ENVI—基于知识的决策树分类

1.    概述

基于知识的决策树分类是基于遥感影像数据及其他空间数据,通过专家经验总结、简单数学统计和归纳方法等,获得分类规则并进行遥感分类。分类规则易于理解,分类过程也符合人的认知过程,最大的特点是利用多源数据。

专家知识决策树分类的步骤大体上可分为四步:知识(规则)定义、规则输入、决策树运行和分类后处理。难点是规则的获取,可以来自经验总结,如坡度小于 20 度是缓坡等;也可以通过统计的方法从样本中获取规则,如 C4.5 算法、CART 算法、S-PLUS 算法等。

以 Landsat TM5 影像和这个地区对应的 DEM 数据为例,学习基于专家知识决策树分类。

最系统的ENVI,含土地利用、植被指数、耕地监测、水质反演、温度反演、干旱监测专题

2.详细操作步骤

2.1规则获取

根据经验和专家知识获取如下规则:

  • Class1(缓坡植被):NDVI>0.3, slope<20

  • Class2(朝北陡坡植被):NDVI>0.3, slope>=20, 90<=aspect<=270

  • Class3(朝南陡坡植被):NDVI>0.3, slope>=20, , aspect<90 或 aspect>270

  • Class4(水体):NDVI<=0.3, 0

  • Class5(裸地):NDVI<=0.3, b4>=20

  • Class6(无数据区,背景): NDVI<=0.3, b4=0

注:其中,NDVI 为归一化植被指数;slope 为坡度;aspect 为坡向;bN 代表第 N 个波段。

2.2制作决策树

  • (1)首先打开待分类数据及其他多源数据。打开 File > Open,选择数据文件夹内的 boulder_tm.dat 和boulder_dem.dat;(注:boulder_tm.dat 为待分类图像,boulder_dem.dat 为DEM 数据。)

  • (2)打开新建决策树工具,路径为 Toolbox/Classification/Decision Tree/New Decision Tree,如下图所示,默认显示一个节点和两个类别;

ENVI—基于知识的决策树分类_第1张图片

  • (3)首先按照 NDVI 来区分植被与非植被。单击节点 Node 1,在弹出的对话框内输入节点名(Name)和条件表达式(Expression),如下图所示;

ENVI—基于知识的决策树分类_第2张图片

  • (4)点击 OK 后,在弹出的 Variable/File Pairings 对话框内需要为 {ndvi} 指定一个数据源,如下图所示。点击面板中显示 {ndvi} 的表格,然后选择 boulder_tm.dat 即可。

  • (5)注:因为所选数据具有波长信息,ENVI 自动根据波长识别红波段与近红外波段,如果没有波长,需要手动指定这两个波段。

ENVI—基于知识的决策树分类_第3张图片

  • (6)在进行条件表达式(Expression)编写时,需要符合 IDL 的语法规则,包括运算符和函数名。常用的运算符和函数如下表所示。

 表达式    部分可用函数  
 基本运算符    +、-、*、/  
 三角函数    正弦 Sin(x)、余弦 cos(x)、正切 tan(x)  反正弦 Asin(x)、反余弦 acos(x)、反正切 atan(x)  双曲线正弦  Sinh(x)、双曲线余弦 cosh(x)、双曲线正切 tanh(x)  
 关系/逻辑    小于 LT、小于等于 LE、等于 EQ、不等于  NE、大于等于 GE、大于 GT and、or、not、XOR  最大值(>)、最小值 (<)  
 其他符号    指数(^)、自然指数 exp  自然对数 alog(x)  以 10 为底的对数 alog10(x)  取整——round(x)、ceil(x)、fix(x)  平方根(sqrt)、绝对值(abs)  
  • (7)ENVI 决策树分类器中的变量是指一个波段或作用于数据的一个特定函数。如果为波段, 需要命名为 bN,其中N 为 1~255 的数字,代表数据的某一个波段;如果为函数,则变量名必须包含在大括号中,即{变量名},如{ndvi}。如果变量被赋值为多波段文件,变量名必须包含一个写在方括号中的下标,表示波段数,比如{pc[1]}表示主成分分析的第一主成分。支持特定变量名,如下表所示,用户也可以通过 IDL 编写自定义函数。

 变量    作用  
 slope    计算坡度  
 aspect    计算坡向  
 ndvi    计算归一化植被指数  
 tascap[n]    穗帽变换,n 表示获取的是哪一分量。 
 pc[n]    主成分分析,n 表示获取的是哪一分量。 
 lpc[n]    局部主成分分析,n 表示获取的是哪一分量。 
 mnf[n]    最小噪声变换,n 表示获取的是哪一分量。 
 lmnf[n]    局部最小噪声变换,n 表示获取的是哪一分量。 
 stdev[n]    波段 n 的标准差  
 lstdev[n]    波段 n 的局部标准差  
 mean[n]    波段 n 的平均值  
 lmean[n]    波段 n 的局部平均值  
 min[n]、max[n]    波段 n 的最大、最小值  
 lmin[n]、lmax[n]    波段 n 的局部最大、最小值  
  • (8)第一层节点根据 NDVI 的值划分为植被和非植被,如果不需要进一步分类的话,这个影像就会被分成两类:class0 和 class1。

  • (9)对 NDVI 大于 0.3,也就是 class1,根据坡度划分成缓坡植被和陡坡植被。在 class1 图标上右键,选择Add Children。单击节点标识符,打开节点属性窗口,Name 为Slope<20,在 Expression 中填写:{Slope} lt 20。

  • (10)同样的方法,将所有规则输入,末节点图标右键 Edit Properties,可以设置分类结果的名称和颜色,最后结果如下图所示。(注:如果不想自己输入,可以选择 File > Restore Tree…,选择 Tree.txt 即可。)

 节点名    表达式  
 ndvi>0.3    {ndvi} gt 0.3  
 0≤b4≤20    b4 lt 20 and b4 gt 0  
 b4 = 0    b4 eq 0  
 slope<20    {slope} lt 20  
 north    {aspect}  lt 90 and {aspect} gt 270  

ENVI—基于知识的决策树分类_第4张图片

(注:可以选择菜单 Options > Show Variable / File Pairings 进行参数与变量的数据源设定。结果如下图所示。)

ENVI—基于知识的决策树分类_第5张图片

2.3 执行决策

  • (1)选择 Options > Execute,可以执行决策树。由于使用了多源数据,各个数据可能拥有不同的坐标系、空间分辨率等。在弹出的 Decision Tree Execution Parameters 对话框(如图)中,需要选择输出结果的参照图像,这里选择 boulder_tm.dat,即输出的分类结果的坐标系和空间分辨率等信息与 boulder_tm.dat 相同。

  • (2)选择输出路径和文件名,点击 OK 即可。(注:此步骤中可以选择空间范围裁剪。)

ENVI—基于知识的决策树分类_第6张图片

  • (3)如果 ENVI 没有自动打开结果文件,可以手动打开分类结果。如下图所示。

    ENVI—基于知识的决策树分类_第7张图片

你可能感兴趣的:(教程,决策树,分类,算法)