基于随机森林的高寒湿地地区土地覆盖遥感分类方法

• 作者: 侯蒙京 冯琦胜 李元春 梁天刚 殷建鹏 葛静
• 来源期刊: 农业机械学报
• 学科: 农学
• 关键词: 高寒湿地 土地覆盖 随机森林 特征选择 遥感 分类
• 年，卷（期）: 2020,（7）
• 所属期刊栏目: 农业信息化工程
• 页码范围: 220-227
• 页数: 8页
• 分类号: S127|P237
• 字数: 4864字
• 语种: 中文
• DOI: 10.6041/j.issn.1000-1298.2020.07.025

摘要

高寒湿地是青藏高原典型独特的生态系统,是全球气候变化的敏感地带和预警区.利用遥感技术快速、准确地分类提取高寒湿地的土地覆盖信息,对当地生态安全监测和保护具有重要意义.本文以若尔盖湿地国家级自然保护区为研究区,首先,以高分一号(GF-1)遥感影像为数据源,融合光谱特征、水体指数、地形特征、植被指数和纹理信息等26个变量进行随机森林(Random forest,RF)分类实验;然后,根据袋外数据(Out of bag,OOB)的特征变量重要性得分和精度评价结果,选出高寒湿地地区土地覆盖类型的最优分类方案和特征;最后,对特征变量进行降维,并基于相同的变量,采用极大似然法(Maximum likelihood classification,MLC)、支持向量机(Support vector machine,SVM)、人工神经网络(Artificial neural network,ANN)和RF等方法进行分类,比较不同方法的优适性.结果 表明:结合GF-l影像光谱、水体、植被、纹理特征和地形信息,使用26个变量的RF模型的分类精度最高,总体精度(Overall accuracy,OA)为90.07％,Kappa系数为0.86;通过RF模型的变量重要性分析可以有效选出重要的特征信息,在降低特征变量维度的同时,还能保证较高的分类精度;4种分类方法中,RF算法是高寒湿地地区较合适的分类方法,OA比MLC基准方法高17.63个百分点,比SVM和ANN等机器学习算法分别高6.98、6.56个百分点.