ArcGIS决策树分类实战：遥感影像智能解译的最佳实践

1次阅读

共计 1314 个字符，预计需要花费 4 分钟才能阅读完成。

传统监督分类方法（如最大似然法）在处理复杂地物场景时存在明显不足。这些方法通常假设数据服从正态分布，且对特征空间的线性可分性有较高要求。然而，实际遥感影像中常出现以下问题：

地物光谱特征重叠严重（如水体与阴影）
同物异谱现象普遍存在
训练样本分布不均衡导致分类偏斜

ArcGIS 平台支持多种机器学习分类器，开发者应根据场景需求选择合适算法：

算法类型	计算效率	适用场景	内存消耗
决策树	★★★★	中小型数据集	低
随机森林	★★★	高维特征	中高
SVM	★★	小样本	高

决策树因其可视化解释性强、对数据分布无假设等特点，成为中等规模影像分类的理想选择。

import arcpy
from arcpy.sa import *

# 初始化环境
arcpy.env.workspace = "input.gdb"
arcpy.env.overwriteOutput = True

# 构建决策树
train_data = "training_samples"
features = ["Band1", "Band2", "NDVI"]
output_classifier = "decision_tree.ecd"

dtree = arcpy.ml.TrainDecisionTree(
    train_data, 
    "Class", 
    features, 
    output_classifier,
    max_depth=8,  # 关键参数 1
    min_samples_leaf=5  # 关键参数 2
)

max_depth：
值过小导致欠拟合（建议范围 5 -15）
可通过验证集准确率曲线确定最优值
min_samples_leaf：
控制叶节点最小样本数
有效防止噪声引起的过分裂

利用 Raster Calculator 并行计算 NDVI：

# 计算 NDVI
red = Raster("B4")
nir = Raster("B8")
ndvi = (nir - red) / (nir + red + 0.0001)  # 避免除零
ndvi.save("NDVI")

# 生成混淆矩阵
confusion_matrix = arcpy.stats.ConfusionMatrix(
    "validation_samples",
    "Class",
    "Predicted",
    "confusion_matrix_table"
)

# 提取 OA/Kappa
with arcpy.da.SearchCursor(confusion_matrix, ["OA", "Kappa"]) as cursor:
    for row in cursor:
        print(f"总体精度: {row[0]:.2%}, Kappa 系数: {row[1]:.3f}")