运用遥感技术来研究lucc时，通常需要通过遥感分类来判定地物，进而得出研究区不同地物变化。遥感图像通过像元值的大小和空间上的变化，对地物进行区分，这也是区分图像中不同地物的物理基础。目前，遥感影像分类方法可以大致分为人工解译和计算机自动分类。通常情况下，遥感影像分类多半指计算机自动分类。一般地，分类方法有：一是监督分类，这种方式是用已经确定地物类型的样本像元去判定其他未经区分地物类型的像元，其分类器包括平行六面体、最小距离、马氏距离、最大似然等；二是非监督分类，这种方式是在遥感数字图像中寻找并确定其自然类似光谱集群，进而达到区分地物的目的，包括isodata、k-means等。其中，最大似然法分类易操作，精度高，是最为常用的遥感分类法之一。

本文欲探索异于传统的遥感分类的新方法，而决策树在进行遥感分类时，速度比传统的遥感分类方法更快，并且具有更好的弹性和鲁棒性。对此，本文采取了基于专家经验知识的决策树分类对南京市仙林区的lucc进行探究。传统意义上，决策树算法适合于探索式知识发现，它通过概述无顺序、无规律的样本数据集，并对此进行经验总结，继而得出决策树的分类规则，并将其运用在实际数据集的分类当中。在遥感影像分类范畴的应用中，基于专家经验知识的决策树分类是较常用的一种，它是基于遥感图像、dem及其他空间数据，通过对专家经验进行总结，对光谱知识进行了解，对水体与植被指数进行掌握以及对主成分分析与缨帽变换相关变量进行探究，然后通过建树与剪枝获取决策树分类规则，并将之运用于遥感影像，得到分类结果。

[2]张晓贺.决策树分类器的实现及在遥感影像分类中的应用[d].兰州交通大学.2013.

[3]黄羽.基于rs和gis的植被动态变化及其对lucc的响应[d].宁夏大学.2013.

[4] guther f. modeling land use and cover changes in europe and asia [c]m proceeding of international conference on land use/cover change dynamics ,beijing: luccd,2001:1-2.