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
今天的文章envi 决策树_决策树可视化分享到此就结束了,感谢您的阅读,如果确实帮到您,您可以动动手指转发给其他人。
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
如需转载请保留出处:https://bianchenghao.cn/50081.html