决策树简单模型

Figure 1-1 Simple Model of Decision Tree

决策树分类算法一般情况下有两步。第一步：决策树的生成。数据从根节点 进入，自顶向下，在决策树的内部节点进行比较，比较标准是属性值，分类好后 从这一节点开始向下分支，最后到达叶子节点，得到分类结果。第二步：决策树 修剪。决策树分类算法中存在只能参考一个事例的情况，当有两个或两个以上事 例出现时，决策树无法准确判断，这种时候决策树的分类能力较差，需要进行剪 枝。剪枝分为两种：预先修剪可以提早停止决策树的生长；事后修剪可以以分支 错误率为标准，根据标准剪除分支。

1.4 决策树在高分辨率遥感影像中的研究进展

决策树分类技术在高分辨率遥感影像分类问题上发展的时间并不长，对其研 究成果更是不多，但它方便、快捷、灵活、直观的特点却使其得到了广泛的应用， 也得到了我国很多专家的青睐。

付炜等人应用混合决策树技术对10种特征参数进行土地遥感分类，得到了精 度高达85%的分类效果[8]。为了对祁连山的针叶林和灌木林进行分类，韩涛利用

决策树的方法，得到了祁连山森林近十年的变化情况[9]。同一年，李爽等人探讨 了三种不同决策树的分类精度，再一次印证了决策树在遥感影像分类方面的良好 前景[10]。2007年，罗来平改进CART决策树算法，将其应用到遥感图像计算机自 动分类中，分类结构更加简单，分类效果更好[11]。2008年，张健钦对合适的地区 采用基于知识模型的专家决策树分类方法识别鄱阳湖湿地，最终的识别结果比较 准确[12]。后来，潘琛通过人工建立决策树，对TM系列影像进行处理，分类精度 较好[13]。

很多专家学者对决策树分类方法优劣势进行研究，得到很多结论,如李爽等 人[14]。决策树算法的操作简单，具有很强的灵活性，分类结构简单明了，不需要 利用先验知识假设概率分布，易于获得理想的分类结果，分类精度也较其他分类 方法要高。决策树方法生成的决策树结构简单直观、易于理解、计算效率高[15]。 但算法容错性差，对样本具有一定的依赖性，也是目前决策树算法处理高分辨率 遥感影像数据所面临的问题。来!自~751论-文|网www.751com.cn

1.5 本文组织结构

本文主要分为五个部分： 第一章，绪论。介绍利用高分辨率遥感影像进行分类的研究背景和研究意义，

然后对高分辨率遥感影像的分类方法进行综述。 第二章，研究区概况及研究资料。对本文研究数据进行简要概括，并介绍研

究流程。

第三章，基于决策树技术的高分辨率遥感图像数据处理。对本次研究流程进 行详细表述。

第四章，研究结果及分析。首先对研究结果的介绍，然后根据结果将决策树 方法与其他研究方法进行对比分析。

第五章，总结与展望。从对全文的总结与展望两方面对本文内容进行一个总 结。