数据的预处理包括：⑴辐射定标与大气校正。利用ENVI5.2的相应功能对数据进行处理。⑵研究区域的镶嵌与裁剪。由于1988年与2002年南京的影像数据分别在两张不同的遥感影像，所以实验将同时期的两张图像进行了镶嵌，然后通过ENVI5.2对影像裁剪出研究区的遥感影像。
1.3  决策树模型的特征指数选取
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[17]。分类规则易于理解，分类过程也符合人的认知过程，最大的特点是利用的多源数据。
Landsat影像常用的特征指数主要有NDVI，表达式为NDVI=(NIR-R)/(NIR+R)，应用于检测植被生长状态、植被覆盖度和消除部分辐射误差等[18]。NDVI能反映出植物冠层的背景影响，且与植被覆盖有关，多用于植被与非植被的区分。水稻多生长在南京平原地区海拔坡度有所限制，并且水稻的湿度大于其他植被的湿度。因此本文以NDVI、坡度、海拔和湿度作为决策树的决策因子。
1.4  分类方法
决策树是根据决策因子进行划分，多种规则限制，精度较高[19]。根据南京市NDVI数据，研究典型地物的NDVI值，设定阈值加以区分，再根据水稻的生长特征依据海拔，坡度，湿度来进行进一步分类筛选。具体步骤为：（1）区分植被，NDVI＜0.35 ，大部分该指数区间的地物为水体、道路与居民地。Landsat8的NDVI图像与Landsat TM的NDVI影像数据有所不同[20]，所以在分类2013年图像时，通过对比几个点与特征地物的NDVI值，然后选取合适的阈值进行分类提取。（2）区分林地，根据文献和相关的数据的查找，发现水稻基本生长在海拔小于50m 且坡度小于12°的区域，因此可以将此作为阈值进行分类[15]。（3）区分旱田和水稻田，旱田和水稻田的湿度有明显区别。水稻在移栽和生长期时湿度显著较高，通过ENVI的缨帽变换得到南京的湿度图，根据多个点的水稻田缨帽变换湿度图的湿度得出水稻田应有的适度区间，设定阈值。根据决策树规则建立的决策树模型 利用决策树分类方法提取南京水稻面积并研究其时间变化规律(3):http://www.youerw.com/shengwu/lunwen_22874.html