基于CART决策树方法的遥感影像分类
以云南省香格里拉县为研究区域，构建一种基于CART遥感影像的决策树分类方法.对遥感影像采用主成分提取、植被信息提取、纹理信息提取等方法，并结合试验区主要地物类型训练样本，采用Landsat 5 TM影像数据、DEM数据以及遥感处理软件ENVI为平台进行影像分类，并将结果与最大似然分类结果作比较.结果表明，基于CART遥感影像决策树分类精度优于最大似然分类，有较好的分类效果.
Key words: CART decision tree classification remote sensing images vegetation index texture
通信作者：岳彩荣（1964-），男，云南人，教授.主要从事遥感与地理信息系统的应用研究.
遥感技术是通过对遥感传感器接收到的电磁波辐射信息特征的分析来识别地物的，这可以通过人工目视解译来实现，或用计算机进行自动分类处理.其中计算机对遥感图像进行地物类型识别是遥感图像数字处理的一个重要内容.在计算机分类中传统的监督分类、非监督分类以及人工神经网络分类、专家系统分类都是以地物光谱特征为基础.然而,由于存在“同物异谱，异物同谱”的现象，这种纯粹依赖地物光谱特征的分类方法往往会出现较多的错分、漏分情况［1］.决策树分类法能够比较好地解决上述分类所产生的问题.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、简单的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，在对分类地物光谱特征充分了解的基础上，往往可以得到较好的效果.
决策树是由连接的节点所组成.树存在2种类型的节点：决策节点和叶子节点.决策节点存放被检验的运算表达式，叶子节点存贮的是父节点的运算结果.通过一系列二叉决策分支将像元归入到适当的类别，每条决策都通过特定表达式将一系列影像中的像元归为2类，每个新类通过下一级表达式再次分为2类，依此类推，决策的最终结果是获取一系列处于叶子节点上的专题类别.并且针对同一应用模型，分类目的明确.现成的决策规则仍能在不同地区经过裁剪和修改被重复使用，节省建树工作，这也是决策树分类法得到广泛应用的主要原因之一［2］.
以云南省香格里拉县为例，在分析植被指数以及利用灰度共生矩阵法提取图像纹理特征的基础上，利用Landsat-5的TM卫星数据，采用基于CART算法的决策树分类方法，建立决策树模型，区分出植被、水体、林地、雪地、城镇、农地六大类，并将分类结果与监督分类中的最大似然法分类结果相比较，得出结论：在分类精度上决策树分类法优于传统的最大似然分类. 1研究区概况及数据预处理
研究区香格里拉县处于青藏高原南缘，横断山脉腹地，三江并流区.隶属迪
基于CART决策树方法的遥感影像分类
