将多源数据用于影像分类中的专家知识决策树分类器，如ENVI中的Decision Tree，是一种高效且准确的方法。本专题将详细介绍这一分类器的使用及其实施步骤。
专题内容概览：
-
专家知识分类器概述
-
知识（规则）定义
-
ENVI中Decision Tree的使用
-
C4.5算法基本原理
-
决策树分类的实际操作
基于知识的决策树分类主要是依托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，获取分类规则并进行遥感分类。其最大的特点是充分利用了多源数据，使得分类过程更符合人的认知过程，且分类规则易于理解。
一、专家知识决策树分类器概述
该分类器是一种基于规则的分类方法，通过定义、输入、运行和后处理等步骤，将专家知识转化为具体的分类规则，然后应用于影像分类。
二、知识（规则）定义
规则的定义是讲知识用数学语言表达的过程，这可以通过一些算法获取，也可以通过经验总结获得。定义的规则需要明确、具体，以便于后续的分类操作。
三、ENVI中Decision Tree的使用
ENVI中的Decision Tree工具是一个强大的决策树分类器，用户可以通过图形界面方便地输入分类规则、选择分类方法等。该工具支持多种数据格式的输入，包括遥感影像、矢量数据、栅格数据等。
四、C4.5算法基本原理
C4.5算法是一种常用的决策树学习算法，其基本思路是利用信息熵来“修枝剪叶”，通过计算增益比率来选择最优的属性作为树的节点。该算法可以有效地从数据集中挖掘出分类规则。
五、决策树的实际操作
在实际操作中，首先需要选取合适的图层，通过计算机自动选点、人工解译影像选点等方法采集样本。然后，在样本库的基础上采用适当的数据挖掘方法挖掘分类规则，并对规则进行评价和调整。将决策树应用于实际影像分类中。
以ENVI为操作平台，用户可以方便地导入多种格式的数据，定义节点规则，执行决策树分类等操作。ENVI还提供了丰富的后期处理工具，如分类后处理、结果评价等。
六、实例操作
1. 规则获取
以Landsat TM5影像和该地区对应的DEM数据为例，经过精确配准后，可以定义如朝北缓坡植被、非朝北缓坡植被、陡坡植被、水体、裸地等分类规则。
2. 输入决策树规则
在ENVI中新建Decision Tree，按照定义的规则逐个输入节点规则表达式，指定数据源，完成规则输入。
3. 执行决策树
执行决策树分类，选择合适的投影参数、重采样方法、空间裁剪范围等，得到分类结果。
4. 分类后处理
对分类结果进行后期处理，包括去除噪声、平滑处理、结果评价等步骤。
通过本专题的学习，我们了解了专家知识决策树分类器的基本原理及实施步骤，掌握了ENVI中Decision Tree的使用方法，并学会了如何使用C4.5算法从数据中挖掘分类规则。这些知识和技能对于提高遥感影像分类的准确性和效率具有重要意义。