1. 概述
基于知识的决策树分类是基于遥感影像数据及其他空间数据，通过专家经验总结、简单数学统计和归纳方法等，获得分类规则并进行遥感分类。分类规则易于理解，分类过程也符合人的认知过程，最大的特点是利用多源数据。
专家知识决策树分类的步骤大体上可分为四步：知识（规则）定义、规则输入、决策树运行和分类后处理。难点是规则的获取，可以来自经验总结，如坡度小于 20 度是缓坡等；也可以通过统计的方法从样本中获取规则，如 C4.5 算法、CART 算法、S-PLUS 算法等。
以 Landsat TM5 影像和这个地区对应的 DEM 数据为例，学习基于专家知识决策树分类。
最系统的ENVI，含土地利用、植被指数、耕地监测、水质反演、温度反演、干旱监测专题
2.详细操作步骤
2.1规则获取
根据经验和专家知识获取如下规则：
-
Class1（缓坡植被）:NDVI>0.3, slope<20
-
Class2（朝北陡坡植被）：NDVI>0.3, slope>=20, 90<=aspect<=270
-
Class3（朝南陡坡植被）：NDVI>0.3, slope>=20, , aspect<90 或 aspect>270
-
Class4（水体）：NDVI<=0.3, 0<b4<20
-
Class5（裸地）：NDVI<=0.3, b4>=20
-
Class6（无数据区，背景）: NDVI<=0.3, b4=0
注：其中，NDVI 为归一化植被指数；slope 为坡度；aspect 为坡向；bN 代表第 N 个波段。
2.2制作决策树
-
（1）首先打开待分类数据及其他多源数据。打开 File > Open，选择数据文件夹内的 boulder_tm.dat 和boulder_dem.dat；（注：boulder_tm.dat 为待分类图像，boulder_dem.dat 为DEM 数据。）
-
（2）打开新建决策树工具，路径为 Toolbox/Classification/Decision Tree/New Decision Tree，如下图所示，默认显示一个节点和两个类别；
-
（3）首先按照 NDVI 来区分植被与非植被。单击节点 Node 1，在弹出的对话框内输入节点名（Name）和条件表达式（Expression），如下图所示；
-
（4）点击 OK 后，在弹出的 Variable/File Pairings 对话框内需要为 {ndvi} 指定一个数据源，如下图所示。点击面板中显示 {ndvi} 的表格，然后选择 boulder_tm.dat 即可。
-
（5）注：因为所选数据具有波长信息，ENVI 自动根据波长识别红波段与近红外波段，如果没有波长，需要手动指定这两个波段。
-
（6）在进行条件表达式（Expression）编写时，需要符合 IDL 的语法规则，包括运算符和函数名。常用的运算符和函数如下表所示。
| 表达式 | 部分可用函数 |
|---|---|
| 基本运算符 | +、-、*、/ |
| 三角函数 | 正弦 Sin(x)、余弦 cos(x)、正切 tan(x) 反正弦 Asin(x)、反余弦 acos(x)、反正切 atan(x) 双曲线正弦 Sinh(x)、双曲线余弦 cosh(x)、双曲线正切 tanh(x) |
| 关系/逻辑 | 小于 LT、小于等于 LE、等于 EQ、不等于 NE、大于等于 GE、大于 GT and、or、not、XOR 最大值（>）、最小值 (<) |
| 其他符号 | 指数（^）、自然指数 exp 自然对数 alog(x) 以 10 为底的对数 alog10(x) 取整——round(x)、ceil(x)、fix(x) 平方根（sqrt）、绝对值（abs） |
-
（7）ENVI 决策树分类器中的变量是指一个波段或作用于数据的一个特定函数。如果为波段， 需要命名为 bN，其中N 为 1~255 的数字，代表数据的某一个波段；如果为函数，则变量名必须包含在大括号中，即{变量名}，如{ndvi}。如果变量被赋值为多波段文件，变量名必须包含一个写在方括号中的下标，表示波段数，比如{pc[1]}表示主成分分析的第一主成分。支持特定变量名，如下表所示，用户也可以通过 IDL 编写自定义函数。
| 变量 | 作用 |
|---|---|
| slope | 计算坡度 |
| aspect | 计算坡向 |
| ndvi | 计算归一化植被指数 |
| tascap[n] | 穗帽变换，n 表示获取的是哪一分量。 |
| pc[n] | 主成分分析，n 表示获取的是哪一分量。 |
| lpc[n] | 局部主成分分析，n 表示获取的是哪一分量。 |
| mnf[n] | 最小噪声变换，n 表示获取的是哪一分量。 |
| lmnf[n] | 局部最小噪声变换，n 表示获取的是哪一分量。 |
| stdev[n] | 波段 n 的标准差 |
| lstdev[n] | 波段 n 的局部标准差 |
| mean[n] | 波段 n 的平均值 |
| lmean[n] | 波段 n 的局部平均值 |
| min[n]、max[n] | 波段 n 的最大、最小值 |
| lmin[n]、lmax[n] | 波段 n 的局部最大、最小值 |
-
（8）第一层节点根据 NDVI 的值划分为植被和非植被，如果不需要进一步分类的话，这个影像就会被分成两类：class0 和 class1。
-
（9）对 NDVI 大于 0.3，也就是 class1，根据坡度划分成缓坡植被和陡坡植被。在 class1 图标上右键，选择Add Children。单击节点标识符，打开节点属性窗口，Name 为Slope<20，在 Expression 中填写：{Slope} lt 20。
-
（10）同样的方法，将所有规则输入，末节点图标右键 Edit Properties，可以设置分类结果的名称和颜色，最后结果如下图所示。（注：如果不想自己输入，可以选择 File > Restore Tree…，选择 Tree.txt 即可。）
| 节点名 | 表达式 |
|---|---|
| ndvi>0.3 | {ndvi} gt 0.3 |
| 0≤b4≤20 | b4 lt 20 and b4 gt 0 |
| b4 = 0 | b4 eq 0 |
| slope<20 | {slope} lt 20 |
| north | {aspect} lt 90 and {aspect} gt 270 |
（注：可以选择菜单 Options > Show Variable / File Pairings 进行参数与变量的数据源设定。结果如下图所示。）
2.3 执行决策
-
（1）选择 Options > Execute，可以执行决策树。由于使用了多源数据，各个数据可能拥有不同的坐标系、空间分辨率等。在弹出的 Decision Tree Execution Parameters 对话框（如图）中，需要选择输出结果的参照图像，这里选择 boulder_tm.dat，即输出的分类结果的坐标系和空间分辨率等信息与 boulder_tm.dat 相同。
-
（2）选择输出路径和文件名，点击 OK 即可。（注：此步骤中可以选择空间范围裁剪。）
-
（3）如果 ENVI 没有自动打开结果文件，可以手动打开分类结果。如下图所示。
