典型文献
基于特征优选随机森林算法的GF-2影像分类
文献摘要：
基于随机森林算法(RF,Random Forest)对"高分二号"(GF-2)卫星遥感数据进行面向对象地表信息提取时存在如下不足:1)有限的光谱波段导致随机森林可选特征变量受限,影响分类器性能;2)面向对象影像分割尺度以经验判别为主,缺少定量化的判定标准.为了克服上述问题,文章提出了一种优化特征空间的随机森林分类算法.首先根据面向对象分割的理论方法,引入方差变化率,获取研究区影像的最优分割尺度;然后利用随机森林–平均精度减少模型(RF-MDA,Random Forest-Mean Decrease in Accuracy)与K折交叉验证算法(K-CV,K-Cross Validation),进行特征重要性排序并优化特征空间;最后,基于不同特征组合的随机森林分类算法进行面向对象分类,并对分类结果进行对比分析.结果表明,改进的基于特征优选随机森林分类算法的总体精度和Kappa系数分别为93.44％和0.928,优于原始RF算法.该方法能够有效提高GF-2卫星遥感影像在土地利用分类方面的精度,可为国土监测和管理提供技术支持和理论指导.
文献关键词：
"高分二号"卫星遥感影像;特征优选;随机森林;面向对象分类;最优分割尺度
中图分类号：
作者姓名：
杨迎港;刘培;张合兵;张文志
作者机构：
河南理工大学测绘与国土信息工程学院,焦作 454003;海南省海洋与渔业科学院,海口 570100
文献出处：
引用格式：
[1]杨迎港;刘培;张合兵;张文志-.基于特征优选随机森林算法的GF-2影像分类)[J].航天返回与遥感,2022(02):115-126
A类：
B类：
特征优选,随机森林算法,GF,影像分类,RF,Random,Forest,高分二号,卫星遥感数据,信息提取,波段,特征变量,分类器,影像分割,定量化,判定标准,特征空间,随机森林分类,分类算法,面向对象分割,理论方法,最优分割尺度,Mean,Decrease,Accuracy,交叉验证,CV,Cross,Validation,特征重要性,重要性排序,特征组合,面向对象分类,总体精度,Kappa,卫星遥感影像,土地利用分类
AB值：
0.358362
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
