1. 研究目的与意义
背景：随着卫星遥感图像和航空遥感图片分辨率的不断提高，从遥感图像中能获取的有用数据和信息越来越多，因而遥感技术与国民经济、生态保护和国防安全的关系也越来越紧密。不同场合遥感图像的应用对遥感图像处理提出的要求也不同,所以图像处理中如何提高遥感图像分类精度就显得尤为重要。
而遥感影像分类中一大类常用方法便是决策树算法。在数据挖掘十大算法中，具体的决策树算法占有两席位置，即c4.5和cart算法。决策树算法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，且往往也能得到较好的分类结果。
目的：采用基于cart决策树算法的决策树分类方法，并将其分类结果精度与其他监督分类结果相比较，表明基于cart决策树算法的决策树分类方法在遥感图像分类方面的优势。
2. 研究内容和预期目标
研究内容：
在遥感图像处理中，最重要也最离不开的环节便是分类。分类方法的优劣直接影响到分类结果的精度与速度。决策树算法是遥感图像分类中的一大类常用方法，cart决策树又称分类回归树，该算法是决策树算法中比较有优势的方法之一。本论文通过cart决策树算法进行土地利用分类，同时将其分类结果与其他监督分类方法进行对比，挖掘出cart决策树算法在遥感影像分类方面的优势，提高分类精度。具体如下：
选取孟加拉国最大港口城市和人口第二大城市吉大港作为研究区域，对该地区2015年landsat 8 oli影像图进行分类。利用envi对影像进行预处理，将基于cart决策树算法生成的决策树应用于由植被指数、建筑指数、水体指数、纹理特征及预处理影像波段合并后所组成的文件，生成土地利用分类结果，区分出该研究区域的耕地、林地、草地、建设用地、湿地、水体和未利用地，并将结果与最大似然法分类结果相比较。通过建立验证样本的混淆矩阵，计算出各类分类精度测度指标，如总体分类精度、kappa系数，从而说明基于cart决策树算法分类精度优于最大似然法分类。
3. 研究的方法与步骤
研究方法：
对研究区域进行土地利用遥感分类，使用cart决策树算法得出该区域的土地利用分类结果，并将该结果与最大似然分类法结果进行对比，从而发现cart决策树算法在遥感影像土地利用分类中的优势。
步骤：
4. 参考文献
| [1]吕利利,颉耀文,黄晓君,张秀霞,李汝嫣.基于CART决策树分类的沙漠化信息提取方法研究[J].遥感技术与应用,2017,32(03):499-506. |
| [2]郝泷,陈永富,刘华,朱雪林,达哇扎西,李伟娜.基于纹理信息CART决策树的林芝县森林植被面向对象分类[J].遥感技术与应用,2017,32(02):386-394. |
| [3]左玉珊,王卫,郝彦莉,刘红.基于MODIS影像的土地覆被分类研究——以京津冀地区为例[J].地理科学进展,2014,33(11):1556-1565. |
| [4]张会,闫金凤.基于MODIS影像多特征的CART决策树分类[J].地理空间信息,2013,11(02):111-113 11. |
| [5]董叶辉,南颖,刘志锋,吉吉吉.基于ETM影像多种特征的CART决策树分类——以延边州为例[J].资源开发与市场,2011,27(02):116-117 130 96. |
| [6]张晓娟,杨英健,盖利亚,李亮,王宇.基于CART决策树与最大似然比法的植被分类方法研究[J].遥感信息,2010(02):88-92. |
| [7]陈云,戴锦芳,李俊杰.基于影像多种特征的CART决策树分类方法及其应用[J].地理与地理信息科学,2008(02):33-36. |
5. 计划与进度安排
一、研究工作准备阶段（2022.3.26——2022.4.8）：
2022.3.26——2022.4.1为准备工作阶段，包括查阅资料、实验数据收集等；
2022.4.2——2022.4.8为开题阶段，主要工作是撰写开题报告等。
