基于网格搜索随机森林算法的工矿复垦区土地利用分类

发布时间：2019-07-15 12:35

【摘要】：为提高工矿复垦区遥感影像土地利用分类精度,为土地复垦监测工作提供数据支持,该文探讨了基于网格搜索(Grid-Search)的随机森林(random forest)复垦区土地利用分类方法。研究利用GF-1影像、DEM(digital elevation model)和野外调查等数据,以随机森林分类算法为框架,采用基于OOB(Out-of-Bag)误差的网格搜索法对算法进行参数寻优,结合影像光谱、地形、纹理、空间信息,计算选取了33个特征变量,构建了4种变量组合模型开展随机森林分类试验,4个组合模型的分类精度分别达到82.79%、84.91%、86.75%、88.16%。为去除33个特征变量中的冗余信息、降低影像波段变量维度、缩短分类执行时间并保证影像分类精度,试验分别利用变量重要性估计和Relief F方法进行特征选择后再次执行随机森林分类,将分类结果与不同组合模型、不同分类方法进行比较,结果表明:基于网格搜索参数寻优的随机森林算法在多特征变量的影像分类中可以达到88.16%的分类精度,在利用不同方法降维后依然可以将分类精度保持在85%以上,精度优于相同特征变量下的SVM(support vector machine)和MLC(maximum likelihood classification)分类方法;在效率方面,随机森林分类方法执行时间优于SVM,并且在处理多维特征变量时能力更强。由此可见,采用基于网格搜索的随机森林方法对工矿复垦区土地利用信息进行分类提取可以得到较高的精度,基于该方法开展遥感影像解译可为土地复垦监测工作提供技术支持和理论参考。
文内图片：

图片说明：省泸州市古蔺县石屏乡，地理坐标为28°0′55′′～28°3′26′′N，105°59′32′′～106°2′13′′E，区域内海拔410～1025m，中亚热带气候，年平均气温17.1～18.5℃、平均降雨量748.4～1184.2mm。区域内分布有若干硫磺厂与工业区，，堆积有废弃磺渣堆，对周边土地造成了一定污染[8-10]，参照《土地利用现状分类标准（GB/T21010-2007）》，研究区内土地利用类型划分为有林地、灌木林地、旱地、工矿用地（工业用地、采矿用地）、农村宅基地、道路（公路、农村道路）和坑塘水面等，地理区位、样点分布及遥感影像数据如图1所示。图1研究区地理位置、样点分布和3D遥感影像Fig.1Locationofstudyarea,samplingpointsdistributionand3Dofremotesensingimage2数据选取及预处理本研究中采用的主要数据为GF-1卫星遥感影像，辅助数据包括无人机航拍影像、DEM数据、地面实测数据、GoogleEarth数据。其中，GF-1卫星遥感影像用于复垦区土地利用信息分类提取；DEM数据作为辅助数据，提取坡度、坡向信息，参与影像分类并用于提高影像分类精度；无人机航拍影像与GoogleEarth数据用于样点采集和精度评价。2.1GF-1卫星遥感影像GF-1号卫星发射于2013年，搭载了两台2m分辨率全色/8m分辨率多光谱相机（PMS），四台16m分辨率多光谱相机（WFV）[11]。本文选用的GF-1遥感数据为2m分辨率全色/8m分辨率多光谱波段数据1景，波段数为5，分别为B、G、R、NIR、PAN，获取日期为2016年10月9日，域内无云量。影像的预处理在ENVI5.3软件平台中完成，对多光谱数据的预处理包括辐射定标、FLAASH模块大气校正、正射校正，后对全色数据进行辐射定标、正射校正，再将全色和多光谱数据利用Gram-Schmidt方法融合后裁剪生成研究区影像数据[12]。2.2辅助数据?
文内图片：

图片说明：组合模型：模型1（光谱特征，SPE），模型2（光谱、地形特征组合，SPE+DEM），模型3（光谱、地形和纹理特征组合，SPE+DEM+TXT），模型4（光谱、地形、纹理和空间特征组合，SPE+DEM+TXT+SPA），评测各特征变量对影像分类的贡献度，选出最佳的分类方案；4）通过基于OOB误差的网格搜索法进行RF分类算法参数寻优，对4种模型执行分类并对结果进行精度评价[13-14]；5）利用特征变量重要性估计和ReliefF方法分别择优选取波段变量，再次执行RF分类算法，通过与SVM和MLC分类方法进行比较，评估RF分类方法的性能，技术路线如图2。图2技术路线Fig.2Workflowofthisstudy其中，影像的特征变量计算包括基于光谱信息计算的适于提取植被的NDV（Inormalizeddifferencevegetationindex）、适于提取不透水面的BC（Ibiophysicalcompositionindex）[15-16]；基于地形数据计算的坡度、坡向、曲率；基于纹理信息计算的均值、方差、同质性、熵与二阶距等；反映空间信息的LocalMoran’I和LocalGetisOrdGi[17]。3.2特征变量计算与选取影像获取月份为10月，该时段部分旱地植被覆盖度较低，其目视特征与工矿用地十分相似。GF-1影像没有中红外、热红外波段，无法构建NDISI、NDII等提取不透水层较为有效的光谱指数[18]，因此本文利用三指数法构建了BCI指数，用以增强分类算法识别低覆盖度植被区与工矿区的能力。BCI的计算过程如下[19-20]TC10.326B0.509G0.56R0.567NIR（1）TC20.311B0.356G0.325R0.819NIR（2）TC30.612B0.312G0.722R0.081NIR（3）minmaxmin1111TCTCHTCTC（4）minmaxmin2222TCTCVTCTC（5）minmaxmin3333TCTCLTCTC（6）()/2BCI()/2HLVHLV
【作者单位】：中国地质大学(北京)土地科学技术学院;国土资源部土地整治中心;
【基金】：公益性行业科研专项(201411017)
【分类号】：S771.8;TP751

【参考文献】