基于光谱特征的决策树分类方法研究——以昆明市东北部地区为例

西北林学院学报２０１０，２５（６）：２２２￣２２６　Ｊｏｕｒｎａｌ　ｏｆ　Ｎｏｒｔｈｗｅｓｔ　Ｆｏｒｅｓｔｒｙ　Ｕｎｉｖｅｒｓｉｔｙ　基于光谱特征的决策树分类方法研究　以昆明市东北部地区为例　单捷，岳彩荣　（西南林学院云南省高校林业３Ｓ技术工程研究中心，云南昆明６５０２２４）　摘要：以昆明市东北部地区的ＴＭ影像为材料，通过分析主要地物的光谱特征，进行波段间的相　互运算，建立相应的决策树模型，对地物进行分类，并对分类结果进行精度评价。结果表明：决策树　分类法的总体精度为７７．Ｏ　，比传统的分类方法如最大似然法提高了６．３　，能有效地提高影像的　分类精度。　关键词：遥感；决策树；光谱特征；土地利用／覆盖；分类　中图分类号：ＴＰ　７９　文献标志码：Ａ　文章编号：１００１－７４６１（２０１０）０６－０２２２－０５　Ｓｐｅｃｔｒａｌ　Ｆｅａｔｕｒｅ　Ｂａｓｅｄ　Ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｏｆ　Ｄｅｃｉｓｉｏｎ　Ｔｒｅｅ　——Ａ　Ｃａｓｅ　Ｓｔｕｄｙ　ｉｎ　ｔｈｅ　Ｎｏｒｔｈｅａｓｔ　ｏｆ　Ｋｕｎｍｉｎｇ　ＳＨＡＮ　Ｊｉｅ，ＹＵＥ　Ｃａｉ—ｒｏｎｇ　（Ｔｅｃｈｎｏｌｏｇｙ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｆｏｒｅｓｔｒｙ　Ｒｅｓｅａｒｃｈ　Ｃｅｎｔｅｒ　ｏｆ　３Ｓ　Ｆｏｒｅｓｔｒｙ　ｉｎ　Ｙｕｎｎａｎ　Ｈｉｇｈｅｒ　Ｅｄｕｃａｔｉｏｎ　Ｉｎｓｔｉｔｕｔｉｏｎｓ，　Ｓｏｕｔｈｗｅｓｔ　Ｆｏｒｅｓｔｒｙ　Ｕｎｉｖｅｒｓｉｔｙ，Ｋｕｎｍｉｎｇ，Ｙｕｎｎａｎ　６５０２２４，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｄｅｃｉｓｉｏｎ　ｔｒｅｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｉｓ　ｓｉｍｐｌｅ，ｆｌｅｘｉｂｌｅ，ｃｌｅａｒ　ａｎｄ　ｅｆｆｅｃｔｉｖｅ．Ｉｔ　ｈａｓ　ｔｒｅｍｅｎｄｏｕｓ　ａｄｖａｎｔａｇｅｓ　ｉｎ　ｔｈｅ　ｆｉｌｅｄ　ｏｆ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ．Ｔａｋｉｎｇ　ｔｈｅ　ｎｏｒｔｈｅａｓｔ　ｏｆ　Ｋｕｎｍｉｎｇ　ａｓ　ａ　ｓｔｕｄｙ　ａｒｅａ，ｔｈｅ　ｄｅｃｉｓｉｏｎ　ｔｒｅｅ　ｍｏｄｅｌ　ｆｏｒ　ｃｌａｓｓｉｆｙｉｎｇ　ｌａｎｄ　ｕｓｅ／ｌａｎｄ　ｃｏｖｅｒｓ　ｂａｓｅｄ　ｏｎ　ＴＭ　ｗａｓ　ｅｓｔａｂｌｉｓｈｅｄ　ｂｙ　ａｎａｌｙｚｉｎｇ　ｔｈｅ　ｓｐｅｃｔｒａｌ　ｆｅａ—　ｔｕｒｅ　ｏｆ　ｔｈｅ　ｍａｊｏｒ　ｌａｎｄｏｖｅｒ　ｔｙｐｅｓ　ａｎｄ　ｅｘｐｌｏｒｉｎｇ　ｓｐｅｃｔｒａ１　ｕｎｉｑｕｅ　ｃｈａｒａｃｔｅｒ　ｗｉｔｈ　ｃｏｎｓｔｒｕｃｔｉｎｇ　ｓｅｖｅｒａｌ　ｉｎｄｉｃｅｓ　ｆｒｏｍ　ｏｒｉｇｉｎａｌ　ＴＭ　ｂａｎｄｓ．Ｔｈｅ　ｒｅｓｕｌｔｓ　ｏｆ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｗｅｒｅ　ｃｈｅｃｋｅｄ　ｂｙ　ｓｔａｔｉｓｔｉｃａｌ　ｃｏｎｆｕｓｉｏｎ　ｍａｔｒｉｘ　ａｃｃｕｒａｃｙ　ａｓｓｅｓｓｍｅｎｔ．Ｔｈｅ　ｓｔｕｄｙ　ｓｈｏｗｅｄ　ｔｈａｔ　ｏｖｅｒａｌｌ　ａｃｃｕｒａｃｙ　ｏｆ　ｄｅｃｉｓｉｏｎ　ｔｒｅｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｗａｓ　７７．０　，ａｂｏｕｔ　６．３　ｈｉｇｈｅｒ　ｔｈａｎ　ｔｈａｔ　ｂｙ　ｍａｘｉｍｕｍ　ｌｉｋｅｌｉｈｏｏｄ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ．Ｄｅｃｉｓｉｏｎ　ｔｒｅｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｃａｎ　ｅｆｆｅｃｔｉｖｅｌｙ　ｉｍｐｒｏｖｅ　ａｃｃｕｒａｃｙ　ｏｆ　ｌａｎｄ　ｃｏｖｅｒ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ．　Ｋｅｙ　ｗｏｒｄｓ：ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ；ｄｅｃｉｓｉｏｎ　ｔｒｅｅ；ｓｐｅｃｔｒｕｍ　ｆｅａｔｕｒｅ；ｌａｎｄ　ｕｓｅ／ｃｏｖｅｒ；ｃｌａｓｓｉｆｉｃａｔｉｏｎ　在遥感技术的研究中，通过遥感影像识别各种　据本身来学习，以类似于流程图的树状结构表示数　目标是遥感技术发展的重要环节［１］，随着计算机技　据挖掘结果，揭示了各类别之间的非线性关系和等　术的发展，计算机识别自动分类已经成为遥感应用　级关系，结构明确且容易解释［４］。决策树分类法还　的重要组成部分，也是当前遥感发展的前沿［２］。　可以处理噪声数据，尤其能自动选取特征，故用于遥　２Ｏ世纪８０年代，数据挖掘与知识发现（Ｄａｔａ　感分类具有很大的优势［５］，是目前分类精度相对较　ｍｉｎｉｎｇ　ａｎｄ　ｋｎｏｗｌｅｄｇｅ　ｄｉｓｃｏｖｅｒｙ）技术的出现为分　高的一种遥感影像分类算法［６］。　类提供了一种新的手段。空间数据挖掘的方法较　近年来，国内外的研究人员利用决策树分类法　多，其中决策树分类法是数据挖掘中获取分类规则　对遥感影像分类进行了大量的研究。Ｈａｎｓｏｎ等［７］　的主要方法之一［３］。　利用ＮＯＡＡ／ＡＶＨＲＲ全球数据进行了决策树法　决策树分类法具有非参数的特点，采用以实例　与最大似然法的土地覆盖分类，结果表明决策树法　为基础的归纳算法，在确定训练集之后，完全依赖数　的分类精度高于最大似然法；Ｍｕｃｈｏｎｅｙ等［８］分别　收稿日期：２００９－１２－２２修回日期：２０１０—０３—０２　基金项目：西南林学院重点基金项目（２００５０３Ｚ）；西南林学院森林经理学国家林业局重点学科（ＸＫＺ２００９０１）　作者简介：单捷，女。硕士研究生．主要从事资源环境遥感研究。　＊通讯作者：岳彩荣，男。博士，教授，主要从事遥感与地理信息系统的教学与应用研究。　第６期　单捷等基于光谱特征的决策树分类方法研究　２２３　利用决策树、神经网络、最大似然法对美国中部地区　进行了土地覆盖分类研究，结果显示决策树法的分　类精度最高；Ｆｒａｎｋｌｉｎ等［９　利用遥感数据、ＤＥＭ和　ＧＩＳ数据，采用决策树法对Ａｌｂｅｒｔａ地区的灰熊栖　息地进行分类制图，得到了８０　的分类精度。　在国内，研究人员对决策树分类法也进行了大量　研究。如通过对居民地及其背景地物的光谱特征分　析，建立了基于光谱特征和形状特征的简单决策树模　型来自动提取居民地，分类精度高于最大似然法　叩；　以ＴＭ的７个波段影像为数据源，采用决策树分类法　对北京市土地覆盖现状进行研究，分类精度达　９３．３％［１妇；利用ＣＡＲＴ算法与ＣＡ．５算法对ＭＯＤＩＳ　影像进行了土地覆盖决策树分类试验与分析，并引人　了ｂｏｏｓｔｉｎｇ和ｂａｇｇｉｎｇ　２种分类新技术，使分类精度　明显提高［１。　；利用ＣＡＲＴ算法集成光谱特征、纹理特　征和地学辅助数据建立提取湿地信息的决策树模型，　分类精度较最大似然法明显提高［３］。　１　数据来源与预处理　采用２００５年１２月的ＴＭ影像为数据源，空间　分辨率为３０　ｍ，在经过几何校正与辐射校正之后，　从中切取大小为７１９（列）ｘ　７１１（行）的图像为研究　区域，将ＴＭ影像的５、４、３波段分别赋予红、绿、蓝　色，以获得近似自然彩色的合成图像，便于提高图像　的直观目视效果，以提高解译精度。　２　决策树算法原理　决策树分类法是多元统计分类中的一种方法，　是一个类似于流程图的树状结构。利用树结构原　则，按一定的分割原则把数据分为特征更为均质的　子集，这些子集在数据结构中称为节点（图１）。其　基本思想是利用一组自变量来预测每个样本最可能　对应的类型即因变量［】　。比较成熟的决策树构建　方法是Ｑｕｉｎｌａｎ提出的ＩＤ３、Ｃ４．５、Ｃ５．０系列，　ＣＡＲＴ、ＳＬＩＱ、ＳＰＲＩＮＴ和ＣＨＡＩＤ等。　图１决策树示意图　Ｆｉｇ．１　Ｓｋｅｔｃｈ　ｍａｐ　ｏｆ　ｄｅｃｉｓｉｏｎ　ｔｒｅｅ　通过分析研究区内主要地物的光谱特征及进行　波段间的相互运算，建立决策树模型，从而对地物进　行分类。　３　决策树分类试验　根据中华人民共和国质量监督检验检疫总局和　中国国家标准化管理委员会于２００７年８月联合发　布《土地利用现状分类》以及昆明市东北部地区特有　的情况，将该地区的土地类型划分为水体、植被、裸　地、城镇用地、工矿用地和阴影等，共６类。　３．１光谱特征分析　ＴＭ图像中不同波段反映了不同地物在该波段　内的反射辐射特性，由于ＴＭ６是热红外波段且空间　分辨率与另外６个波段不同，所以采用ＴＭ１、ＴＭ２、　ＴＭ３、ＴＭ４、ＴＭ５和ＴＭ７波段作为分析数据。　在对土地利用先验知识的基础上，确定６种地物　的目视判读标志，先根据目视判读标志和样本选取原　则对各类地物选择样本，然后对每一类地物样本在各　个波段上的光谱亮度值进行统计，最后用地物样本的　各波段光谱均值做出光谱响应曲线（图２）。　ｌ　ｌ　１　波段　图２典型地物光谱响应曲线　Ｆｉｇ．２　Ｓｐｅｃｔｒｕｍ　ｒｅｓｐｏｎｓｅ　ｃｕｒｖｅｓ　ｏｆ　ｔｙｐｉｃａｌ　ｏｂｊｅｃｔｓ　由图２看出，典型地物间亮度值关系如下：　在ＴＭ１上，工矿用地＞城镇用地＞裸地＞水　体＞植被＞阴影，裸地、植被和水体三者容易混淆。　在ＴＭ２上，工矿用地＞城镇用地＞裸地＞植　被＞水体＞阴影，裸地、植被和水体三者，容易混淆。　在ＴＭ３，工矿用地＞城镇用地＞裸地＞植被＞　水体＞阴影，植被、水体和阴影三者容易混淆。　在ＴＭ４上，工矿用地＞植被＞裸地＞城镇用地＞　水体＞阴影，裸地与城镇用地、水体与阴影容易混淆。　在ＴＭ５上，工矿用地＞裸地＞城镇用地＞植被＞　阴影＞水体，城镇用地与植被、水体与阴影容易混淆。　在ＴＭ７上，工矿用地＞裸地＞城镇用地＞植被＞　阴影＞水体，裸地与城镇用地、水体与阴影容易混淆。　因此，仅仅依靠地物在各波段的光谱值无法区　分每类地物，还要对地物的光谱值进行波段问的运　２２４　西北林学院学报　２５卷　算，才能准确地进行分类。　３．２植被的提取　ＮＤＶＩ指数是用来反映绿色植物生长状况和分　试验，将（ＴＭ３一ＴＭ４）＞５像元归属为水体，通过对　比原始影像可以看出区分出的阴影是正确的。　３．５丢失阴影的提取　布的特征指数，它利用植被在近红外波段的光谱亮　查勇等口　根据ＮＤＶＩ的特点，提出归一化建筑指　数法，提取城镇建筑覆盖区专题信息，公式如下：　ＮＤＢＩ＝（ＭＩＲ—ＮＩＲ）／（ＭＩＲ＋ＮＩＲ）　（４）　度值大于红光波段的特点，从而较为容易地把植被　提取出来，公式如下：　ＮＤＶＩ一（ＮＩＲ—Ｒ）／（ＮＩＲ＋Ｒ）　（１）　式中：ＭＩＲ、ＮＩＲ分别指ＴＭ的第五和第四波段，　ＮＤＢＩ取值为一１～１。　其中：ＮＩＲ为近红外波段，即ＴＭ的第四波段；Ｒ为　红光波段，即ＴＭ的第三波段。应用公式（１）在　在ＴＭ４与ＴＭ５波段之间，除了城镇光谱值较　ＥＮＶ１４．７中进行归一化植被指数计算，运用最大类　间方差法确定阈值提取植被。由图２看出，裸地在　近红外波段的光谱亮度值也大于红光波段，所以经　过反复试验，最后确定阈值为０．１，即ＮＤＶＩ＞０．１　的像元被归属为植被，经过与原始影像对比可以看　出，植被基本上都被提取，同时排除了裸地的干扰。　３．３水体和阴影的提取　Ｍｃｆｅｅｔｅｒｓ［１妇提出了归一化差异水体指数　（ＮＤＷＤ，其公式如下：　ＮＤＷＩ＝（Ｇ　一ＮｊＲ）／（Ｇｒｅｅｎ＋ＮＩＲ）　（２）　式中：Ｇｒｅｅｎ为绿光波段，ＮＩＲ为近红外波段，　影像中，分别为第二波段和第四波段。　然而，Ｍｃｆｅｅｔｅｒ在构建ＮＤＷＩ指数时，只考虑　了植被因素，却忽略了建筑物的影响。由图２可以　看出，如果用ＮＤＷＩ来提取水体时，城镇用地也会　被提取出来。通过对图２分析发现，水体在中红外　波段的光谱亮度值继续走低，而城镇用地则相反，所　以用改进归一化差异水体指数——ＭＮＤ　，即　Ｍｏｄｉｆｉｅｄ　ＮＤＷＩ指数［１胡来提取水体，公式如下：　ＭＮＤＷＩ一（Ｇｒｅｅｎ—Ｍ豫）／（Ｇｒｅｅｎ十ＭＩＲ）　（３）　式中：ＭＩＲ为中红外波段，即ＴＭ的第五波段。运　用ＭＮＤＷＩ指数可以使水体和建筑物的反差明显　增强，降低二者的混淆度，有利于水体的准确提取。　由于研究区域大部分都是山体，存在阴影现象，　而阴影在影像上呈现出和水体相似的暗色调，造成　提取的水体中含有大量的阴影。所以，在提取植被　的基础上，采用ＭＮＤＷＩ先将水体和阴影一同提取　出，之后再对二者分别进行提取。经过试验，阈值设　为０．０５，即ＭＮＤＷ　＞０．０５的像元为水体和阴影。　通过与原始影像的比较，水体基本上都被提取，阴影　还有一部分没有被提取。　３．４区分提取水体和阴影　水体在ＴＭ３和ＴＭ４的光谱差值明显大于阴　影在这２个波段上的差值，根据这一特点可以将水　体与阴影区分开。通过对比样本中水体和阴影在　ＴＭ３和ＴＭ４上各自光谱的最大值和最小值，经过　高外，其他变小，因此ＮＤＢＩ＞Ｏ的像元为城镇。　由图２可知，除了城镇用地像元的亮度值符合　ＴＭ５＞ＴＭ４，工矿用地、裸地也符合该特征，即城　镇、工矿用地和裸地三者颜色都较浅，无法区分，所　以在本研究中ＮＤＢＩ不能用来提取城镇用地。　在用ＭＮＤＷＩ同时提取水体和阴影时，有部分　阴影没有被提取出，于是这部分阴影便与工矿用地、　裸地混在一起，而阴影的光谱值并不符合ＴＭ５＞　ＴＭ４，所以可以利用这一区别提取剩余的阴影，即　ＮＤＢＩｄＯ的像元归属为阴影。　３．６工矿用地的提取　工矿用地的光谱值在各个波段上较其他地物都　高出很多，尤其是ＴＭ５和ＴＭ７，所以可以利用这一　特点区分该地类。通过反复试验，确定的阈值为　ＴＭ２＞３０，ＴＭ５＞９０，ＴＭ７＞５Ｏ。　３．７裸地和城镇用地的提取　通过对归一化植被指数图的分析发现，ＮＤⅥ　不仅可以很好的提取植被，也可以提取裸地和城镇。　在归一化植被指数图上，裸地的颜色为灰色或　暗灰色，而城镇用地的颜色更深。经反复试验，将阈　值定为一０．０３５￣ＮＤＶＩ≤０．１来提取裸地，剩下的　像元即为城镇用地。　图３和图４为最终形成的决策树模型和分类结果。　４分类精度评价　混淆矩阵方法是目前普遍采用的遥感影像分类　精度的定量评价方法。为了对决策树分类法的分类　结果进行精度评价，分别从分类结果中的各类地物　中等量随机选取了５Ｏ个样本，共３００个样本。通过　野外实地调查对样本进行验证，在无法到达的地区　则采用同时期的高分辨影像进行检验，建立混淆矩　阵，计算总体精度、Ｋａｐｐａ系数、制图精度、用户精　度、漏分误差和错分误差，并与最大似然法的分类结　果（图５）进行比较（表１、表２）。决策树分类法的总　体精度为７７．Ｏ０　，Ｋａｐｐａ系数为０．７４２；最大似然　法的总体精度为７Ｏ．６７　，Ｋａｐｐａ系数为０．６４８，决　第６期　单捷等基于光谱特征的决策树分类方法研究　２２５　策树分类法比最大似然法的总体精度提高了　１０２　４４ｔ５９　Ｅ　１０２　４９ｌ５８　Ｅ　１０２　５４’５９”Ｅ　６．３３　，Ｋａｐｐａ系数提高了０．０８６。　Ｚ　０　¨Ｎ　Ｈ　ｔｎ　Ａ　２　ｎ　警蓁　■嬲影　工矿用地　｛　执　■城镇用地　１０２。４４’５９“Ｅ　１　０２　４９Ｉ　５８　Ｅ　、０２　５４　５９”Ｅ　图４基于决策树法的土地利用／土地覆盖分类图　Ｆｉｇ．４　Ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｍａｐ　ｏｆ　ｌａｎｄｕｓｅ／ｌａｎｄ　ｃｏｖｅｒｓ　ｂａｓｅｄ　ｏｎ　ｄｅｃｉｓｉｏｎ　ｔｒｅｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　１０２。４５　Ｅ　１０２。５０　Ｅ　１０２。５５　Ｅ　Ｎ　２　薹Ａ　Ｚ　●ｎ　Ｉ＾　Ｎ　用地　用地　１０２。４５　Ｅ　１０２　５０｜Ｅ　。　１０２　５５ｆ、　Ｅ　耩一■　爨■　图３决策树模型　图５基于最大似然法的土地利用／土地覆盖分类图　檀水阴工褫城　被体影矿地镇　Ｆｉｇ．５　Ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｍａｐ　ｏｆ　ｌａｎｄｕｓｅ／ｌａｎｄ　ｃｏｖｅｒｓ　ｂａｓｅｄ　Ｆｉｇ．３　Ｄｅｃｉｓｉｏｎ　ｔｒｅｅ　ｍｏｄｅｌ　ｏｎ　ｍａｘｉｍｕｍ　ｌｉｋｅｌｉｈｏｏｄ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　表１　决策树法分类精度评价结果　Ｔａｂｌｅ　１　Ａｃｃｕｒａｃｙ　ａｓｓｅｓｓｍｅｎｔ　ｏｆ　ｄｅｃｉｓｉｏｎ　ｔｒｅｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　５　结论与讨论　分类特征，所以导致决策树分类法在部分地物上的　提取精度低于最大似然法，如阴影。阴坡在近红外　决策树分类法可以较好地提取目标信息，其总　和中红外波段的反射能量特别低，使它们在影像上　体精度和Ｋａｐｐａ系数皆高于最大似然法。　呈现出和水体相似的明显的暗色调，导致用决策树　由于所采用的决策树分类法仅是基于影像的光　分类法提取阴影时的错分误差明显高于最大似　谱特征及其波段间的相互运算，并没有加入其他的　然法。　２２６　西北林学院学报　２５卷　若在以后的决策树分类模型中加入如纹理特　征、形状指数、高程、坡度等更多的分类特征，则决策　树分类法的优势将会更加明显，分类精度会更高。　表２最大似然法分类精度评价结果　Ｔａｂｌｅ　２　Ａｃｃｕｒａｃｙ　ａｓｓｅｓｓｍｅｎｔ　ｏｆ　ｍａｘｉｍｕｍ　ｌｉｋｅｌｉｈｏｏｄ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｃｏｖｅｒ　ｕｓｉｎｇ　ｓａｔｅｌｌｉｔｅ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｉｎ　ｓｕｐｐｏｒｔ　ｏｆ　ｇｒｉｚｚｌｙ　ｂｅａｒ　参考文献：　［１３汤国安，张顺友，刘咏梅，等．遥感数字图像处理［Ｍ］．北京：科　学出版社，２００４．　ｈａｂｉｔａｔ　ａｎａｌｙｓｉｓ　ｉｎ　ｔｈｅ　Ａｌｂｅｒｔａ　ｙｅｌｌｏｗ　ｈｅａｄ　ｅｃｏｓｙｓｔｅｍ［Ｊ］．Ｃａ—　ｎａｄｉａｎ　Ｊｏｕｒｎａｌ　ｏｆ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，２００１。２７ｌ５７９—５９２．　［１０］赵萍，冯学智，林广发．ＳＰＯＴ卫星影像居民地信息自动提取　［２３张仁华．实验遥感模型及地面基础［Ｍ］．北京：科学｝Ｈ版社，　１９９６．　的决策树方法研究［Ｊ］．遥感学报。２００３，７（４）：３０９—３１５．　ＺＨＡＯ　Ｐ。ＦＥＮＧ　Ｘ　Ｚ，ＬＩＮ　Ｇ　Ｆ．Ｔｈｅ　ｄｅｃｉｓｉｏｎ　ｔｒｅｅ　ａｌｇｏｒｉｔｈｍ　［３］那晓东，张树清，孔博，等．基于决策树方法的淡水沼泽湿地信　息提取——以三江平原东北部为例［Ｊ］．遥感技术与应用，　２００８，２３（４）ｌ３６６—３７２．　ｏｆ　ａｕｔｏｍａｔｉｃａｌｌｙ　ｅｘｔｒａｃｔｉｎｇ　ｒｅｓｉｄｅｎｔｉａｌ　ｉｎｆｏｒｍａｔｉｏｎ　ｆｒｏｍ　ＳＰＯＴ　ｉｍａｇｅｓ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，２００３，７（４）ｌ　３０９’　３１５．　ＮＡ　Ｘ　Ｄ，ＺＨＡＮＧ　Ｓ　Ｑ，Ｋ０ＮＧ　Ｂ，ｅｔ　ａ１．Ｔｈｅ　ｅｘｔｒａｃｔｉｏｎ　ｏｆ　ｆｒｅｓｈｗａｔｅｒ　ｍａｒｓｈ　ｗｅｔｌａｎｄ　ｉｎｆｏｒｍａｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｄｅｃｉｓｉｏｎ　ｔｒｅｅ　［１１］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）：４８６—４８７．　ＬＩ　Ｔ．ＷＵ　Ｈ．Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　ｄｅｃｉｓｉｏｎ　ｔｒｅｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｔｏ　ａｌｇｏｒｉｔｈｍ——Ａ　ｃａｓｅ　ｓｔｕｄｙ　ｉｎ　ｔｈｅ　ｎｏｒｔｈｅａｓｔ　ｏｆ　ｔｈｅ　Ｓａｎｊｉａｎｇ　Ｐｌａｉｎ［Ｊ］．Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　Ｔｅｃｈｎｏｌｏｇｙ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎ，２００８，　２３（４）ｌ　３６６－３７２．　Ｐｅｋｉｎｇ　ｌａｎｄ　ｃｏｖｅｒ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，２００４，１９　（６）：４８８－４８７．　［４］　ＹＯＡＶ　Ｆ，ＲＯＢＥＲＴ　Ｅ　Ｓ．Ａ　ｄｅｃｉｓｉｏｎ—ｔｈｅｏｒｅｔｉｃ　ｇｅｎｅｒａｌｉｚａｔｉｏｎ　ｏｆ　ｏｎ－ｌｉｎｅ　ｌｅａｒｎｉｎｇ　ａｎｄ　ａｎ　ａｐｐｌｉｃａｔｉｏｎ　ｔｏ　ｂｏｏｓｔｉｎｇ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ　ａｎｄ　Ｓｙｓｔｅｍ　Ｓｃｉｅｎｃｅｓ，１９９７，５５（１）：１１９—１３９．　［１２］刘勇洪，牛铮，王长耀．基于ＭＯＤＩＳ数据的决策树分类方法　研究与应用［Ｊ］．遥感学报，２００５，９（７）：４０５—４１２．　ＬＩＵ　Ｙ　Ｈ，ＮＩＵ　Ｚ，ＷＡＮＧ　Ｃ　Ｙ．Ｒｅｓｅａｒｃｈ　ａｎｄ　ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　［５］　ＣＬＡＲＫ　Ｌ　Ａ，ＰＲＥＧＩＢＯＮ　Ｄ．Ｔｒｅｅ—ｂａｓｅｄ　ｍｏｄｅｌｓ［Ａ］／／　ｔｈｅ　ｄｅｃｉｓｉｏｎ　ｔｒｅｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｕｓｉｎｇ　ｍｏｄｉｓ　ｄａｔａ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，２００５，９（７）：４０５—４１２．　ＨＡＳＴＩＥ　Ｔ　Ｊ．Ｓｔａｔｉｓｔｉｃａｌ　ｍｏｄｅｌｓ［Ｍ］．Ｗａｄｓｗｏｒｔｈ，Ｐａｃｉｆｉｃ　Ｇｒｏｖｅ，Ｃａｌｉｆｏｒｎｉａ，ＵＳＡ．１９９２．　［１３］　ＭＣＦＥＥＴＥＲＳ　Ｓ　Ｋ．Ｔｈｅ　ｕｓｅ　ｏｆ　ｎｏｒｍａｌｉｚｅｄ　ｄｉｆｆｅｒｅｎｃｅ　ｗａｔｅｒ　［６］霍艾迪，王国梁，李倩，等．基于ＭＯＤＩＳ影像数据的陕北黄土　高原植被区划研究［Ｊ］．西北林学院学报，２００９，２４（４）：３２—３６．　ＨＵｏ　Ａ　Ｄ，ＷＡＮＧ　Ｇ　Ｌ，ＬＩ　Ｑ。ｅｔ　ａ１．Ｖｅｇｅｔａｔｉｏｎ　ｄｉｖｉｓｉｏｎ　ｏｆ　ｉｎｄｅｘ（ＮＤＷＩ）ｉｎ　ｔｈｅ　ｄｅｌｉｎｅａｔｉｏｎ　ｏｆ　ｏｐｅｎ　ｗａｔｅｒ　ｆｅａｔｕｒｅｓ口］．　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ。１９９６，１７（７）ｔ１４２５－　１４３２．　Ｌｏｅｓｓ　Ｐｌａｔｅａｕ　ｉｎ　ｎｏｒｔｈｅｒｎ　Ｓｈａａｎｘｉ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｎｏｒｔｈｗｅｓｔ　Ｆｏｒｅｓｔｒｙ　Ｕｎｉｖｅｒｓｉｔｙ。２００９，２４（４）：３２—３６．　［１４］徐涵秋．利用改进的归一化差异水体指数（ＭＮＤｗＤ提取水　体信息的研究［Ｊ］．遥感学报，２００５，９（５）：５９０—５９５．　ＸＵ　Ｈ　Ｑ．Ａ　ｓｔｕｄｙ　ｏｎ　ｉｎｆｏｒｍａｔｉｏｎ　ｅｘｔｒａｃｔｉｏｎ　ｏｆ　ｗａｔｅｒ　ｂｏｄｙ　ｗｉｔｈ　ｔｈｅ　ｍｏｄｉｆｉｅｄ　ｎｏｒｍａｌｉｚｅｄ　ｄｉｆｆｅｒｅｎｃｅ　ｗａｔｅｒ　ｉｎｄｅｘ（ＭＮＤ—　［７Ｊ　ＨＡＮＳＯＮ　Ｍ　Ｃ。ＤＵＢＡＹＡＨ　Ｒ。ＤＥＦＲＩＥＳ　Ｒ　ｓ　Ｃｌａｓｓｉｉｆｃａｔｉｏｎ　ｔｒｅｅｓｔ　ａｎ　ａｌｔｅｒｎａｔｉｖｅ　ｔｏ　ｔｒａｄｉｔｉｏｎａｌ　ｌａｎｄ　ｃｏｖｅｒ　ｃｌａｓｓｉｆｉｅｒｓ［Ｊ］．　ＩＮＴ．Ｊ．Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，１９９６，１７：１０７５—１０８１．　ＷＩ）［刀．Ｊｏｕｒｎａｌ　ｏｆ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，２００５，９（５）ｌ　５９０－５９５．　［１５］查勇，倪绍祥，杨山．一种利用ＴＭ图像自动提取城镇用地　信息的有效方法［Ｊ］．遥感学报，２００３，７（１）：３７—４０．　ＺＨＡ　Ｙ。ＮＩ　Ｓ　Ｘ。ＹＡＮＧ　Ｓ．Ａｎ　ｅｆｆｅｃｔｉｖｅ　ａｐｐｒｏａｃｈ　ｔｏ　ａｕｔｏ—　［８］ＭＵＣＨＯＮＥＹＤ，ＢＯＲＡＫ　Ｊ，ＢＯＲＡＫ　Ｈ　Ｃ，ｅｔａ１．Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　ｔｈｅ　ｍｏｄｉｓ　ｇｌｏｂａｌ　ｓｕｐｅｒｖｉｓｅｄ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｔｏ　ｖｅｇｅｔａｔｉｏｎ　ａｎｄ　ｌａｎｄ　ｃｏｖｅｒ　ｍａｐｐｉｎｇ　ｏｆ　ｃｅｎｔｒａｌ　Ａｍｅｒｉｃａ［Ｊ］．ＩＮ　Ｔ．Ｊ．Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，２０００．２１ｌ　１１１５－１１３８１．　ｍａｔｉｃａｌｌｙ　ｅｘｔｒａｃｔ　ｕｒｂａｎ　ｌａｎｄ—ｕｓｅ　ｆｒｏｍ　ＴＭ　ｉｍａｇｅｒｙ［Ｊ］．Ｊｏｕｒ—　ｎａｌ　ｏｆ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，２００３，７（１）：３７－４０．　［９］ＦＲＡＮＫＬＩＮ　Ｓ　Ｅ，ＳＴＥＮＨＯＵＳＥ　Ｇ　Ｂ，ＨＡＮＳＥＮ　Ｍ　Ｊ，ｅｔ　ａ１．　Ａｎ　ｉｎｔｅｇｒａｔｅｄ　ｄｅｃｉｓｉｏｎ　ｔｒｅｅ　ａｐｐｒｏａｃｈ（ＩＤＴＡ）ｔｏ　ｍａｐｐｉｎｇ　ｌａｎｄ－