基于不同决策树的面向对象林区遥感影像分类比较

作     者：陈丽萍 孙玉军 CHEN Li-ping;SUN Yu-jun

作者机构：北京林业大学森林资源和环境管理国家林业局重点开放性实验室北京100083 

出 版 物：《应用生态学报》 (Chinese Journal of Applied Ecology)

年 卷 期：2018年第29卷第12期

页      面：3995-4003页

核心收录：

学科分类：09[农学] 0903[农学-农业资源与环境] 

基　　金：国家自然科学基金项目(31870620) 国家林业局‘948’项目(2015-4-31)资助 

主　　题：遥感 决策树 分类 C5.0决策树 

摘      要：面向地理对象影像分析技术(GEOBIA)是影像分辨率越来越高的背景下的产物.如何提高高分辨率影像分类精度和分类效率是影像处理的重要议题之一.本研究对QuickBird影像多尺度分割后的对象进行分类,分析了C5.0、C4.5、CART决策树算法在林区面向对象分类中的效率,并与kNN算法的分类精度进行比较.利用eCognition软件对遥感影像进行多尺度分割,分析得到最佳尺度为90和40.在90尺度下分离出植被和非植被后,在40尺度下提取不同类别植被的光谱、纹理、形状等共21个特征,并利用C5.0、C4.5、CART决策树算法分别对其进行知识挖掘,自动建立分类规则.最后利用建立的分类规则分别对植被区域进行分类,并比较分析其精度.结果表明:基于决策树的分类精度均高于传统的kNN法.其中,C5.0方法的精度最高,其总体分类精度为90.0%,Kappa系数0.87.决策树算法能有效提高林区树种分类精度,且C5.0决策树的Boosting算法对该分类效果具有最明显的提升.