基于随机森林算法和MODIS数据的日喀则地区土地覆盖分类与动态监测

发布时间：2021-08-28 21:37

　　土地覆盖动态变化是导致区域孕灾环境变化的重要因素之一,针对日喀则地区地形复杂、山地灾害易发的特点,选用MODIS、DEM、谷歌地球的高分影像以及气象数据等多源遥感数据,采用随机森林与遥感分析技术相结合的方法,对日喀则2001—2017年的土地覆盖变化进行动态监测。使用500 m分辨率8 d合成的不同年份相同季节的MOD09A1数据,确定了9个土地覆盖类型,分类总体精度和Kappa系数分别为83%和0.83。对多期分类图进行变化分析,统计土地覆盖种类的变化幅度和比例,并加入降水和温度变化等气象要素协同分析,得到动态监测结果。结果表明,近17年来,日喀则地区受自然条件和地形的限制,土地利用潜力不大,植被覆盖率波动上升,但水体覆盖率波动下降,导致生态环境脆弱,容易引发各种自然灾害。 

【文章来源】：安徽农业科学. 2020,48(16)

【文章页数】：12 页

【部分图文】：

图1 日喀则位置示意图

RF是由决策树分类器组成的集成分类器,最终的分类结果是由基分类器投票决定的。RF算法的基本流程是:①从原始样本集S中用Bootstrap方法随机抽取K个训练样本集;②每个训练样本集分别构建决策树模型,从而组成随机森林,得到K种分类结果;③K种分类结果采用投票表决的方式确定最终分类结果,分类误差取决于每一棵树的分类能力和它们之间的相关性。RF通过随机选择输入预测变量和使用相同训练数据集的不同子集来避免偏差和方差的误差,同时也可以克服过度拟合[22]。RF算法基本流程如图3所示。每棵决策树的输入变量是从N个属性样本集中随机抽取M个属性样本,通常M取值为 Μ= Ν 或M=log2N+1。此外,节点分裂标准通常采用基尼指数(Gini)和信息熵(Entropy)。2种方法的计算公式分别为:

考虑到研究区多山区地形且多样化,选用3个具有代表性的光谱指数[23]。NDVI是植被覆盖度的最佳指示因子;NDWI能够凸显影像中的水体信息,在绿色带中具有相对较高的反射率且在NIR中具有强吸收;NDSI利用积雪在绿光波段高反射和短波红外波段强吸收的特征,可提取积雪。3个指数的计算公式如下:图4 RF算法主要技术路线

【参考文献】：
期刊论文
[1]TRMM卫星降水数据在区域干旱监测中的适用性分析[J]. 陈少丹,张利平,郭梦瑶,柳鑫.  农业工程学报. 2018(15)
[2]基于超像素统计量的随机森林遥感图像分类[J]. 石彩霞,赵传钢,庞蕾.  计算机应用研究. 2018(12)
[3]DEM和MODIS数据融合的土地覆盖分类遥感方法研究[J]. 张思琪.  科技通报. 2016(10)
[4]基于MODIS时间序列数据的洞庭湖湿地动态监测[J]. 陈燕芬,牛振国,胡胜杰,张海英.  水利学报. 2016(09)
[5]基于SWAT模型的大安市降水入渗量变化的模拟研究[J]. 马海燕,刘洪超,孙晓庆.  吉林农业大学学报. 2016(03)
[6]利用多时相MODIS NDVI数据进行土地利用/覆被分类和变化监测（英文）[J]. M USMAN,R LIEDL,M A SHAHID,A ABBAS.  Journal of Geographical Sciences. 2015(12)
[7]日喀则河谷退耕还草(林)工程实施后生态功能效应的初步分析[J]. 毛绍娟,李红琴,张镱锂,祝景彬,张法伟,李英年.  草地学报. 2015(06)
[8]基于TM影像的昆明市区土地利用遥感动态监测[J]. 田传召,于阳,肖虹雁,岳彩荣,范怀刚.  林业资源管理. 2014(04)
[9]基于波谱角分类的土地利用动态监测[J]. 于龙,周宇峰,丁丽霞,邹红玉.  浙江农林大学学报. 2014(03)



本文编号：3369292