多尺度分割與特征優(yōu)選下的鹽堿地提取

朱 麗，國巧真*，吳正鵬，吳歡歡，何云海

1.天津城建大學(xué) 地質(zhì)與測(cè)繪學(xué)院，天津 300384

2.天津市測(cè)繪院有限公司，天津 300381

鹽堿地是鹽土和堿土的總稱，其形成的根本原因是土壤中水鹽失衡導(dǎo)致鹽分在土壤表面移動(dòng)與積累（翁永玲和宮鵬，2006）。鹽堿地的堿性性質(zhì)會(huì)抑制甚至危害作物的生長發(fā)育，因此鹽堿地的存在會(huì)造成糧食減產(chǎn)、土壤退化等問題，嚴(yán)重制約經(jīng)濟(jì)和生態(tài)環(huán)境的發(fā)展。鹽堿地作為潛在的土地資源，對(duì)其進(jìn)行監(jiān)測(cè)與改良，對(duì)于緩解土地資源緊張、挖掘農(nóng)業(yè)發(fā)展?jié)摿哂兄匾饬x。

傳統(tǒng)的鹽堿地監(jiān)測(cè)主要采用實(shí)地土壤調(diào)查取樣的方法，通過分析土壤各組分含量來驗(yàn)證土壤類型，其精度較高，但在大范圍區(qū)域監(jiān)測(cè)中，該方法需要消耗大量的社會(huì)資源且及時(shí)性不強(qiáng)，實(shí)現(xiàn)實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)存在一定的困難。隨著空間信息技術(shù)的不斷發(fā)展，國內(nèi)外已經(jīng)開始廣泛利用影像數(shù)據(jù)如 Landsat、QuickBird、SPOT、IKONOS、GF-1等對(duì)土地的鹽漬化信息進(jìn)行提取，以此提高土地鹽漬化的監(jiān)測(cè)效率（Elnaggar and Noller，2009；Ivits et al，2013；Allbed et al，2014；Sidike et al，2014；牛增懿等，2016）。由于高空間分辨率遙感影像包含了更豐富的地物信息，因此選擇合適的圖像分割算法能夠提高目標(biāo)識(shí)別的精確度和穩(wěn)健性（高仁強(qiáng)等，2020）。隨著影像分辨率的不斷提高和影像特征的不斷增加，傳統(tǒng)的圖像分割方法如閾值分割、區(qū)域合成、邊緣檢測(cè)等方法也在不斷發(fā)展，分形網(wǎng)絡(luò)演化算法（FNEA）作為一種基于區(qū)域合成的多尺度分割算法，能綜合考慮地物之間的光譜、紋理信息等特征差異，目前已被廣泛運(yùn)用于圖像分割中。

從20世紀(jì)80年代至今，國內(nèi)外針對(duì)鹽堿地的提取方法研究也在不斷發(fā)展，決策樹、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林等機(jī)器學(xué)習(xí)方法也普遍用于鹽堿地信息的提取和反演（李晉等，2014；姜紅等，2017；徐存東等，2018；Jiang et al，2019；Wang et al，2019；楊練兵等，2021），隨機(jī)森林作為一種并行的集成學(xué)習(xí)算法，在決策樹的基礎(chǔ)上進(jìn)行集成，突破了單分類器的性能提升瓶頸，各個(gè)樹之間的獨(dú)立運(yùn)行讓它可以在高維數(shù)據(jù)上實(shí)現(xiàn)并行處理，但其在高維數(shù)據(jù)上性能仍有提升空間（王奕森和夏樹濤，2018）。Rodríguez et al（2006）通過主成分變換（PCA）對(duì)隨機(jī)森林的特征進(jìn)行降維，但使用該方法時(shí)只保留了主成分值較大的值，一些主成分值小但相關(guān)性強(qiáng)的特征會(huì)被過濾掉。還有學(xué)者通過構(gòu)建特征子空間來優(yōu)化隨機(jī)森林，主要思想都是通過分析特征的信息量和相互關(guān)系來構(gòu)建算法（Amaratunga et al，2008；Ye et al，2013）。鹽堿地信息由于受到季節(jié)變化、土壤濕度等影響，利用機(jī)器學(xué)習(xí)需要充分考慮鹽堿地的信息復(fù)雜性，需結(jié)合鹽堿地的形狀、紋理等特征，但當(dāng)特征維數(shù)過大，會(huì)造成數(shù)據(jù)冗余和無關(guān)特征的增加，反而會(huì)導(dǎo)致機(jī)器學(xué)習(xí)能力下降，也會(huì)使得分類精度降低（Cui et al，2020），因此在機(jī)器學(xué)習(xí)前需進(jìn)行特征優(yōu)選，進(jìn)而提高機(jī)器學(xué)習(xí)的分類性能。目前特征優(yōu)選在干旱區(qū)精細(xì)植被分類、沙化土地識(shí)別、濕地分類等方向皆有所應(yīng)用，而在鹽堿地提取方向，仍需要進(jìn)一步的研究（李長龍等，2015；張磊等，2019；張文博等，2021）。

本文基于GF-6多光譜影像數(shù)據(jù)，利用分形網(wǎng)絡(luò)演化算法（FNEA）對(duì)影像對(duì)象進(jìn)行多尺度分割，針對(duì)多維數(shù)和數(shù)據(jù)不平衡問題，使用數(shù)據(jù)挖掘中的經(jīng)典算法 —— CFS算法與Relief F算法進(jìn)行數(shù)據(jù)降維，精簡(jiǎn)特征子集，再利用這兩種特征優(yōu)選算法對(duì)面向?qū)ο蟮碾S機(jī)森林算法進(jìn)行優(yōu)化。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

研究區(qū)位于天津市濱海新區(qū)東北部，位置范圍北緯38°40′ — 39°00′，東經(jīng)117°20′ — 118°00′。天津市北面區(qū)域緊鄰燕山山脈，山區(qū)南部與華北平原地區(qū)相連，自此至東南區(qū)域地勢(shì)總體上平緩，海拔在8 m以下，一般處于3 — 5 m。濱海新區(qū)瀕臨渤海，處于海陸交接處，多年以來受海水浸漬土壤，在溫帶季風(fēng)氣候影響下，年降水量在500 mm左右，而年蒸發(fā)量達(dá)到降水量的4倍（楊曉瀟等，2019），因此導(dǎo)致該地區(qū)土壤的淺層不斷積累鹽分，從而形成鹽漬化土壤。其次，工業(yè)化的迅速發(fā)展、農(nóng)業(yè)耕作中不合理的灌溉方式也在加重該區(qū)域的土壤鹽漬化程度。由于土壤含鹽量高，肥力低，區(qū)域正常植被生長受到抑制，多生長堿蓬（Suaeda glauca）、檉柳（Tamarix chinensis）等鹽生植物。本文選擇研究區(qū)域位于濱海新區(qū)北大港水庫附近，研究區(qū)大小為1500× 1500個(gè)像元，研究區(qū)內(nèi)主要包含的土地利用類型為裸露鹽堿地、鹽生植被、建筑區(qū)、道路、水體等地物，土地鹽漬化程度不均勻，土壤環(huán)境復(fù)雜。

1.2 數(shù)據(jù)源

研究區(qū)采用的數(shù)據(jù)源為高分六號(hào)PMS多光譜波段數(shù)據(jù)，主要參數(shù)如表1所示。研究區(qū)遙感影像獲取時(shí)間為2019年9月30日，處于夏季旱期，植被生長旺盛，日照強(qiáng)烈，降水少且蒸發(fā)量大，在鹽堿地形成過程中正處于脫鹽末期，較適合對(duì)其進(jìn)行提取。

表1 高分六號(hào)主要參數(shù)Tab.1 Main parameters of GF-6

2 研究方法

2.1 多尺度分割

高空間分辨率遙感影像的優(yōu)勢(shì)在于展現(xiàn)地物豐富的形態(tài)特征，對(duì)于小目標(biāo)的識(shí)別能力也更強(qiáng)，利用傳統(tǒng)基于像元的分類方法往往會(huì)造成空間數(shù)據(jù)的冗余，產(chǎn)生椒鹽圖像，進(jìn)而降低分類效果。本文選取面向?qū)ο蠓椒ǎ浠舅枷胧峭ㄟ^綜合分析不同對(duì)象在特征和屬性上的差異，將具有相同特質(zhì)的像元?dú)w為一個(gè)研究對(duì)象。面向?qū)ο蟮姆诸惙椒ㄟ^程主要包含影像分割、影像對(duì)象構(gòu)建、分類規(guī)則的建立、信息提?。愒坪频?，2006）。

影像分割是面向?qū)ο蠓诸惙椒ㄖ嘘P(guān)鍵的過程之一，其分割尺度的確定對(duì)影像分類精度有直接影響。本文利用一種基于區(qū)域生長的多尺度分割算法 —— 分形網(wǎng)絡(luò)演化算法（FNEA）進(jìn)行圖像分割，該算法通過將影像對(duì)象間的平均異質(zhì)性（average heterogeneity）最小化，并將其各自的同質(zhì)性（homogeneity）最大化，綜合考慮影像的光譜和空間紋理信息，基于成對(duì)區(qū)域合并技術(shù)進(jìn)行自下而上的影像對(duì)象合并（Benz et al，2004）。該算法中異質(zhì)性由光譜異質(zhì)性與形狀異質(zhì)性共同決定，其中形狀異質(zhì)性又由緊致度與光滑度兩部分組成。FNEA算法（張萌，2019）如下：

式中：H為異質(zhì)性值；ω為光譜異質(zhì)性值的權(quán)重；Hcolor為光譜異質(zhì)性值；Hshape為形狀異質(zhì)性值；ωn為某一波段權(quán)重；σn為某一波段的像元標(biāo)準(zhǔn)差；Hsmooth為光滑度；Hcompact為緊致度。

不同的地物類型，由于各自的屬性特征，在不同分割尺度上有不同的分割效果，因此本文利用ESP（estimation of scale parameter）尺度評(píng)價(jià)工具進(jìn)行鹽堿地的最優(yōu)尺度選擇，多尺度分割中的尺度參數(shù)需要進(jìn)行多次人為調(diào)試，而ESP則通過計(jì)算不同分割尺度下影像對(duì)象的局部變化（local variance，LV），通過變化率（rate of change，ROC）峰值來確定適宜的分割尺度，來消除人工調(diào)試的主觀因素影響（Drǎgu? et al，2010）。由于影像中存在多種地物，通過計(jì)算得到的ROC峰值一般也不止1個(gè)，針對(duì)出現(xiàn)的若干分割尺度，需要進(jìn)行試驗(yàn)確定地物對(duì)應(yīng)的分割尺度。

2.2 特征選擇

Relief F算法是Kononenko et al（1997）在只適用于處理二分類問題的Relief算法上進(jìn)行改進(jìn)的支持多分類的數(shù)據(jù)分析方法。作為數(shù)據(jù)挖掘中經(jīng)典的Filter算法，其基本思想是對(duì)每一個(gè)特征進(jìn)行評(píng)價(jià)，根據(jù)每一個(gè)特征與已定義樣本類別的相關(guān)性，賦予特征權(quán)重，每個(gè)特征的權(quán)重是通過在樣本集D中隨機(jī)選擇一個(gè)樣本S，計(jì)算樣本S特征值與同類的其他特征值的k個(gè)最近鄰距離與不同類樣本的k個(gè)最近鄰距離，通過循環(huán)迭代M次，類別相關(guān)性高的特征將會(huì)賦予高的權(quán)重。權(quán)重計(jì)算公式（何牧宇和周暉，2019）如下：

式中：ωA為特征A的權(quán)重；Hi為與S同類的最近鄰樣本；Mi為與S不同類的最近鄰樣本；PC為類別為C的概率；class(S)為樣本S所屬的同類別樣本子集；diff(A,S,Mi)為樣本S1與S2在特征A上的差，當(dāng)特征為數(shù)值變量時(shí)，將數(shù)據(jù)歸一化至[0, 1]。

CFS算法是一種關(guān)聯(lián)性的Filter算法，通過計(jì)算特征與類別、特征與特征之間的相關(guān)性進(jìn)行評(píng)估，從而實(shí)現(xiàn)數(shù)據(jù)清洗（Li et al，2011）。CFS算法首先針對(duì)初始特征空間，采用前向選擇或后向選擇進(jìn)行特征子空間的搜索，構(gòu)建特征子空間T，基于啟發(fā)式估計(jì)方法對(duì)特征子空間內(nèi)特征與特征、特征與類別間的相關(guān)性進(jìn)行評(píng)估，其相關(guān)性強(qiáng)弱利用皮爾遜相關(guān)系數(shù)進(jìn)行計(jì)算，去除特征與類別間相關(guān)性低的特征以及特征與特征相關(guān)性過高的特征。啟發(fā)式評(píng)估公式（孫寧青，2010）如下：

式中：MT為特征子集T的評(píng)估值；為類別與特征的平均相關(guān)性；為特征與特征間的相關(guān)性；α表示特征子集包含的特征個(gè)數(shù)。

2.3 影像分類算法

隨機(jī)森林（random forest，RF）算法作為集成決策樹的機(jī)器學(xué)習(xí)方法，通過在訓(xùn)練集中隨機(jī)抽取樣本且放回的方法，進(jìn)行每一個(gè)決策樹的無剪枝生長，來消除決策樹受訓(xùn)練集影響而泛化能力弱的問題（Breiman，2001）。高維數(shù)據(jù)下隨機(jī)森林產(chǎn)生的并行分類器在處理速度和分類精度都有較好的效果，但當(dāng)數(shù)據(jù)噪聲量過大時(shí)，隨機(jī)森林仍然缺少去除多余噪聲的能力，在分類過程中出現(xiàn)過擬合（Wang et al，2018），特征個(gè)數(shù)過大，會(huì)產(chǎn)生過擬合問題，而特征個(gè)數(shù)不夠，則會(huì)降低每個(gè)樹的分類能力，從而增加了算法的錯(cuò)誤率，針對(duì)該問題，該算法采用基于OOB（out of bag）誤差的無偏估計(jì)進(jìn)行隨機(jī)選擇最大特征數(shù)的確定。

3 結(jié)果與討論

3.1 分割結(jié)果

使用ESP分割尺度工具時(shí)需要先確定分割的起始尺度，本文每隔10單位進(jìn)行一次分割，目視對(duì)比分割效果和各分割尺度下的LV與ROC的曲線變化，當(dāng)分割尺度為70時(shí)，既可以較好地將鹽堿地與其他地物分割開，又避免了內(nèi)部的過分割現(xiàn)象。尺度分割LV與ROC變化如圖1所示，可以看出當(dāng)分割尺度為71、97、123、132、152、166時(shí)為峰值，分別使用這些尺度對(duì)影像進(jìn)行分割，當(dāng)分割尺度為123時(shí)，能較好地區(qū)分鹽堿地與周圍地物類型。對(duì)于異質(zhì)性相關(guān)因子權(quán)重的設(shè)置，采用單一參數(shù)設(shè)定法進(jìn)行多次試驗(yàn)，發(fā)現(xiàn)增加近紅外波段的權(quán)重，可以使鹽堿地在該波段光譜信息更為豐富；將形狀異質(zhì)性與緊致度因子分別設(shè)定為0.5和0.6，能夠最大化體現(xiàn)目標(biāo)的邊界特征。

圖1 分割尺度效果圖Fig.1 Effect of segmentation scale

3.2 特征優(yōu)選

從目標(biāo)對(duì)象紋理特征、光譜特征、形狀特征以及遙感指數(shù)等自定義特征中選擇適宜的特征數(shù)量和類型，可以提高分類的精度，減少數(shù)據(jù)的冗余計(jì)算。本文針對(duì)鹽堿地的特征信息，構(gòu)建了初始特征空間，在光譜特征與紋理特征中，每一個(gè)特征屬性均在藍(lán)、綠、紅、近紅波段上進(jìn)行特征構(gòu)建，最大化保留每一個(gè)波段的特征信息，選擇遙感指數(shù)SAVI（土壤調(diào)節(jié)植被指數(shù)）、NDVI（歸一化植被指數(shù)）、SI（鹽度指數(shù)）作為獨(dú)立波段參與分類。該初始特征空間包含93個(gè)特征。初始特征空間中各屬性數(shù)據(jù)量級(jí)不同，為防止數(shù)據(jù)數(shù)值之間差異過大而導(dǎo)致數(shù)據(jù)被吞噬問題，對(duì)各屬性數(shù)據(jù)進(jìn)行Min-max標(biāo)準(zhǔn)化處理，將各屬性值限定至[ ?1, 1]。

利用Relief F算法對(duì)初始特征空間進(jìn)行降維，采取Ranker搜索策略對(duì)每一個(gè)特征進(jìn)行權(quán)重計(jì)算并按順序排列，得到的特征重要性排序如圖2所示。按排序可知前9個(gè)特征得分較高，依次為HIS變換、土壤調(diào)節(jié)植被指數(shù)、歸一化植被指數(shù)、最大差分、近紅外波段、紅波段、鹽度指數(shù)、藍(lán)波段、綠波段；第10 — 20個(gè)特征處于中等得分，主要是灰度共生矩陣紋理特征以及部分形狀特征，說明光譜特征與遙感指數(shù)在鹽堿地提取中占有重要地位，紋理特征次之，形狀特征最末。這是由于鹽堿地的含鹽量越高，在近紅外區(qū)域反射率則越高，而裸露鹽堿地多與鹽生植被混合存在，因此紋理方向不定，紋理特征復(fù)雜。鹽生植被的簇狀生長，在土壤含鹽量高的地方生長受抑制，土壤含鹽量低則生長旺盛，鹽堿地也受到其影響，形狀呈簇狀聚集，邊緣形狀彎曲多變。Relief F算法雖然賦予了每個(gè)特征權(quán)重，但不能確定特征子集的數(shù)目，本文利用隨機(jī)森林方法對(duì)數(shù)據(jù)集進(jìn)行建模，通過得到不同特征數(shù)目下的分類總體精度（overall accuracy）與Kappa系數(shù)來確定最優(yōu)特征數(shù)目。建模過程中對(duì)訓(xùn)練集采用十折交叉驗(yàn)證法進(jìn)行訓(xùn)練，即將數(shù)據(jù)集分為十等份，將其中9份作為訓(xùn)練集，1份作為驗(yàn)證集，直到每份數(shù)據(jù)都作為驗(yàn)證子集進(jìn)行驗(yàn)證且驗(yàn)證1次。十折交叉驗(yàn)證法使得每個(gè)數(shù)據(jù)都參與了訓(xùn)練與測(cè)試兩個(gè)環(huán)節(jié)，避免了模型的過度學(xué)習(xí)以及欠學(xué)習(xí)。由圖3可知：隨著特征變量數(shù)目逐漸增加，總體精度與Kappa系數(shù)也在快速增加，當(dāng)特征變量達(dá)到15之后，曲線開始轉(zhuǎn)變?yōu)椴▌?dòng)狀態(tài)，直到當(dāng)特征數(shù)目為40時(shí)，精度達(dá)到峰值，分類總體精度達(dá)到96%，Kappa系數(shù)為0.95，因此選擇前40個(gè)特征作為優(yōu)選特征，選擇特征如表2所示。

針對(duì)CFS算法，采用全局最優(yōu)算法（best first）作為搜索策略進(jìn)行啟發(fā)式搜索，進(jìn)行特征預(yù)選，去除不相關(guān)變量。CFS算法并不對(duì)每個(gè)特征變量進(jìn)行排序，通過對(duì)特征子集的評(píng)估直接得到最優(yōu)特征空間。通過CFS篩選后共有17個(gè)特征，結(jié)果如表2所示。通過比較可得兩個(gè)算法所獲得的特征中共有14個(gè)重合特征?；赗elief F得到的特征結(jié)果包括了82%的CFS篩選的特征，說明兩種算法對(duì)重要特征均有較好的搜索效果，通過對(duì)比可以看出：各波段的光譜信息與自定義遙感指數(shù)在兩種算法中都得到了保留，與上述重要性得分排序表現(xiàn)的結(jié)論相同，說明光譜信息在識(shí)別鹽堿地類中的重要性，是區(qū)分其與其他地類的重要特征。CFS算法在紋理特征與形狀特征中相對(duì)于Relief F算法則約簡(jiǎn)了更多屬性。

圖2 特征重要性得分Fig.2 Scores of feature importance

3.3 分類結(jié)果及精度驗(yàn)證

通過Relief F與CFS算法篩選后的特征對(duì)研究區(qū)域進(jìn)行隨機(jī)森林分類，通過選取的隨機(jī)樣本點(diǎn)利用解譯標(biāo)志以及Google Earth目視解譯賦予樣本數(shù)據(jù)屬性，利用生產(chǎn)者精度（produce accuracy）、用戶精度（user accuracy）統(tǒng)計(jì)不同算法下漏分誤差與錯(cuò)分誤差，利用總體分類精度（overall accuracy）、Kappa系數(shù)評(píng)價(jià)總體分類效果。由表3可知：Relief F-RF在鹽堿地與鹽化植被的分類上，生產(chǎn)者精度與用戶精度均有所提高，但在其他類別上精度降低了0.7%與1.6%，原因是Relief F算法進(jìn)行特征篩選時(shí)，對(duì)于相關(guān)性較強(qiáng)的特征過濾效果不好，導(dǎo)致冗余特征，進(jìn)而影響了分類性能；Relief F-RF算法的總體精度提高了1.1%。而CFS基于相關(guān)性的特征篩選算法則在分類效果有了明顯提升，相較于直接建立隨機(jī)森林，總體精度達(dá)到83.7%，提高了7.4%，Kappa系數(shù)為0.74，鹽堿地的生產(chǎn)者精度提高了8.9%，用戶精度提高了6.8%。鹽化植被的生產(chǎn)者精度提高了10.4%，用戶精度提高了12.2%。

上述結(jié)果表明：基于Relief F與CFS對(duì)隨機(jī)森林進(jìn)行優(yōu)化均能提高對(duì)鹽漬化土地的提取精度，未進(jìn)行特征優(yōu)選的隨機(jī)森林算法提取精度最低，表現(xiàn)出多維數(shù)問題對(duì)機(jī)器學(xué)習(xí)的分類性能存在一定的影響。Relief F算法在特征中篩選出40個(gè)特征，相較來說CFS算法只保留了17個(gè)特征，卻得到了更高的提取精度，說明特征數(shù)目與精度不呈現(xiàn)正相關(guān)性，特征之間的高相關(guān)性也會(huì)影響機(jī)器的學(xué)習(xí)能力（李文杰等，2020）。

不同算法下的分類結(jié)果以及局部細(xì)節(jié)如圖4所示。通過對(duì)比遙感影像圖，可以看出CFS-RF算法對(duì)鹽堿地識(shí)別精度更高。究其原因，是受到土壤含鹽量高低的影響，鹽漬化土地上會(huì)生長較為單一的植被如堿蓬、蘆葦（Phragmites australis）等，分布稀疏，呈簇狀聚集。植被的生長發(fā)育受到抑制，NDVI值會(huì)比正常植被低，在假彩色圖像上呈現(xiàn)暗紅色，而鹽漬化嚴(yán)重區(qū)域則會(huì)表現(xiàn)出亮斑現(xiàn)象。鹽堿地與鹽化植被在影像上通常呈交錯(cuò)分布，鹽漬化植被分布不均，與鹽堿地成為混合像元。對(duì)于鹽堿地與鹽化植被的混分現(xiàn)象，通過多尺度分割以及CFS的特征篩選，增大了類別之間的可分離性，CFS優(yōu)化后鹽化植被的分類精度提升最多。有些鹽堿地區(qū)域由于排水不暢、土壤濕度增大造成的地表反射率降低，在影像上呈現(xiàn)暗色調(diào)，CFS-RF對(duì)此也有很好的識(shí)別效果。

圖3 特征數(shù)目與精度關(guān)系Fig.3 Relationship between feature numbers and accuracy

表2 Relief F與CFS特征優(yōu)選結(jié)果Tab.2 Results of Relief F and CFS feature selection

表3 基于不同算法的分類精度統(tǒng)計(jì)Tab.3 Statistics of classification accuracy based on different algorithms

4 結(jié)論

本文通過對(duì)GF-6遙感影像利用FNEA算法進(jìn)行面向?qū)ο蟮亩喑叨确指?，確定適宜鹽堿地提取的分割尺度，利用Relief F與CFS算法進(jìn)行特征篩選，以此實(shí)現(xiàn)對(duì)隨機(jī)森林的優(yōu)化。得到結(jié)論如下：（1）確定了在GF-6高空間分辨率下鹽堿地的分割尺度，為鹽漬化土地信息的提取提供參考依據(jù)；（2）特征篩選可以過濾冗余數(shù)據(jù)，提高機(jī)器學(xué)習(xí)的分類精度，CFS算法對(duì)特征的過濾程度大于Relief F算法；（3）本文提出的利用CFS算法對(duì)隨機(jī)森林進(jìn)行優(yōu)化，在鹽堿地提取應(yīng)用上有較好的分類效果，特征變量減至17個(gè)，且總體精度達(dá)到83.7%，提高了7.4%，Kappa系數(shù)為0.74；（4）對(duì)于高維屬性數(shù)據(jù)特征復(fù)雜問題，本文提出的方法也可以適用于其他地類信息的提取，可以有效提高特征子集的數(shù)據(jù)質(zhì)量與數(shù)據(jù)挖掘的效率。