為了快速、準(zhǔn)確地掌握不透水面的空間分布及滿足動(dòng)態(tài)變化信息現(xiàn)實(shí)需求,本文基于多分類器集成學(xué)習(xí)的思想,引入隨機(jī)森林算法,以Landsat8影像為數(shù)據(jù)源,長(zhǎng)春市為實(shí)驗(yàn)區(qū),選取光譜特征、紋理測(cè)度、空間變換后的獨(dú)立分量等25個(gè)特征變量進(jìn)行分類研究,根據(jù)OOB誤差進(jìn)行重要性分析并試驗(yàn)得出最優(yōu)的分類模型,實(shí)現(xiàn)高精度不透水面信息的提取,最后與傳統(tǒng)參數(shù)分類法進(jìn)行比較。結(jié)果表明:隨機(jī)森林算法的總體精度可以達(dá)到94%,高出最大似然分類法5.9%,支持向量機(jī)算法0.77%,Kappa系數(shù)為0.914 3,均方根誤差為0.104 3,不透水面的提取精度達(dá)95.54%,可以精確地得出所需信息,為城市建設(shè)與規(guī)劃提供有效的專題數(shù)據(jù)。

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

圖1研究區(qū)

首先利用ENVI5.1中的RadiometricCalibration工具進(jìn)行輻射定標(biāo)，將像元DN值轉(zhuǎn)為反射率;然后利用FlaashAtmosphericCorrection模塊進(jìn)行大氣校正，消除大氣對(duì)傳播過(guò)程的影響;最后將校正后的影像進(jìn)行拼接并按研究區(qū)范圍進(jìn)行剪裁，定義....

圖2MNF變換

本文利用ENVI5.1中的ForwardMNFEstimateNoiseStatistics工具對(duì)影像進(jìn)行MNF變換并選擇前3個(gè)分量加入分類特征，變換后的圖像如圖2所示。2.3RF算法

圖3隨機(jī)森林原理

為了平衡時(shí)間效率以及獲取最優(yōu)的分類結(jié)果，參數(shù)優(yōu)選是一個(gè)必不可少的過(guò)程。隨機(jī)森林算法的分類精度主要受到兩個(gè)參數(shù)的調(diào)控:每個(gè)節(jié)點(diǎn)隨機(jī)選取的特征數(shù)目和模型中決策樹(shù)的個(gè)數(shù)，因此將從兩部分討論分類精度隨兩個(gè)參數(shù)的變化情況。3.1.1特征數(shù)目的影響

圖4分類精度隨特征數(shù)的變化情況

當(dāng)森林規(guī)模過(guò)小時(shí)，模型不穩(wěn)定，具有較大的隨機(jī)性，而森林規(guī)模過(guò)大時(shí)，模型冗余，計(jì)算繁雜。因此，根據(jù)經(jīng)驗(yàn)首先設(shè)置樹(shù)的個(gè)數(shù)為100，特征數(shù)目從1～15逐一變化進(jìn)行模型訓(xùn)練，并將訓(xùn)練樣本的1/3數(shù)據(jù)作為測(cè)試集，評(píng)估不同參數(shù)下隨機(jī)森林在訓(xùn)練集和測(cè)試集下的表現(xiàn)，得到的結(jié)果如圖4所示。圖4中實(shí)....

本文編號(hào)：3962118