1.2  国内外研究现状

国内外许多研究人员已经在遥感影像决策树及其对土地利用的分类方面做出了探索性的研究，并且取得了很多进展。文献综述

Muchoney D等[1] 采取NOAA/AVHRR全球 1°×1°数据对土地利用分类进行了研究，分别使用了最大似然法与决策树分类的方法，研究得出决策树法的分类精度比最大似然法高。De Colstoun，Smith，Story，Irons等[2] 采用决策树算法对不同时期多个方位的Landsat ETM影像数据进行分类，取得的总体精度为83.62%。Mather和Pal [3]通过对决策树分类算法与BP神经网络分类算法研究比较的结果表明，在遥感影像分类中，决策树分类技术比BP神经网络技术的总体分类精度高，运行时间也相对较短。都金康等[4]在处理阴影与水体混淆的问题时采用决策树分类技术，对SPOT 影像中的水体进行提取和分类，得到了满意的效果。申文明等[5]比较了决策树分类方法与传统的计算机自动分类方法在遥感影像分类中的性能，通过对河北唐山的Landsat ETM遥感影像数据进行分类信息提取及精度对比，研究表明决策树分类方法的分类精度提高了16.19%。周兴东等[6]在对徐州区域内各种地物的光谱特性综合探讨以及对各种波段组合进行分析后，总结出了不同地物类型信息的获取路径，提出使用综合阈值法来对图像进行分类处理。试验结果表明，此方法可以较好地区分城镇用地和裸地等难以判断的土地利用类型，能够很好地减少混合象元造成的影响，增加土地利用分类的精确度。王莉雯等[7]利用决策树分类、监督分类与非监督分类相结合的综合分类办法对青海省的MODIS数据进行信息提取，把青海省土地覆盖类型分成14种类别。刘忠阳等[8]采用郑州市Landsat ETM数据基于决策树方法对郑州市土地利用现状进行分类研究，并与传统统计学方法进行对比。结果表明，决策树算法不需要数据呈正态分布，分类效率高、结构直观、自动化程度高，明显优于统计学分类方法。

1.3  研究的主要内容

    本文主要以徐州市大屯矿区为研究区域，在前人研究的基础上，通过对地物光谱特征进行分析，采用决策树分类法对遥感影像数据进行逐级分类来获取地物信息，主要研究内容如下：

（1）构建决策树分类模型：对常用的决策树分类技术进行归纳分析，总结出适用于大屯矿区的决策树分类方法。根据土地利用现状分类标准[9]，分析并判断需要提取的地物信息，并考虑通过添加一些信息来提升信息提取的自动化性能。

（2分类结果精度评价：将决策树分类的方法在实验数据上进行应用，提取出土地利用信息，再选择样本采样方法来获取样本信息，通过总体分类精度及Kappa系数对决策树分类结果进行评价[10]，并总结决策树分类方法的可取之处。

2 研究区域概况与数据预处理

2.1研究区域概况

大屯镇位于江苏省徐州市沛县中北部，地处苏北滨湖平原，东临微山湖，西与安国镇接壤，南距沛城8公里。面积112.3平方千米，人口151652人。全镇28个行政村，7个居委会。其中镇区7万人，总面积73.5万平方公里，耕地面积6.5万亩。大屯镇气候宜人，风景优美，土地肥沃，物产丰富。水利条件优越，设施齐全。大屯镇域煤电资源十分丰富。已探明煤炭含量24亿吨，能均衡开采100年，年产原煤1200万吨。大屯矿区坐落于镇区腹地[11]，1970年由上海市开发，1987年第一期工程基本完成，5对矿井建成投产，年设计能力465万吨。同时建成发电厂、洗煤厂、机修总厂、铁路专用线等矿区配套设施。矿区包括徐庄矿井、姚桥矿井、孔庄矿井、龙东矿井。来!自~751论-文|网www.751com.cn 基于决策树的徐州大屯矿区土地利用分类(3):http://www.751com.cn/guanli/lunwen_77635.html