岳麗婭 鄧潔瑩 梁霄

關(guān)鍵詞：數(shù)據(jù)挖掘；患病樹木檢測；隨機(jī)森林；支持向量機(jī)

1引言

如今，林木健康問題已得到社會(huì)各界前所未有的關(guān)注，而中國傳統(tǒng)的樣地檢測和受控實(shí)驗(yàn)等方法需要耗費(fèi)大量人力物力，且得出具體結(jié)論所需時(shí)間往往較長，使林業(yè)健康檢測喪失時(shí)效性。故傳統(tǒng)手段具有一定局限性。而遙感是避免接觸，目標(biāo)距離較遠(yuǎn)的一種探測技術(shù)，其能夠?yàn)檠芯咳藛T提供更高緯度的視野，可以有效收集并且處理復(fù)雜時(shí)空維度下的海量信息。本項(xiàng)目基于高分辨率遙感數(shù)據(jù)，結(jié)合統(tǒng)計(jì)學(xué)相關(guān)理論知識(shí)以及新興的數(shù)據(jù)挖掘技術(shù)，對(duì)健康樹木和患病樹木的遙感圖像數(shù)據(jù)進(jìn)行分析研究和區(qū)別分類，旨在實(shí)現(xiàn)樹木患病的檢測與預(yù)防，且有效提升森林蟲害防治的研究效率[1]。

2研究意義

理論意義：引人數(shù)據(jù)挖掘技術(shù)，豐富森林健康管理研究方法。

目前，關(guān)于林木健康的研究雖已取得豐碩成果，但森林健康相關(guān)的數(shù)據(jù)挖掘作為現(xiàn)實(shí)問題研究還較少。因此，本項(xiàng)目引入數(shù)據(jù)挖掘技術(shù)，構(gòu)建科學(xué)有效的模型和算法，從而豐富森林健康管理的研究方法，為其提供一種新的研究視角。

現(xiàn)實(shí)意義：為相關(guān)部門對(duì)樹木健康的檢測監(jiān)控提供參考。

基于高分辨率遙感數(shù)據(jù)，利用統(tǒng)計(jì)學(xué)相關(guān)理論知識(shí)以及數(shù)據(jù)挖掘技術(shù)，對(duì)健康樹木和患病樹木的遙感圖像數(shù)據(jù)進(jìn)行分析研究和區(qū)別分類，在對(duì)森林健康的保護(hù)方面有著極其重要的現(xiàn)實(shí)意義。

3數(shù)據(jù)導(dǎo)入與預(yù)處理

3.1數(shù)據(jù)集加載

本文所使用的原數(shù)來源于機(jī)器學(xué)習(xí)的加州大學(xué)數(shù)據(jù)庫UCI，本文使用的則是其中一組病樹研究數(shù)據(jù)。該數(shù)據(jù)集是來自Johnson等遙感研究的一些訓(xùn)練和測試數(shù)據(jù)的集合。該數(shù)據(jù)集由Quickbird衛(wèi)星遙感圖像分割組成，這些分割是通過分割全銳化圖像生成的，這些數(shù)據(jù)中含有快鳥衛(wèi)星遙感數(shù)據(jù)中的紋理信息以及數(shù)據(jù)的光譜信息，其數(shù)據(jù)屬性信息如表1所列。

該數(shù)據(jù)集來自Quickbird衛(wèi)星遙感圖像。數(shù)據(jù)集中的原數(shù)據(jù)為計(jì)算過后的R，G和NIR波段的平均光譜值以及兩個(gè)常用的紋理度量，標(biāo)準(zhǔn)差和灰度共生矩陣（GLCM）表示所有方向上的信息。而B波段再次被排除在分析外，因?yàn)樗c綠色波段中信息高度相關(guān)，而全色波段被用作兩種紋理計(jì)算，因?yàn)樗钤敿?xì)的空間信息。實(shí)驗(yàn)區(qū)域?yàn)榧s為3.0kmx2.5km，主要由落葉闊葉林和常綠針葉林組成，有較小面積的砍伐林、住宅和農(nóng)業(yè)用地。又因?yàn)檫@個(gè)位置有許多患病的松樹和一些其他樹種，而且該地區(qū)有許多其他類型的土地利用和土地覆蓋，從而有利于我們實(shí)驗(yàn)的對(duì)比分析。

3.2本文進(jìn)行的數(shù)據(jù)預(yù)處理

數(shù)據(jù)處理指的是在提取數(shù)據(jù)、模型、研究和分析原始數(shù)據(jù)集的其他活動(dòng)前需要進(jìn)行的一些處理過程。我們獲得的數(shù)據(jù)源一般都是不適合用來挖掘的。所以需要通過數(shù)據(jù)預(yù)處理使數(shù)據(jù)集變成進(jìn)行數(shù)據(jù)挖掘合適的數(shù)據(jù)[2]。

原數(shù)據(jù)集劃分為95%的訓(xùn)練集以及5%測試集，按照習(xí)慣總數(shù)據(jù)集將按照比例6：2：2劃分為三類，分別是訓(xùn)練集、測試集、驗(yàn)證集。但在一些情況下，驗(yàn)證集并不是必要的，所以本文將原數(shù)據(jù)集合并后按照比例劃分為75%的訓(xùn)練集以及25%測試集，用于病樹檢測模型的擬合和評(píng)估檢測。

4病樹檢測模型的建立與求解

4.1隨機(jī)森林分類方法

4.1.1隨機(jī)森林基本原理

隨機(jī)森林是用于回歸與分類的一種主流集成學(xué)習(xí)方法，也是一種常見的機(jī)器學(xué)習(xí)模型。它的實(shí)質(zhì)是建立在決策樹基礎(chǔ)上的分類器集成算法，屬于Bagging類型[3]。隨機(jī)森林中單棵樹的信息增益率公式如下：

4.1.2基于隨機(jī)森林的病樹分類

首先，對(duì)數(shù)據(jù)集進(jìn)行一下處理，將類別變量轉(zhuǎn)換為因子型，以便接下來的分類建模工作。然后，查看自變量的重要性程度。如圖1所示。

兩種測算方式下分別代表換掉變量后準(zhǔn)確率的降低程度和換掉變量后信息增益率的降低程度。而這兩個(gè)的數(shù)值大小，決定了變量的重要性，值越大，則表示變量越重要[4]。從圖2可以看出，Mean_Red對(duì)分類結(jié)果影響最大，是所有變量中對(duì)分類問題最重要的變量。

在使用函數(shù)randimForest（）時(shí)，函數(shù)會(huì)存在默認(rèn)mtry（單棵樹的特征數(shù)量）與ntree（森林中樹的棵數(shù)）。但是，現(xiàn)實(shí)中這個(gè)默認(rèn)值一般情況下都不是分類效果最好的，所以我們在構(gòu)建模型時(shí)，應(yīng)該想辦法去確定最優(yōu)的參數(shù)值。

基于逐一增加變量的方法，從輸出結(jié)果可以觀察到，當(dāng)mtry為5時(shí)，模型的誤判率均值是最低的。

在確定了最優(yōu)的mtry后，還需要進(jìn)一步確定模型中的最優(yōu)ntree。在確定該參數(shù)時(shí)，我們將應(yīng)用模型的可視化分析。在之前的分析中發(fā)現(xiàn)，mtry為5時(shí)模型最佳，所以接下來將建立相應(yīng)的模型，并對(duì)其進(jìn)行可視化分析。具體結(jié)果如圖3所示。

從圖3可以得出，當(dāng)ntree大概大于450后，模型誤差便會(huì)趨于穩(wěn)定，所以我們可以將模型中的ntree大致確定為450，以此來達(dá)到最優(yōu)模型。

綜上，在建立模型時(shí)，本文嘗試了當(dāng)mtry=5，ntree=500; mtry=5，ntree=450; mtry=3，ntree=450，三種不同情況下模型建立效果。發(fā)現(xiàn)這兩個(gè)參數(shù)對(duì)分類結(jié)果影響較小。這里展示其中效果最好的mtry=5，ntree=450時(shí)的模型結(jié)果。

如表2所列，其中預(yù)測錯(cuò)誤的僅有12個(gè)實(shí)例個(gè)數(shù)，而針對(duì)患病樹木檢測正確的卻有52個(gè)，正確率為99 .Ogo-/o，預(yù)測結(jié)果良好，適合作為病樹檢測分類的建模方法。接下來繪制用于評(píng)價(jià)模型優(yōu)劣的ROC曲線圖[5]，如圖4所示，圖中的AUC值為0.946。

其余兩個(gè)模型的AUC值為0.945和0.937，相對(duì)來說，模型效果區(qū)別并不大。

4.2支持向量機(jī)分類方法

4.2.1支持向量機(jī)基本原理

支持向量機(jī)通常用來進(jìn)行分類，回歸分析及模式識(shí)別。自支持向量機(jī)算法大概原理提出后，20世紀(jì)90年代Vapnik等的研究成果又使得該法快速發(fā)展。由于其較高的正確率已成為解決多維數(shù)據(jù)預(yù)測的一種較受歡迎的工具，支持向量機(jī)種類不同可解決不同類型的問題。其基本原理是將分類點(diǎn)正確區(qū)分，使分隔的距離最大化，可以轉(zhuǎn)化為凸二次規(guī)劃問題來求解[6]。

4.2.2基于支持向量機(jī)的病樹分類

在使用R語言對(duì)支持向量機(jī)算法建模的過程中，參數(shù)type是指建立模型的類別，它可以取的值有五種，分別為：C-classification，nu-classification，one-classification，eps-regression和nu-regression。其中，前3個(gè)針對(duì)的分類方式都是字符型結(jié)果變量，而且第3種方式同時(shí)還是邏輯判別：后兩種則是針對(duì)數(shù)量型結(jié)果變量的分類方式。故根據(jù)用途的差異，我們選擇type的取值為C-classification。

為了選擇模型最優(yōu)的核函數(shù)，采用了逐一實(shí)驗(yàn)不同核函數(shù)的建模效果的方法，并進(jìn)行了比較結(jié)果，最后看預(yù)測結(jié)果最好的模型，它用什么核函數(shù)，我們就用它所使用的核函數(shù)。

觀察各種分類方式的模型預(yù)測結(jié)果，所得齊次多項(xiàng)式核函數(shù)的建模正確率為0.9669，非齊次多項(xiàng)式核函數(shù)的建模正確率為0.9521，高斯核函數(shù)的建模正確率為0.9901，雙曲正切核函數(shù)的正確率為0.9083。由此，故選擇高斯核函數(shù)作為建模核函數(shù)。最終，我們將利用C-classification與高斯核函數(shù)結(jié)合的模型作為最優(yōu)模型。并根據(jù)該模型預(yù)測，得到混淆矩陣如表3所列。

由表3可知，其中預(yù)測錯(cuò)誤的僅有12個(gè)實(shí)例個(gè)數(shù)，而針對(duì)患病樹木檢測正確的卻有48個(gè)，正確率為99.01%，預(yù)測結(jié)果良好，十分適合作為病樹檢測分類的建模方法。接下來繪制用于評(píng)價(jià)模型優(yōu)劣的ROC曲線圖，結(jié)果如圖5所示，AUC值為0.913。

5病樹檢測方法結(jié)果分析對(duì)比

將本文所研究的兩種模型算法進(jìn)行結(jié)果對(duì)比，繪制算法結(jié)果對(duì)比表如表4所列。

由表4可以看出，兩種算法模型結(jié)果均較好，但隨機(jī)森林算法比支持向量機(jī)算法的結(jié)果更好一點(diǎn)，正確率和作為模型的評(píng)價(jià)標(biāo)準(zhǔn)的AUC值均是更優(yōu)秀的。