AdaTree.WL算法在遥感影像分类中的高效应用

"决策树分类器的实现及在遥感影像分类中的应用" 本文详细探讨了决策树算法在遥感影像分类中的应用，特别是在构建 AdaTree.WL 算法方面，这是一种基于 BoostTree 思想并针对遥感影像特点进行改进的决策树算法。决策树算法因其易于理解和执行速度快等特点，常被用于处理复杂的数据集，特别是高维数据如遥感影像。传统的决策树算法，如 C4.5，在此基础上进行了优化，以适应遥感影像的特定需求。 作者首先研究了多种决策树算法，包括 C5.0 和 BoostTree，并在此基础上提出了 AdaTree.WL 算法。这个新算法改进了 AdaBoost 算法与决策树的结合方式，以及最终的预测函数，以提高分类的准确性和效率。通过 AdaTree.WL 设计的 GLC 树分类器，不仅实现了像元级别的分类，还能在影像分割的基础上实现自动分类，解决了传统决策树分类器对专门数据挖掘软件的依赖。 接着，文章分析了当前流行的遥感影像分类方法，如基于像元和面向对象的分类，将 AdaTree.WL 算法应用于这两种方法中。通过软件实现，该系统不仅能够处理像元级别的分类任务，还能进一步处理基于分割结果的分类，增加了分类的灵活性和自动化程度。 实验部分，作者使用 Landsat 7 ETM+ 和 WorldView-2 影像数据集，对比了 AdaTree.WL 算法与其他几种常见的分类算法，包括 BoostTree、C5.0 和支持向量机（SVM）。实验结果显示，AdaTree.WL 算法的分类精度与 C5.0 相当，并优于其他算法，平均 Kappa 系数分别达到了 0.9052 和 0.9398。此外，AdaTree.WL 还能通过计算特征贡献度来筛选分类特征，进一步提升了分类效率。 这篇论文由张晓贺撰写，他在导师张继贤、翟亮和闫浩文的指导下，完成了这篇关于地图学与地理信息系统领域的硕士论文。论文强调了决策树算法在遥感影像分类中的实用性，并通过实证研究证明了 AdaTree.WL 算法的有效性和优势，为遥感影像处理提供了新的工具和思路。