3.3 研究区选择 8

3.4 样本抽取及处理 9

4 研究结果及分析 10

4.1 CART 决策树建立及分类结果 10

4.2 最大似然分类及分类结果 12

4.3 对比分析 13

5 总结与展望 15

5.1 全文总结 15

5.2 总结与展望 15

参考文献 16

致谢 17

图清单

图序号 图名称 页码

图 1-1 决策树简单模型 3

图 2-1 研究区域位置示意图 5

图 2-2 研究区域 QuickBird 原始影像 6

图 2-3 研究流程图 7

图 4-1 研究区 CART 决策树部分截图 11

图 4-2 CART 决策树最终分类结果 12

图 4-3 最大似然分类法最终分类结果 13

表清单

表序号 表名称 页码

表 1-1 基于像元的遥感影像分类 2

表 3-1 QuickBird 卫星基本参数 8

表 3-2 各训练区样本可分离度 9

表 3-3 各训练区样本单元数量 9

表 4-1 研究区基于决策树分类的混淆矩阵 14

表 4-2 研究区基于最大似然分类的混淆矩阵 14

1 绪论

1.1 课题研究背景和研究意义

遥感（Remote Sensing）发展至今己有半个多世纪,它是一门探测技术科学， 并且具有一定的综合性。随着空间科学技术的发展,各种环境监测、资源等卫星 的发射和运行,为我们研究地表动态变化提供了多时相、全天候、多波段的实时 有效信息[1]。

李德仁院士曾指出：随着遥感技术的发展,遥感影像数据的获取技术趋向于 多平台、多传感器、多角度和高空间分辨率、高光谱分辨率、高时相分辨率[2]。 遥感影像的分辨率得到大幅度的提高,影像中不仅地物的光谱特征更丰富， 而且更加突出了地物的内部结构、纹理、边缘等信息[3]，高分辨率的遥感卫星数 据在遥感的应用领域中发挥出越来越大的作用。近几年以来，遥感影像的分类方 法研究热点之一就是针对高分辨率的遥感影像的分类方法的研究，因此，如何利 用高分辨率的遥感影像提高目标提取的准确性和分类精度就具有了重要的意义。

1.2 高分辨率遥感影像分类研究现状

遥感影像分类方法的研究影响着遥感数据的应用范围和分类结果，20世纪90 年代开始，许多科学研究者就对遥感影像分类方法进行了科学而细致的研究，对 各种分类方法进行归纳总结，以得到更好的分类精度。随着遥感科学技术的发展， 遥感影像分类方法也有了快速发展，我们有了更多新的方法进行遥感影像分类。