【摘要】：為提高工礦復(fù)墾區(qū)遙感影像土地利用分類精度,為土地復(fù)墾監(jiān)測工作提供數(shù)據(jù)支持,該文探討了基于網(wǎng)格搜索(Grid-Search)的隨機森林(random forest)復(fù)墾區(qū)土地利用分類方法。研究利用GF-1影像、DEM(digital elevation model)和野外調(diào)查等數(shù)據(jù),以隨機森林分類算法為框架,采用基于OOB(Out-of-Bag)誤差的網(wǎng)格搜索法對算法進行參數(shù)尋優(yōu),結(jié)合影像光譜、地形、紋理、空間信息,計算選取了33個特征變量,構(gòu)建了4種變量組合模型開展隨機森林分類試驗,4個組合模型的分類精度分別達到82.79%、84.91%、86.75%、88.16%。為去除33個特征變量中的冗余信息、降低影像波段變量維度、縮短分類執(zhí)行時間并保證影像分類精度,試驗分別利用變量重要性估計和Relief F方法進行特征選擇后再次執(zhí)行隨機森林分類,將分類結(jié)果與不同組合模型、不同分類方法進行比較,結(jié)果表明:基于網(wǎng)格搜索參數(shù)尋優(yōu)的隨機森林算法在多特征變量的影像分類中可以達到88.16%的分類精度,在利用不同方法降維后依然可以將分類精度保持在85%以上,精度優(yōu)于相同特征變量下的SVM(support vector machine)和MLC(maximum likelihood classification)分類方法;在效率方面,隨機森林分類方法執(zhí)行時間優(yōu)于SVM,并且在處理多維特征變量時能力更強。由此可見,采用基于網(wǎng)格搜索的隨機森林方法對工礦復(fù)墾區(qū)土地利用信息進行分類提取可以得到較高的精度,基于該方法開展遙感影像解譯可為土地復(fù)墾監(jiān)測工作提供技術(shù)支持和理論參考。
文內(nèi)圖片：
圖片說明： 省瀘州市古藺縣石屏鄉(xiāng)，地理坐標為28°0′55′′～28°3′26′′N，105°59′32′′～106°2′13′′E，區(qū)域內(nèi)海拔410～1025m，中亞熱帶氣候，年平均氣溫17.1～18.5℃、平均降雨量748.4～1184.2mm。區(qū)域內(nèi)分布有若干硫磺廠與工業(yè)區(qū)，，堆積有廢棄磺渣堆，對周邊土地造成了一定污染[8-10]，參照《土地利用現(xiàn)狀分類標準（GB/T21010-2007）》，研究區(qū)內(nèi)土地利用類型劃分為有林地、灌木林地、旱地、工礦用地（工業(yè)用地、采礦用地）、農(nóng)村宅基地、道路（公路、農(nóng)村道路）和坑塘水面等，地理區(qū)位、樣點分布及遙感影像數(shù)據(jù)如圖1所示。圖1研究區(qū)地理位置、樣點分布和3D遙感影像Fig.1Locationofstudyarea,samplingpointsdistributionand3Dofremotesensingimage2數(shù)據(jù)選取及預(yù)處理本研究中采用的主要數(shù)據(jù)為GF-1衛(wèi)星遙感影像，輔助數(shù)據(jù)包括無人機航拍影像、DEM數(shù)據(jù)、地面實測數(shù)據(jù)、GoogleEarth數(shù)據(jù)。其中，GF-1衛(wèi)星遙感影像用于復(fù)墾區(qū)土地利用信息分類提��；DEM數(shù)據(jù)作為輔助數(shù)據(jù)，提取坡度、坡向信息，參與影像分類并用于提高影像分類精度；無人機航拍影像與GoogleEarth數(shù)據(jù)用于樣點采集和精度評價。2.1GF-1衛(wèi)星遙感影像GF-1號衛(wèi)星發(fā)射于2013年，搭載了兩臺2m分辨率全色/8m分辨率多光譜相機（PMS），四臺16m分辨率多光譜相機（WFV）[11]。本文選用的GF-1遙感數(shù)據(jù)為2m分辨率全色/8m分辨率多光譜波段數(shù)據(jù)1景，波段數(shù)為5，分別為B、G、R、NIR、PAN，獲取日期為2016年10月9日，域內(nèi)無云量。影像的預(yù)處理在ENVI5.3軟件平臺中完成，對多光譜數(shù)據(jù)的預(yù)處理包括輻射定標、FLAASH模塊大氣校正、正射校正，后對全色數(shù)據(jù)進行輻射定標、正射校正，再將全色和多光譜數(shù)據(jù)利用Gram-Schmidt方法融合后裁剪生成研究區(qū)影像數(shù)據(jù)[12]。2.2輔助數(shù)據(jù)?
文內(nèi)圖片：
圖片說明： 組合模型：模型1（光譜特征，SPE），模型2（光譜、地形特征組合，SPE+DEM），模型3（光譜、地形和紋理特征組合，SPE+DEM+TXT），模型4（光譜、地形、紋理和空間特征組合，SPE+DEM+TXT+SPA），評測各特征變量對影像分類的貢獻度，選出最佳的分類方案；4）通過基于OOB誤差的網(wǎng)格搜索法進行RF分類算法參數(shù)尋優(yōu)，對4種模型執(zhí)行分類并對結(jié)果進行精度評價[13-14]；5）利用特征變量重要性估計和ReliefF方法分別擇優(yōu)選取波段變量，再次執(zhí)行RF分類算法，通過與SVM和MLC分類方法進行比較，評估RF分類方法的性能，技術(shù)路線如圖2。圖2技術(shù)路線Fig.2Workflowofthisstudy其中，影像的特征變量計算包括基于光譜信息計算的適于提取植被的NDV（Inormalizeddifferencevegetationindex）、適于提取不透水面的BC（Ibiophysicalcompositionindex）[15-16]；基于地形數(shù)據(jù)計算的坡度、坡向、曲率；基于紋理信息計算的均值、方差、同質(zhì)性、熵與二階距等；反映空間信息的LocalMoran’I和LocalGetisOrdGi[17]。3.2特征變量計算與選取影像獲取月份為10月，該時段部分旱地植被覆蓋度較低，其目視特征與工礦用地十分相似。GF-1影像沒有中紅外、熱紅外波段，無法構(gòu)建NDISI、NDII等提取不透水層較為有效的光譜指數(shù)[18]，因此本文利用三指數(shù)法構(gòu)建了BCI指數(shù)，用以增強分類算法識別低覆蓋度植被區(qū)與工礦區(qū)的能力。BCI的計算過程如下[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
【作者單位】： 中國地質(zhì)大學(xué)(北京)土地科學(xué)技術(shù)學(xué)院;國土資源部土地整治中心;
【基金】：公益性行業(yè)科研專項(201411017)
【分類號】：S771.8;TP751

【參考文獻】

相關(guān)期刊論文 前10條

1 王文靜;張霞;趙銀娣;王樹東;;綜合多特征的Landsat 8時序遙感圖像棉花分類方法[J];遙感學(xué)報;2017年01期

2 王永吉;孟慶巖;楊健;孫云曉;李鵬;邢武杰;;一種基于特征選擇的面向?qū)ο筮b感影像分類方法[J];科學(xué)技術(shù)與工程;2016年32期

3 徐涵秋;王美雅;;地表不透水面信息遙感的主要方法分析[J];遙感學(xué)報;2016年05期

4 郭玉寶;池天河;彭玲;劉吉磊;楊麗娜;;利用隨機森林的高分一號遙感數(shù)據(jù)進行城市用地分類[J];測繪通報;2016年05期

5 趙玉;王紅;張珍珍;;基于遙感光譜和空間變量隨機森林的黃河三角洲刺槐林健康等級分類[J];遙感技術(shù)與應(yīng)用;2016年02期

6 楊文治;張友靜;尹新沆;王金龍;;面向GF-1影像的比值建筑用地指數(shù)構(gòu)建[J];國土資源遙感;2016年01期

7 楊佒雯;張錦水;朱秀芳;謝登峰;袁周米琪;;隨機森林在高光譜遙感數(shù)據(jù)中降維與分類的應(yīng)用[J];北京師范大學(xué)學(xué)報(自然科學(xué)版);2015年S1期

8 馬s

本文編號：2514689