遥感技术是获取土地利用/覆被信息的重要手段,而分类方法的选择直接影响到土地利用/覆被分类精度的高低。目前,几乎大部分的遥感影像分类方法都是基于像元的分类,分类过程中无法有效排除混合像元的影响,尤其是对于中低分辨率影像来说,混合像元的存在很大程度上降低了分类精度且很难实现土地利用/覆被细分类;而使用高分辨率影像进行目视解译所花费的代价太大,且无法实现大范围的土地利用/覆被分类。如何将混合像元分解与分类方法结合,从而提高土地利用/覆被分类精度是值得不断探索的。通过在总结分析国内外相关研究成果的基础上,将GF-1 PMS/Landsat-8 OLI影像数据作为主要数据源,以滇中城市饮用水源地—云龙水库流域为实验区,探讨一种适用中低分辨率影像的基于混像元分解决策树的土地利用/覆被细分类方法,旨在提高分类精度。主要研究内容及结论如下:1.数据准备与处理。完成云龙水库流域边界提取、GF-1 PMS/Landsat-8 OLI影像预处理、高分一号数据土地利用/覆被类型的人工目视解译。提取研究区的相应植被指数(NDVI、PVI、RVI、EVI、DVI)及坡度、坡向数据,用于建立决策树特征数据集。2.线性混合像元分解。利用野外采集的地类光谱数据创建研究区典型地类波谱库,同时对Landsat-8 OLI影像进行Gram-Schmidt(GS)影像融合,然后实施线性混合像元分解,旨在提高混合像元分解得到的各组分丰度数据(乔木林、稀疏灌丛、高反照度、草地、水体、旱地(含绿色作物)、旱地(不含绿色作物)、低反照度、荒漠与裸露地表)的精度。研究表明:Gram-Schmidt(GS)影像融合及构建的地类波谱库从很多程度上提高了混合像元分解中端元选取的效率及精度,其中完全约束最小二乘混合像元分解很好的解决了无约束线性混合像元分解提取的丰度信息出现负值的情况,RMSE误差均控制在0.174913左右,提高了混合像元分解精度及实用性;3.分类训练样本选取。利用影像融合DEM的三维地形辅助分类及选取训练样本(ROI),提高样本分离度。结果表明:利用影像融合DEM的三维地形选取训练样本及辅助分类模式突破了传统的训练样本选取模式,不仅从彩色合成原理角度且综合三维地形从不同视角(俯视、仰视、平视、侧视)选取感兴趣区,提高了样本选取效率及准确性,同时在很大程度上提高了样本分离度(所选取得样本分离度均大于1.9)。4.研究区土地利用/覆被类型细分类。建立由混合像元分解得到的MNF分量、各组分丰度数据及相关地形、纹理、光谱特征、ISODATA等辅助数据构造的特征数据集,利用决策树的QUEST、CRUISE、See5.0/C5.0算法挖掘规则,并将规则应用于云龙水库流域的土地利用/覆被细分类中,最后进行精度评价。结果表明:基于混合像元分解决策树的分类方法分类精度普遍高于最大似然法、人工神经网络、支持向量机(SVM)等分类方法,且分类精度从QUEST、CRUISE、See5.0/C5.0、SVM、BP神经网络、最大似然法依次降低;其中QUEST的分类精度最高,Kappa系数为0.95,总体精度95.87%;CRUISE 2D分类精度次之Kappa系数为0.89,总体精度92.14%;最大似然分类法精度最低,Kappa系数为0.76,总体精度83.40%,因此,混合像元分解融合决策树的分类方法比较适用于地形复杂、景观破碎地区的土地利用/覆被细分类,且分类精度较高。虽然基于混合像元分解决策树的土地利用/覆被分类方法的分类精度普遍较高,但该方法在构建复杂特征数据集时比较繁琐,且实施分类的过程中算法会花费较长时间。如何优化复杂特征数据集构建及提高混合像元分解决策树的分类效率还需要做进一步的深入研究。