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
由于季节性的植被动态和水文波动,湿地遥感影像分类常常比较困难.本文采用优化特征空间的随机森林算法(Ran-dom Forest)对吉林省白城市通榆县东部地区预处理后的GF-2影像进行湿地分类研究,具体分为2步:①对研究区遥感影像进行多尺度分割和对象特征的提取.针对一些学者获取最佳分割尺度时仍受主观因素影响较大的情况,本文通过改进全局最优分割方法来获得最佳分割尺度.②在最优分割的基础上,基于特征重要性对随机森林分类算法的特征空间进行优化,以得到最佳的随机森林分类结果,并与相同条件下(同数据、同分割尺度、同训练样本,同特征空间)的K-NN、SVM、CART 3种算法以及未优化特征空间的RF算法的分类结果进行了比较.结果表明,基于优化特征空间的RF算法的分类结果总精度和Kappa系数分别为93.038%和0.9177,而K-NN、SVM和CART 3种分类算法的分类结果的总精度分别为83.357%、78.068%、77.136%,未优化特征空间的RF算法分类结果总精度为90.937%.相较于K-NN、SVM、CART 3种分类算法,RF算法在GF-2湿地影像数据中具有更好的分类性能,同时优化特征空间的RF算法精度有所提高,在湿地资源管理中可以发挥非常重要的作用.
GF-2影像、面向对象、随机森林、湿地分类、最优分割尺度、特征空间优化
20
国家自然科学基金项目41472243
2018-12-21(万方平台首次上网日期,不代表论文的发表时间)
共9页
1520-1528