基于隨機森林與J48 決策樹的面向?qū)ο蠓椒ǖ耐恋馗脖环诸?/h1>
2021-03-15 07:32:46李靖
科技創(chuàng)新與應(yīng)用 2021年10期
李 靖
（蘭州大學 資源環(huán)境學院，甘肅 蘭州730000）
1 概述
遙感技術(shù)是土地覆被分類的重要手段之一[1]，在土地覆被信息提取與專題信息提取上具有重要意義。由于基于像元的影像分析存在較多的缺點，在當今遙感大數(shù)據(jù)的時代，難以滿足各部門制圖等要求[2]。因此，隨著高分影像的快速發(fā)展，數(shù)據(jù)呈現(xiàn)爆炸式增長，如國產(chǎn)的高分系列衛(wèi)星，外國的Worldview 系列衛(wèi)星等，衛(wèi)星影像的分辨率越來越高，數(shù)據(jù)量越來越大，對影像分類方法的要求也越來越高。目前，主要使用面向?qū)ο蟮挠跋穹治龇椒ㄟM行研究，該方法可以充分利用影像的光譜、紋理、形狀、上下文特征，完成影像的信息提取，其效果明顯優(yōu)于基于像元的影像分類方法[3]。國內(nèi)外學者在基于像元的遙感圖像分類基礎(chǔ)上進行了大量研究，引入許多新方法，如神經(jīng)網(wǎng)絡(luò)分類器（Neural Net Classifier）、模糊集（Fuzzy Set）、分層聚類（Hierar2chical Clustering）等，這些方法是基于像元層次，不能突破傳統(tǒng)分類方法的局限性，也不能滿足對高分辨率遙感圖像分類的要求[4]。
基于對象影像分析方法是由Baatz 等（2000）提出[5]，其本質(zhì)是通過相關(guān)分割算法產(chǎn)生分割對象，并以此為最小分析單元進行分類或?qū)ｎ}信息提取。與基于像元影像分析方法相比，對象具有更豐富的語義信息，并且可以模仿人的認知過程和思維方式進行分類，可以有效地解決“同物異譜、異物同譜”的問題，消除基于像元分類中存在的“椒鹽噪聲”現(xiàn)象，從而有效地提高分類精度[6-7]。由于面向?qū)ο蟮挠跋穹诸惙椒ú粩喟l(fā)展，國內(nèi)外學者不斷提出方法、并不斷進行改進。黃慧萍等（2004）使用基于對象影像分析方法提取了城市綠地覆被信息，得到了較好結(jié)果[8]。王慧敏等（2011）使用海地區(qū)域地震后的Geo Eye-1 影像對受損的建筑物進行了提取[9]。趙軍利等（2015）以ALOS 為基礎(chǔ)數(shù)據(jù)，有效提取了烏蘭布和沙漠的荒漠植被[10]。
目前，機器學習算法逐漸成熟，也開始成為遙感影像分類的一個重要發(fā)展方法。利用機器學習算法對遙感影像進行分類，可以有效的對遙感影像進行分類，完成相應(yīng)的信息提取工作。
2 方法與數(shù)據(jù)準備
2.1 分類方法介紹
表1 土地覆被分類體系
2.1.1 隨機森林分類算法
隨機森林是一種比較新的機器學習模型。經(jīng)典的機器學習模型是神經(jīng)網(wǎng)絡(luò)，有半個多世紀的歷史了。神經(jīng)網(wǎng)絡(luò)預(yù)測精確，但是計算量很大。上世紀八十年代Breiman等人發(fā)明分類樹的算法（Breiman et al. 1984），通過反復(fù)二分數(shù)據(jù)進行分類或回歸，計算量大大降低。2001 年Breiman 把分類樹組合成隨機森林（Breiman 2001a），即在變量（列）的使用和數(shù)據(jù)（行）的使用上進行隨機化，生成很多分類樹，再匯總分類樹的結(jié)果。隨機森林在運算量沒有顯著提高的前提下提高了預(yù)測精度。隨機森林對多元共線性不敏感，結(jié)果對缺失數(shù)據(jù)和非平衡的數(shù)據(jù)比較穩(wěn)健，可以很好地預(yù)測多達幾千個解釋變量的作用（Breiman 2001b），被譽為當前最好的算法之一（Iverson et al. 2008）。
2.1.2 J48 決策樹分類算法
J48 即決策樹C4.5 算法，其核心算法為ID3 算法。C4.5 算法是一種高效的決策樹算法，采用信息增益率選取分類屬性，遞歸構(gòu)造決策樹的各個分支，完成對連續(xù)屬性的離散化處理。C4.5 算法的優(yōu)點是：產(chǎn)生的分類規(guī)則易于理解，準確率較高。其缺點是：在構(gòu)造樹的過程中，需要對數(shù)據(jù)集進行多次的順序掃描和排序，因而導致算法的低效。C4.5 算法是通過選擇具有最高的信息增益率的特征作為樹的節(jié)點，進行訓練樣本集中各地物類型的劃分，它具有三個特點：（1）連續(xù)型和離散型的特征數(shù)據(jù)均可處理；（2）也可以處理缺失值數(shù)據(jù)；（3）可對生成的樹剪枝以糾正過度擬合。
2.2 數(shù)據(jù)準備
2.2.1 研究區(qū)概況
本次數(shù)據(jù)采用Wordview-2 影像，數(shù)據(jù)獲取日期為2014 年10 月2 日，地區(qū)為寧夏省中衛(wèi)市，多光譜波段空間分辨率為2m，全色波段空間分辨率為0.5m。本次實驗數(shù)據(jù)的研究區(qū)大小為1024*1024，從原始Worldview-2 多光譜整景影像上截取下來，作為本實驗研究對象，空間分辨率為2m。研究區(qū)位于寧夏回族自治區(qū)中衛(wèi)市西南區(qū)域，地理范圍：105°2′42.03″～105°10′28.46″E，37°30′0.47″～37°35′54.24″N，平均海拔高度為1223m。
2.2.2 遙感影像預(yù)處理
根據(jù)此次影像分類需要的特征與影像特點，在ENVI5.3 中對研究區(qū)影像進行以下預(yù)處理工作，（1）利用全球DEM 數(shù)據(jù)計算研究區(qū)平均海拔；（2）輻射定標；（3）FLAASH 大氣校正。
3 基于隨機森林與J48 決策樹的土地覆被分類
3.1 影像分割及其參數(shù)優(yōu)選
3.1.1 影像分割及其參數(shù)優(yōu)選介紹
文章研究在eCognition 9.0 中進行多尺度分割，由尺度、光譜、形狀、光滑度與緊湊度5 個參數(shù)對分割結(jié)果進行控制。在軟件中只需要預(yù)設(shè)尺度、形狀、緊湊度三個參數(shù)。分割對象作為基于對象的影像分析中的基礎(chǔ)單元，其分割質(zhì)量的優(yōu)劣將直接影響后續(xù)的分類結(jié)果。劉勇等[11]（2012）提取出了PSE、NSR 及ED2 3 個指標，文章將使用該方法進行參數(shù)優(yōu)選。
3.1.2 影像分割及其參數(shù)優(yōu)選實現(xiàn)
由于分割尺度的多樣性，文章先通過分割嘗試與目視判斷，對WorldView-2 多光譜影像研究區(qū)選擇的分割尺度范圍為30-150，步長為5；形狀、緊湊度的范圍均為0.1-0.9，步長為0.1。通過自動多尺度分割得到分割數(shù)據(jù)集，根據(jù)ED2 選取最優(yōu)分割參數(shù)組合。
3.2 分類體系建立
本次實驗根據(jù)研究區(qū)地理特征、自然狀況，應(yīng)用目視解譯的方法選取研究區(qū)訓練樣本，本研究區(qū)的對象一共有1293 個，綜合考慮后，決定選取的訓練樣本個數(shù)為255 個，具體的訓練樣本個數(shù)分布與分類體系如表1 所示。
3.3 影像分類
影像分類特征：
文章通過對研究區(qū)綜合考慮，選取光譜、幾何、紋理特征進行分類，其中自定義的光譜指數(shù)如表2 所示。
本次實驗選取的分類特征如表2 所示，然后導出上述28 個屬性，選取255 個訓練樣本，在Weka 中利用隨機森林算法與J48 決策樹完成分類。
表2 自定義光譜特征指數(shù)
4 數(shù)據(jù)結(jié)果分析
4.1 影像分割參數(shù)優(yōu)選結(jié)果
本次多尺度分割采用不一致評價法對影像分割參數(shù)進行優(yōu)選，通過歐幾里得距離（ED2）與尺度因子的關(guān)系圖可以發(fā)現(xiàn)，分割參數(shù)組合的最優(yōu)值尺度因子應(yīng)該在70-90 之間。查找ED2 結(jié)果表可以確定最小的ED2 對應(yīng)的尺度因子、形狀因子、緊湊度因子，優(yōu)選結(jié)果如表3 所示。
表3 基于ED2 算法的研究區(qū)分割參數(shù)優(yōu)選結(jié)果
4.2 影像分類結(jié)果與混淆矩陣
4.2.1 基于隨機森林、J48 決策樹的分類結(jié)果與混淆矩陣
本實驗利用隨機森林得到的分類結(jié)果影像如圖1 所示，在eCognition 9.0 中選取檢驗樣本后的分類精度混淆矩陣如表4 所示，其中檢驗樣本對象個數(shù)共為391 個，精度評價使用的方法為Error Martix based on Samples。
從該方法結(jié)果圖可以看出，隨機森林分類方法好于J48 決策樹的分類結(jié)果，但是依然存在一些錯誤分類，可以綜合利用光譜、幾何、紋理、上下文特征進行改進。
4.2.2 隨機森林與J48 決策樹分類精度對比
從表4 中可以看出，在檢驗樣本相同的情況下，隨機森林分類方法的總體精度與Kappa 系數(shù)明顯優(yōu)于J48 決策樹分類算法，但是兩個方法出現(xiàn)的分類錯誤主要出現(xiàn)在草地與耕地的劃分上，因為兩個類別極易混淆，尤其在耕地作物處于成長期時，多項特征指數(shù)及其接近。后續(xù)對分類結(jié)果進行改進，由于基于隨機森林分類方法的精度明顯高于基于J48 決策樹分類方法，因此文章將對隨機森林分類方法結(jié)果圖進行優(yōu)化，并以此為基礎(chǔ)得到最終的土地覆被分類圖。
圖1 基于對象的隨機森林法（圖左）與J48 決策樹（圖右）分類結(jié)果圖
4.3 影像分類結(jié)果優(yōu)化
通過觀察基于隨機森林分類方法的結(jié)果影像中的錯誤分類，發(fā)現(xiàn)可以通過一些光譜、上下文特征等進行優(yōu)化，使其分類更加準確。具體優(yōu)化方法如下：（1）通過NDVI 指數(shù)將錯分到village（農(nóng)村居民地）中的grassland（草地）重新分類到grassland 中，NDVI 閾值經(jīng)過比對各個對象，設(shè)置為0.41，大于0.41 的重新劃分為grassland；（2）將NDVI小于0 的farmland 重分類為water；（3）通過觀察一些孤立的village 基本屬于farmland，所以利用RelBorder to 將該錯誤分類進行正確分類，閾值確定為0.1，即將village 中Rel Border to village 小于0.1 的劃分到farmland；（4）利用merge region 算法執(zhí)行合并對象操作，美化影像；（5）合并后的影像存在大量長條狀的小塊耕地，這些為錯誤分類，利用緊湊度Compactness 進行重分類，閾值為5，即Compactness 大于5 的farmland 重分類為grassland；（6）再次利用merge region 算法執(zhí)行合并grassland 對象操作，美化影像。
表4 隨機森林與J48 決策樹分類精度對比
圖2 中衛(wèi)市西南部分地區(qū)土地覆被分類圖
4.4 最終分類結(jié)果
在eCognition 中導出優(yōu)化后的影像的矢量圖層，在ArcGIS 中打開，完成土地覆被分類圖制作，結(jié)果圖如圖2所示。
5 結(jié)論
文章將隨機森林與J48 決策樹分別繼承與面向?qū)ο蟮挠跋穹治龇椒ㄖ?，均得到了不錯的分類精度，分類效果較好。其中，隨機森林分類方法優(yōu)于J48 決策樹方法，基于隨機森林的土地覆被總精度達到90.03%，Kappa 系數(shù)達到0.85。基于隨機森林分類結(jié)果圖進行優(yōu)化，并在ArcGIS 中制作了研究區(qū)的土地覆被分類圖，顯示效果較好。面向?qū)ο蟮姆诸惙椒梢猿浞掷糜跋竦墓庾V、幾何、紋理、上下文等特征信息，完成相應(yīng)地物類型的識別與分類，避免了基于像元結(jié)果中“椒鹽現(xiàn)象”的產(chǎn)生，從而提高了影像的分類精度。文章充分使用了遙感影像的光譜、幾何、紋理特征，并使用機器學習算法隨機森林與J48 決策樹，完成了土地覆被信息提取，其分類精度較高，進一步體現(xiàn)了基于對象分類方法的優(yōu)越性。文章雖然使用了隨機森林與J48 決策樹機器學習算法進行分類，并進行了相應(yīng)的精度對比，但并未對兩個算法適用的分類情況與各自優(yōu)缺點進行探究，需要后續(xù)進行針對性的探討與研究。
猜你喜歡
基于三維Saab變換的高光譜圖像壓縮方法北京航空航天大學學報(2022年8期)2022-08-31 08:58:58 一種針對不均衡數(shù)據(jù)集的SVM決策樹算法成都信息工程大學學報(2019年3期)2019-09-25 08:31:20 決策樹和隨機森林方法在管理決策中的應(yīng)用電子制作(2018年16期)2018-09-26 03:27:06 基于DSPIC33F微處理器的采集精度的提高電子制作(2018年11期)2018-08-04 03:25:38 基于決策樹的出租車乘客出行目的識別中央民族大學學報(自然科學版)(2016年4期)2016-06-27 08:06:04 GPS／GLONASS／BDS組合PPP精度分析測繪科學與工程(2016年5期)2016-04-17 06:51:15 星載近紅外高光譜CO2遙感進展中國光學(2015年5期)2015-12-09 09:00:28 基于肺癌CT的決策樹模型在肺癌診斷中的應(yīng)用鄭州大學學報(醫(yī)學版)(2015年1期)2015-02-27 14:50:26 改進的Goldschmidt雙精度浮點除法器電子設(shè)計工程(2015年3期)2015-02-27 12:03:45 苦味酸與牛血清蛋白相互作用的光譜研究食品工業(yè)科技(2014年23期)2014-03-11 18:18:54
李 靖
（蘭州大學 資源環(huán)境學院，甘肅 蘭州730000）
1 概述
遙感技術(shù)是土地覆被分類的重要手段之一[1]，在土地覆被信息提取與專題信息提取上具有重要意義。由于基于像元的影像分析存在較多的缺點，在當今遙感大數(shù)據(jù)的時代，難以滿足各部門制圖等要求[2]。因此，隨著高分影像的快速發(fā)展，數(shù)據(jù)呈現(xiàn)爆炸式增長，如國產(chǎn)的高分系列衛(wèi)星，外國的Worldview 系列衛(wèi)星等，衛(wèi)星影像的分辨率越來越高，數(shù)據(jù)量越來越大，對影像分類方法的要求也越來越高。目前，主要使用面向?qū)ο蟮挠跋穹治龇椒ㄟM行研究，該方法可以充分利用影像的光譜、紋理、形狀、上下文特征，完成影像的信息提取，其效果明顯優(yōu)于基于像元的影像分類方法[3]。國內(nèi)外學者在基于像元的遙感圖像分類基礎(chǔ)上進行了大量研究，引入許多新方法，如神經(jīng)網(wǎng)絡(luò)分類器（Neural Net Classifier）、模糊集（Fuzzy Set）、分層聚類（Hierar2chical Clustering）等，這些方法是基于像元層次，不能突破傳統(tǒng)分類方法的局限性，也不能滿足對高分辨率遙感圖像分類的要求[4]。
基于對象影像分析方法是由Baatz 等（2000）提出[5]，其本質(zhì)是通過相關(guān)分割算法產(chǎn)生分割對象，并以此為最小分析單元進行分類或?qū)ｎ}信息提取。與基于像元影像分析方法相比，對象具有更豐富的語義信息，并且可以模仿人的認知過程和思維方式進行分類，可以有效地解決“同物異譜、異物同譜”的問題，消除基于像元分類中存在的“椒鹽噪聲”現(xiàn)象，從而有效地提高分類精度[6-7]。由于面向?qū)ο蟮挠跋穹诸惙椒ú粩喟l(fā)展，國內(nèi)外學者不斷提出方法、并不斷進行改進。黃慧萍等（2004）使用基于對象影像分析方法提取了城市綠地覆被信息，得到了較好結(jié)果[8]。王慧敏等（2011）使用海地區(qū)域地震后的Geo Eye-1 影像對受損的建筑物進行了提取[9]。趙軍利等（2015）以ALOS 為基礎(chǔ)數(shù)據(jù)，有效提取了烏蘭布和沙漠的荒漠植被[10]。
目前，機器學習算法逐漸成熟，也開始成為遙感影像分類的一個重要發(fā)展方法。利用機器學習算法對遙感影像進行分類，可以有效的對遙感影像進行分類，完成相應(yīng)的信息提取工作。
2 方法與數(shù)據(jù)準備
2.1 分類方法介紹
表1 土地覆被分類體系
2.1.1 隨機森林分類算法
隨機森林是一種比較新的機器學習模型。經(jīng)典的機器學習模型是神經(jīng)網(wǎng)絡(luò)，有半個多世紀的歷史了。神經(jīng)網(wǎng)絡(luò)預(yù)測精確，但是計算量很大。上世紀八十年代Breiman等人發(fā)明分類樹的算法（Breiman et al. 1984），通過反復(fù)二分數(shù)據(jù)進行分類或回歸，計算量大大降低。2001 年Breiman 把分類樹組合成隨機森林（Breiman 2001a），即在變量（列）的使用和數(shù)據(jù)（行）的使用上進行隨機化，生成很多分類樹，再匯總分類樹的結(jié)果。隨機森林在運算量沒有顯著提高的前提下提高了預(yù)測精度。隨機森林對多元共線性不敏感，結(jié)果對缺失數(shù)據(jù)和非平衡的數(shù)據(jù)比較穩(wěn)健，可以很好地預(yù)測多達幾千個解釋變量的作用（Breiman 2001b），被譽為當前最好的算法之一（Iverson et al. 2008）。
2.1.2 J48 決策樹分類算法
J48 即決策樹C4.5 算法，其核心算法為ID3 算法。C4.5 算法是一種高效的決策樹算法，采用信息增益率選取分類屬性，遞歸構(gòu)造決策樹的各個分支，完成對連續(xù)屬性的離散化處理。C4.5 算法的優(yōu)點是：產(chǎn)生的分類規(guī)則易于理解，準確率較高。其缺點是：在構(gòu)造樹的過程中，需要對數(shù)據(jù)集進行多次的順序掃描和排序，因而導致算法的低效。C4.5 算法是通過選擇具有最高的信息增益率的特征作為樹的節(jié)點，進行訓練樣本集中各地物類型的劃分，它具有三個特點：（1）連續(xù)型和離散型的特征數(shù)據(jù)均可處理；（2）也可以處理缺失值數(shù)據(jù)；（3）可對生成的樹剪枝以糾正過度擬合。
2.2 數(shù)據(jù)準備
2.2.1 研究區(qū)概況
本次數(shù)據(jù)采用Wordview-2 影像，數(shù)據(jù)獲取日期為2014 年10 月2 日，地區(qū)為寧夏省中衛(wèi)市，多光譜波段空間分辨率為2m，全色波段空間分辨率為0.5m。本次實驗數(shù)據(jù)的研究區(qū)大小為1024*1024，從原始Worldview-2 多光譜整景影像上截取下來，作為本實驗研究對象，空間分辨率為2m。研究區(qū)位于寧夏回族自治區(qū)中衛(wèi)市西南區(qū)域，地理范圍：105°2′42.03″～105°10′28.46″E，37°30′0.47″～37°35′54.24″N，平均海拔高度為1223m。
2.2.2 遙感影像預(yù)處理
根據(jù)此次影像分類需要的特征與影像特點，在ENVI5.3 中對研究區(qū)影像進行以下預(yù)處理工作，（1）利用全球DEM 數(shù)據(jù)計算研究區(qū)平均海拔；（2）輻射定標；（3）FLAASH 大氣校正。
3 基于隨機森林與J48 決策樹的土地覆被分類
3.1 影像分割及其參數(shù)優(yōu)選
3.1.1 影像分割及其參數(shù)優(yōu)選介紹
文章研究在eCognition 9.0 中進行多尺度分割，由尺度、光譜、形狀、光滑度與緊湊度5 個參數(shù)對分割結(jié)果進行控制。在軟件中只需要預(yù)設(shè)尺度、形狀、緊湊度三個參數(shù)。分割對象作為基于對象的影像分析中的基礎(chǔ)單元，其分割質(zhì)量的優(yōu)劣將直接影響后續(xù)的分類結(jié)果。劉勇等[11]（2012）提取出了PSE、NSR 及ED2 3 個指標，文章將使用該方法進行參數(shù)優(yōu)選。
3.1.2 影像分割及其參數(shù)優(yōu)選實現(xiàn)
由于分割尺度的多樣性，文章先通過分割嘗試與目視判斷，對WorldView-2 多光譜影像研究區(qū)選擇的分割尺度范圍為30-150，步長為5；形狀、緊湊度的范圍均為0.1-0.9，步長為0.1。通過自動多尺度分割得到分割數(shù)據(jù)集，根據(jù)ED2 選取最優(yōu)分割參數(shù)組合。
3.2 分類體系建立
本次實驗根據(jù)研究區(qū)地理特征、自然狀況，應(yīng)用目視解譯的方法選取研究區(qū)訓練樣本，本研究區(qū)的對象一共有1293 個，綜合考慮后，決定選取的訓練樣本個數(shù)為255 個，具體的訓練樣本個數(shù)分布與分類體系如表1 所示。
3.3 影像分類
影像分類特征：
文章通過對研究區(qū)綜合考慮，選取光譜、幾何、紋理特征進行分類，其中自定義的光譜指數(shù)如表2 所示。
本次實驗選取的分類特征如表2 所示，然后導出上述28 個屬性，選取255 個訓練樣本，在Weka 中利用隨機森林算法與J48 決策樹完成分類。
表2 自定義光譜特征指數(shù)
4 數(shù)據(jù)結(jié)果分析
4.1 影像分割參數(shù)優(yōu)選結(jié)果
本次多尺度分割采用不一致評價法對影像分割參數(shù)進行優(yōu)選，通過歐幾里得距離（ED2）與尺度因子的關(guān)系圖可以發(fā)現(xiàn)，分割參數(shù)組合的最優(yōu)值尺度因子應(yīng)該在70-90 之間。查找ED2 結(jié)果表可以確定最小的ED2 對應(yīng)的尺度因子、形狀因子、緊湊度因子，優(yōu)選結(jié)果如表3 所示。
表3 基于ED2 算法的研究區(qū)分割參數(shù)優(yōu)選結(jié)果
4.2 影像分類結(jié)果與混淆矩陣
4.2.1 基于隨機森林、J48 決策樹的分類結(jié)果與混淆矩陣
本實驗利用隨機森林得到的分類結(jié)果影像如圖1 所示，在eCognition 9.0 中選取檢驗樣本后的分類精度混淆矩陣如表4 所示，其中檢驗樣本對象個數(shù)共為391 個，精度評價使用的方法為Error Martix based on Samples。
從該方法結(jié)果圖可以看出，隨機森林分類方法好于J48 決策樹的分類結(jié)果，但是依然存在一些錯誤分類，可以綜合利用光譜、幾何、紋理、上下文特征進行改進。
4.2.2 隨機森林與J48 決策樹分類精度對比
從表4 中可以看出，在檢驗樣本相同的情況下，隨機森林分類方法的總體精度與Kappa 系數(shù)明顯優(yōu)于J48 決策樹分類算法，但是兩個方法出現(xiàn)的分類錯誤主要出現(xiàn)在草地與耕地的劃分上，因為兩個類別極易混淆，尤其在耕地作物處于成長期時，多項特征指數(shù)及其接近。后續(xù)對分類結(jié)果進行改進，由于基于隨機森林分類方法的精度明顯高于基于J48 決策樹分類方法，因此文章將對隨機森林分類方法結(jié)果圖進行優(yōu)化，并以此為基礎(chǔ)得到最終的土地覆被分類圖。
圖1 基于對象的隨機森林法（圖左）與J48 決策樹（圖右）分類結(jié)果圖
4.3 影像分類結(jié)果優(yōu)化
通過觀察基于隨機森林分類方法的結(jié)果影像中的錯誤分類，發(fā)現(xiàn)可以通過一些光譜、上下文特征等進行優(yōu)化，使其分類更加準確。具體優(yōu)化方法如下：（1）通過NDVI 指數(shù)將錯分到village（農(nóng)村居民地）中的grassland（草地）重新分類到grassland 中，NDVI 閾值經(jīng)過比對各個對象，設(shè)置為0.41，大于0.41 的重新劃分為grassland；（2）將NDVI小于0 的farmland 重分類為water；（3）通過觀察一些孤立的village 基本屬于farmland，所以利用RelBorder to 將該錯誤分類進行正確分類，閾值確定為0.1，即將village 中Rel Border to village 小于0.1 的劃分到farmland；（4）利用merge region 算法執(zhí)行合并對象操作，美化影像；（5）合并后的影像存在大量長條狀的小塊耕地，這些為錯誤分類，利用緊湊度Compactness 進行重分類，閾值為5，即Compactness 大于5 的farmland 重分類為grassland；（6）再次利用merge region 算法執(zhí)行合并grassland 對象操作，美化影像。
表4 隨機森林與J48 決策樹分類精度對比
圖2 中衛(wèi)市西南部分地區(qū)土地覆被分類圖
4.4 最終分類結(jié)果
在eCognition 中導出優(yōu)化后的影像的矢量圖層，在ArcGIS 中打開，完成土地覆被分類圖制作，結(jié)果圖如圖2所示。
5 結(jié)論
文章將隨機森林與J48 決策樹分別繼承與面向?qū)ο蟮挠跋穹治龇椒ㄖ?，均得到了不錯的分類精度，分類效果較好。其中，隨機森林分類方法優(yōu)于J48 決策樹方法，基于隨機森林的土地覆被總精度達到90.03%，Kappa 系數(shù)達到0.85。基于隨機森林分類結(jié)果圖進行優(yōu)化，并在ArcGIS 中制作了研究區(qū)的土地覆被分類圖，顯示效果較好。面向?qū)ο蟮姆诸惙椒梢猿浞掷糜跋竦墓庾V、幾何、紋理、上下文等特征信息，完成相應(yīng)地物類型的識別與分類，避免了基于像元結(jié)果中“椒鹽現(xiàn)象”的產(chǎn)生，從而提高了影像的分類精度。文章充分使用了遙感影像的光譜、幾何、紋理特征，并使用機器學習算法隨機森林與J48 決策樹，完成了土地覆被信息提取，其分類精度較高，進一步體現(xiàn)了基于對象分類方法的優(yōu)越性。文章雖然使用了隨機森林與J48 決策樹機器學習算法進行分類，并進行了相應(yīng)的精度對比，但并未對兩個算法適用的分類情況與各自優(yōu)缺點進行探究，需要后續(xù)進行針對性的探討與研究。
猜你喜歡
北京航空航天大學學報(2022年8期)2022-08-31 08:58:58
成都信息工程大學學報(2019年3期)2019-09-25 08:31:20
電子制作(2018年16期)2018-09-26 03:27:06
電子制作(2018年11期)2018-08-04 03:25:38
中央民族大學學報(自然科學版)(2016年4期)2016-06-27 08:06:04
測繪科學與工程(2016年5期)2016-04-17 06:51:15
中國光學(2015年5期)2015-12-09 09:00:28
鄭州大學學報(醫(yī)學版)(2015年1期)2015-02-27 14:50:26
電子設(shè)計工程(2015年3期)2015-02-27 12:03:45
食品工業(yè)科技(2014年23期)2014-03-11 18:18:54
