林業遙感實習報告總結

基於決策樹的林業遙感影像分類

Classification of RS Image based on Decision Tree Classifier

一、 實習目的與要求

林業遙感是遙感技術在林業經營中具體應用的實用性強的專業課，旨在培養學生利用遙感手段進行森林資源監測和管理的基本技能，實習的主要目的是培養學生使用GPS進行野外地形引數的手工測量，內業計算機遙感影象的幾何精校正和探索學習決策樹分類方法對林業遙感影像進行分類研究的動手能力。通過實習，加深遙感技術在森林資源監測和管理中的應用和理解。

二、 實習內容

1)GPS採集地面控制點座標

2)（經緯度或平面直角座標）以及地形引數

3)（坡度，坡向） 野外訓練區的地面調查

4)內業遙感影象的幾何精校正

5)ENVI影象處理軟體決策樹分類器建立逐級決策規則

6)決策規則的修改與新增（與實地調查進行比較分析）

7)利用建立的決策規則對林業遙感影象進行分類 儲存分類規則與分類影象

三、 實習中涉及的理論知識

1． 決策樹分類簡介

與其它分類方法相比，決策樹分類具有如下特點：1）決策樹分類是非引數分類，因此其獨立於訓練區像元亮度值的統計分佈模式；2）決策樹分類時模型的輸入既可以是連續的光譜波段值，也可以是離散的數值，甚至是定名變數；3）分類結束後可以生成易於解譯的分類判別準則檔案；4）樣本訓練的速度快，分類精度通常高於其它的分類器

2． 決策樹分類原理

決策樹分類實質是利用輸入分類器的多元特徵引數，從多角度挖掘出蘊藏在其中的模式類別間的差異，並建立起“特徵識別矩陣”（類似於判讀檢索表），其外在表現為多個“If Then, else if then”的連用，就如同數學上的多個集合求交集運算，從而將滿足交集條件的模式與不滿足交集條件的模式區分開來，實現不同模式類別的自動識別。具體地講，決策樹可以像分類過程一樣被定義，依據某種規則將窨資料集一級級往下細分以定義決策樹的各個分支。決策樹由一個根結點，一系列內部結點及終極結點組成，每一個結點只有一個父結點和兩個或多個子結點。根據決策樹的構成思想，以選定的樣本資料為物件逐級找到分類樹的結點，並且在每個結點上記錄所選的空間資料圖層的編號以及相應的判別函式引數，從而有可能反過來從樹根到葉按照生成的判別規則，逐級地在每個結點上對樣本資料以外的待分類資料進行分類

3． 本實習決策樹分類規則描述

類1(class 1)：NDVI值大於0.3，坡度大於或等於20度

類2(class 2)：NDVI值大於0.3，坡度小於20度，陰坡

類3(class 3)：NDVI值大於0.3，坡度小於20度，陽坡

類4(class 4)：NDVI值小於或等於0.3，波段4的值大於或等於20

類5(class 5)：NDVI值小於或等於0.3，波段4的值小於20

類6(class 6)：波段4的值等於0

類7(class 7)：波段1的值小於波段1的均值

決策樹分類規則是在決策樹分類過程中不斷修改和新增的，為了實現逐步分類更加精細與準確

四、 實習步驟

1． 外業資料採集

在中山陵地區選取若干樣點，利用GPS記錄樣點座標，測定相應位置的地形引數。目的：練習使用GPS以及DEM的建立方法。

2． 研究資料確定與處理

1) 執行ENVI軟體，開啟並顯示對決策樹分類有貢獻的影像檔案：

bouldr_ (Landsat 5 TM影像) 與boulder_（相應的DEM空間子集）

2) 投影型別轉換

檢視bouldr_tm影像特徵：

Projection : UTM

Pixel: 30 Meters

Datum: NAD 27

檢視boulder_dem影像特徵：

Projection : GAUSS-KRUGER

Pixel: 30 Meters

Datum: WGS84

以bouldr_tm影像為基準，轉換boulder_dem影像的投影型別：

執行ENVI軟體，點選Map/Convert Map Projection，在彈出的Convert Map

Projection Input Image中選擇boulder_dem，在彈出的Convert Map Projection對話方塊中選擇UTM，DATUM選擇NAD 27，可選擇多項式和最鄰近點方式，儲存投影型別轉換後的影象。

3）影象配準

為提高TM影像的解析度，從而提高分類精度，以bouldr_tm影像與相應地區的SPOT影像配準（SPOT為已經過精校正的影像，空間解析度為10m）

配準方法：點選Map/Registration/Select GCPs: Image to Image，使得bouldr_tm影像的解析度也達到10m，檢視配準後的影像特徵：

Projection : UTM

Pixel: 10 Meters

Datum: NAD 27

如圖1所示：

bouldr_tm boulder_dem

3． 輸入決策樹規則

1） 選擇Classification/Decision Tree/Build new decision tree，開啟決策樹工具 決策樹工具開啟時就只有一個空的決策節點，在這個空的節點中輸入任意條件的決策表示式，將該資料集的畫素分為兩組

2） 第一個決策要基於landsat影像。要定義這個決策點，點選決策節點，當前這個節點被標註為Node，輸入表示式：

{ndvi} gt 0.3

這個決策將畫素分為兩類，一類為綠色植被，另一類為非植被

3） 指定應用決策表示式的檔案

在出現的Variables/Files Pairing對話方塊中，點選{ndvi}，在隨後出現的對話方塊中選擇bouldr_tm影像，這表明當上述決策規則計算時，NDVI值將從bouldr_tm影像中計算出來

這裡ENVI會根據NDVI這個特定名稱，自動搜尋所需的紅波段和近紅外波段，計算出NDVI值

4） 完成第一個簡單決策樹分類器，NDVI大於0.3被分成白色類，NDVI值小於或等於0.3畫素被分為黑色。

4． 輸入決策樹附加規則

1） 右鍵點選Class 1的節點，從彈出的快捷選單中選擇Add Children，從而將NDVI大的那類細分為兩個新的子類

2） 點選空白節點，並在Edit Decision Parameters對話方塊中，輸入下面這個決策規則：

{Slope} lt 20

這個決策規則將根據坡面的陡峭程度，將NDVI值高的畫素分為兩類，同樣，ENVI會根據Slope(坡度)這個特定名稱，自動搜尋計算Slope值

3） 在節點的Name區域，輸入slope<20，點選OK

4） 指定應用決策表示式的檔案

在出現的Variables/Files Pairing對話方塊中，點選{slope}，在隨後出現的對話方塊中選擇boulder_dem影像，這表明當上述決策規則計算時，slope值將從boulder_dem影像中計算出來

5） 繼續新增決策規則

右鍵點選綠色的端元節點，它包括了NDVI值高、坡度低的那類畫素，從彈出的快捷選單中，選擇Add Children。點選節點，在Edit Decision Parameters對話方塊中，輸入下面這個決策規則：

{aspect} lt 20 and {aspect} gt 340

這個決策將把NDVI值高、坡度小的那些畫素，分為坡面北朝向的和坡面北朝向不顯著的兩類。

6） 在節點的Name區域，輸入North，點選OK

7） 指定應用決策表示式的檔案

在出現的`Variables/Files Pairing對話方塊中，點選{aspect}，在隨後出現的對話方塊中選擇boulder_dem影像，這表明當上述決策規則計算時，aspect值將從boulder_dem影像中計算出來

8） 在節點的Name區域，輸入North，點選OK

9） 繼續新增決策規則

右鍵點選黑色的端元節點，它包括了NDVI值低的那類畫素，從彈出的快捷選單中，選擇Add Children。點選節點，在Edit Decision Parameters對話方塊中，輸入下面這個決策規則：

b4 lt 20

這個決策規則將水體非植被中分離出來，經過目視解譯遙感影像發現，在波段4中，畫素值小於20的主要是水體

10） 指定應用決策表示式的檔案

在出現的Variables/Files Pairing對話方塊中，點選b4，在隨後出現的對話方塊中選擇bouldr_tm影像

11） 在節點的Name區域，輸入Low B4，點選OK

決策樹如圖2所示：

應用決策表示式的檔案如圖3所示：

5． 執行決策樹

1） 選擇Options/Execute

2） 在Decision Tree Execution Parameters對話方塊中，點選bouldr_tm影像，作為基準影像。其它影像的地圖投影，畫素大小和範圍都將被自動調整，以匹配該基準影像

3） 輸入要輸出的分類影像檔名，儲存

6． 檢視決策樹分類結果

1） 輸出的決策樹分類結果中，給定畫素的顏色是由分類指定的端元節點的顏色確定的。Class1，Class2，Class3，Class4，Class5分別對應紅色，綠色，藍色，黃色，藍綠色。如下圖所示

2） 檢視決策樹資訊

在ENVI Decision Tree

對話方塊的空白背景上，點選右鍵，從彈出的對話方塊中，選擇Zoom In，現在每個節點標籤都會顯示畫素的個數以及所包含畫素點總影像畫素的百分比。

如下圖所示：

7． 修改決策樹

1） 新增新的決策

執行完決策樹後檢視分類結果，發現上述決策規則中，波段4小於20的那些畫素中，某些畫素是邊緣畫素，值為0，以藍綠色顯示，因此需修改決策樹：

在波段4的值小於20的那些畫素的端元節點上，點選右鍵，並從彈出的快捷選單中，選擇Add Children。點選節點，在Edit Decision Parameters對話方塊中，輸入下面這個決策規則：

b4 eq 0

在Name文字框中，輸入B4=0

2）

執行新新增的決策，此時輸出結果中，邊緣畫素就歸為另一類了，以紅紫色表示

如下圖所示：

8． 在決策表示式中使用波段索引

幾個內建的決策樹變數在決策表示式使用過程中，需要波段索引

1） 在黃色端元節點上，點選右鍵，該節點包括了NDVI值低但波段4的值高的那一類畫素。從快捷選單中，選擇Add Children。點選節點，在Edit Decision Parameters對話方塊中，輸入下面這個決策規則：

b1 lt {mean[1]}

在Name文字框中，輸入Low B1

該表示式將判斷波段1的畫素值是否小於波段1的均值

2） 指定應用決策表示式的檔案

在出現的Variables/Files Pairing對話方塊中，點選b1，在隨後出現的對話方塊中選擇bouldr_tm影像的band 1

在出現的Variables/Files Pairing對話方塊中，點選mean，在隨後出現的對話方塊中選擇bouldr_tm影像

如下圖所示：

3） 執行決策樹

4） 檢視結果，波段1的值較低的某些黃色畫素的顏色已變為暗紅色

如下圖所示：

9． 修剪決策樹

在使用決策樹的過程中，經常需要測試某個指定的子節點是否對決策樹的分類結果有效，即對決策樹的修剪

1） 在Low B1節點上，點選右鍵，從彈出的快捷選單中，選擇Prune Children。結果表明，可以看到這個子節點，但它們不再帶有顏色，而且也沒有連線到決策樹上，表明已被修剪，當執行決策樹時，它們不會被使用

如下圖所示：

修剪後分類結果如下圖所示：

2） 右鍵點選Low B1節點，從彈出的快捷選單中，選擇Restore Pruned Children，可恢復修剪

10．儲存生成的決策樹

11． 對分類結果進行評價

五、 實習結論

通過實習，從中學到了很多東西，受益匪淺！