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、简单的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，最大的特点是利用的多源数据。

决策树分类主要的工作是获取规则，本文介绍使用CART算法获取规则，基于规则提取土地覆盖信息。下图是总体技术流程。

图：总体技术流程图

在获取规则过程中，由于计算量较大，我们选择一部分典型的区域作为实验区获取决策树。

1.   准备数据

本例使用环境小卫星CCD数据，已经过几何校正、工程区裁剪。这一步主要是构建多源数据集。数据集由蓝、绿、红、近红外四个波段、NDVI、ISODATA非监督分类结果、DEM。其中DEM使用30米的G-DEM，使用相同工程区矢量进行裁剪。

(1)       选择ENVI主菜单->Transform->NDVI，使用CCD数据计算NDVI。

(2)       选择ENVI主菜单->Classification->Unsupervised->IsoData，最大分类数量为10，迭代次数为10，选择路径输出分类结果。

(3)       选择ENVI主菜单->Layer Stacking，分别将蓝、绿、红、近红外四个波段、NDVI、ISODATA结果、DEM组合成一个7个波段的文件。

(4)       在波段列表中，打开Edit Header，将Band names修改为Band1、2、3、4，NDVI，ISODATA，DEM。

2.   获取规则

这里使用CART算法获取规则，首先安装ENVI下的CART扩展工具，下载地址：http://bbs.esrichina-bj.cn/ESRI/thread-44349-1-1.html，将解压后的文件拷贝到ENVI安装目录下的Save_Add文件夹内，重新启动ENVI。

首先从影像中选择一部分区域作为获取规则的实验区，

(1)       在Display中显示影像，在Image视窗中单击Overlay->Region of Interest。在ROI Tool面板中，单击ROI_Type->Polygon，绘制一定大小的实验区，这个区域包含土地覆盖所有类型。

(2)       在ROI Tool面板中，选择File-> Subset data via ROIs，裁剪出实验区。

    下面在实验区影像中选择一定数量的训练样本，利用训练样本获取专家知识规则。

(1)       在Display中显示裁剪的实验区影像，在Image视窗中单击Overlay->Region of Interest。在ROI Tool面板中，分别选择5个类型的训练样本（如下图），训练样本的可分离度在1.8以上。

图：训练样本

(2)       选择ENVI主菜单->Classification->Decision Tree->RuleGen ->Classifier，选择实验区影像。

(3)       选择决策树输出路径及文件名，单击OK执行。

注：由于此工具包基于4.4版本开发，在之后版本上运行完得到决策树文件之后会自动退出ENVI，不影响决策树规则文件的使用。

图：运行CART工具

(4)       选择ENVI主菜单->Classification->Decision Tree->Edit Existing Decision Tree，打开从实验区获取的决策树规则，如下图。

(5)       在ENVI Decision Tree面板中，选择Options->Execute，执行决策树。

图：决策树

(6)       对分类结果进行验证，类似选择训练样本，选择一部分ROI作为验证样本。选择主菜单->Classification->Post Classification->Confusion Matrix，计算精度验证混淆矩阵。

精度达到要求，规则的获取工作就完成了。

3.   土地覆盖信息提取

这一步是将获取的规则应用于整个图像。

(1)       选择ENVI主菜单->Classification->Decision Tree->Edit Existing Decision Tree，打开从实验区获取的决策树规则。

(2)       选择Options->Show Variable/File Pairings，单击第一列中的变量，全部替换为整个影像中对应的波段。

(3)       选择Options->Execute，执行决策树，得到最终的土地覆盖结果。

图：修改变量

图：土地覆盖

4.   分类后处理