文献类型：期刊文章

作　　者：刘杰[1,2] 刘吉凯[3] 安晶晶[1,2] 章超[3]

LIU Jie;LIU Jikai;AN Jingjing;ZHANG Chao(Huaihe River Basin Meteorological Center, Hefei, Anhui 230031, China;Anhui Meteorological Observatory, Hefei, Anhui 230031, China;College of Resource and Environment, Anhui Science and Technology University, Fengyang, Anhui 233100, China)

机构地区：[1]淮河流域气象中心,安徽合肥230031 [2]安徽省气象台,安徽合肥230031 [3]安徽科技学院资源与环境学院,安徽凤阳233100

出　　处：《干旱地区农业研究》

基　　金：淮河流域气象开放研究基金(HRM201606);安徽科技学院引进人才资助项目(ZHYJ201603)。

年　　份：2020

卷　　号：38

期　　号：3

起止页码：281-288

语　　种：中文

收录情况：BDHX、BDHX2017、CAB、CSCD、CSCD2019_2020、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：利用新疆阿克苏地区温宿县2014—2015年生长季的7景时序Landsat 8 OLI数据,提取光谱特征、纹理特征、植被指数等高维信息,并基于随机森林算法(Random Forest,RF)构建分类模型。分析了RF模型中重要参数树个数k、节点分裂特征个数m对分类精度的影响,计算GINI系数评估所有特征重要性,探索最佳特征子集,完成模型的参数率定与信息冗余消除,实现了温宿县研究区内的多种作物类型精细分类,并对比分析了随机森林与其他几种机器学习算法的分类性能。结果表明:作物分类的3类特征中,重要性排名靠前的分别是影像纹理平均规则程度Mean、与作物水分含量密切相关的地表水分指数(LSWI)及短波红外波段光谱反射率,对应干旱区作物的2个关键时相:生长旺盛期与播种期;随机森林分类精度受分类特征数量的影响。当特征删除量低于总特征数的30%时,RF模型的分类精度基本保持不变;当删除量超过70%时,分类精度下降的幅度加大;随机森林方法相对于决策树、支持向量机、朴素贝叶斯、K-近邻等监督分类算法,无论是分类结果的精度还是分类效率均具有优势。

关 键 词：随机森林算法  作物分类  时序Landsat 8 OLI  特征重要性  新疆  

分 类 号：S127]