《林业遥感实习报告》由会员分享，可在线阅读，更多相关《林业遥感实习报告（9页珍藏版）》请在金锄头文库上搜索。
1、.基于决策树的林业遥感影像分类Classification of RS Image based on Decision Tree Classifier一、 实习目的与要求林业遥感是遥感技术在林业经营中具体应用的实用性强的专业课，旨在培养学生利用遥感手段进展森林资源监测和管理的根本技能，实习的主要目的是培养学生使用GPS进展野外地形参数的手工测量，内业计算机遥感图像的几何精校正和探索学习决策树分类方法对林业遥感影像进展分类研究的动手能力。通过实习，加深遥感技术在森林资源监测和管理中的应用和理解。二、 实习内容1) GPS采集地面控制点坐标经纬度或平面直角坐标以及地形参数坡度，坡向2) 野外训练区
2、的地面调查3) 内业遥感图像的几何精校正4) ENVI图像处理软件决策树分类器建立逐级决策规那么5) 决策规那么的修改与添加与实地调查进展比较分析6) 利用建立的决策规那么对林业遥感图像进展分类7) 保存分类规那么与分类图像三、 实习中涉及的理论知识1 决策树分类简介与其它分类方法相比，决策树分类具有如下特点：1决策树分类是非参数分类，因此其独立于训练区像元亮度值的统计分布模式；2决策树分类时模型的输入既可以是连续的光谱波段值，也可以是离散的数值，甚至是定名变量；3分类完毕后可以生成易于解译的分类判别准那么文件；4样本训练的速度快，分类精度通常高于其它的分类器2 决策树分类原理决策树分类实质是
3、利用输入分类器的多元特征参数，从多角度挖掘出蕴藏在其中的模式类别间的差异，并建立起“特征识别矩阵类似于判读检索表，其外在表现为多个“If Then, else if then的连用，就如同数学上的多个集合求交集运算，从而将满足交集条件的模式与不满足交集条件的模式区分开来，实现不同模式类别的自动识别。具体地讲，决策树可以像分类过程一样被定义，依据某种规那么将窨数据集一级级往下细分以定义决策树的各个分支。决策树由一个根结点，一系列内部结点及终极结点组成，每一个结点只有一个父结点和两个或多个子结点。根据决策树的构成思想，以选定的样本数据为对象逐级找到分类树的结点，并且在每个结点上记录所选的空间数据图
4、层的编号以及相应的判别函数参数，从而有可能反过来从树根到叶按照生成的判别规那么，逐级地在每个结点上对样本数据以外的待分类数据进展分类3 本实习决策树分类规那么描述类1(class 1)：NDVI值大于0.3，坡度大于或等于20度类2(class 2)：NDVI值大于0.3，坡度小于20度，阴坡类3(class 3)：NDVI值大于0.3，坡度小于20度，阳坡类4(class 4)：NDVI值小于或等于0.3，波段4的值大于或等于20类5(class 5)：NDVI值小于或等于0.3，波段4的值小于20类6(class 6)：波段4的值等于0类7(class 7)：波段1的值小于波段1的均值决策
5、树分类规那么是在决策树分类过程中不断修改和添加的，为了实现逐步分类更加精细与准确四、 实习步骤1 外业数据采集在XX陵地区选取假设干样点，利用GPS记录样点坐标，测定相应位置的地形参数。目的：练习使用GPS以及DEM的建立方法。2 研究资料确定与处理1) 运行ENVI软件，翻开并显示对决策树分类有奉献的影像文件：bouldr_tm.dat (Landsat 5 TM影像) 与boulder_dem.dat相应的DEM空间子集2) 投影类型转换查看bouldr_tm影像特征：Projection : UTM Pixel: 30 Meters Datum: NAD 27查看boulder_dem影
6、像特征：Projection : GAUSS-KRUGER Pixel: 30 Meters Datum: WGS84以bouldr_tm影像为基准，转换boulder_dem影像的投影类型：运行ENVI软件，点击Map/Convert Map Projection，在弹出的Convert Map Projection Input Image中选择boulder_dem，在弹出的Convert Map Projection对话框中选择UTM，DATUM选择NAD 27，可选择多项式和最邻近点方式，保存投影类型转换后的图像。3图像配准为提高TM影像的分辨率，从而提高分类精度，以bouldr_tm
7、影像与相应地区的SPOT影像配准SPOT为已经过精校正的影像，空间分辨率为10m配准方法：点击Map/Registration/Select GCPs: Image to Image，使得bouldr_tm影像的分辨率也到达10m，查看配准后的影像特征：Projection : UTMPixel: 10 MetersDatum: NAD 27bouldr_tmboulder_dem如图1所示：3 输入决策树规那么1） 选择Classification/Decision Tree/Build new decision tree，翻开决策树工具决策树工具翻开时就只有一个空的决策节点，在这个空的节点
8、中输入任意条件的决策表达式，将该数据集的像素分为两组2） 第一个决策要基于landsat影像。要定义这个决策点，点击决策节点，当前这个节点被标注为Node，输入表达式：ndvi gt 0.3这个决策将像素分为两类，一类为绿色植被，另一类为非植被3） 指定应用决策表达式的文件在出现的Variables/Files Pairing对话框中，点击ndvi，在随后出现的对话框中选择bouldr_tm影像，这说明当上述决策规那么计算时，NDVI值将从bouldr_tm影像中计算出来这里ENVI会根据NDVI这个特定名称，自动搜索所需的红波段和近红外波段，计算出NDVI值4） 完成第一个简单决策树分类器，
9、NDVI大于0.3被分成白色类，NDVI值小于或等于0.3像素被分为黑色。4 输入决策树附加规那么1） 右键点击Class 1的节点，从弹出的快捷菜单中选择Add Children，从而将NDVI大的那类细分为两个新的子类2） 点击空白节点，并在Edit Decision Parameters对话框中，输入下面这个决策规那么：Slope lt 20这个决策规那么将根据坡面的陡峭程度，将NDVI值高的像素分为两类，同样，ENVI会根据Slope(坡度)这个特定名称，自动搜索计算Slope值3） 在节点的Name区域，输入slope20，点击OK4） 指定应用决策表达式的文件在出现的Variabl
10、es/Files Pairing对话框中，点击slope，在随后出现的对话框中选择boulder_dem影像，这说明当上述决策规那么计算时，slope值将从boulder_dem影像中计算出来5） 继续添加决策规那么右键点击绿色的端元节点，它包括了NDVI值高、坡度低的那类像素，从弹出的快捷菜单中，选择Add Children。点击节点，在Edit Decision Parameters对话框中，输入下面这个决策规那么：aspect lt 20 and aspect gt 340这个决策将把NDVI值高、坡度小的那些像素，分为坡面北朝向的和坡面北朝向不显著的两类。6） 在节点的Name区域，输
11、入North，点击OK7） 指定应用决策表达式的文件在出现的Variables/Files Pairing对话框中，点击aspect，在随后出现的对话框中选择boulder_dem影像，这说明当上述决策规那么计算时，aspect值将从boulder_dem影像中计算出来8） 在节点的Name区域，输入North，点击OK9） 继续添加决策规那么右键点击黑色的端元节点，它包括了NDVI值低的那类像素，从弹出的快捷菜单中，选择Add Children。点击节点，在Edit Decision Parameters对话框中，输入下面这个决策规那么：b4 lt 20这个决策规那么将水体非植被中别离出来，
12、经过目视解译遥感影像发现，在波段4中，像素值小于20的主要是水体10） 指定应用决策表达式的文件在出现的Variables/Files Pairing对话框中，点击b4，在随后出现的对话框中选择bouldr_tm影像11） 在节点的Name区域，输入Low B4，点击OK决策树如图2所示：应用决策表达式的文件如图3所示：5 执行决策树1） 选择Options/Execute2） 在Decision Tree Execution Parameters对话框中，点击bouldr_tm影像，作为基准影像。其它影像的地图投影，像素大小和范围都将被自动调整，以匹配该基准影像3） 输入要输出的分类影像文件
13、名，保存6 查看决策树分类结果1） 输出的决策树分类结果中，给定像素的颜色是由分类指定的端元节点的颜色确定的。Class1，Class2，Class3，Class4，Class5分别对应红色，绿色，蓝色，黄色，蓝绿色。如以下图所示2） 查看决策树信息在ENVI Decision Tree对话框的空白背景上，点击右键，从弹出的对话框中，选择Zoom In，现在每个节点标签都会显示像素的个数以及所包含像素点总影像像素的百分比。如以下图所示：7 修改决策树1） 添加新的决策执行完决策树后查看分类结果，发现上述决策规那么中，波段4小于20的那些像素中，某些像素是边缘像素，值为0，以蓝绿色显示，因此需修
14、改决策树：在波段4的值小于20的那些像素的端元节点上，点击右键，并从弹出的快捷菜单中，选择Add Children。点击节点，在Edit Decision Parameters对话框中，输入下面这个决策规那么：b4 eq 0在Name文本框中，输入B4=02） 执行新添加的决策，此时输出结果中，边缘像素就归为另一类了，以红紫色表示如以下图所示：8 在决策表达式中使用波段索引几个内置的决策树变量在决策表达式使用过程中，需要波段索引1） 在黄色端元节点上，点击右键，该节点包括了NDVI值低但波段4的值高的那一类像素。从快捷菜单中，选择Add Children。点击节点，在Edit Decision
15、 Parameters对话框中，输入下面这个决策规那么：b1 lt mean1 在Name文本框中，输入Low B1该表达式将判断波段1的像素值是否小于波段1的均值2） 指定应用决策表达式的文件在出现的Variables/Files Pairing对话框中，点击b1，在随后出现的对话框中选择bouldr_tm影像的band 1在出现的Variables/Files Pairing对话框中，点击mean，在随后出现的对话框中选择bouldr_tm影像如以下图所示：3） 运行决策树4） 查看结果，波段1的值较低的某些黄色像素的颜色已变为暗红色如以下图所示：9 修剪决策树在使用决策树的过程中，经常需要测试某个指定的子节点是否对决策树的分类结果有效，即对决策树的修剪1） 在Low B1节点上，点击右键，从弹出的快捷菜单中，选择Prune Children。结果说明，可以看到这个子节点，但它们不再带有颜色，而且也没有连接到决策树上，说明已被修剪，当执行决策树时，它们不会被使用如以下图所示：修剪后分类结果如以下图所示：2） 右键点击Low B1节点，从弹出的快捷菜单中，选择Restore Prun
