基于TM数据土地分类方法研究报告——以武汉地区为例

《基于TM数据土地分类方法研究报告——以武汉地区为例》由会员分享，可在线阅读，更多相关《基于TM数据土地分类方法研究报告——以武汉地区为例（15页珍藏版）》请在装配图网上搜索。

1、-遥感应用模型结课论文基于TM数据土地分类方法研究以*地区为例摘要:利用*地区TM数据以遥感为手段对土地分类进展研究，遥感技术已经广泛的应用于土地利用与土地覆盖数据获取中。现综合分析了目前主要的遥感图像分类方法，将遥感图像分类方法归纳为:基于传统统计分析的分类方法、神经网络分类方法、模糊分类方法、决策树分类方法、专家系统分类方法，并对各种方法的应用情况进展了综述，比照各种分类方法的优劣，对随机森林决策树分类方法进展展开和延伸，提出改进算法。Abstract: Using TM Data to classify land use and land cover. Recently,Remote s

2、ensing technique hasbeenwidely applied in land use and land cover, and get the information. The popular methods of remote sensing image classificationhave been generally analyzed and summarized: are classification based on statistic, neural network classification, fuzzyclassification, decision tree

3、classification, e*pert system classification. I not only introduce characteristic in every classification way, but also pare them with each other. Whats more, I will introduce the random forest way deeper and further, and put up with new advanced algorithm.目录摘要:- 2 -1 绪论- 4 -1.1选题背景和意义:- 4 -1.2 参考文献

4、综述：- 4 -1.3土地分类简介：- 6 -1.3.1 土地分类概述：- 6 -1.3.2 土地分类系统：- 7 -1.3.3 利用遥感进展土地分类国内外研究现状：- 7 -1.4 本文工作内容及行文思路：- 8 -2 实验与分析：- 8 -2.1 实验数据和软件平台：- 8 -2.2 影像分类：- 9 -2.2.1 无先验信息对原始影像进展分类：- 9 -2.2.2 无先验信息对拓展波段影像进展分类：- 10 -2.2.3 基于先验信息对拓展波段影像进展分类：- 11 -2.2.4 非监视分类结果参照：- 12 -2.3分类结果分析：- 13 -分类精度评价体系：- 13 -分类精度评估：

5、- 14 -2.4结论：- 15 -3 关于决策树分类算法改进：- 15 -3.1决策树分类算法改进几点想法：- 15 -3.2利用改进算法编写程序实现：- 16 -3.3对疑似点进展拓扑连通性分类：- 17 -3.4改进算法分类精度评估：- 18 -4 完毕语：- 19 -1 绪论1.1选题背景和意义:利用遥感手段获得土地利用、覆盖信息的一个重要的中间环节就是分类。最先出现的分类技术是图像目视解译分类，它可充分利用判读人员的知识，灵活性好。擅长提取空间相关信息，但定位不准确，时效性差，可重复性差，并存在个人差异。目视解译现在仍然被广泛地应用于对精度要求较高的应用中，特别是在对米级高分辨率遥感

6、图像分类时，目视解译精度一般高于计算机分类精度。为了更好地帮助国家有关部门及时、快速和准确地掌握土地利用情况, 进而建立起土地利用管理和决策信息系统, 就要涉及利用遥感进展土地分类的问题。卫星遥感以其覆盖面广、信息量大、实时性强等特点在地学领域得到广泛应用, 尤其在土地利用现状调查中更表达了其快速、经济等特点。遥感数据的土地利用分类一直是遥感图像处理里面的研究热点，其核心其中心内容是设计一个将遥感图像分类形成各种专题图像的图像处理程序。经过数十年细致研究，现有的土地；利用分类的方法非常之多，对诸多的分类方法进展评价和比较，有利于确定特定条件下，分类方法的选取，以及土地分类算法的优化。本课题研究

7、基于传统统计分析的分类方法、神经网络分类方法、模糊分类方法、决策树分类方法和专家系统分类方法在遥感土地分类中的应用，并学习和研究其最新的开展方法。研究成果可以直接应用到遥感土地分类、变化监测，具有重要的实际意义。随机森林等计算机学习方法作为优秀的分类算法，可以被应用于遥感影像的分类中，但是目前国内相关研究还比较少。1.2 参考文献综述：计算机遥感图像分类是计算机模式识别技术在遥感领域中的具体应用，其核心任务就是确定不同地物类别间的判别界面和判别准则，可重复性好，定位准确，处理时间短，时效性好29。然而与其他的计算机模式识别不同的是遥感影像数据类别多，含混度大，维数高，高精度的多类别分类识别具有

8、较大难度26。利用遥感进展土地分类的方法主要可以分为：基于传统统计分析的分类方法、神经网络分类方法、模糊分类方法、决策树分类方法、专家系统分类方法等30。其中传统统计分析分类方法基于传统统计分析对遥感图像分类是目前应用较多，算法较为成熟的分类方法。常见的非监视分类的方法：K一均值(KMeans)、迭代自组织数据分析(Iterative SelfOrganize Data Analysis)等。经典的监视分类法有最大似然法(Ma*imum Likelihood Classifier)、最小距离法(NearestMean Classifier)、光谱角分类法(Spectral Angle Clas

9、sifier)等,传统的计算机分类方法主要有以下六个特点：基于数理统计理论的分类；基于影像光谱特征的分类；基于像元的逐点分类；每个像元有且仅有一个所属类别的硬分类；利用单源遥感影像的分类；利用单分类器分类(即利用一个分类器一次分出所有类别)。这六个方面都在不同程度上限制着分类精度的提高，尤其是随着遥感技术的进步，不利影响越显突出29。由于传统统计分析的分类方法暴露出上述六大问题，因此国内外学者对其进展了改进，同时演化出了新的分类方法：人工神经网络分类方法，是以模拟人脑神经系统的构造和功能为根底而建立的一种数据分析处理系统。具有对信息的分布式存储、并行处理、自组织、自学习等特点，在王城所做的基于

10、HJ-1A的BP神经网络分类研究11中指出：第一，神经网络分类方法不需要任何关于统计分布的先验知识。因此，它用于遥感影像分类时不必考虑像元统计分布特征;第二，神经网络分类方法不需要预定义分类中各个数据源的先验权值，这意味着它可以广泛的用于多源遥感数据分类31。模糊分类方法，它以模糊集合论作为根底，运用数学模型计算它对于所有集合的隶属度，每一像元都在不同程度上隶属于不止一个类别。其中罗来平进展的遥感图像分类中模糊模式识别的应用研究19，得到结论地表信息是多维的、无限的，遥感信息传递过程中的局限性以及遥感信息之间的复杂相关性，决定了遥感信息的分析结果具有不确定性和多解性，这正是模糊分类成为遥感影像

11、分类研究中一个重要趋势的原因所在之前的很多研究都证明了模糊分类在分析混合像元、提高分类精度等方面具有较大优势28。支持向量机( SVM) 由Vapnik V 和Cortes C 于1995 年首先提出，是建立在VC 维理论和构造风险最小化( SRM) 根底上的一种监视无参数统计学习方法14。SVM 能根据有限的样本信息在模型的复杂性( 即对特定训练样本的学习精度) 和学习能力( 即无错误地识别任意样本的能力) 之间寻求最正确折衷，以期获得最好的推广能力。经过一系列研究与改进后，该方法在解决小样本、非线性问题及高维模式识别应用中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中1

12、5。决策数分类方法，决策树方法是多元统计分类中的一种方法。决策树算法用于遥感分类的优势在于对数字影像数据特征空间的分割上。其中索玉霞、王正兴研究的基于决策树和MODIS 植被指数时间序列的中亚土地覆盖分类27，其结论论证了决策树分类构造简单明了，尤其是二叉树构造的单一决策树构造十分容易解释。决策树分类法的树状分类构造对数据特征空间分布不需要预先假设*种参数化密度分布，所以其总体分类精度优于传统的参数化统计分类方法。由于它属于严格“非参，对于输入数据空间特征和分类标识，具有更好的弹性和稳健性，但它的算法根底比较复杂，而且需要大量的训练样本来探究各类别属性间的复杂关系，在针对空间数据特征比较简单而

13、且样本量缺乏的情况下，其表现并不一定比传统方法如最大似然法好，甚至可能更差20。总结上述方法，可以看出传统统计分析的分类方法，具有较为广泛的应用，其中以贝叶斯最大似然法分类最为普遍。但是受六大因素的制约，其精度不能满足现阶段土地利用分类的要求，因此延伸出新的分类方法。在这些方法中，神经网络有利于应用到多源数据的分类，而模糊分类法则适合分析混合像元问题，最后本文关注的重点为决策树分类其优势表达在其容易解释且严格“非参，它具有更好的弹性和稳健性。但是由于其需要大量训练样本的弊端，在样本偏少的情况下暴露出很大的缺乏。现引入了随机森林的决策树分类算法，它以投票的方式进展分类，大大提高了分类精度，而且其

14、随机性很好的客服了样本少的问题。本文章创新点是现将面向对象的思想参加至随机森林的分类中，并优化了属性划分确定的方式，由遍历二叉分割点拓展到依据灰度直方图进展高斯混合模型分解，进而更易解释其土地利用分类。同时将逆向地将自顶向下的贪婪算法转变为自下向上的合并算法。1.3土地分类简介： 土地分类概述：土地利用是人类根据自身需要和土地的特性，对土地资源进展的多种形式的利用。土地利用现状是土地资源的自然属性和经济特性的深刻反映。土地利用划分具有如下特点：1它是在自然、经济和技术条件的综合影响下，经过人类的劳动所形成的产物。2它们在一定的空间分布上服从社会经济条件，因此，它们在地域分布上不一定连成片。3它

15、们的种类、数量、分布是随着社会经济技术条件的进步而变化的。 土地分类系统：土地分类是国家为掌握土地资源现状、制定土地政策、合理利用土地资源的重要根底工作之一。土地分类由于目的不同，有显著的差异，形成不同的土地分类系统。1土地自然分类系统。指主要依据土地自然属性的一样性和差异性，对土地进展分类。一般按地貌、土壤、植被为具体标志进展分类。其目的是提醒土地类型的分异和演替规律，遵循土地构成要素的自然规律，最正确、最有效地挖掘土地生产力。2土地评价分类系统。指主要依据一些评价指标的一样性和差异性，对土地进展分类。一般按土地生产力水平、土地质量、土地生产潜力、土地适宜性等为具体标志进展分类。也称为土地的

16、经济特性分类。其分类的主要依据是土地的自然属性和社会经济属性，其目的是为开展土地条件调查和适宜性调查效劳，为实现土地资源的最正确配置效劳。3土地综合分类系统。指主要依据土地的自然特性和社会经济特性、管理特性及其他因素对土地进展综合分类。一般按土地的覆盖特征、利用方式、用途、经营特点、利用效果等为具体标志进展分类。其目的是了解土地利用现状，反映国家各项管理措施的执行情况和效果，为国家和地区的宏观管理和调控效劳。在这三种分类中，土地利用现状分类即土地综合分类，在土地资源管理中应用最广，是全覆盖的根底分类。掌握土地利用现状是国家制定国民经济方案和有关政策，发挥土地资源在经济社会开展中的宏观调控作用，

17、加强土地管理，合理利用土地资源，切实保护耕地的重要根底。 利用遥感进展土地分类国内外研究现状：1我国土地分类现状：为了更有效地管理土地，在上述三种分类的根底上，我国土地管理工作者又将土地作了更进一步的分类，其方法是按照?土地利用现状调查技术规程?中使用的土地利用现状体系，根据土地的用途、利用方式和复盖特征等因素，将我国土地分为了8大类、小类。大类土地是：耕地、园地、林地、牧草地、居民点及工矿用地、交通用地、水域、未利用土地。2美国土地分类现状：资源导向的土地利用/覆盖分类。1976年发布的遥感数据源的土地利用/覆被分类(LULC)由内务部地质调查局(USGS)设计，是美国土地利用/覆被分类的里

18、程碑。该分类系统当中最小的土地分类单元的划分依赖于制图比例尺和遥感数据的分辨率等。要求在遥感影像上能够识别出来的最低级别的分类类别应该到达85%以上。各类别的解译精度要近似相等。分类系统分为四级，一级类源于LANDSA T数据类型，二级类的轨道高度在12400 m以上或比例尺小于1：80000;三级类的轨道高度在310012400m;比例尺在120000180000;四级类的轨道高度在3100m以下, 比例尺大于120000。第一级和第二级适用于全国性的或全州*围的研究, 适用于当时条件下的地球资源技术卫星遥感。第一级包括9 个类型, 分别为城市或建成区土地、农业土地、牧场、林地、水域、湿地、

19、贫瘠土地、苔原和永久冰雪。第二级包括35 个类型。第三级、第四级提供更详细的土地覆盖资料, 适用于州内的、区域性的、县域的研究, 适合于利用航空遥感资料。1.4 本文工作内容及行文思路：本文中心是综述各种土地利用分类方法，并利用2005年*TM数据进展实验。实验设计为1、无先验知识的假设前提下对原始数据的分类和拓展波段数据的分类2、有先验知识的假设前提下对拓展波段数据进展分类。比照各种分类方法的结果发现各自利弊，有助于在特定条件下分类方法的选取。获得结论发现决策树分类方法稳定性和精度较好，但仍存在一些缺乏，通过随机森林等计算机学习算法的引入来提高分类精度，并将面向对象的思想融入其中，提出自己的

20、随机森林优化算法，进展实现后与前者进展比较。2实验与分析：2.1 实验数据和软件平台：实验数据为2005年9月11日的同地区的TM数据图1及其光谱数据图2，选择此实验数据的原因是，我们生活在*地区，对此地区的土地类型较为熟悉，而且便于进展分类检验，比照各种分类的精度。图1 2005年*地区TM 图2 地物的光谱曲线结合与实地比对后的勘测数据，将影像解译为图1: 水体( wart) ，植被( vege) ，林地( forest) ，建筑用地( town) ，裸地( soil) 。根据图2可以看出所选样本中不同地物类别光谱曲线具有良好的别离性，满足分类要求。软件平台使用ENVI /IDL 结合VC

21、6.0编程软件，其中传统统计分类方法借助ENVI实现，基于计算机学习的分类方法是利用编程实现。2.2 影像分类： 无先验信息对原始影像进展分类：直接对原始影像选取训练样区进展分类，分类结果如以下图3、图4、图5、图6所示：图3 最小距离分类结果 图4 马氏距离分类结果图5 最大似然法分类结果 图6 决策树分类方法结果 无先验信息对拓展波段影像进展分类：首先，在多光谱的根底上提取其均值、熵，以及利用灰度共生矩阵提取的纹理信息21，对原始静态波段进展扩大，然后利用NDVI指数进展植被波段的扩大，扩大时需要对植被指数进展线性拉伸，构成了一幅新的扩大波段后的影像。利用扩大后的影像选取ROI感兴区域分别

22、进展：最小距离分类、马氏距离分类、最大似然法分类、决策树分类、神经网络分类以及支撑向量机分类，分类结果如下： 图7 最小距离分类结果图8 马氏距离分类结果 图9 最大似然法分类结果图10 决策树分类方法结果 图11a 神经网络分类结果 图11b 神经网络分类按类别显示 基于先验信息对拓展波段影像进展分类：通过获取*地区的植被覆盖率以及周边城市分布情况的先验信息，以参数的形式传入分类器或在选取样本时依照实际比率来进展样本大小确实定，从而较为真实的反响各类地物的比率情况，调整之前选择样本覆盖像素的多少，以适应真实的地物比率，基于先验信息对拓展波段进展分类的结果如图12、图13、图14、图15所示：

23、图12 最小距离分类结果图13 马氏距离分类结果 图14 最大似然法分类结果图15 决策树分类方法结果图16a 神经网络分类结果 图16b 神经网络分类按类别显示 非监视分类结果参照：对原始影像进展非监视分类，其中最小聚类象元个数选择50个，分别进展ISODATA和K-Mean非监视分类，结果如图17、图18所示： 图17 ISODATA分类结果 图18 K-Mean分类结果对波段拓展后影响进展上述分类，与上述操作一样，分别进展ISODATA和K-Mean非监视分类，结果如图19、图20所示：图19 ISODATA分类结果 图20 K-Mean分类结果2.3分类结果分析：分类精度评价体系：1目

24、视定性分析：通过在*生活的经历，以目视的方法进展分类精度的判断，即大致评估每种分类结果的整体情况。2利用分类差值比较的方法结合地大周边实地情况定量分析，即对每种分类得到结果各类进展差值，获取地大周围的分类差异，无差异地区不进展考察，出现差异的地区结合实地考察，确定分类结果正确与否，从而判定分类精度。上述实地考察方法，由于只能使用手机GPS单点定位，精度不高，主要采用目估定位的方法，由于生活在地大，对其周边环境比较了解，这种方法虽然不能够说明分类方法在整个影像区域内的分类精度，但是结合区域实际情况可以有效的说明问题。分类精度评估：1定性分析：基于先验信息的监视分类的结果明显要好于无先验信息的监视

25、分类；传统统计分类结果相似，其中最大似然法分类结果最正确；神经网络分类受训练样本的限制，未实现完整分类；因此需要定量分析比较决策树分类和最大似然法分类的精度。2定量分析：对决策树分类和最大似然法分类的结果进展差值，结果如图21所示，地大地区的分类差异结果如图22所示，选择具有差异的30个样本点此30个样点的特点：样点周围同属一类，对位置要求不十分精细，进展实地考察样点如图23所示： 图21 分类差值结果 图22 地大地区分类差异 图23 地大地区样本点利用考察结果分别建立决策树分类和最大似然法分类的混淆矩阵，混淆矩阵如下所示：水体草地森林城区裸土水体20000草地011210森林00200城区

26、00063裸土00012表1 决策树分类混淆矩阵水体草地森林城区裸土水体00002草地031010森林00002城区00135裸土00003表2 最大似然法分类混淆矩阵决策树分类在地大周围样点KAPPA系数：0.988；最大似然法分类在地大周围样点的KAPPA系数：0.825。2.4结论：通过上述实验得到以下直观结论，关于每种分类比照分析结论将在完毕语中详细表达：一、从总体上来看：1有先验信息的分类结精度高于无先验信息分类结果，传统分类方法精度提高显著；2监视分类精度明显高于非监视分类结果；二、非监视分类中：3在非监视分类中，利用拓展数据分类精度明显高于原始数据分类结果建立在拓展数据与原始数据

27、相关性不大的根底之上，但是受拓展波段的类型影响，分类将向*类或*几类倾斜，导致分类数的减少；三、监视分类中：4利用原始数据，传统统计分类的结果好于机器学习的分类结果。5利用拓展波段数据，决策树分类结果好于其他分类结果；6神经网络分类不够稳定，受训练样本影响，收敛性不强，因此不能分类完全。综上所述，利用具有先验信息的拓展波段决策树分类精度最好，效率较高，因此我进一步针对决策树分类算法进展研究和改进。3 关于决策树分类算法改进：3.1决策树分类算法改进几点想法：1在考虑图像邻域进展分类中确定分割函数，构建语义纹元森林21。2我国土地分类系统，是自顶向下的，与决策树的形式类似，但它分支数目一般多于2

28、个，由于灰度值的连续分布只能够构建二叉树，我们可以根据灰度直方图的特点，利用高斯混合模型确定对于每个子集的分类数和分类标准，抑制针对阈值连续分布只能生成二叉树的弊端。3不仅需要利用光谱信息，还可以参加其他属性：NDVI等指数和纹理几何信息，参加面向对象的思想。4传统的决策树分类采用的自顶向下的贪婪算法，我们可以逆向自底向上的进展属性合并，同时判断属性分类标准，其中需要利用数学验证相关性的传递性。5在分类中引入canny算子的思想，对于分类结果根据投票数分为确定种子点和疑似点，再利用连通性进展疑似点的判断。3.2利用改进算法编写程序实现：利用参加面向对象思想的随机森林，即在决策树分类中，参加对几

29、何特性以及纹理信息的判别，同时利用bagging算法进展取样训练500棵相关性不大的决策树。利用投票的方式来确定待分类数据的分类结果，利用canny算法的思想，通过疑似点与确定点的连通性来判断疑似点的分类结果。此程序以vs2010为界面开发平台，vc6.0建立底层算法dll库，在暑期二次开发的作品根底上，增添了决策树分类算法和改进后的决策树分类算法。具体分类操作如图24所示，分类结果如图25所示以植被和水体为例图24 利用编写的程序选取感兴区域进展改进算法的决策树分类图25 以草地左和水体右分类结果为例3.3对疑似点进展拓扑连通性分类：利用canny算法的思想，以投票数为50-60的待分类点作

30、为疑似点生成疑似点图，如图26所示，通过拓扑连通性来确定疑似点的分类结果如图27-30所示：图26 分类疑似点图图27 疑似点草地结果图 图28疑似点城市结果图图29 疑似点森林结果图 图30 疑似点裸土结果图3.4改进算法分类精度评估：对于改进后决策树分类算法，采用上述对最大似然法分类和决策树分类精度评估体系进展精度评估，选取同样的30个样点，进展实地调查建立混淆矩阵并计算KAPPA系数，对改进后的决策树算法精度进展评估。样区及样点分布如图32所示，改进后决策属分类地大样区结果如图31所示：图31改进算法后的分类结果 图32 地大地区样本点水体草地森林城区裸土水体20000草地013100森

31、林00200城区01071裸土01002表3 改进后决策树分类结果混淆矩阵改进后决策树分类基于地大周围样点的KAPPA系数： 0.76。4 完毕语：本文列举了在土地应用中传统统计分类方法36、机器学习的分类方法29、模糊分类法19 和非监视分类等主要的遥感分类方法，并以*城区TM数据为例进展了实验，在实验结果中可以看出传统统计学的分类方法对数据分类时需要较为准确先验信息及表达，分类方法较为成熟，数学根底方法易于理解，受六大因素制约拓展性不强29；计算机学习分类方法中神经网络分类收敛性差，受样本影响不能充分分类到达要求，BP神经网络对其进展了改进31，但是其分类效率较低、解释性较差；针对原始静态

32、数据的决策树分类精度低于传统分类方法，但是通过引入各种指数和其他信息的拓展波段数据，决策树分类效果明显增强，而且决策树分类对有无先验信息表现较为稳定，属于完全“无参分类，它还具有解释性强，可以直接以决策树图形构造输出的特点。关于利用拓展波段进展分类研究得到结论，传统分类结果根本不受波段拓展的影响，而决策树分类表现敏感，但是由于引入波段的类型针对*类地物导致分类结果向*些类别倾斜，在非监视分类中尤为突出，因此在对原始静态波段拓展时应该考虑多种地类，并降低与现有波段的相关性。本文创新点在于对使用拓展波段进展土地分类的研究，并对决策树分类算法进展了改进，在决策判别时引入了纹理几何信息，基于此面向对象

33、的思想以bagging方法构建随机森林，以投票的方法进展分类的判定，这种方法大大提高了分类的精度和分类稳定性。预期与展望：本文中提到了有关决策树分类的其他几点想法，但由于时间原因未进展实现，将会在未来一段时期进展补充拓展；分类精度评估体系在基于时空局限性所制定，未能充分反映各种分类方法的真实精度，由于ROI样本的是基于整幅影像进展选取，因此整个区域的分类精度高于局部区域的分类精度。相信随着各种方法的改进和数据质量精度的提高，利用遥感方法进展土地分类将更加适应生活生产需要。参考文献1Leo Breiman.Bagging Predictors j.Machine Learning,1996,24

34、(5):123-124.2Israa Amro, Javier Mateos, Miguel Vega, Rafael Molina. A survey of classical methods and new trends inpansharpening of multispectral images j. asp.eurasipjournals./content/2011/1/79.3Uttam Kumar, Anindita Dasgupta, Chiranjit Mukhopadhyay. Random Forest Algorithm with derived Geographica

35、lLayers for Improved Classification of RemoteSensing Data j.2012,12(4):1032-1043.4David S. Palmer, Noel M. OBoyle.Random Forest Models To Predict Aqueous Solubility j. J. Chem. Inf. Model. 2007, 47:150-1585D. RICHARD CUTLER, THOMAS C. EDWARDS. RANDOM FORESTS FOR CLASSIFICATION IN ECOLOGY j. Ecology.

36、2007, 88(11): 278327926Jamie Shotton, Matthew Johnson, Roberto Cipolla. Semantic Te*ton Forests for Image Categorization and Segmentation j. IEEE.2008.2(8):2243-2253.7*勇洪.基于MODIS数据的中国区域的土地覆盖分类研究 c.2005.8温兴平.基于多分类器组合的高光谱遥感数据分类技术的研究 c.20089戴南.基于决策树的分类方法研究 c.200310胡江洪.基于决策树的分类算法的研究 c.200611李爽, *二勋. 基于决

37、策树的遥感影像分类方法研究 j. 地域研究与开发.2003,22(1):17-21.12*倩,*继贤.基于决策树方法的航空高光谱遥感土地覆盖分类研究 c.2005.13申文明, 王文杰, 罗海江, *峰, *小曼, 熊文. 基于决策树分类技术的遥感影像分类方法研究 j. 遥感技术与应用.2007,22(3):332-338.14陈鑫.基于决策树技术的遥感影像分类研究 c.200615*毅，杜培军，*辉，夏俊士，柳思聪. 基于随机森林的国产小卫星遥感影像分类研究 j. 测绘科学.2012,37(4):194-196.16*华伟,王明文,甘丽新. 基于随机森林的文本分类模型研究 j. *大学学报

38、(理 学版).2006.41(3):139-143.17方匡南, 吴见彬, 朱建平, 谢邦昌. 随机森林方法研究综述 j. 统计与信息论坛.2011.26(3):32-37.18王剑，*美，曾和平，叶霞. 遥感技术在土地利用分类中的应用 j. *师*专科学校学报.2010.26(2):107-109.19罗来平.遥感图像分类中模糊模式识别和决策树方法的应用研究 c.2006.20王萍.遥感土地利用/土地覆盖变化信息提取的决策树方法 c.2000.21谭莹.翁源县基于纹理信息级CART决策树技术的遥感影像分类研究 c.2008.22 雷震.随机森林及其在遥感影像处理中应用研究 c.2012.23

39、雍凯.随机森林的特征选择和模型优化算法研究 c.2008.24 *祺.决策树ID3算法的改进研究 c.2009.25穆建伟.决策树分类的研究 c.2010.26*建华,胡光道. 高分辨率遥感影像的土地利用分类 j.资源开发与市场2004,20(4):298-300.27索玉霞，王正兴. 基于决策树和MODIS 植被指数时间序列的中亚土地覆盖分类 j. 世界地理研究.2008,17(3):126-129.28贾庭芳, 尹琦, 李勃. 利用遥感信息实现土地利用分类方法研究 j. *地质.2008,27(3): 383-389.29王圆圆，李京. 遥感影像土地利用覆盖分类方法研究综述 j. 遥感信息

40、.2004,9(1):53-60.30*假设琳,万力，*发旺，石迎春. 土地利用遥感分类方法研究进展 j.南水北调与水利科技.2006,4(2):39-42.31*晓霞,王垚. 遥感图像分类方法在土地利用分析中的比较 j. 科技情报开发与经济.2007,17(9):136-138.32 Gislason, P.O., J.A. Benediktsson, and J.R. Sveinsson, Random Forests for land coverclassificationJ. Pattern recognition letters, 2006. 27(4): p. 294-300.33

41、 Pal, M. Random forests for land cover classificationC. 2003: IEEE.34Ham, J., etal., Investigation of the random forest framework for classification ofhyperspectral dataJ. Geoscience and Remote Sensing, IEEE Transactions on, 2005.43(3): p. 492-501.35Chan, J.C.W. and D. Paelinck*, Evaluation of Rando

42、m Forest and Adaboosttree-based ensemble classification and spectral band selection for ecotope mappingusing airborne hyperspectral imageryJ. Remote Sensing of Environment, 2008. 112(6):p. 2999-3011.36Waske, B. and M. Braun, Classifier ensembles for land cover mapping usingmultitemporal SAR imageryJ

43、. ISPRS journal of photogrammetry and remote sensing,2009. 64(5): p. 450-457.37Guo, L., et al., Relevance of airborne lidar and multispectral image data for urbanscene classification using Random ForestsJ. ISPRS journal of photogrammetry andremote sensing, 2010.38Shotton, J., M. Johnson, and R. Cipo

44、lla. Semantic te*ton forests for imagecategorization and segmentationC. 2008: IEEE.39Kluckner, S., et al., Semantic classification in aerial imagery by integratingappearance and height informationJ. puter VisionCACCV 2009, 2010: p.477-488.40Lei, Z., T. Fang, and D. Li, Land Cover Classification for Remote Sensing ImageryUsing Conditional Te*ton Forest With Historical Land Cover MapJ. Geoscience andRemote Sensing Letters, IEEE, 2011(99): p. 720-724. z