摘要：针对光谱角制图(SAM)和最大似然(MLC)分类器对AVIRIS高光谱遥感图像进行植被分类精度均不高的问题，提出了一种基于多分类器的C5.0决策树植被分类方法。首先，利用支持向量机(SVM)，进行核函数以及核函数参数选择，提取出AVIRIS高光谱图像中的植被信息。其次，利用C5.0算法将光谱角制图和最大似然分类器组合，作为决策树的特征属性，学习样本训练并生成分类规则；根据C5.0算法计算植被样本中对应分类器的信息增益率，选择信息增益率最大的属性去分类样本；当叶样本的分类结果满足停止生长的阈值，输出样本分类的结果，否则，回到开始，递归调用以上方法继续分类叶样本，直到所有子集仅包含一个植被类别的样本完成决策。实验结果表明，与光谱角制图和最大似然分类器相比，本文提出的方法整体精度分别提高了6.04%、2.92%，不仅证实了多分类器组合的可行性和有效性，而且更加适用于AVIRIS高光谱图像中的植被调查。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社