他类别被分为forest和urban在IDW插值和直接栅格化的密度图中的程度不一样，加入直接栅格化房屋密度被错分这两类的像元较多；grass、residential-H和residential-L的生产者精度一致，其中grass和residential-L被错分为其他类别的像元较多，而加入IDW插值房屋密度图的residential-H被错为其他类别的像元相对与加入直接栅格化房屋密度图较少；加入IDW插值房屋密度图的residential-M的生产者精度和用户者精度都高于加入直接栅格化房屋密度图。从生产者精度和用户者精度可以看出加入IDW插值房屋密度图可以得到更好的分类效果。
表6 不同分类方法的分类精度比较 LULC water forest grass crop land residential-H residential-M residential-L urban Overall accuracy Overall kappa 未加入房屋密度图层 PA 99.95% 97.08% 96.65% 95.22% 90.62% 84.96% 62.52% 86.20% 93.57% 0.9222 UA 99.95% 99.92% 92.61% 97.70% 83.43% 37.72% 58.27% 97.28% 加入IDW插值 房屋密度图 PA 99.95% 97.20% 96.14% 96.17% 99.24% 86.27% 92.26% 91.02% 95.72% 0.9459 UA 99.95% 99.86% 93.71% 98.74% 94.50% 58.04% 66.19% 98.26% 加入直接栅格化房屋密度图 PA 99.95% 93.54% 97.74% 97.82% 99.35% 80.61% 94.47% 87.44% 94.81% 0.9374 UA 99.95% 99.90% 89.97% 98.26% 99.02% 52.69% 52.98% 98.15% 4.7.6 分类结果总体评价
本实验中，通过从总精度、Kappa系数、分类结果图三个角度进行综合评估，个人认为通过加入房屋密度作为选训练样区的依据可以很大程度上来提高分类的精度。
1）residential_H，从图像上看在高密度住房区，IDW插值的是采取中心点位置，从而可以将周围的道路和树木的干扰，直接栅格化则是将整个区域栅格话，忽略了道路和树木的影响，如图83。
46
图83
2）residential_M，经过IDW插值的话，周围的Point会相互影响，从而降低了错分和被误分的概率，而通过直接栅格化则是整个区域的值都被同一化，导致了误差的增加，如图84。
HSV融合影像
IDW插值 图84
3）直接栅格化的误差来源
直接栅格化将房屋密度都按照街区来显示，这种方案带来的弊端是，一个街区中部分区域的房屋单元数量影响整个街区的房屋密度情况。如图85，红框中的街区，实际上仅有靠街区外围部分房屋单元数量众多，中间大部分为水体，但是在直接删格化的房屋密度图中整个街区都被定为中密度住宅区，从属性值看出该区域的hou_dem1的值为681。
直接栅格化
HSV融合影像
直接栅格化 图85
4）IDW插值的误差来源
虽然IDW插值中Point会相互影影响，但是在一些水域和很大面积都为一类的地物，IDW插值则会产生误判，下图中蓝色本为高密度房屋居民区，却扩展到水域的地区，导致水体部分被分为高密度居民区，如图86。
属性值
47
图86
4.7.7 与其他训练样区的分类精度和Kappa系数的计算
在实验中，用****的训练样区来验证自己的分类总精度和Kappa系数（实验中，只对未加入房屋密度图层的HSV进行验证）。如表7为****的训练样区的分离度情况。
表7 训练样区的分离度
Signature Name water(1) forest(2) grass(3) crop land(4) residential-H(5) residential-M(6) residential-L(7) urban(8) 2 1.9970 3 1.9976 1.5291 4 1.9965 1.9348 1.7001 5 1.9958 1.8124 1.3689 1.7993 6 1.9966 1.6094 0.9227 1.4968 0.4894 7 2.0000 1.3460 1.0985 1.1548 0.8685 0.4527 8 1.9464 1.7031 1.1832 1.4372 0.4947 0.4671 0.4647 选择 Classification -> Post Classification -> Confusion Matrix -> Using Ground Truth Image（如图87），选择自己的训练样区和验证训练样区，根据训练样区分类进行对比（如图88）。
图87
48
图88
如图89，为通过验证训练样区的总精度和Kappa系数，从图中，可知总精度为45.8993%，Kappa系数为0.3929，相对来说还是比较低的。表8为生产者精度和用户者精度。
图89 表8
LULC water forest grass crop land residential-H residential-M residential-L urban Overall accuracy Overall kappa PA 66.07% 39.88% 64.99% 46.36% 49.76% 6.79% 25.40% 88.69% 45.90% 0.3929 UA 99.66% 99.93% 46.97% 99.92% 69.65% 11.25% 4.73% 71.36% 4.8 决策树分类
4.8.1 决策树分类原理
遥感信息的提取与分类一直是遥感技术领域研究的一项重要内容。遥感分类应用中，监督与非监督分类的传统分类方法以及人工神经网络分类、专家系统分类等新方法都以影像光谱特征为基础。然而由于影像本身存在“同物异谱、异物同谱”现象，这种纯粹依赖地物光谱特征的分类方法往往会出现较多的错分、漏分情况，从而导致分类精度降低。近年来蓬勃发展的决策树方法可以充分利用影像的多种特征来进行分类，因此利用影像的多特征结合决策树在影像分类领域具有很大的应用潜能。
决策树是类似于流程图的树型结构，一个决策树由一个根节点，一系列内部节点和分支以及若干叶节 点组成，每个内部节点只有一个父节点和两个或多个子节点，节点和子节点之间形成分支，决策树的每个内部节点代表一个测试属性或属性的集合，每个分支对应该属性的每个可能值，叶节点则对应一个类别属性值，即分类结果，不同的叶节点可以对应相同的类别属性值。
4.8.2 数据预处理
49
预处理过程主要是针对遥感影像进行大气较正，在ENVI 4.7给我提供了FLAASH和Quick Atmospheric Correction ，在这两种大气校正方法Quick Atmospheric Correction的精度要低于FLAASH。但是，在做FLAASH大气校正前需要先进行辐射定标，但是根据老师所提供的数据我们只了解到其传感器为Landset ETM+，因此在辐射定标中缺少数据，故采取精度较低的Quick Atmospheric Correction方法进行大气校正，在执行Quick Atmospheric Correction校正前还需要进行中心波长的录入，由于同一传感器的中心波长都是一致的，故百度到了各个波段的中心波长。
1）中心波长的录入，在Available Bands List窗口中，右击Stack，选择Edit Header（如图90）。
图90
2）在Header窗口中，点击Edit Attributes，选择Wavelengths（如图91）
图91
3）通过百度得知，Landset TM各个波段的中心波长如下图所示，在Edit Wavelengths
values窗口中编辑中心波长（如图92）。
图92
50