特征优选随机森林的土地利用分类

发布时间：2021-09-03 20:15

　　针对遥感影像土地利用分类中特征空间选择对分类结果产生重要影响的问题,以Sentinel-2A影像为数据源,基于其丰富光谱信息和空间信息提取多维特征空间,利用平均不纯度减少方法排序特征重要性,采用特征优选的随机森林算法优化分类土地利用的特征空间,提高分类精度。结果表明,特征重要性差异较大,优选排名前14位特征变量组成特征空间,特征的贡献程度由大到小依次为红边指数、光谱特征、纹理特征、植被指数、水体指数。特征优选的随机森林分类结果总体精度为94.03%,Kappa系数为0.917 9,优于原始随机森林算法,一定程度上提高了遥感影像土地利用分类精度。 

【文章来源】：黑龙江科技大学学报. 2020,30(05)

【文章页数】：5 页

【部分图文】：

特征变量重要性

为直观呈现特征个数与袋外数据预测精度(OOB精度)的关系,绘制曲线如图3所示。由图3可见,随着输入特征变量的增加,前段(前10个特征)OOB精度呈现急速上升再缓慢增加的趋势,由80.49%增加到99.12%,主要原因是前10个特征重要性较高(均大于4%),特征之间相关性较小,从而提高了模型的性能;中段(11～18个特征)OOB精度出现波动且有小幅下降趋势;后段(19～31个特征)OOB精度出现小幅回升;综上特点,特征过少,会导致OOB精度不高,特征过多,易存在冗余,使模型复杂度过高,OOB精度出现不增反降的情况。

表2 不同方案的精度对比Table 2 Accuracy comparison of different schemes 方案 特征数量/个 重要性/% 总体精度/% Kappa系数 一 6 >5 92.96 0.903 5 二 10 >4 93.49 0.910 6 三 14 >3 94.03 0.917 9 四 19 >2 93.81 0.914 8 五 22 >1 92.97 0.903 7 六 31 >0 92.82 0.901 8利用验证样本计算混淆矩阵,对随机森林和特征优选随机森林的分类结果进行精度评价,总体精度和各地类的生产者精度ηPA、用户精度ηUA如表3所示。

【参考文献】：
期刊论文
[1]结合随机森林面向对象的森林资源分类[J]. 王猛,张新长,王家耀,孙颖,箭鸽,潘翠红.  测绘学报. 2020(02)
[2]基于无人机影像和面向对象随机森林算法的岩溶湿地植被识别方法研究[J]. 耿仁方,付波霖,蔡江涛,陈晓雨,蓝斐芜,余杭洺,李青逊.  地球信息科学学报. 2019(08)
[3]基于随机森林和Sentinel-2影像数据的低山丘陵区土地利用分类——以重庆市江津区李市镇为例[J]. 张卫春,刘洪斌,武伟.  长江流域资源与环境. 2019(06)
[4]基于Sentinel-2A影像特征优选的随机森林土地覆盖分类[J]. 何云,黄翀,李贺,刘庆生,刘高焕,周振超,张晨晨.  资源科学. 2019(05)
[5]Sentinel-2影像多特征优选的黄河三角洲湿地信息提取[J]. 张磊,宫兆宁,王启为,金点点,汪星.  遥感学报. 2019(02)
[6]基于特征空间优化的随机森林算法在GF-2影像湿地分类中的研究[J]. 詹国旗,杨国东,王凤艳,辛秀文,国策,赵强.  地球信息科学学报. 2018(10)
[7]基于随机森林算法的赣南柑橘果园遥感信息提取[J]. 徐晗泽宇,刘冲,齐述华,赵国帅.  江西师范大学学报(自然科学版). 2018(04)
[8]利用随机森林和纹理特征的森林类型识别[J]. 吕杰,郝宁燕,李崇贵,史晓亮,李宗泽.  遥感信息. 2017(06)
[9]基于随机森林算法的农耕区土地利用分类研究[J]. 马玥,姜琦刚,孟治国,李远华,王栋,刘骅欣.  农业机械学报. 2016(01)



本文编号：3381790