在遥感影像分类中实现决策树分类器的应用

决策树算法是数据挖掘中应用最广的归纳推理算法之一，其构造不需要任何领域知识或参数设置，适合于探测式知识发现。决策树算法具有结构清晰、运行速度快、准确性高以及更好的灵活性和鲁棒性，可以用于处理高维数据，其获取的知识是直观的且容易被人理解。目前决策树算法已经被广泛的应用于医学、制造和生产、金融分析、天文学、分子生物学以及遥感影像分类等领域。 法和boosting推进技术研究的基础上，以BoostTree算法为基础，通过算法改进，构建了AdaTree.WL算法。然后以该算法为基础研发了决策树遥感影像分类系统。依托该系统分别对Landsat ETM+和WorldView-2影像进行了基于像元和面向对象分类，并与其它分类算法进行了比较。主要研究内容和成果如下： (1) 通过对多种决策树算法的研究、比较和分析，以复合决策树BoostTree思想为基础，首先根据遥感影像分类的特点，构造了新的单棵决策树生成算法，该算法可以看作是对C4.5算法的改进；然后改进了AdaBoost算法与决策树的结合方式以及最终的预测函数，最终构造了本文中的组合决策树算法AdaTree.WL，并利用该算法设计实现了GLC树分类器。 (2) 分析总结了当下流行的遥感影像分类方法，根据遥感影像分类原理，将上述决策树算法成功应用于基于像元和面向对象两种遥感影像分类方法中，并进行了相应的软件设计与实现。该软件不仅实现了基于像元的遥感影像分类，并且可以在获得影像分割的基础上，实现对分割结果的自动分类，克服了以往利用决策树进行遥感影像分类时依赖现有数据挖掘软件的问题。 决策树分类器的实现及在遥感影像分类中的应用 - II - (3) 利用Landsat7 ETM+影像和WorldView-2影像分别进行了基于像元和面向对象分类实验。试验中，分别将本文所构建的AdaTree.WL算法同BoostTree、C5.0决策树算法，以及支持向量机分类算法进行了比较。实验表明，本文构造的决策树分类算法在分类精度上与C5.0算法在伯仲之间，并优于上述其它算法，平均Kappa系数分别达到0.9052和0.9398。同时利用AdaTree.WL算法进行遥感影像分类，可以通过计算特征贡献度的方式对参与分类的特征进行筛选，提高分类效率。