基于隨機森林的遙感圖像分類算法研究.pdf

1、遙感圖像分類一直是遙感研究領(lǐng)域的重要內(nèi)容，如何解決多類別圖像的分類識別并滿足一定的精度，是遙感圖像研究中的一個關(guān)鍵問題。
　　隨機森林(Random Forests，RE)是一種統(tǒng)計學(xué)習(xí)理論，它是利用自助抽樣法(Bootstrap Method)從原始樣本集中抽取多個樣本集，抽取樣本集的樣本個數(shù)與原始樣本集的樣本個數(shù)相等，對每個bootstrap樣本集進行決策樹(Decision Tree，DT)建模，每個樣本的最后分類結(jié)果是通過

2、多棵決策樹的結(jié)果投票決定的。隨機森林在遙感圖像分類中的應(yīng)用，國內(nèi)還鮮有人研究，本研究就是在這個前提下開展的。
　　本文首先研究了基于隨機森林的遙感圖像分類的國內(nèi)外研究現(xiàn)狀和進展，討論了目前遙感圖像分類存在的問題。然后以錢塘江流域為研究區(qū)域，利用2010年ETM、MODIS和DEM多源數(shù)據(jù)，主要進行了如下研究:
　　(1)詳細介紹了隨機森林的原理和目前常用的遙感圖像分類算法的原理，最大似然(Maximium Likehood，

3、ML)、人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN）、支持向量機(Support Vector Machine，SVM)、決策樹、Bagging和Boosting。
　　(2)研究了隨機森林參數(shù)設(shè)置對分類精度的影響程度，實驗表明，分類精度對參數(shù)設(shè)置不敏感，通常情況下，使用默認參數(shù)，即可達到理想的分類效果。
　　(3)研究了隨機森林計算變量重要性的可靠性與實用價值，實驗表明，隨機森林計算的變量重

4、要性可靠，且篩選重要變量后的分類精度較之前有所提高，且模型訓(xùn)練時間縮短，具有很好的實用價值。
　　(4)對比分析了RE與ML、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(Radical Basis Ftmction NeuralNetworks，RBF-NN)、SVM、C4.5、Bagging和AdaBoostM1的分類精度，實驗表明，RF用于遙感圖像分類時，分類精度明顯高于ML、RBF-NN和C4.5算法，略高于SVM、Bagging和AdaBoost