土地资源是人类赖以生存和发展的物质基础,是国土资源的重要组成部分。土地利用现状分析,是进行土地资源合理利用、规划和科学管理的基础,是一个极其复杂的工作,需要处理大量数据。因此,如何提高对土地利用现状信息提取的效率和质量,是目前亟待解决的问题,对于土地资源的利用现状及其变化动态的快速调查和更新也有极其重要的直接意义。 卫星遥感影像具有周期性、现势性和系统性等特点,在土地利用现状调查和变更调查中有着明显的优势。目前进行遥感分类的主要方法是人工目视解译和基于模式识别的传统自动分类法,但存在劳动强度大、实效性差或难以灵活融入非遥感信息等很多问题。决策树分类法具有灵活、直观、清晰、健壮、运算效率高等特点,将其应用到土地利用现状信息提取上来,具有十分重要的研究意义和使用价值。但应用到较高分辨率SPOT5影像的士地利用现状信息提取的研究却少见报道。 本文介绍了目前国际上流行的一种决策树算法——C5.0算法,并引入了一种机器学习领域里的分类新技术——boosting技术,以浙江省兰溪市为研究对象,利用SPOT5多光谱数据,进行了决策树分类试验与分析。 研究的主要内容和结论归纳如下: (1) 通过对两个不同的采样方案的训练样本进行决策树分类,表明:决策树中采样标准同一类别选择以均质性和整体性为佳,数据的规律性使得决策树便于从中发现知识和生成规则;不宜选择颜色过单—即DN值基本一致的象元为一类,由于这可能会导致信息过于破碎,反而不利于信息的提取。同时,同一类别中如果有光谱特性差异非常大,而且会与其他类别混淆的区域时,可以先将其独立设定为一类,最后归并,可适当提高分类精度。 (2) 分别对五组不同的训练样本数进行决策树分类。经分析得出,决策树分类的精度是随着训练样本数量的增加而提高的,基于较大数量的训练样本之上的决策树分类才是十分良好的。 (3) 在SPOT5多光谱影像的基础上,加入了植被指数特征数据、纹理特征数据、高程特征数据和坡度特征数据进行信息提取,结果表明,相对于纯粹利用光谱特征的分类,不同特征数据的加入都在不同程度上提高了分类的精度,说明辅助数据在一定程度上可以解决“同物异谱”、“异物同谱”等现象,验证了辅助数据参与分类的可行性和重要性。研究得出,高程和坡度数据对精度的提高最大,纹理信息次之,植被指数由于该景影像时相处于植被长势不好的状态,因此其效果差强人意。