多分類器組合森林類型精細分類

王懷警，譚炳香，王曉慧，房秀鳳，李世明

(中國林業(yè)科學研究院 資源信息研究所，北京 100091)

0 引言

森林作為地球上可再生自然資源及陸地生態(tài)系統(tǒng)的主體，對人類生存和發(fā)展起著不可替代的作用。準確地識別森林類型和樹種是掌握森林資源狀況、獲取森林生態(tài)系統(tǒng)資源信息的關(guān)鍵。遙感技術(shù)具有覆蓋范圍大、重訪周期短、應用成本低等優(yōu)勢，在森林區(qū)劃、森林資源調(diào)查、森林類型精細識別[1]、植被制圖[2]、動態(tài)變化監(jiān)測等方面具有巨大的應用潛力。遙感圖像分類是信息提取的有效手段，能及時、準確地掌握森林類型、分布、面積、結(jié)構(gòu)、現(xiàn)狀及動態(tài)變化情況。航天多光譜遙感數(shù)據(jù)(如TM，SPOT)限于其光譜分辨率，對森林類型的分類很難達到樹種(組)級別，不足以滿足實際的生產(chǎn)需求；而機載高光譜則限于其昂貴的成本難以廣泛使用。航天高光譜遙感可以大范圍獲取地物光譜連續(xù)的圖像數(shù)據(jù)，提升目標物體精細識別的能力。利用星載高光譜遙感數(shù)據(jù)開展森林類型精細分類，對詳細掌握森林資源狀況、生物量及碳儲量意義重大；同時滿足國家對森林資源管理和監(jiān)測的高層次需求，為自然資源管理、環(huán)境保護與監(jiān)測、生物多樣性和野生動物生態(tài)狀況調(diào)查等研究提供技術(shù)支撐，具有重要的學術(shù)和社會意義。此外，開展星載高光譜森林類型精細分類研究，對我國GF-5號星載高光譜遙感數(shù)據(jù)應用具有借鑒意義和參考價值。

利用高光譜遙感影像開展土地利用類型分類和森林類型識別已有較多研究，主要集中在非參數(shù)化智能化分類、多源遙感數(shù)據(jù)與輔助信息綜合分類[3-5]、知識挖掘和專家系統(tǒng)、多時相復合分類[6-7]、面向?qū)ο骩8-9]、新方法引入與分類策略[10-11]、機器學習算法、多分類器組合[12-15]等方面，并且在植被分類、林地信息提取、森林類型精細識別[16-17]、樹種(組)分類[18-19]、動態(tài)變化監(jiān)測等方面獲得廣泛的應用。

諸多研究均表明，運用多分類器組合技術(shù)可提高分類精度。如自適應增強算法(AdaBoosting)[13]、自助聚合法(bootstrap aggregation，Bagging)算法和權(quán)值重置和組合(Arcing)算法[20]、隨機子空間、人工數(shù)據(jù)集構(gòu)建差異性集成(DECORATE)法[14]、投票規(guī)則集成法[11]等。多分類器組合方法大多根據(jù)分類器的統(tǒng)計性能賦予該分類器相應的權(quán)值，而未考慮分類器對每個樣本的識別能力，輸出的結(jié)果總是按照預先設(shè)定好的固定的權(quán)值進行線性集成[21]。本文應用的自適應權(quán)值法是根據(jù)分類器分類可靠性概率矩陣的特征值，自適應地賦予分類器以相應權(quán)值，減少了人為因素帶來的影響，更合理、切合實際。

傳統(tǒng)的基于像元的分類技術(shù)利用像元的光譜信息賦予像元以不同的地物類型，比較成熟和穩(wěn)定，但是該類分類方法往往忽視空間信息，或者對空間信息利用不充分。在沒有輔助數(shù)據(jù)或者輔助數(shù)據(jù)較少的情況下，如何利用已知樣本點所提供的空間位置信息(或其他來源的輔助數(shù)據(jù))提高分類精度值得深究。

本文綜合利用影像光譜信息、紋理信息、地形因子以及野外調(diào)查樣地數(shù)據(jù)，根據(jù)典型地物光譜差異，將光譜特征相近的地物分為同一層，即采用分層分類的策略。針對同一層內(nèi)不易區(qū)分的幾種類別，分別以SVM和RFC分類器進行分類。采用自適應權(quán)值法結(jié)合2個機器學習算法的優(yōu)勢，實現(xiàn)森林類型優(yōu)勢樹種(組)級別分類，使森林類型分類精度得到了有效提升。

1 研究區(qū)概況及數(shù)據(jù)獲取

1.1 研究區(qū)概況

研究區(qū)地理坐標范圍：127°42′55″E～128°16′48″E，41°41′49″N～42°51′18″N，中心區(qū)域位于吉林省延邊朝鮮族自治州白河林業(yè)局境內(nèi)，圖1為研究區(qū)地理位置，研究區(qū)覆蓋面積約為4.05×104hm2，南臨長白山保護區(qū)，森林覆蓋率約為85%。森林植被組成和樹種成分較為復雜，屬闊葉混交、針葉混交和針闊混交林帶，基本特點為次生林，萌生起源為主，兼有實生林及實生樹木。該區(qū)域?qū)贉貛Т箨懶陨降貧夂?，年降水量?00～1 400 mm之間，6至9月份降水占全年降水量的60%～70%?？偟奶攸c是冬季漫長凜冽，夏季短暫溫涼，春季風大干燥，秋季多霧涼爽。研究區(qū)自北向南海拔逐漸升高，有明顯的垂直氣候變化，因此，植被的分布存在較明顯的地帶性。

1.2 實驗數(shù)據(jù)

本研究獲取2015年7月9日Hyperion L1R級影像一景，覆蓋范圍127.97°E～128.23°E，41.93°N～42.98°N，影像幅寬7.7 km×185 km，光譜范圍355～2 500 nm，光譜分辨率10 nm，共有242個波段，空間分辨率30 m。此外，獲取了白河林業(yè)局林區(qū)邊界矢量圖及研究區(qū)30 m分辨率DEM數(shù)據(jù)。

對Hyperion影像的預處理包括壞波段剔除、壞線修復、Smile效應校正、輻射校正、大氣校正、光譜平滑去噪、幾何校正、研究區(qū)裁剪，利用DEM數(shù)據(jù)和野外采集的GPS坐標點對影像進行正射校正，消除或減弱由地形引起的輻射差異，剔除質(zhì)量較差的波段，最終保留148個波段用于研究，表1所列為保留的波段及對應波長區(qū)間，圖1為影像假彩色合成圖。

表1 保留的Hyperion影像波段

1.3 外業(yè)數(shù)據(jù)

2016年9月3日至9日，以Hyperion影像覆蓋范圍為主要調(diào)查區(qū)域進行了外業(yè)調(diào)查，樣地大小為直徑45 m圓形樣地，在樣地中心采用GPS手持機(Trimble Geo Explorer 6000)記錄樣地中心位置坐標，同時對樣地進行多個角度拍攝，記錄森林類型、樹種組成、優(yōu)勢樹種(組)、郁閉度、林齡、林下灌木種類，海拔、坡度、坡向、經(jīng)營活動等主要調(diào)查因子，詳實反映樣地及其周圍林分或植被生長狀況，使每個樣地的紋理、屬性和位置信息一一對應。調(diào)查共采集Hyperion條帶覆蓋區(qū)域?qū)崪y樣地81個，為實現(xiàn)該區(qū)域內(nèi)森林類型分類提供基礎(chǔ)和驗證數(shù)據(jù)，樣地在Hyperion影像上的空間位置如圖1所示。由于地形等因素限制，對不能抵達觀測的個別樣地詳盡記錄其相關(guān)屬性，并在圖紙中標記其相對位置，在當?shù)亟?jīng)驗豐富的工作人員配合下詳盡地掌握其相關(guān)信息。此外，還獲取了研究區(qū)部分二類調(diào)查數(shù)據(jù)作為精度驗證的輔助數(shù)據(jù)。

圖1 研究區(qū)Hyperion影像及樣地分布圖

2 分類方法

根據(jù)遙感影像分類的主要步驟和高光譜遙感影像的特點，本文主要從分類系統(tǒng)及樣本、分類策略、特征提取、特征選擇、分類方法4個方面展開論述。

2.1 分類系統(tǒng)及樣本選擇

根據(jù)研究區(qū)地表覆蓋狀況和應用需求，參考《森林資源數(shù)據(jù)采集技術(shù)規(guī)范 第1部分：森林資源連續(xù)清查》[22]中地類劃分標準與《森林資源規(guī)劃設(shè)計調(diào)查技術(shù)規(guī)定》[23]中林地分類系統(tǒng)，結(jié)合遙感影像特點、森林類型及樹種(組)精細識別能力，綜合考慮類別科學、系統(tǒng)性及層次性，將研究區(qū)主要森林類型劃分為美人松林、落葉松林、樟子松林、楊樹林、白樺林、柞樹林、闊葉混交林、針葉混交林、針闊混交林、灌木林地、無立木林地及濕地12類。而非森林并非研究重點，不再進一步細分，故只分為耕地、園地、水域、未利用地及建設(shè)用地5類，建立表2所示的5級分類系統(tǒng)。

表2 分類系統(tǒng)

其中，闊葉混交林由水曲柳、胡桃楸、椴樹、榆樹、色木、楓樺等硬闊類樹種組成的慢生闊葉混交林；針葉混交林主要由人工落葉松、云杉、紅松和臭松組成；無立木林地主要指火燒跡地；灌木林地是指附著有灌木樹種，或因生境惡化矮化成灌木型的喬木樹種；濕地類型主要包括濕草甸、濕地公園、主題公園、灌從濕地等；園地主要有人參、天麻、靈芝、藍莓等。

由于樣地可達性及工作量等因素限制，野外調(diào)查的樣地數(shù)據(jù)比較有限，因此需對樣本進行適量擴充，具體做法是：根據(jù)地物在空間分布具有連續(xù)性的特點，綜合已測樣地位置、紋理、影像中光譜曲線及記錄表中相關(guān)信息，充分利用高光譜影像的精細光譜特征，重點針對森林類型，圍繞樣地周邊像元進行拓展，當拓展樣本與已測得樣地的光譜、紋理及記錄表中相關(guān)信息相匹配時，即可判定該拓展樣本的類別，樣本最終選擇結(jié)果見表3。

表3 地類列表及樣本數(shù)量

2.2 分類策略

根據(jù)影像中地物光譜反射差異，選擇反射率差異較大的特征波段對地物進行分層，先區(qū)分出易于區(qū)分的類別并進行掩膜處理，以減少其對后期分類工作的干擾，利于提高分類精度。將光譜特性相近的地類分為同一層，隨后在層次間對地類進一步細分，本文的分類策略見圖2。針對層次間光譜特征較為相似的地類，綜合紋理信息和地形因子，分別采用SVM和RFC分類器進行細分。為綜合2個分類器的優(yōu)勢，提高森林類型分類精度，采用自適應權(quán)值法組合2個分類，得到最終分類結(jié)果。

圖2 高光譜影像森林類型分類策略

2.3 特征提取

高光譜遙感數(shù)據(jù)波段多，波段間相關(guān)性較高，在進行分類研究時，通常需進行特征提取或特征選擇，以達到降維或波段優(yōu)選的目的。常通過微分變換的導數(shù)譜、對數(shù)變換、微分對數(shù)變換相結(jié)合、主成分分析(principal components analysis，PCA)[24-26]等進行高維數(shù)據(jù)的壓縮。經(jīng)試驗對比，本文采用PCA法進行降維，選取PCA的前4個分量(信息含量達99%以上)參與分類。

高光譜遙感影像不僅包含高分辨率的光譜信息，還具有一定的空間信息(紋理信息、數(shù)學形態(tài)學信息等)，綜合利用光譜特征和空間特征能夠提高分類精度。對于光譜特征相似的物體，往往通過它們的紋理差異加以區(qū)分[27]。根據(jù)研究區(qū)地類特征和影像紋理特征差異，經(jīng)過實驗，選取PCA前3個分量分別計算其對應的8個顯著紋理特征參與影像分類，選取的紋理特征[28]包括均值、方差、一致性、對比、相異性、信息熵、二階矩和相關(guān)性。

研究區(qū)主要森林類型及優(yōu)勢樹種(組)本身的生態(tài)學特性(如喜光、喜陰)、樹種群落特征和生態(tài)適應范圍(如柞樹多生長在向陽的山坡上)、垂直向分布特征等較為明顯，因此將數(shù)字高程模型(DEM)、坡度(aspect)、坡向(slope)作為樹種分類的有效特征和輔助信息，以期進一步提高森林類型識別精度。

綜上，參與分類的特征變量包括PCA前4個分量、PCA前3個分量分別對應的8個紋理以及研究區(qū)地形因子(即DEM、aspect、slope)，共計31個特征波段。

2.4 分類方法

1)支持向量機。SVM是一種優(yōu)秀的機器學習算法[15]，在解決小樣本、非線性及高維模式識別中表現(xiàn)出精度高、運算速度快、泛化能力強的特有優(yōu)勢，并能夠推廣應用到函數(shù)擬合等其他機器學習問題中；但是，SVM分類器的參數(shù)設(shè)定對分類結(jié)果有較大影響，關(guān)于SVM參數(shù)的優(yōu)化選取，國際上并沒有公認統(tǒng)一的最好的方法，目前較常用的SVM參數(shù)尋優(yōu)算法主要有實驗法、網(wǎng)格搜索法、遺傳算法[29]尋優(yōu)法、粒子群算法尋優(yōu)等。實驗法是指通過大量的實驗比較來確定，非常費時且不易得到最優(yōu)參數(shù)。網(wǎng)格搜索法是將待搜索參數(shù)在一定的空間范圍中劃分為網(wǎng)格，遍歷網(wǎng)格中所有的點來進行參數(shù)尋優(yōu)。此方法在尋優(yōu)區(qū)間足夠大且步距足夠小的情況下可尋得全局最優(yōu)參數(shù)，但較為費時。而其他的參數(shù)尋優(yōu)算法較為復雜且易陷入局部最優(yōu)，鑒于此，本文采用網(wǎng)格搜索法進行SVM參數(shù)尋優(yōu)。網(wǎng)格搜索采用交叉驗證思想來驗證分類性能，采用K折交叉驗證(K-fold cross-validate，K-fold CV)，即將原始數(shù)據(jù)分成K組(一般是均分)，將每個子集數(shù)據(jù)分別做一次驗證集，其余的K-1 組子集數(shù)據(jù)作為訓練集，得到K個模型，用這K個模型驗證集的分類準確率均值作為此K-fold CV下分類器的性能指標[30]，通過K-foldCV可以得到每個像元分為不同類別的概率，本研究采用了十折交叉驗證。

2)隨機森林。隨機森林(random forest，RF)，顧名思義是由很多互不關(guān)聯(lián)的決策樹組合而成，其結(jié)果由諸多決策樹結(jié)果投票得來。隨機性表現(xiàn)在數(shù)據(jù)層和特征層：①數(shù)據(jù)的隨機選?。簭脑嫉臄?shù)據(jù)集中有放回抽樣構(gòu)造子數(shù)據(jù)集，利用子數(shù)據(jù)集來構(gòu)建子決策樹；森林中的每一棵決策樹都會針對新數(shù)據(jù)做一次“決策”，最后通過投票表決得出最終的結(jié)果。②特征的隨機選?。号c數(shù)據(jù)集的隨機選取類似，隨機森林中子樹的每一個分裂過程并未用到所有的待選特征，而是從所有待選特征集中隨機選取一定的特征，之后再在隨機選取的特征中選取最優(yōu)的特征。這樣可使得隨機森林中的決策樹都能夠彼此不同，提升系統(tǒng)的多樣性，從而提升分類性能；通過這一過程也能綜合衡量不同變量的重要性。隨機森林分類器在預測過程中能得到每個像元屬于每一類地物的后驗概率，也即對于每一個像元，都有概率向量。

3)自適應權(quán)值多分類組合模型。多分類器組合源于模式識別領(lǐng)域[31-32]，是通過融合不同的特征或者不同的具有互補性的分類器，以期提高最終的分類精度，是一種測量級分類器組合策略。其理論依賴于不同分類器分類精度不同且同一分類器對不同類別分類精度也不相同。自適應權(quán)值組合分類器模型依據(jù)分類器分類可靠性概率矩陣的特征值，自適應地調(diào)節(jié)分類器權(quán)重進行集成[21]。張華等人應用該法組合最大似然法、馬氏距離法、最小距離法進行多光譜遙感影像土地覆蓋分類研究，并取得了較好的結(jié)果，且證實該方法確實優(yōu)于其他多分類器組合策略。而該方法對非參數(shù)化分類器組合及其在星載高光譜數(shù)據(jù)中的應用卻未見報道，本文應用此模型組合非參數(shù)化分類器，以期能提升高光譜數(shù)據(jù)森林類型分類精度。

(1)

式中：N為分類數(shù)目，k為分類器個數(shù)，利用多分類器組合進行分類，則像元X的最終后驗概率為

(2)

(3)

3 結(jié)果與分析

本節(jié)將主要從地物光譜特征分析、地物分層方案、分類結(jié)果及精度評價方面展開論述。

3.1 光譜特征分析與地物分層方案

根據(jù)樣本在影像中的位置對影像進行分類統(tǒng)計，求取不同波段反射率均值，得到各類別的光譜曲線，為了方便觀察與制圖，此處反射率數(shù)據(jù)放大了一萬倍。圖3所示為各類別在影像中的反射率曲線，可用于分析各類別的光譜差異及可分性。

圖3 典型地物光譜曲線

由光譜曲線可見，建設(shè)用地在藍光到紅光區(qū)間反射率呈直線上升趨勢，不同于其他地類；植被在447 nm處有明顯的吸收谷，綠光區(qū)間有反射峰，紅光區(qū)間有吸收谷，近紅外區(qū)間有明顯的反射峰；水體在整個光譜區(qū)間內(nèi)反射率較低，較易區(qū)分；柞木林和灌木林在近紅外到短波紅外區(qū)間反射率較其他植被高很多；園地的植被光譜反射有其獨特之處，在藍光到綠光區(qū)間內(nèi)，反射率先快速上升(反射峰約在540 nm處)而后趨于平穩(wěn)，其在447 nm處的吸收谷消失尤為特別，近紅外區(qū)間的反射峰值明顯小于其他植被；耕地在中紅外區(qū)間表現(xiàn)出較強的反射特性，在1 659 nm處達到峰值，在2 000 nm之后的波長范圍內(nèi)，反射率較其他地類高許多。針葉類樹種在近紅外區(qū)間光譜反射率弱于闊葉類樹種；樟子松、美人松、濕地、無立木林地4類的光譜曲線較為相近，水體反射率較低，但因混有各種雜質(zhì)，僅利用特征波段難以較好地區(qū)分，故與此4類分為同一層；白樺、楊樹、落葉松、闊葉混交、針葉混交、針闊混交6種地類光譜曲線差異不明顯，不易區(qū)分，需輔以其他信息方能加以區(qū)分。由于影像分辨率較低，混合像元效應嚴重，建筑用地與周圍的低矮植被很難區(qū)分，故將建筑用地與以上6類分為同一層，在后期進一步進行細分。根據(jù)地物光譜曲線差異選擇特征波段，對研究區(qū)地類進行分層，特征波段選擇、特征波段閾值和分層策略見圖4。

圖4 地物分層分級方案及閾值

3.2 分類結(jié)果與精度評價

根據(jù)分層策略，在第4、7層中分別都使用SVM和RFC分類器進行細分。采用網(wǎng)格參數(shù)尋優(yōu)法尋找第4和第7層中地物SVM分類的最優(yōu)參數(shù)，其中第4層地物SVM分類參數(shù)為：線性核函數(shù)、懲罰系數(shù)C為0.01；第7層SVM分類器參數(shù)為：高斯RBF核函數(shù)、懲罰系數(shù)C為10.0、gamma參數(shù)為0.01。在使用RFC分類器對2層中地物分類時使用的參數(shù)均為：CART算法、變量純度度量指標為Gini系數(shù)、樹的數(shù)目為500、單棵數(shù)最大深度為-1(完全生長)、葉子節(jié)點最少記錄數(shù)位2、葉子節(jié)點最少記錄百分比-1(表示無限制)、單顆數(shù)最大記錄數(shù)100萬。將不同層次的分類結(jié)果進行決策級融合，得到最終分類結(jié)果。最后將2種分類方法得到的豐度矩陣輸入自適應權(quán)值法模型進行組合，從而得到3種方法的分類結(jié)果(圖5)。

圖5 研究區(qū)地物分類圖

為驗證方法的適用性和森林類型識別的精確性，采用分層隨機抽樣產(chǎn)生獨立驗證樣本，檢驗樣本數(shù)與訓練樣本數(shù)比例約為1∶3，參考高分辨率影像，對森林類型進行精度驗證，選取總體精度、Kappa系數(shù)、使用者和生產(chǎn)者精度作為評價指標，SVM、RFC及自適應權(quán)值多分類器組合分類法森林類型精度評價見表4。

表4 森林類型精度驗證

由上表對比可知，SVM分類器對落葉松、樟子松和楊樹的識別精度較低；RFC分類器對落葉松和楊樹分類精度較低。SVM分類器對美人松和柞木分類精度較高；RFC分類器對樟子松、白樺、柞木、闊葉混交林和針葉混交林分類精度較高，可見2個分類器確有互補性。SVM和RFC 2個分類器對楊樹分類精度均較低，主要是由于楊樹樣地數(shù)較少，且其與白樺混交嚴重，加之楊樹與白樺光譜特征、形態(tài)特征均較為相似，導致楊樹很難被區(qū)分出來；但SVM分類器對楊樹的分類精度優(yōu)于RFC分類器，可見在樣本數(shù)較少的情況下，SVM分類器性能優(yōu)于RFC分類器?？傮w而言，RFC分類器對綠色植被的識別能力優(yōu)于SVM分類器。

從類型來看，美人松、樟子松的分類精度優(yōu)于落葉松，主要的原因是由于后者分布比較分散，在空間上的連續(xù)性較差，而前者則多為人工林，分布比較集中，尤其是美人松。柞樹的分類精度高于白樺和楊樹，主要由于柞樹多生長在向陽的山坡上，且大片分布，生長聚集，而其他2類則混淆嚴重，后期可考慮將楊樹合并到白樺進行分類，以此提高分類精度。

對比3種方法結(jié)果可知，自適應權(quán)值多分類器模型可較好地綜合兩分類器各自的優(yōu)勢，多數(shù)類型的分類精度均得到了有效改善，尤其是對分布較集中的美人松精度提升明顯，其分類精度提升了5.85%；但并非所有類型的分類精度都得到了提升，組合分類器對樟子松和楊樹的分類精度介于SVM和RFC 2個分類器之間，可見組合分類器并非是對2個分類器的簡單加和。組合分類器的總體分類精度和Kappa系數(shù)均明顯優(yōu)于單一分類器，分別較RFC分類器分別提高3.38%和0.042，使得組合后的分類器具有更好的穩(wěn)定性。

4 結(jié)束語

4.1 分類結(jié)果討論

經(jīng)過對RFC分類器分類過程中特征波段重要性的分析，對分類貢獻較大的前8個特征變量依次為(按降序排列)第3主成分、第1主成分、第3主成分相關(guān)性、第1主成分相關(guān)性、第1主成分一致性、第2主成分相關(guān)性、第3主成分一致性、第3主成分二階矩。可見，在光譜特征較相似時，相關(guān)性、一致性和二階矩3個紋理特征對森林類型進一步區(qū)分較好。

訓練樣本選擇準確對分類準確至關(guān)重要，野外調(diào)查時間與影像成像時間相隔約一年，研究中忽略了此間變化給結(jié)果帶來的影響。由于訓練樣本數(shù)量有限，不同地類訓練樣本數(shù)量不同，訓練樣本數(shù)較少，可能導致其分類精度較低(如楊樹)。由于影像分辨率為30 m，部分地物尺寸較小，多為混合像元，導致此類地物較難區(qū)分。紋理信息有助于提高某些地物分類精度，但限于影像空間分辨率，地物尺寸較大時紋理信息貢獻更多，例如流線狀的河流和道路。紋理因子對分類的貢獻率與影像分辨率間的關(guān)系，有待進一步探究。

4.2 結(jié)論

本文基于SVM分類器和RFC分類器各自的優(yōu)勢，利用特征值的自適應權(quán)值模型組合2種分類器，對Hyperion高光譜影像進行森林類型精細識別研究，得出以下結(jié)論：①在對森林覆蓋類型豐富區(qū)域進行精細分類時，采用分層分類的策略是降低問題復雜性的有效方法，在充分利用高光譜影像光譜特征的基礎(chǔ)上，還應充分挖掘紋理及其他輔助數(shù)據(jù)對分類的價值，其中，相關(guān)性、一致性和二階矩3個紋理特征對提升森林類型分類精度貢獻較大。②自適應權(quán)值法多分類器組合策略可以綜合不同分類器的優(yōu)勢，總體分類精度的得到明顯提高，提升分類器穩(wěn)定性，多數(shù)類別分類精度均得到有效提升。③基于特征值的自適應權(quán)值分類器組合模型充分考慮了不同分類器對不同像元的分類效果，根據(jù)每個像元的概率矩陣特征，自適應地調(diào)整單個分類器權(quán)值，使性能好的分類器具有較大的權(quán)值，對組合分類器的個數(shù)沒有限制，易于被人們理解和接受，避免了人為參與，是提高森林類型分類精度的有效方法。本文的研究工作需進一步完善：實驗缺少野外實測光譜數(shù)據(jù)作為佐證；研究僅對SVM分類器和RFC分類器進行度量級組合，并未與其他分類器組合策略(如投票法)進行對比研究；組合分類器的個數(shù)在后期應當增加，且不僅局限于非參數(shù)化分類器，以增大各分類器間差異性。