随机森林算法在高分辨遥感影像土地覆被分类中的实现和应用

《随机森林算法在高分辨遥感影像土地覆被分类中的实现和应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、：单位代码：／０Ｗ分类号密级：：１２７２０１１９学号签後卷扯义ｆ学位论文随机森林算法在高分辨違感影像±地覆被分类中的实现和应用民ｅａｌｉｚａｔｉｏｎａｎｄＡｐｐｌｉｃａｔｉｏｎｏｆＲａｎｄｏｍＦｏｒｅｓｔＡｌｇｏｒｉｔｈｍｉｎＬａｎｄＧｏｖｅｒＧｌａｓｓｉｆｉｃａｔｉｏ打ｏｆＨｉｈ民ｅｓｏｌｕｔｉｏｎ民ｅｍｏｔｅＳｅ打ｓｉ打Ｉｍａｅｒｇｇｇｙ研究生：陆宁辛指导教师：黄庆丰教授申请学位口类级别：农学硕±专业名称：森林经理学３Ｓ技术在林业中的

2、应用研究方向：所在学院：林学与园林学院义答辩委员会主席：巧梅二０—五年六月独创性声明本人声明所皇交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加切标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得安徽农业大学或其它教育机构的学位或证书一而使用过的材料。与我同工作的同志对本研巧所做的任何贡献均已在论文中作了明确的说明并表示了谢意。研究生签名；睐气斗－时间；年月／女日关于论文使用授权的说明本人完全Ｔ解安徽农业大学有关保留、使用学位论

3、文的规定，即：学校有权保留、缩印等复，，Ｗ采用影印或打描允许论文被査阅和借阅可送交论文的复印件和磁盘媒体上发表、、同汇编学位论文。意安徽农业大学可从用不同方式在不制手段保存同。传播学位论文的全部或部分内容保密的学位论文在解密后应递守此协议）（：年巧月／；时间／研巧生签名／人＾玉一ｂ：月第导师签名时间知列耗、摘要研究土地覆被变化已经成为研究全球变化以及研究现代地学的核心和热点，在土地覆被变化的研究中，土地覆被分类是最为基础和关键的一个环节。土地覆被分类需要强大的分类方法，随机森林是一个功能强大的机器学习分类器，是一种与传统

4、的决策树相比基于非参数回归算法的集成学习方法。目前，随着众多高分辨率卫星陆续发射，高分影像数据量大，混合像元减少、地物信息增多，然而空间分辨率的提高并没有使得分类精度的提高，相反，会出现分类精度的降低。传统基于像元光谱信息分类的方法应用在这些高分影像分类时所得到的精确度远远达不到生产所需的要求。影像中地物信息增多体现在地物的纹理结构随着空间分辨率的提高而变得非常清晰，提取稳定的鉴别性强的纹理特征对提高影像分类精度有十分重要的意义。本文以石台县的两个乡镇为研究区域，选用Rapideye高分影像作为数据源。研究区景观空间异质性程度高，阴影覆盖区域面积大，实

5、地调查中部分类别在影像上显示的颜色可分性不强。为此，本研究采用已广泛地应用于遥感影像的纹理提取的地质统计学方法提取纹理特征，对原始波段进行BandMath运算提取植被指数，应用随机森林计算特征重要性筛选特征，对改变树的数量、特征组合与分类精度间的关系进行试验，并与最大似然法分类结果进行比较。结果表明：（1）随机森林泛化误差随着树的数量（N）增加而收敛于定值，分类精度随着N值增大而无显著增加，并且计算机运算效率降低。本研究中最终选取N=500，既能满足分类精度要又能保证运算效率；（2）应用随机森林和最大似然法对加入纹理特征组合进行分类精度评价，Kappa

6、系数分别为0.7134和0.6315，高于加入植被指数特征组合和对纹理和植被指数特征组合。应用随机森林算法分类精度明显高于应用最大似然法所得的分类精度。此外，纹理信息可以在一定程度上提高分类的精度，对于耕地、建筑等几何形状明显且规律性强的地类分类精度有显著提高，对光谱值接近的不同地类之间的区分提供了有效的依据。随机森林算法综合表现更优，它在保证分类精度的前提下，也能保证运算的效率，更适宜实际生产应用，有一定的应用价值。同时，操作方便，由计算机计算筛选所需特征个数及所需的特征，还能预测满足分类精度要求的N值。最大似然法操作步骤亦不繁琐，但是精度相对较低。

7、关键词：随机森林，Rapideye影像，土地覆被分类，纹理特征IAbstractStudyonchangeoflandcoverhasbecomeanimportanttopicofglobalchangeresearchandmoderngeo-scientificresearch.Totheresearchoflandcoverchange,landcoverclassificationisthebasisandimportantpart.Robustclassificationmethodisrequiredtolandcoverclassifi

8、cation,randomforestisapowerfulmachinelearningcl