TM影像决策树分类中的影响因素研究

张连华; 庞勇; 岳彩荣; 李增元; 范应龙; 谭炳香; 车学俭

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

TM影像决策树分类中的影响因素研究

张连华 , 庞勇 , 岳彩荣 , 李增元 , 范应龙 , 谭炳香 , 车学俭

文章导航 > 林业科学研究 > 2014 > 27(1): 1-5

引用本文:

Citation:

TM影像决策树分类中的影响因素研究

1.
中国林业科学研究院资源信息研究所, 北京 100091
2.
西南林业大学林学院, 云南昆明 650224
基金项目:
亚太森林恢复与可持续管理网络项目“Forest Cover and Aboveground Biomass Mapping in the Greater Mekong Subregion and Malaysia”（编号：2011PA004）和国家863课题“全球森林生物量和碳储量遥感估测关键技术（编号：2012AA12A306）”资助。
中图分类号: TP751.2

Factors Affecting Decision Tree Classification Method over TM Image

1.
Research Institute of Forest Resource Information Techniques, Chinese Academy of Forestry, Beijing 100091, China
2.
College of Forest, Southwest Forestry University, Kunming 650224, Yunnan, China
CLC number: TP751.2

摘要: 以云南省西双版纳州一景TM影像为例，分析了影响分类回归树方法的主要因素。结果表明在其他因素均一致的情况下，训练数据如果使用涵盖各类别的外业调查数据比使用系统布设的训练数据分类精度更高，并且多种参数波段的选择也会有效地提高分类的精度。
- 决策树分类
- / TM影像
- / 训练数据
- / 植被指数
- / 波段组合
Abstract: Taking one scene TM image of Xishuangbanna of Yunnan as an example, the main factors affecting the classification and regression tree method were analyzed. The results show that in the parameters under identical circumstances, the training data has higher classification accuracy if the field investigation data covering all the classification data were used rather than the system layout data. It also shows that selecting various bands of parameters can also improve the precision of classification effectively.
- decision tree
- / TM image
- / training data
- / vegetation index
- / bands combination

[1]	李彤, 吴骅.采用决策树分类技术对北京市土地覆盖现状进行研究[J].遥感技术与应用, 2004, 19(6):485-487
[2]	陈云, 戴锦芳, 李俊杰.基于影像多种特征的CART决策树分类方法及其应用[J].地理与地理信息科学, 2008, 24(2):33-36
[3]	罗来平, 宫辉力, 赵文吉, 等.遥感图像决策树分类器研究与实现[J].遥感信息, 2006(3):13-15
[4]	Huang X, Jensen J R.A Machine-learning Approach to Automated Knowledge-based Building for Remote Sensing Image Analysis with GIS Data[J].Photogrammetric Engineering and Remote Sensing, 1997, 63(10):1185-1194
[5]	Wickham J D, Stehman S V, Smith J H, et al.Thematic Accuracy of the 1992 National Land-Cover Data for the Western United States[J]. Remote Sensing of Environment, 2004, 91:452-468
[6]	Lawrence R L, Wright A.Rule-Based Classification Systems Using Classification and Regression Tree (CART) Analysis[J].Photogrammetric Engineering and Remote Sensing, 2001, 67(10):1137-1142
[7]	齐乐, 岳彩荣.基于CART决策树方法的遥感影像分类[J].林业调查规划, 2011, 36(2):62-66
[8]	赵英时.遥感应用分析原理与方法[M].北京:科学出版社, 2003
[9]	韩涛.用TM资料对祁连山部分地区进行针叶林、灌木林分类研究[J].遥感技术与应用, 2002, 17(6):317-321
[10]	权维俊, 郭文利, 叶采华, 等.基于TM卫星影像获取北京市水体密度指数与植被覆盖指数的方法[J].南京气象学院学报, 2007, 30(5):610-616
[11]	韩丛丛, 逄杰武, 吴泉源, 等.TM影像中居民地提取的决策树方法研究——以烟台市为例[J].遥感信息, 2007(6):73-75
[12]	邸向红, 王周龙, 张明明, 等.基于决策树的蓬莱市土地覆盖信息提取[J].山东国土资源, 2009, 25(11):52-55
[13]	吴见, 彭道黎.基于TM影像的多伦县土地利用信息提取[J].东北林业大学学报, 2004, 38(10):88-94
[14]	Baraldi A, Puzzolo V, Blonda P, et al.Automatic Spectral Rule-based Preliminary Mapping of Calibrated Landsat TM and ETM+ Images[J].IEEE Transactions on Geoscience and Remote Sensing, 2006, 49(9):2563-2586
[15]	李石华, 王金亮, 陈姚, 等.多光谱遥感数据最佳波段选择方法试验研究[J].云南地理环境研究, 2005, 17(6):29-33
[16]	杨阿强.CBERS数据用于老挝土地覆被分类的方法论研究[D]. 北京:中国科学院地理科学与资源研究所, 2009

[1]	韦玮 , 李增元 . 基于高光谱影像融合的湿地植被类型信息提取技术研究. 林业科学研究, 2011, 24(3): 300-306.
[2]	杨丹 , 李崇贵 , 李斌 . 基于U-Net模型的多时相Sentinel-2A/B影像林分类型分类. 林业科学研究, 2022, 35(4): 103-111. doi: 10.13275/j.cnki.lykxyj.2022.004.011
[3]	邹文涛 , 张怀清 , 鞠洪波 , 刘华 . 基于决策树的高寒湿地类型遥感分类方法研究. 林业科学研究, 2011, 24(4): 464-469.
[4]	胡圣元 , 庞勇 , 蒙诗栎 , 岳彩荣 . 时间序列Landsat 8 OLI数据森林年扰动检测. 林业科学研究, 2020, 33(6): 65-72. doi: 10.13275/j.cnki.lykxyj.2020.06.008
[5]	温小荣 , 孟雪 , 刘俊 , 陈树 , 林国忠 , 佘光辉 , 刘雪惠 , 郜昌建 . 基于不同立地质量的杉木生物量遥感估测. 林业科学研究, 2016, 29(4): 494-499.
[6]	凌成星 , 鞠洪波 , 张怀清 , 孙华 . 基于Worldview-2八波段影像改进指数的湿地类型分类研究. 林业科学研究, 2014, 27(5): 639-643.
[7]	姜怡 , 刘华 , 赵峰 , 马永康 , 刘浩栋 . 面向三江保护区植被类型识别的最佳波段组合研究. 林业科学研究, 2022, 35(1): 115-122. doi: 10.13275/j.cnki.lykxyj.2022.01.013
[8]	姚博 , 张怀清 , 刘洋 , 刘华 , 凌成星 . 面向对象CART决策树方法的湿地遥感分类. 林业科学研究, 2019, 32(5): 91-98. doi: 10.13275/j.cnki.lykxyj.2019.05.012
[9]	胡博 , 鞠洪波 , 刘华 , 郝泷 , 刘海 . 基于证据理论组合多分类规则实现大区域植被遥感分类研究^. 林业科学研究, 2017, 30(2): 194-199. doi: 10.13275/j.cnki.lykxyj.2017.02.002*
[10]	张玉贵 . 为森林资源动态监测的TM影像标准化*. 林业科学研究, 1995, 8(2): 139-144.
[11]	张玉贵 , F.R.Beernaert , 刘华 . TM影像的计算机屏幕解译和荒漠化监测. 林业科学研究, 1998, 11(6): 599-606.
[12]	曹庆先 , 徐大平 , 鞠洪波 . 基于TM影像纹理与光谱特征和KNN方法估算5种红树林群落生物量. 林业科学研究, 2011, 24(2): 144-150.
[13]	胡鸿 , 鞠洪波 , 田昕 , 杨雪清 , 孙志超 . 基于GF-1和TM数据的金河林业局天然林保护成效评估研究. 林业科学研究, 2019, 32(1): 141-146. doi: 10.13275/j.cnki.lykxyj.2019.01.019
[14]	王苏珂 , 王军辉 , 张守攻 , 张建国 , 赵鲲 , 焦云德 . 楸树不同交配组合种子发芽特性的研究. 林业科学研究, 2008, 21(2): 275-278.
[15]	李军玲 , 庞勇 , 李增元 , 荚文 . 云阴影区机载高光谱影像森林树种分类. 林业科学研究, 2019, 32(5): 136-141. doi: 10.13275/j.cnki.lykxyj.2019.05.018
[16]	陈永富 , 王振琴 , 张玉贵 , 张彦忠 . 专家系统在TM遥感图像分类中的应用研究. 林业科学研究, 1996, 9(4): 344-347.
[17]	陈巧 , 陈永富 . QuickBird遥感数据监测植被覆盖度的研究. 林业科学研究, 2005, 18(4): 375-380.
[18]	谭炳香 . 基于专题分类图的栅格矢量数据转换. 林业科学研究, 1993, 6(2): 216-221.
[19]	陆元昌 , 陈敬忠 , 洪玲霞 , 雷相东 . 遥感影像分类技术在森林景观分类评价中的应用研究. 林业科学研究, 2005, 18(1): 31-35.
[20]	韦玮 , 李增元 , 谭炳香 , 徐海生 . 基于多角度高光谱CHRIS影像的隆宝滩湿地遥感分类方法研究. 林业科学研究, 2011, 24(2): 159-164.

点击查看大图

计量

文章访问数: 3354
HTML全文浏览量: 236
PDF下载量: 1465
被引次数: 0

TM影像决策树分类中的影响因素研究

1. 中国林业科学研究院资源信息研究所, 北京 100091
2. 西南林业大学林学院, 云南昆明 650224

收稿日期: 2013-03-20

基金项目: 亚太森林恢复与可持续管理网络项目“Forest Cover and Aboveground Biomass Mapping in the Greater Mekong Subregion and Malaysia”（编号：2011PA004）和国家863课题“全球森林生物量和碳储量遥感估测关键技术（编号：2012AA12A306）”资助。

关键词:

摘要: 以云南省西双版纳州一景TM影像为例，分析了影响分类回归树方法的主要因素。结果表明在其他因素均一致的情况下，训练数据如果使用涵盖各类别的外业调查数据比使用系统布设的训练数据分类精度更高，并且多种参数波段的选择也会有效地提高分类的精度。