决策树在人力资源管理中的应用研究

传统的人力资源评价方法过分依赖于人的主观判断与经验,为了克服这个缺陷,文中提出了一种基于数据挖掘的信息论的综合评价方法,该方法中利用决策树、分类器概念以及相关性分析,先对初选的数据进行筛选．再进行建树,然后进行修剪树,进而得出了综合评价模型并同时给出了相应的算法。最后通过算例说明了方法的有效可行。     

基于序列影像的东台市秋季农作物提取

随着遥感技术的发展,利用遥感技术提取农作物成为常用的统计农作物面积的方法.基于序列影像提取东台市水稻、玉米和大豆3种秋季农作物并统计面积,为东台市农业结构调整及耕地优化利用提供技术支撑.利用时序影像,结合红边波段、短波红外波段和指数特征,通过实地采样选取阈值,建立决策树提取水稻、玉米和大豆.提取结果显示,东台市水稻、玉米和大豆的种植面积分别为49.21×103、36.45×103和7.73×103 hm2,通过查阅相关统计数据,计算得出3种农作物的提取精度均达到80％以上,说明利用该水稻、玉米和大豆提取方法可行,提取结果可以作为估算农作物面积的参考.     

森林资源动态监测系统与ENVI决策树分类技术的应用

在山东省2014年展开的森林资源二次调查的前提下,以潍坊安丘市凌河镇赵家沟村为研究区域。利用ENVI软件的决策树分类技术对研究区的树种进行了分类,再以森林资源调查过程中用GIS技术开发的《山东省森林资源动态监测调查系统》软件的实地调查结果为依据对研究区树种分类结果进行精度验证,结果显示研究区森林覆盖率55.82%,分类精度为76.7554%。本文提出两种研究手段在研究过程中所出现的问题及建议。     

结合地理信息的洞庭湖湿地分类方法研究

湿地遥感影像分类是遥感研究的一大难题。利用洞庭湖TM数据,并辅助地面GIS信息,通过专家分类知识库建立决策树分类方法,结合研究区的DEM进行洞庭湖湿地的影像分类,通过决策树层次实现了包括水体、泥沙滩地、防护林滩地、湖草、芦苇滩地和苔草滩地以及其他水体7种湿地类型的分类。其中,决策树分类总体精度80.29%,总体Kappa系数为0.883 9,分类精度相对于传统手段要高,证明基于该方法得到的数据准确度能够满足实际工作的需要;另外,基于知识分类的影像分类结果能够较好地解决一些错分的现象,针对湿地而言,混分现象最严重的泥滩地,在传统分类中大量地被分为了建筑用地或者裸地,同时草滩地与林地的混分在基于知识分类的影像中边界也较明显。相比传统分类方法,决策树分类以规则为基础,可以同时利用多个条件进行分类,减少了数据处理时间,同时还提高了分类精度,最终得到试验区较为可靠的遥感分类图像。     

三江源自然保护区土地利用遥感分类方法研究

以三江源区域索加曲麻河自然保护区为例,基于TM影像进行数据变换和波段运算后获取的特征指数,采用决策树方法,探讨了高寒区域土地利用遥感分类方法。然后通过与传统的最大似然法监督分类所得到的结果进行对比,结果表明:利用基于指数的决策树分类方法对高寒区域土地利用/土地覆盖类型进行遥感分类,较传统的最大似然法监督分类总体精度提高15.48%,总体kappa系数提高0.174 1;滩地、沼泽、高覆盖度草地、低覆盖度草地、裸岩石砾地等地类的用户精度提高较大,分别提高28.13%,25.00%,17.86%,17.86%和12.50%。低、中、高3种覆盖度草地,裸岩石砾地的生产者精度也有较大幅度的提升。表明基于指数的决策树分类方法是高寒区域土地利用遥感分类的一种有效手段。     

基于多特征决策树的建设用地信息提取

城乡交接带的土地利用/覆盖类型兼具城镇和农村的典型特征。为了解决土地覆盖类型复杂、存在"同谱异物"现象的西部山区环境中建设用地信息难以精确提取的问题,该文提出一种包含多个特征节点的决策树分类法,该方法以Landsat-8影像为主要数据源,以决策树分类法为框架,结合地物光谱特征及空间特征,建立以4种归一化指数(归一化三波段指数normalized difference three bands index,NDTBI;归一化建筑指数normalized difference building index,NDBI;改进的归一化水体指数modified normalized difference water index,MNDWI;归一化植被指数normalized difference vegetation index,NDVI)、支持向量机(support vector machine,SVM)分类结果和河流缓冲区作为特征节点的决策树分类器,对贵州省毕节市城乡交接带建设用地专题信息进行提取。NDTBI是该文新构建的指数,取名为归一化三波段指数,目的是为了弥补归一化建筑指数NDBI的不足;支持向量机分类结果的使用在多指数法的基础上提高了地物的可分离性;以构建河流缓冲区的方式加入的地物空间信息,进一步提高了信息提取的精确性。由于决策树特征节点的构建过程是利用先验知识来优化特征值和提高精度的过程,克服了利用单一指数法、多指数法及单独使用模式识别法中出现的问题,精度评价结果显示总体精度达到了97.52%。为了验证方法的推广性,采用毕节市七星关区中心城区遥感影像数据该方法进行验证,精度评价结果显示总体精度达到98.03%。     

基于MODIS遥感数据的呼伦贝尔土地荒漠化信息提取

[目的]基于MODIS遥感数据,对呼伦贝尔地区土地荒漠化信息进行提取。[方法]基于空间分辨率为1 km的MODIS遥感数据,选取可以反映不同荒漠化特征的5个指标进行反演,并采用决策树分类方法对呼伦贝尔地区土地荒漠化信息进行提取。[结果]呼伦贝尔地区土地荒漠化面积为33 862 km2,占全区总面积的20.36%,且主要以沙质荒漠化为主;通过野外验证及高分辨率解译数据采点验证,此评价方法总体精度达89%以上。[结论]使用文中评价方法进行荒漠化监测,不仅能够对大尺度的荒漠化地区进行监测,而且具有较好的评价效果。     

基于CART决策树分类的江苏省湿地提取

针对湿地环境复杂、类型多样且难以从景观尺度进行识别的特点，为解决遥感影像“同物异谱、异物同谱”的难点，探讨湿地遥感信息提取方法，可为湿地管理保护提供基础数据。以江苏省为研究区，高分一号影像为数据源，结合不同地物的环境特征和空间特征，采用CART决策树法进行地物分类，并提取湿地信息；选取影像纯净像元为训练样本，根据样本数据特征，制定分类规则。集成高分影像的光谱特征、植被指数、水体指数、土壤调整植被指数、纹 理信息、主成分分析波段和辅助地形数据，构建CART决策树模型，实现地物分类，最终采用混淆矩阵和分类精度指标进行评价，并与最大似然分类方法进行对比。结果表明，分类总体精度达到86.77%，Kappa系数为0.85，精度较最大似然分类提高了将近16%，Kappa系数提高了近0.2；遥感解译成果统计表明，2016年江苏省湿地总面积为14 053.12 km2；其中，水域面积12 585.59 km2，沼泽574.18 km2，滩涂893.35 km2，分别占湿地总面积的89.56%、4.09%、6.35%。研究发现，CART决策树分类精度高于最大似然监督分类，具有较强的实用性和优越性，对大面积湿地信息提取具有借鉴意义。     

基于决策树模型的土壤有机质制图

Based on a case study of Longyou County, Zhejiang Province, the decision tree, a data mining method, was used to analyze the relationships between soil organic matter (SOM) and other environmental and satellite sensing spatial data.The decision tree associated SOM content with some extensive easily observable landscape attributes, such as landform,geology, land use, and remote sensing images, thus transforming the SOM-related information into a clear, quantitative,landscape factor-associated regular system. This system could be used to predict continuous SOM spatial distribution.By analyzing factors such as elevation, geological unit, soil type, land use, remotely sensed data, upslope contributing area, slope, aspect, planform curvature, and profile curvature, the decision tree could predict distribution of soil organic matter levels. Among these factors, elevation, land use, aspect, soil type, the first principle component of bitemporal Landsat TM, and upslope contributing area were considered the most important variables for predicting SOM. Results of the prediction between SOM content and landscape types sorted by the decision tree showed a close relationship with an accuracy of 81.1%.