基于MODIS数据的决策树分类方法研究与应用

摘要：

介绍了目前国际上流行的两种决策树算法--CART算法与C4.5算法,并引入了两种机器学习领域里的分类新技术--boosting和bagging技术,为探究这些决策树分类算法与新技术在遥感影像分类方面的潜力,以中国华北地区MODIS250m分辨率影像进行了土地覆盖决策树分类试验与分析.研究结果表明决策树在满足充分训练样本的条件下,相对于传统方法如最大似然法(MLC)能明显提高分类精度,而在样本量不足下决策树分类表现差于MLC;并发现在单一决策树生成中,分类回归树CART算法表现较C4.5算法具有分类精度和树结构优势,分类精度的提高取决于树结构的合理构建与剪枝处理;另外在决策树CART中引入boosting技术,能明显提高那些较难识别类别的分类准确率18.5%到25.6%.

关键词：决策树、CART算法、C4.5算法、boosting和bagging技术、土地覆盖MODIS250m

所属期刊栏目：9

分类号：TN911.73

资助基金：中国科学院知识创新工程项目KZCX1-SW- 01;国家高技术研究发展计划863计划863计划2003AA131170

在线出版日期：2005-10-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：405-412