版权声明：本教程涉及到的数据仅供练习使用，禁止用于商业用途。

目录

基于专家知识决策树分类    

1.    概述    

2.    详细操作步骤    

2.1    规则获取   

2.2    制作决策树    

2.3    执行决策树    

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。

       本课程以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。数据存放在"\12.基于专家知识决策树分类\数据"文件夹内，影像和DEM经过了精确配准。

 

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"\12.基于专家知识决策树分类\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；

图：新建决策树工具面板

     （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；

图：新建一个节点

     （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。

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。

图：为{ndvi}指定数据源

     （5）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：表达式中常用的运算符

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）

      （6）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。

表：ENVI支持的变量表达式

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

（7）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。

（8）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。

（9）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。

表：决策树的节点名与表达式

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

图：决策树制作结果

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。

图：参数设置结果

2.3执行决策树

（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。

图：输出参数设置面板

（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。

图：决策树分类结果（右）和原始数据（左）

 

教程下载：http://pan.baidu.com/s/1eQ8EHnO

数据下载：http://pan.baidu.com/s/1i3HwaQp

视频下载：http://pan.baidu.com/s/1kTurtaR

标签：12,20,分类,波段,ENVI,NDVI,节点,决策树
来源： https://www.cnblogs.com/enviidl/p/16447512.html