基于決策樹技術(shù)的遙感影像分類研究.pdf

1、本文以廣東省廣州市從化地區(qū)的SPOT5衛(wèi)星遙感影像為研究對(duì)象，基于決策樹分類算法在遙感影像分類方面的深厚潛力，探討了6種不同的決策樹算法——包括單一決策樹模型和組合決策樹模型。首先對(duì)決策樹算法結(jié)構(gòu)、算法理論進(jìn)行了闡述，然后利用這些決策樹算法進(jìn)行遙感土地覆蓋分類實(shí)驗(yàn)，并把獲得的結(jié)果與傳統(tǒng)的最大似然分類和人工神經(jīng)元網(wǎng)絡(luò)分類進(jìn)行比較。結(jié)果表明： 1.在衛(wèi)星影像的整體分類精度的上，決策樹分類技術(shù)要優(yōu)于神經(jīng)元網(wǎng)絡(luò)和最大似然分類。相對(duì)于神經(jīng)

2、元網(wǎng)絡(luò)方法，決策樹在訓(xùn)練樣本數(shù)據(jù)的速度要快，并且執(zhí)行效率要高，對(duì)于輸入數(shù)據(jù)空間特征和分類標(biāo)識(shí)，具有更好的彈性和魯棒性。并且，決策樹并不象神經(jīng)網(wǎng)絡(luò)方法那樣具有黑箱(blackbox)結(jié)構(gòu)，和分析人員有著良好的交互性和透明性，而神經(jīng)元網(wǎng)絡(luò)初始參數(shù)的設(shè)定是根據(jù)實(shí)踐經(jīng)驗(yàn)來確定的，缺乏有效的理論指導(dǎo)，帶有很強(qiáng)的主觀性，并且在訓(xùn)練過程中這些參數(shù)要經(jīng)過不斷的調(diào)整，才能生成一個(gè)較好的網(wǎng)絡(luò)模型，而且，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練非常費(fèi)時(shí)并且對(duì)訓(xùn)練結(jié)果的好壞事先缺乏判斷

3、，這些都是不如決策樹分類的地方(在本研究中，雖然神經(jīng)元網(wǎng)絡(luò)的分類精度達(dá)到了82％，要優(yōu)于CHAID，但是這種分類精度是在不斷調(diào)整神經(jīng)網(wǎng)絡(luò)的初始參數(shù)通過數(shù)次嘗試才達(dá)到的)。相對(duì)于最大似然分類，決策樹的樹狀分類結(jié)構(gòu)對(duì)數(shù)據(jù)特征空間分布不需要預(yù)先假設(shè)某種參數(shù)化密度分布，所以其總體分類精度優(yōu)于傳統(tǒng)的參數(shù)化統(tǒng)計(jì)分類方法。 2.在所有的決策樹分類技術(shù)中，，組合決策樹模型(決策樹森林和TreeBoost)的總體表現(xiàn)要比單一決策樹模型(CART，

4、CHAID，ExhaustiveCHAID，QUEST)模型優(yōu)秀，但是組合決策樹模型的“黑箱”結(jié)構(gòu)其可視性和可解釋性又不如單一決策樹，正以為如此，在分類過程中要選擇那種模型要視情況而定，單一樹模型能直觀的理解預(yù)測(cè)變量在分類中的作用和能生成清晰的類別判別規(guī)則，而組合樹模型通常能比單一樹模型得到更高的預(yù)測(cè)精度。 3.在組合決策樹模型中，TreeBoost是通過將每次預(yù)測(cè)函數(shù)的輸出賦以一定權(quán)重并重復(fù)的應(yīng)用該預(yù)測(cè)函數(shù)來使得總預(yù)測(cè)誤差達(dá)到

5、最小化而提高分類精度的。而與TreeBoost模型不同的是，決策樹森林中的每棵樹都是獨(dú)立平衡生長(zhǎng)的并且它們?cè)谒械臉渖芍笆遣幌嗷ビ绊懙模麄€(gè)森林的預(yù)測(cè)精度是由其中每一棵樹的預(yù)測(cè)精度組合而得到的。相對(duì)于單一樹模型，組合樹模型能顯著提高分類精度，并且該模型能避免過擬合現(xiàn)象，因而不需要對(duì)其進(jìn)行修剪。一般來說，組合樹模型樹的數(shù)目越多，該模型的預(yù)測(cè)效果越好。 4.在單一決策樹模型中，各分類方法的差別主要體現(xiàn)在決策樹生長(zhǎng)過程中預(yù)測(cè)變量的