基于See5.0算法的决策树构建与分类研究

文中以地形较为复杂的济南市长清区为研究区域,综合TM影像的光谱特征、纹理特征与区域内的地形特征、植被特征信息作为样本集的属性值,结合研究区内6种主要地物类型训练数据集,基于See5.0的决策树分类法进行分类实验,并在ENVI中提取土地的利用现状信息。实验结果表明:综合利用不同的特征数据会有效的提高分类精度;See5.0和ENVI相结合可以高效、高精度地、客观地实现土地覆盖分类,是基于知识的遥感影像分类的有效的方法。

基于单时相MODIS数据的土地覆盖三种分类方法对比研究

以甘肃省为试验区,基于单时相MODIS数据,主要利用其可见光多波段光谱信息,分别使用最大似然法、BP神经网络算法以及基于See 5.0数据挖掘的决策树分类方法对土地覆盖进行了自动分类研究,结果验证表明:决策树分类性能最优,总分类精度达到82.13%,神经网络算法次之,总分类精度为77.60%,最大似然法最差,总分类精度为73.93%;加入boosting技术的See 5.0数据挖掘决策树方法能够快速地进行决策树的建立且能很好地提高较难识别地物类型的分类精度。

基于ASTER数据的决策树自动构建及分类研究

在对ASTER原始9个波段数据进行各种变换处理的基础上,采用数量化指标平均可分性方法确定参与分类的最佳特征组合;结合研究区8种主要地物类型训练数据集,分别采用最大似然法、BP神经网络法和基于See 5.0数据挖掘的决策树分类法进行分类,提取主要地物的空间分布专题信息。经过379个野外样点的验证,结果表明:决策树算法分类性能最优,神经网络算法次之,最大似然法效果最差;与ENVI 4.1、ERDAS 8.7提供的传统决策树建立及分类方法比较,基于数据挖掘工具See 5.0和Cart的决策树生成和分类方法具有客观、高效率、分类性能可靠和精度高等优点。

基于不同机器学习的农作物遥感分类与精度评价研究——以新疆维吾尔自治区阜康市为例

为及时准确地获取干旱区农作物种植信息,确保干旱区粮食安全和保障农业可持续发展,文章以多时相Sentinel-2影像和野外采样为主要数据源,依据新疆阜康市农作物物候特征,提取不同时期的农作物植被指数,并按时间顺序进行统计,建立植被指数时序变化曲线,并对其特征进行分析。使用See5.0决策树算法、分类与回归树(CART)算法和随机森林(RF)算法开展农作物遥感分类研究,用传统精度评价指标和破碎度指标对分类结果进行比较、分析和验证。结果表明:See5.0算法的总体精度为93.15%,高于RF算法(84.35%)和CART算法(78.26%),Kappa系数的关系为See5.0(0.8856)>RF(0.8020)>CART(0.7441),See5.0算法的总体精度和Kappa系数均最高,表明See5.0算法的分类结果与实际作物类型及分布状况具有较好的一致性;See5.0算法对阜康市农作物的制图精度均超过85%,制图结果清晰,地块内均匀一致,没有明显的“椒盐”噪声;See5.0算法相较于RF(10.25%)和CART(17.40%)算法,分类后的农作物样方破碎度最低,为5.54%,分类效果最好。综上,See5.0机器学习算法可以实现高精度遥感农作物制图,更适合在绿洲区进行农作物高精度遥感分类与动态监测研究。

基于C5.0决策树算法的西北干旱区土地覆盖分类研究——以甘肃省武威市为例

西北干旱区面积广阔,由于土地利用类型多样,成因复杂,对环境变化敏感、变化过程快、幅度大、景观差异明显等特点,在影像上表现出的"同物异谱"现象明显;利用常规目视解译、监督非监督分类、人工参与的决策树分类等方法在效率或精度等方面各有其缺陷。采用机器学习C5.0决策树算法,综合利用地物波谱、NDVI、TC、纹理等信息,根据样本数据自动挖掘分类规则并对整个研究区进行地物分类。机器学习的决策树可以挖掘出更多的分类规则,C5.0算法对采样数据的分布没有要求,可以处理离散和连续数据,生成的规则易于理解,分类精度高,可以满足西北干旱区大面积的土地利用/覆被变化制图的需要。

基于单时相MODIS数据的决策树自动构建及分类研究

以甘肃省为试验区,利用单时相MODIS数据的光谱信息,使用最大似然法和基于See 5.0数据挖掘的决策树分类方法,进行了分类对比研究。分类结果表明,加入温度-植被角度TVA和温度-植被距离TVD两个指数后,低植被覆盖区的分类效果得到了改善;基于See 5.0数据挖掘的决策树方法能够快速地建立决策树,且能提高较难识别地物类型的分类精度。

青藏高原多年冻土区土壤-景观模型与土壤分布制图

为理解青藏高原多年冻土区土壤与环境的关系,同时提供青藏高原基础的土壤数据,以青藏高原多年冻土区为研究对象,基于其2009~2011年的野外土壤调查数据,筛选了10种与土壤形成密切相关的数据作为环境因子,运用决策树See5.0分别建立了青藏高原西部和东部多年冻土区的土壤-景观模型,5折交叉验证的平均精度西部为65.4%,东部为63.5%,显示模型有较好的可靠性.基于此模型,对研究区进行了土壤分布制图.结果表明,青藏高原多年冻土区以寒冻土（Gelisols）和雏形土（Inceptisols）为主,分别占总面积的34%和28%.分区来看,在高原西部多年冻土区,土壤主要以寒冻土、雏形土和干旱土（Aridisols）为主,分别占多年冻土区西部总面积的43%,30%和17%;而在东部,土壤主要以寒冻土、均腐土（Mollisols）和雏形土为主,分别占多年冻土区东部总面积的27%,26%和25%,这主要是因为高原西部气候极端寒冷干旱,而东部相对较为温暖湿润;同一种土壤在东西部的分布有海拔上的差异,也有母质等方面相同的地方.多年冻土的存在也影响了土壤的分布规律,使得干旱土在西部分布在较低的海拔,而在东部却又分布在较高的海拔.从整个多年冻土区来看,青藏高原多年冻土区东部土壤发育要优于西部,土壤类型更多,且各土壤类型所占比例也更趋于均衡.