5.1结论与讨论 12

5.2研究展望 13

参考文献 13

致谢 14

图清单

图序号 图名称 页码

图2-1 大屯矿区地理区位图 10

图2-2 遥感原始影像 11

图2-3 数据预处理之后的图像 12

图3-1 决策树方法学习与分类过程 13

图3-2 各种土地类型的光谱图 15

图3-3 NDVI提取结果 16

图3-4 决策树分类类别划分 17

图3-5 分类结果 18

表清单

表序号 表名称 页码

表3-1 各波段亮度值统计信息表 14

表3-2 TM波段相关系数矩阵 14

表4-1 精度报表 18

1 绪论

1.1  研究背景和意义

土地资源是人类生存和发展的物质基础，土地利用遥感分类是遥感应用的一个重要领域。及时精确地获取地区土地利用的信息，对于土地资源合理利用、科学规划和有效管理与保护具有重要的意义。土地利用自动分类是研究者一直追求的目标，并进行了大量研究，如基于传统的统计学分类方法、神经网络分类法、模糊分类法以及决策树分类法等利用遥感图像的土地利用分类方法。可以看出，土地利用的分类研究是相当重要的。

但是，传统的遥感影像信息提取措施是基于特定图像灰度值服从相应的分布，根据图像统计特征来对图像进行分类的。如最大似然法、平行多面体分类法、K-均值聚类法等都存在着一定的局限性。最大似然分类法计算量比较大，运算效率相对较低；平行多面体法对分类类别分布误差很大，会造成不同类物体相互混淆，降低精确性；而K-均值聚类法需要反复筛选，偶然性较大。由于遥感技术的快速发展，使用单一分类算法已经无法得到高精度的图像分类需求。为了提高分类精度、丰富分类算法，研究人员开始采用在遥感影像分类中容错性较高的神经网络分类法。如今在遥感影像分类中用常用的有BP神经网络、小波神经网络以及反向传播神经网络等。同时，决策树分类法也成功应用到遥感影像分类研究中。因为决策树分类采用多来源、多波段的遥感影像数据，分类结构简洁明了、数据量处理大、运算效率好、总体精确度较高，在很多应用中都比人工神经网络分类法、模糊逻辑分类及混合聚类法表现好，而且更加便于操作和理解，在遥感分类问题上展现了很大的优势。

    鉴于此，本文在综合分析工矿区土地利用特征的基础之上，采用决策树分类算法模型，构建适用于区域特征的土地利用分类树，对徐州大屯矿区土地利用分类，并进行分类精度评价。 基于决策树的徐州大屯矿区土地利用分类(2):http://www.youerw.com/guanli/lunwen_77635.html