评系统中采用了这种新算法,实验结果表明这种新的决策树生成算法预测精度较高,计算也比较简便。     

基于一致性度量属性约简的决策树构建优化研究

针对样本中有无关的、冗余的属性会降低决策树算法的分类精度,本文提出基于一致性度量属性约简后构建决策树的方法。对UCI机器学习数据库中5个两类分类样本离散化后,分别基于粗糙集和一致性度量的属性约简来构建C45和CART决策树,实验表明基于一致性度量属性约简构建的决策树有较高的精度和可行性。     

物候特征辅助下的随机森林宏观尺度土地覆盖分类方法研究

通过遥感技术获取大范围土地覆盖信息对于监测、理解和预测自然资源具有重要的科学意义.MODIS数据是当今宏观尺度土地覆盖研究的主要数据源.本文以河北省为研究区,应用MOD13Q1数据产品,构建MODIS NDVI时间序列,从中反演物候特征作为参与分类的主要辅助信息,并采用随机森林分类方法进行宏观尺度土地覆被分类实验,并与单决策树(CART)进行对比分析.实验结果表明,物候特征辅助下的随机森林宏观尺度土地覆被分类方法的总体精度为87.2％,Kappa系数为0.83,比CART单一决策树精度提高了17.9％;应用物候特征参与分类,使得总体精度提高2.6％;其中,旱地和建筑用地精度分别提高了6.7％和11.9％.     

基于CART算法的带钢抗拉强度影响因素研究

CART是数据挖掘的一种全新的优越的分类工具,是一种产生二叉决策树的技术。由CART模型构建的预测树在很多情况下比常用的统计方法构建的代数学预测准则更加准确,且数据越复杂、变量越多,算法的优越性就越显著。基于信息论的CART算法已在国际上被广泛的应用。阐述了CART(Classification and Regression Tree)算法的基本原理和主要特征,并介绍了连退的基本工艺流程和抗拉强度的概念。通过理论分析,选取了某钢厂连退机组生产过程中影响带钢抗拉强度的重要因素,视为模型的决策属性。根据CART算法,挖掘出三大影响抗拉强度的重要属性,建立了抗拉强度的评估规则。研究表明,CART算法有效的处理了因子之间的非线性关系,建立了可靠、有效的规则,为带钢生产提供了良好的决策依据。     

基于ENVISat ASAR影像的湿地植被冠层下淹水范围提取以扎龙保护区为例

以扎龙自然保护区湿地为例,结合ENVISat ASAR多极化(HH/HV)雷达影像与传统的光学影像Landsat TM (band1~5,7),分析雷达影像后向散射系数与Landsat TM影像不同波段反射率在淹水植被、非淹水植被、明水面和裸土不同地表覆被类型的差异。选择训练样本,采用分类回归树(Classification and Regression Tree,CART)模型,分别对两种影像进行分类,可视化表达湿地植被淹水范围空间分布情况。基于实测的植被冠层下淹水范围与非淹水范围样本点对两种数据源的分类结果进行精度验证。结果表明:HH/HV极化影像中,植被覆盖下水体的后向散射系数与其他地表覆被类型有明显区别,分类结果总精度为79.49%,Kappa系数为0.70,湿地植被淹水范围提取精度较高。而TM影像分类结果中,由于部分地区植被覆盖水体,淹水植被分类误差较高。将雷达影像引入沼泽湿地研究,提高了植被淹水范围提取效果,为有效分析湿地生态水文过程提供基础,对湿地水资源合理利用及生物多样性保护具有重要意义。     

基于光学与雷达遥感影像协作的多云雾区域农作物信息提取研究

及时掌握农作物分布信息,对农业结构调整和国家粮食安全保障具有重要的战略意义。然而,多云雾区域受气候条件制约,难以获取全时序的光学影像,无法构建涵盖农作物完整生长季的物候特征数据集,农作物信息提取受到限制。因此,本研究以西南多云雾区域重要的产粮地之一——四川省广汉市为例,基于SAR影像（Sentinel-1）和光学影像（Sentinel-2）数据协作,构建了研究区冬季农作物典型时相光谱特征和夏季农作物SAR时序特征,采用面向对象决策树分类方法,提取了研究区农作物时空分布信息并进行精度分析。结果表明：(1)广汉市农作物以粮油作物为主,主要包括小麦—水稻、油菜—水稻、土豆—大豆、土豆—玉米4种一年两熟的轮作种植模式。(2)水稻、大豆、玉米3种夏季农作物SAR时序特征差异明显,光学—雷达遥感数据协作提取冬季—夏季农作物类型及空间分布为多云雾区域农作物信息提取提供了新的思路。(3)面向对象的决策树分类方法分类总体精度和Kappa系数分别为85.49%和0.81,分类结果保持了大面积作物的完整性,避免了分类结果的“椒盐现象”。     

基于GF-1影像的冬小麦和油菜种植信息提取

高分(GF)系列卫星的相继发射为国产高分辨率遥感数据的应用创造了新的机遇。为探索GF数据在中小尺度农作物遥感监测领域中的可行性和建立相适应的技术体系,以扬州市为例,运用决策树模型和面向对象分类方法,研究GF-1卫星的宽视场(wide field of view,WFV)数据在农作物种植信息提取中的可行性,并探索提高其提取精度的处理方法。结果表明:分区处理可以降低作物空间分布对种植区提取的不利影响;冬小麦总体精度为97%,Kappa系数为0.93;油菜总体精度为96%,Kappa系数为0.84。综上所述,国产GF-1 WFV影像可以应用于农作物种植信息的提取,并为粮区农作物种植空间调整和优化管理提供重要参考和决策支持。     

光谱模型结合面向对象法的山区水体提取北大核心CSCD

山区因地势起伏大、水体分布零散导致遥感提取水体信息精度不高。另外,对于高分二号(GF-2)影像,受限于只有4个波段,无法构建已有水体提取精度较高的指数。鉴于此,以泰山为研究区,采用GF-2影像,提出差异水体光谱模型结合面向对象法的水体信息提取方法,并与阴影水体指数决策树、改进的阴影水体指数决策树以及支持向量机3种方法进行对比。结果表明,该方法能够有效去除山体阴影的影响,较好地保持了水体信息,对细微水体也有良好的提取能力,在实验和验证影像中总体精度分别达到98.02%和97.33%,Kappa值分别达到0.9533和0.9334,均高于其他3种方法。该方法在准确提取水体的同时,有效减少“椒盐现象”的发生,可为类似山区水体提取提供一定的参考。     

基于哨兵2时间序列组合植被指数的作物分类研究

时间序列是一种常用的物候研究方法。为充分利用哨兵2数据在红边波段的丰富信息,本文利用多种植被指数组合成时间序列进行作物分类。将NDVI、EVI、红边NDVI三种植被指数进行组合,构建时序植被指数图像,然后使用支持向量机、随机森林、CART决策树和最大似然4种不同的算法对四种作物、三种林草、裸露地表、水体进行分类。原始分类结果中,总体精度最高的随机森林为87.92%,最低的最大似然为80.07%,在分类细节上,随机森林和支持向量机的边界最清晰,4种分类结果中,农作物的分类精度均高于其他地类,仅次于水体的精度,误差主要来自三种林草的混分,表明时间序列组合植被指数用于农作物分类是可行的。     

决策回归树提取水稻面积的关键特征波段

通过合理选取关键水稻特征波段,可有效提高利用决策回归树提取水稻面积的精度和效率。该文以湖南省常德市鼎城区为例,在CART决策树中引入水分胁迫指数(MSI)、归一化水体指数(NDWI)和归一化土壤指数(NDSI)进行水稻面积提取,并与基于缨帽变换所得湿度、绿度构建的决策树提取结果进行对比。提取结果表明:利用MSI、NDWI和NDSI等特征波段提取的水稻面积精度为93.96%,与基于绿度、湿度等特征波段所得精度相当,但决策树结构更为简单高效,在后续应用中具有推广前景。     

基于迭代CART算法分层分类的土地覆盖遥感分类

土地覆盖遥感分类是土地利用变化监测及其空间格局分析的重要技术手段。为了进一步提高土地覆盖遥感分类精度,提出一种基于迭代CART算法分层分类的新技术体系。首先,根据类别光谱可分性分析,确定分层分类方法的类别提取顺序依次为水体、植被、裸地和建设用地。然后,在此分类顺序下,分别确定各类别的图像分割参数和分类特征集。最后,在对象尺度上,将CART算法迭代引入分层分类过程,不断选取训练样本进行CART算法的迭代分类依次提取前3个类别,将剩余部分直接划分为建设用地。实验结果证明:该方法可以明显减轻裸地和建设用地的混分现象,获得较高精度的土地覆盖分类结果,总体精度85.76%,Kappa系数0.72。相比于SVM、CART两种单次分类方法,总体精度和Kappa系数分别提升了10.67%～16.5%和0.15～0.21。同时,该方法能够灵活调整某个类别的分类精度并具有很强的扩展性,可以为其他涉及图像分类的遥感应用领域提供方法参考。     

决策树分类技术研究

决策树分类是一种重要的数据分类技术。ID3、C4．和EC4．5是建立决策树的常用算法，但目前国内对一些新的决策树分类算法研究较少。为此，在消化大量文献资料的基础上，研究了CART、SLIQ、SPRINT、PUBLIC等新算法，对各种决策树分类算法的基本思想进行阐述，并分析比较了各种算法的主要特性，为数据分类研究者提供借鉴。