基于隨機(jī)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(shí)別并滿足一定的精度，是遙感圖像研究中的一個(gè)關(guān)鍵問(wèn)題。
　　隨機(jī)森林(Random Forests，RE)是一種統(tǒng)計(jì)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(gè)樣本集，抽取樣本集的樣本個(gè)數(shù)與原始樣本集的樣本個(gè)數(shù)相等，對(duì)每個(gè)bootstrap樣本集進(jìn)行決策樹(shù)(Decision Tree，DT)建模，每個(gè)樣本的最后分類結(jié)果是通過(guò)

2、多棵決策樹(shù)的結(jié)果投票決定的。隨機(jī)森林在遙感圖像分類中的應(yīng)用，國(guó)內(nèi)還鮮有人研究，本研究就是在這個(gè)前提下開(kāi)展的。
　　本文首先研究了基于隨機(jī)森林的遙感圖像分類的國(guó)內(nèi)外研究現(xiàn)狀和進(jìn)展，討論了目前遙感圖像分類存在的問(wèn)題。然后以錢塘江流域?yàn)檠芯繀^(qū)域，利用2010年ETM、MODIS和DEM多源數(shù)據(jù)，主要進(jìn)行了如下研究:
　　(1)詳細(xì)介紹了隨機(jī)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(jī)(Support Vector Machine，SVM)、決策樹(shù)、Bagging和Boosting。
　　(2)研究了隨機(jī)森林參數(shù)設(shè)置對(duì)分類精度的影響程度，實(shí)驗(yàn)表明，分類精度對(duì)參數(shù)設(shè)置不敏感，通常情況下，使用默認(rèn)參數(shù)，即可達(dá)到理想的分類效果。
　　(3)研究了隨機(jī)森林計(jì)算變量重要性的可靠性與實(shí)用價(jià)值，實(shí)驗(yàn)表明，隨機(jī)森林計(jì)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(shí)間縮短，具有很好的實(shí)用價(jià)值。
　　(4)對(duì)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(shí)驗(yàn)表明，RF用于遙感圖像分類時(shí)，分類精度明顯高于ML、RBF-NN和C4.5算法，略高于SVM、Bagging和AdaBoost