隨機森林算法在高分辨遙感影像土地覆被分類中的實現(xiàn)和應用.pdf

1、研究土地覆被變化已經(jīng)成為研究全球變化以及研究現(xiàn)代地學的核心和熱點，在土地覆被變化的研究中，土地覆被分類是最為基礎和關(guān)鍵的一個環(huán)節(jié)。土地覆被分類需要強大的分類方法，隨機森林是一個功能強大的機器學習分類器，是一種與傳統(tǒng)的決策樹相比基于非參數(shù)回歸算法的集成學習方法。目前，隨著眾多高分辨率衛(wèi)星陸續(xù)發(fā)射，高分影像數(shù)據(jù)量大，混合像元減少、地物信息增多，然而空間分辨率的提高并沒有使得分類精度的提高，相反，會出現(xiàn)分類精度的降低。傳統(tǒng)基于像元光譜信息分類

2、的方法應用在這些高分影像分類時所得到的精確度遠遠達不到生產(chǎn)所需的要求。影像中地物信息增多體現(xiàn)在地物的紋理結(jié)構(gòu)隨著空間分辨率的提高而變得非常清晰，提取穩(wěn)定的鑒別性強的紋理特征對提高影像分類精度有十分重要的意義。
　　本文以石臺縣的兩個鄉(xiāng)鎮(zhèn)為研究區(qū)域，選用 Rapideye高分影像作為數(shù)據(jù)源。研究區(qū)景觀空間異質(zhì)性程度高，陰影覆蓋區(qū)域面積大，實地調(diào)查中部分類別在影像上顯示的顏色可分性不強。為此，本研究采用已廣泛地應用于遙感影像的紋理提取

3、的地質(zhì)統(tǒng)計學方法提取紋理特征，對原始波段進行Band Math運算提取植被指數(shù)，應用隨機森林計算特征重要性篩選特征，對改變樹的數(shù)量、特征組合與分類精度間的關(guān)系進行試驗，并與最大似然法分類結(jié)果進行比較。結(jié)果表明：
　?。?）隨機森林泛化誤差隨著樹的數(shù)量（N）增加而收斂于定值，分類精度隨著N值增大而無顯著增加，并且計算機運算效率降低。本研究中最終選取N=500，既能滿足分類精度要又能保證運算效率；
　?。?）應用隨機森林和最大似

4、然法對加入紋理特征組合進行分類精度評價，Kappa系數(shù)分別為0.7134和0.6315，高于加入植被指數(shù)特征組合和對紋理和植被指數(shù)特征組合。應用隨機森林算法分類精度明顯高于應用最大似然法所得的分類精度。此外，紋理信息可以在一定程度上提高分類的精度，對于耕地、建筑等幾何形狀明顯且規(guī)律性強的地類分類精度有顯著提高，對光譜值接近的不同地類之間的區(qū)分提供了有效的依據(jù)。
　　隨機森林算法綜合表現(xiàn)更優(yōu)，它在保證分類精度的前提下，也能保證運算的