参数优化随机森林算法的土地覆盖分类

针对随机森林算法进行土地覆盖分类时无法确定参数组合以得到最优分类结果的问题,该文提出了两种随机森林算法的参数优化方法。以北京市昌平区为研究区,应用Landsat TM影像,实现了基于光谱值、纹理特征和专题特征的随机森林土地覆盖分类。采用改进网格法和遗传算法对随机森林算法的参数进行选择与优化,比较了改进的网格法和遗传算法方法找到的参数组合最优解,并将优化参数后的随机森林算法与传统的最大似然法及未经参数优化的随机森林算法对比。实验结果验证了随机森林算法在土地覆盖分类上的适用性和稳定性,且该文提出的基于参数优化的随机森林算法能得到更高的分类精度。     

基于随机森林的遥感影像云雪雾分类检测

遥感影像中的云、雪、雾会遮盖地表的有用信息导致影像无法使用,为了提高有效遥感影像的使用效率,需要检测遥感影像中云、雪、雾的范围并剔除无用的影像。以自动检测卫星遥感影像中的云、雪、雾为目的,研究基于随机森林的遥感影像云、雪、雾分类检测方法,并通过增加"二次检测"减少有效区域与云、雪、雾间的错检。实验表明该方法具有较高的检测精度和效率。     

基于随机森林分类方法和多源遥感数据的湿地植被精细分类

利用大丰市沿海滩涂湿地区域的高光谱影像和同时期的机载LIDAR数据,结合影像的光谱信息,采用随机森林算法(RF)对研究区进行湿地植被精细分类,并分析和评价分类模型参数设置对总体精度的影响,最后与SVM分类结果进行对比。结果表明:随机森林分类方法的总体精度为90.3%、卡帕(Kappa)系数为0.874;与传统的SVM分类方法相比,RF法均提高了4种湿地植被的生产者精度和使用者精度。通过分析RF分类模型参数设置对总体精度的影响,得出当生长树个数为30、生长树深度为30时,分类精度最高。     

基于GF-1号影像的南方水稻种植信息提取

针对南方复杂地区水稻遥感信息提取研究中机器自动学习分类研究较少、分类精度不高的问题,以福建省三明市建宁县溪口镇为研究区,基于GF-1号卫星影像,采用面向对象的随机森林遥感分类算法对研究区内水稻田信息进行提取。首先通过优化面向对象分割参数和随机森林分类模型参数,提取并调用了影像中的多种特征;再对光谱特征、植被指数特征、纹理特征、几何特征进行特征空间优选;最后通过设置4种特征优选试验进行对比,得到最优分类模型。实验结果显示,基于特征空间优选的面向对象随机森林分类算法的水稻提取精度高达90%,分类总体精度可达87%,Kappa系数为0.85;与其他试验结果相比,漏分和误分现象较少,实现了南方地区水稻信息高精度自动识别。该方法计算特征少、实现简便,对于国产高分卫星影像在南方复杂地区作物自动提取中的应用具有参考性。     

基于时序Sentinel-2影像的农作物分类研究

特征选择是提高农作物分类精度的一个重要手段.本文基于时序Sentinel-2影像提取影像的波段特征、植被指数、纹理特征,以这三类特征构建分类特征集,使用随机森林算法对分类特征集进行特征选择和分类实验.根据分类混淆计算的研究区总体分类精度为92.5％,Kappa系数为0.904,高精度地提取了研究区内冬小麦、大蒜等主要冬季作物的种植信息,这表明随机森林算法在对特征降维的同时,也能保证较高的分类精度.     

无人机影像湿地典型要素分类方法对比研究

针对厘米级的无人机影像,选取无锡某湿地公园作为研究对象,首先对湿地影像进行多尺度分割并利用ESP工具获取最佳分割参数,再进行特征选择,选取决策树(DT)、贝叶斯(Bayes)、随机森林(RF)等3种分类方法对湿地典型要素进行分类,并对比分析不同方法的分类结果及精度。对比结果表明,随机森林算法在湿地典型要素分类中精度最高,决策树和贝叶斯分类算法精度逊色于随机森林。从分类效率来看,随机森林算法耗时最长且涉及参数设置调整,而贝叶斯算法效率大幅领先决策树和随机森林,且该算法操作简单、无参数设置,易于在生产中应用。     

时序SAR影像的干旱地区土地利用分类应用

为探究时序合成孔径雷达(SAR)影像在干旱地区土地利用分类中的能力,该文以新疆石河子市为研究区域,基于时序Sentinel-1A SAR影像,采用随机森林、CART决策树、支持向量机3种分类方法对时序SAR影像进行分类并与单时相SAR影像分类结果的进行对比.结果表明,时序SAR影像相较于单时相SAR影像可以更加有效地获取高精度土地利用信息,3种分类方法的分类效果均优于单时相SAR影像,其中随机森林分类的分类精度最高,总体分类精度和Kappa系数分别达到92.77％和0.91.     

基于随机森林的洪河湿地遥感影像分类研究

随机森林(Random Forests)是一种最有效的分类方法之一。现阶段,它吸引了来自不同领域的研究人员,被广泛应用到不同的学科领域之中。本文采用TM影像,运用随机森林算法,对洪河湿地影像进行分类,并与最大似然监督分类方法(Maximum Likelihood Classification,MLC)和CART(Classification And Regression Tree)算法对比。结果表明,基于RF算法的分类结果的总精度和Kappa系数分别为88.31%和0.82,较MLC和CART分类方法有明显提高。从而证明RF算法可以提高遥感影像的分类精度,并可应用在湿地信息的提取研究中。     

特征优选的GF-2影像湿地地表覆盖要素提取

为满足地理国情普查及监测对湿地地表覆盖要素自动分类需求,本文以GF-2影像为数据源,采用Relief F算法优选特征,根据选取不同特征数量达到的总体分类精度和类间分类精度,对比分析面向对象的随机森林、决策树、支持向量机、最邻近4种分类方法对湿地覆被自动分类的适用性,通过实例进行对比分析,结果表明经过特征优选上述4种分类方法均可利用较少特征值达到较优的分类结果,验证了Relief F算法的有效性。在分类精度和学习速度方面,随机森林最优,决策树优于支持向量机,除最邻近方法外均可用于湿地信息普查。     

航空影像农田类型分类在地理国情监测中的应用研究

航空影像的植被信息提取是遥感影像分类中的难点,仅利用光谱信息难以提取农田类型。本文以江苏农田为主要覆盖的典型区域为研究对象,选择航空影像利用随机森林算法提取不同的农田信息。本研究采用多尺度的分割方法,面向对象实现特征信息提取。根据光谱、纹理以及几何形状特性筛选出较为合适的特征作为参数,利用随机森林算法实现植被二级分类,分类精度达到84.60%,KAPPA系数为0.753,可为地理国情生产提供一定的参考。