監督分類與決策樹方法在賽里木湖礦區的應用分析

遙感技術是獲取地物信息的主要技術手段，也是土地資源類型調查、地物覆蓋程度研究中的基本手段。而圖像分類方法是完成以上工作的又一個重要環節。但由于不同地區的復雜地形、遙感影像數據及分類方法的多樣性等因素導致出現工作量大，圖像分類后的結果及精度不夠準確等問題

。所以選取快捷精確的圖像分類方法對遙感圖像分類研究來說至關重要。

1 研究區概況及數據選擇

1.1 研究區概況

研究區位于新疆維吾爾自治區西北部，天山山脈支脈別珍套山南緣，準格爾盆地西南端。賽里木湖礦區是典型的溫帶大陸性氣候，四季溫度差較高，全年整體氣溫偏低，屬于高中山區

。研究區大概范圍從東邊到西邊的長約為120km，從北邊到南邊的寬度約為70km。東北邊與博樂市接壤，西南邊與霍爾果斯市接壤，北邊與溫泉縣接壤。國道312沿湖旁橫穿過研究區，交通較為方便。

1.2 數據選擇

本文根據研究區地貌特征及研究內容數據精度要求，以Landsat8 OLI遙感影像為本次研究區的數據源。本次選取賽里木湖礦區Landsat8 OLI遙感影像的成像時間為2018年5月，影像數據的云覆蓋度約在5%左右，但并不影響研究區圖像分類實驗的開展。影像分辨率為30m，也符合本次圖像分類研究各階段的數據精度要求。

2 數據預處理及分類

2.1 數據預處理

直接獲取的Landsat8 OLI影像數據來進行地物信息獲取和進行圖像分類，得到的分類結果及精度不會達到預期的目標最佳精度

。雖然我們最后獲取的遙感影像經過一系列的系統處理，但為了得到更精確更可靠的實驗數據，需要進一步對獲取遙感影像進行預處理。本次預處理借助ENVI5.1圖像處理軟件，對賽里木湖礦區Landsat8 OLI遙感圖像進行輻射定標，大氣校正，數據融合及裁剪等預處理，并借助Arcgis軟件制出相應結果圖。

他驚出了一身冷汗，卻見前方的江面突然出現了一個急彎，他暗叫不好，猛地向左一推操縱桿，身體右傾，翼面隨之大幅度地向右傾斜，于電光石火間，將那急彎轉了過去。

2.2 分類標準

5.7.3 呼吸困難 進行膈神經移位術后要嚴密觀察呼吸情況并進行氧飽和度的監測。呼吸困難嚴重時可使用正壓呼吸機輔助通氣，加強腹式呼吸訓練，刺激神經恢復，逐漸脫機恢復自主呼吸。

（2）經過對最大似然法初步分類進行后期處理及對其進行精度驗證后獲得的結果圖及最大似然法混淆矩陣精度表如下：

3 分類方法及數據處理

3.1 監督分類法 （Supervised Classification）

根據檢驗結果表2可知，支持向量機分類法總體分類精度達到了92.9944%。其中冰雪分類像元總數為120個，準確分類到冰雪類的為110個，10個樣本像元誤分到其他分類類型中。林地分類像元總數為62個，準確分到林地類的為54個。草地分類像元總數為53個，準確分類到草地類的有42個。沙地分類像元總數共為68個，準確分類的有61個。裸巖石礫地分類像元總數為386個，其中361個像元分類為正確。建設用地分類像元總數共63，準確分類到建設用地類別的有62，其精度相對較高。耕地、水體和公路用地分類像元均被準確的分類到相應的分類像元中，精度達到最佳。

（1）經過對支持向量機初步分類進行后期處理及對其進行精度驗證后獲得的結果圖及支持向量機混淆矩陣精度表如下：

本文參照國家2017年發布的最新《土地利用現狀分類》標準來選取樣本。本次圖像分類研究實驗樣本類型包括：林地，草地，水體，冰雪，耕地，建設用地，裸巖石礫地和公路用地。再借助ENVI圖像處理軟件，創建感興趣區（ROI）將相應的地物類型中選取一定數量的樣本，并做到采樣過程中樣本的均勻分布

。對選好的研究區樣本進行樣本評價，也就是利用兩種參數標準對樣本進行可分離性計算，最后表示各類樣本之間的可分離性。

本文通過ENVI5.1軟件Classification功能模塊，利用監督分類中的支持向量機分類法和最大似然法兩種分類器，分別對Landsat8 OLI遙感圖像進行圖像分類劃分。

這個聲明平息了公眾的不安。但也引起了始料不及的效應。它深刻地改變了公司的精神和活動。我所剩時間不多了；已通知我們船快啟航；我盡可能解釋一下。

通過計算遙感數據的歸一化參數，在歸一化參數的基礎上建立決策樹模型，在利用不同算法獲得其分類結果

。比起其他圖像分類方法決策樹分類更為容易理解，邏輯更為清晰。

3.2 決策樹分類

根據檢驗結果可知，最大似然法總體分類精度達85.9887%。其分類類型中，冰雪分類像元為127個，準確分類冰雪分類像元的有111個。耕地分類像元數共53，準確分類到耕地分類像元的有52個。沙地分類像元總數共65個，準確分類的有64個像元，耕地和沙地精度相對較高。草地分類像元總數共為81個，準確分類的像元數為50個。裸巖石礫地分類像元總數為363個，準確分類的像元數為343個。公路用地分類像元數共4個，其中2個像元為準確分類。建設用地分類像元總數為124個，準確分類的為71個像元。水體，林地分類像元均被分類到相應類型當中。

本文通過分析動物學學科特點以及動物學英語語篇內容，可以歸納出詞匯銜接手段在動物學英語語篇分析中起著至關重要的作用。動物學英語語篇利用重復、同義或近義詞、上下義詞、概括詞和搭配等多種銜接手段，將各詞項和句子串聯成為一個有機整體。因此在學習動物學英語語篇過程中，識別和理解語篇的詞匯銜接手段在一定程度上成為學習文章的關鍵，只有掌握了語篇中的詞匯銜接機制，才能進一步深入的理解篇章，并快速準確地把握語篇的內在含義。

本文決策樹分類利用ENVI5.3 Decision Tree-Rulegen功能模塊（CART模型），對選取的樣本進行分析。經過對決策樹分類初步分類進行后期處理及對其進行精度驗證后獲得的結果圖及決策樹分類混淆矩陣精度表如下：

根據檢驗結果可知，利用決策樹分類法分類后的整體分類精度為90.2825%。分類類型像元中，冰雪分類像元總數為129個，準確分類到冰雪類的有112個像元。耕地分類像元總數為76個，準確分類的有74個像元，精度相對較好。林地分類像元總數為66個，準確分類到林地的有55個像元。草地像元數為47個，其中準確分類的有36個。沙地分類像元總數為56，準確分類的有54個像元。裸巖石礫地分類像元總數為405個，其中準確分類的像元有361個。公路用地準確分類的像元數為0，其精度最低。水體和建設用地分類像元均被分類到相應的分類類別當中。

4 結論

通過綜合及整體情況來比較和分析以上三種方法整體分類精度及指標的結果表明，在賽里木湖礦區基于Landsat8 OLI數據的圖像分類研究中，最大似然法分類結果精度相對偏低，與實際野外情況匹配度不高，在本研究區圖像分類研究中未達到預期精度目標。利用決策樹方法雖然更容易理解并邏輯更為清晰，且分類精度也得到了滿足，但分類過程時間較長，需要更多的時間去獲取時空、紋理特征等信息來提高精度。而支持向量機分類法可以在最短的時間達到更精確的分類精度及更好的分類效果，且分類結果更接近實際野外情況，因此在賽里木湖礦區支持向量機分類法為更理想的分類方法。

[1]張建文.專業遙感圖像分類方法的研究及應用[D].蘭州理工大學,2014.

[2]展新忠.新疆賽博銅礦床成礦作用及找礦勘查研究[D].中國礦業大學,2019.

[3]羅虹.遙感信息提取分類方法及專題制圖研究[D].西南交通大學,2011.

[4]黃露,黃海.基于監督分類的土地利用遙感影像提取方法研究—以甘肅省慶陽市為例[J].技術與市場,2017,24(04):71-72.

[5]黃鵬程,張明明,王新宇等.基于Landsat-8 OLI的西安市土地利用類型遙感分類研究[J].測繪與空間地理信息,2020,43(01):85-88+92.