基于三種機器學(xué)習(xí)算法的面向?qū)ο笸恋馗脖环诸?/h1>
2022-02-19 09:20:38劉東杰
科學(xué)技術(shù)創(chuàng)新 2022年1期
劉東杰
（蘭州大學(xué)資源環(huán)境學(xué)院，甘肅 蘭州 730000）
1 概述
遙感影像分類是近年來遙感衛(wèi)星影像應(yīng)用的研究熱點之一[1,2],對于進一步開展土地利用/覆被信息調(diào)查、分析土地利用類型變化具有重要意義。最早人們通過目視解譯作為分類方式進行提取，但其嚴(yán)重依賴判讀人員的先驗知識，易受個人差異影響，且時效性差[3]。隨著技術(shù)的不斷進步，計算機視覺領(lǐng)域的圖像分割技術(shù)逐漸被應(yīng)用于遙感影像的分類識別中。圖像分割是一種通過紋理、灰度與空間幾何等不同特征對圖像不同區(qū)域進行分割，并增強同一區(qū)域內(nèi)特征一致性的技術(shù)[4]，根據(jù)影像的最小處理單元可以分為基于像元的分類和基于對象的分類兩種方法。
基于對象的圖像分析 (Object-Based Image Analysis,OBIA),是一種高效、可靠的自動化圖像分割分類技術(shù)，能夠通過紋理、形狀、大小等特征在目標(biāo)圖像中生成包含多個像素的矢量對象。目前已有大量學(xué)者針對面向?qū)ο筮M行了相關(guān)應(yīng)用研究[5,6]。其基本原理為通過多尺度影像分割，生成內(nèi)部有較小差異的同質(zhì)目標(biāo)[7]。與基于像元的傳統(tǒng)分類方法相比，OBIA 可以充分利用不同對象間幾何信息、結(jié)構(gòu)信息與光譜信息的差異進行信息提取，克服基于像元分類中常見的椒鹽現(xiàn)象[2]，從而在中高分辨率影像上取得更好的分類結(jié)果。
機器學(xué)習(xí)技術(shù)通過多年來的不斷發(fā)展，已經(jīng)成為了人工智能領(lǐng)域的重要研究方向，并廣泛應(yīng)用于信號處理、模式識別、大數(shù)據(jù)分析等多個領(lǐng)域。傳統(tǒng)的機器學(xué)習(xí)研究方向主要包括隨機森林[8]、人工神經(jīng)網(wǎng)絡(luò)[9]等。結(jié)合面向?qū)ο笈c機器學(xué)習(xí)對遙感影像進行信息提取有助于提升分類效果，提取到更有價值的地物信息。本文將結(jié)合貝葉斯網(wǎng)絡(luò)、J48決策樹與隨機森林對比三種方法在landsat-8 衛(wèi)星影像上的分類效果。
2 數(shù)據(jù)準(zhǔn)備
選擇landsat-8 OLI 衛(wèi)星影像作為本文使用的數(shù)據(jù)，裁剪其中1024*1024 的區(qū)域作為目標(biāo)研究區(qū)。多光譜波段空間分辨率為30 米，成像時間為2017 年7 月26 日10 點56 分13 秒，影像的中心坐標(biāo)為30°18' 7.16'' N 113°50' 22.17''E。本文使用的Landsat 8 影像采用WGS84橢球體模型，UTM投影分帶號為49，整體云量小于3%，整體質(zhì)量較高，如圖1。
圖1 目標(biāo)研究區(qū)
研究區(qū)坐落于為湖北省洪湖市與嘉魚縣交界地區(qū)，海拔在23 至28 米之間，以南部較高，北部較低的特點形成自東南向西北緩慢傾斜的地勢。境內(nèi)河道交錯密集，布滿大小不一的湖泊，境內(nèi)主要地物類型有耕地、河流、森林、公路、湖泊、裸地、城鎮(zhèn)居民地等。為了消除研究區(qū)影像中大氣散射導(dǎo)致的輻射誤差，對數(shù)據(jù)依次進行輻射定標(biāo)、FLAASH 大氣校正以完成預(yù)處理。
3 原理與方法
3.1 貝葉斯網(wǎng)絡(luò)
貝葉斯網(wǎng)絡(luò)[10]本質(zhì)上是一種有向無環(huán)圖，包含多個代表變量的節(jié)點，并利用不同節(jié)點間連接的有向邊表示節(jié)點之間的相互關(guān)系，可以很好地表達抽象、模糊的信息，在對概率性事件或不確定性較大事件的分析上有十分廣闊的應(yīng)用前景?？梢酝ㄟ^使用概率測度權(quán)重描述不同數(shù)據(jù)之間的相關(guān)性來處理帶有噪聲的數(shù)據(jù)，同時，其本身也具有多元知識圖解可視化表達的分析能力，易于按照信息的相關(guān)關(guān)系進行融合，有助于先驗知識和概率的結(jié)合[11]。
3.2 J48 決策樹
決策樹是一種貪心算法，基本原理是從根節(jié)點開始自頂向下結(jié)合樣本集遍歷每個非葉結(jié)點以決定決策屬性。而J48決策樹是1993 年在ID3 算法的基礎(chǔ)上進行改進提出的一種更高效的算法。分類規(guī)則直觀可靠、易于理解，主要通過信息增益率進行屬性選擇，通過篩選信息增量最大的特征值作為子節(jié)點，確定最佳分裂的指標(biāo)。相比于之前的ID3 算法，其通過剪枝減少過擬合概率，并具有處理連續(xù)屬性值或含有缺失屬性樣本的能力[12]。
3.3 隨機森林
隨機森林[13]作為一種改進的決策樹算法，在樣本和屬性兩個方面都具有一定的隨機性，常用于處理分類、回歸問題。算法利用bootsrap 技術(shù)隨機有放回地抽取多個樣本，并根據(jù)每組取得的樣本建立決策樹，隨機組合以得到隨機森林，最后通過投票概率得到最優(yōu)分類結(jié)果。每一棵樹個體的分類能力以及各樹之間的相關(guān)性都與整體算法誤差息息相關(guān)，可通過改變不同剪枝方式或修改樹的數(shù)量來對分類精度進行優(yōu)化。目前隨機森林已廣泛應(yīng)用于土地覆被分類[14]、農(nóng)業(yè)[15]、林業(yè)[16]等眾多領(lǐng)域。
4 基于三種方法的面向?qū)ο笸恋馗脖环诸?/h2>4.1 面向?qū)ο蠓指?/h3>
使用多尺度分割算法進行面向?qū)ο筇崛?，將目?biāo)影像分割成具有高內(nèi)部同質(zhì)性，高外部異質(zhì)性的影像對象。多尺度分割包含三個重要的影響參數(shù)：尺度因子（scale）、形狀因子（shape）和緊湊度因子（compactness）。形狀因子越高，圖像分割效果越整齊，緊湊度因子越低，地物分割效果越細碎。同時考慮采用不一致評價法對多尺度分割參數(shù)進行優(yōu)化，結(jié)合歐幾里得距離與尺度特征的關(guān)系對影像參數(shù)進行最終的確定。
4.2 分類體系的建立
樣本類型及解譯標(biāo)志如表1 所示，暫時將道路歸為building 類中；水田與魚塘也都暫時歸入到Farmland-wet 類中。根據(jù)研究區(qū)地理特征、自然狀況，結(jié)合Google Earth 高分影像應(yīng)用目視解譯的方法選取研究區(qū)訓(xùn)練樣本，經(jīng)面向?qū)ο蠓指詈笱芯繀^(qū)一共得到11539 個對象。選取其中每一類不少于50 塊的七類對象集作為訓(xùn)練樣本，并為后續(xù)工作建立分類規(guī)則。
表1 樣本解譯標(biāo)志對照
4.3 特征優(yōu)選
特征選擇利用樣本集內(nèi)部信息，從待選特征集合中篩選一個最優(yōu)特征子集，從而達到降低特征空間維數(shù)，提高分類器實際分類性能的作用。 以 WEKA 自帶的ReliefFAttributeEval 作為屬性評測算法，結(jié)合光譜、幾何、紋理等特征集合進行特征優(yōu)選，選取特征類型見表2。最后將多尺度分割結(jié)果結(jié)合優(yōu)選特征屬性利用貝葉斯網(wǎng)絡(luò)、J48 決策樹與隨機森林進行分類。
表2 候選特征集
5 結(jié)果分析
5.1 多尺度分割與特征優(yōu)選結(jié)果
尺度因子閾值范圍設(shè)為30-100，通過多組實驗對比發(fā)現(xiàn)，尺度30 和50 出現(xiàn)了明顯過分割，很多地物類型分的過小過細；而尺度80 和100 的分割結(jié)果又有著欠分割狀況，綜合來看在60 尺度下分割結(jié)果與實際地物擬合程度最高。在目視解譯的基礎(chǔ)上，通過不一致性評價法結(jié)合ED2 與尺度因子的相互關(guān)系綜合考慮，對多尺度分割參數(shù)進行優(yōu)選，最終將shape 值設(shè)為0.1，compactness 值設(shè)為0.5，得到的多尺度分割局部影像見圖2。
圖2 多尺度分割后的局部影像（底圖為假彩色合成影像）
如表3 所示，取計算結(jié)果中相關(guān)性排名前八的特征作為輸入特征，分別為：歸一化植被指數(shù)（NDVI）、近紅外波段（Mean Layer 5）、歸一化差異水體指數(shù)（NDWI）、差異環(huán)境植被指數(shù)（DVI）、比值植被指數(shù)（RVI）、標(biāo)準(zhǔn)差（Standard deviation Layer）、紅光波段（Mean Layer 4）與波段間最大差異指數(shù)（Max. diff.）。將優(yōu)選結(jié)果結(jié)合貝葉斯網(wǎng)絡(luò)、J48 決策樹以及隨機森林對目標(biāo)研究區(qū)進行土地覆被分類。
表3 特征優(yōu)選結(jié)果
5.2 三種算法分類結(jié)果
基于對象的貝葉斯網(wǎng)絡(luò)、J48 決策樹與隨機森林算法的分類結(jié)果見圖3，貝葉斯網(wǎng)絡(luò)與J48 決策樹分類器都將研究區(qū)西北部含水量較大的水田標(biāo)識為湖泊，且對于湖心島以及水稻田的提取效果較差，而針對村莊與水田之間的道路的提取也存在著較為突出的問題。整體來看隨機森林算法優(yōu)于另外兩種方法，水田與湖泊誤分情況明顯減少，影像中局部道路等細節(jié)也較好，但是依然有部分地物（如湖心島中的未開發(fā)土地）存在識別誤差?？偟膩碚f對于三種分類方法，與實際地物類型相比誤差集中出現(xiàn)在：水田- 湖泊；裸土- 建筑物；旱地- 森林之中；旱地- 裸土中。其中收到季節(jié)影響，部分作物正處于收割期或播種期，可能會導(dǎo)致旱地大面積呈裸土狀，從而影響最終的分類效果。
圖3 基于對象的貝葉斯網(wǎng)絡(luò)結(jié)果（右上）、J48 決策樹結(jié)果（左下）與隨機森林分類結(jié)果（右下）
5.3 精度評價
由表4 可知，在相同檢驗樣本的條件下，隨機森林算法的整體分類精度為92.54%，Kappa 系數(shù)為0.901，誤差主要出現(xiàn)在建筑物、裸土之中，而湖泊、河流整體提取效果較好。相比于貝葉斯分類器與J48 決策樹的分類結(jié)果，隨機森林取得了更高的分類精度。
表4 精度評價對比
6 結(jié)論
本文結(jié)合了面向?qū)ο笠约叭N不同機器學(xué)習(xí)算法，基于典型地物訓(xùn)練樣本進行了覆被分類研究，均取得了不錯的分類效果。其中基于隨機森林的算法相比貝葉斯網(wǎng)絡(luò)和J48 決策樹有更好的典型地物識別準(zhǔn)確率和更高的Kappa 系數(shù)。實驗結(jié)果表明結(jié)合機器學(xué)習(xí)與基于對象的遙感影像分類算法可以有效利用不同對象間幾何信息、結(jié)構(gòu)信息與光譜信息進行特征提取，從而達到提升土地覆被分類準(zhǔn)確性的目的。分類識別的過程中，三種分類算法都遇到了針對復(fù)雜地物類型錯誤識別的問題，比如設(shè)置的水田和旱田都遠遠不夠代表研究區(qū)內(nèi)復(fù)雜的作物類型，如何有效提升分類精度還需進一步進行討論與研究。
猜你喜歡
一種針對不均衡數(shù)據(jù)集的SVM決策樹算法成都信息工程大學(xué)學(xué)報(2019年3期)2019-09-25 08:31:20 面向?qū)ο蟮挠嬎銠C網(wǎng)絡(luò)設(shè)計軟件系統(tǒng)的開發(fā)電子測試(2018年15期)2018-09-26 06:01:34 決策樹和隨機森林方法在管理決策中的應(yīng)用電子制作(2018年16期)2018-09-26 03:27:06 面向?qū)ο蟮臄?shù)據(jù)交換協(xié)議研究與應(yīng)用電測與儀表(2017年24期)2017-12-19 05:15:24 貝葉斯公式及其應(yīng)用數(shù)理化解題研究(2017年4期)2017-05-04 04:07:54 基于決策樹的出租車乘客出行目的識別中央民族大學(xué)學(xué)報(自然科學(xué)版)(2016年4期)2016-06-27 08:06:04 基于貝葉斯估計的軌道占用識別方法鐵道通信信號(2016年6期)2016-06-01 12:10:20 面向?qū)ο骔eb開發(fā)編程語言的的評估方法現(xiàn)代計算機(2016年12期)2016-02-28 18:35:25 一種基于貝葉斯壓縮感知的說話人識別方法電子器件(2015年5期)2015-12-29 08:43:15 基于肺癌CT的決策樹模型在肺癌診斷中的應(yīng)用鄭州大學(xué)學(xué)報(醫(yī)學(xué)版)(2015年1期)2015-02-27 14:50:26
劉東杰
（蘭州大學(xué)資源環(huán)境學(xué)院，甘肅 蘭州 730000）
1 概述
遙感影像分類是近年來遙感衛(wèi)星影像應(yīng)用的研究熱點之一[1,2],對于進一步開展土地利用/覆被信息調(diào)查、分析土地利用類型變化具有重要意義。最早人們通過目視解譯作為分類方式進行提取，但其嚴(yán)重依賴判讀人員的先驗知識，易受個人差異影響，且時效性差[3]。隨著技術(shù)的不斷進步，計算機視覺領(lǐng)域的圖像分割技術(shù)逐漸被應(yīng)用于遙感影像的分類識別中。圖像分割是一種通過紋理、灰度與空間幾何等不同特征對圖像不同區(qū)域進行分割，并增強同一區(qū)域內(nèi)特征一致性的技術(shù)[4]，根據(jù)影像的最小處理單元可以分為基于像元的分類和基于對象的分類兩種方法。
基于對象的圖像分析 (Object-Based Image Analysis,OBIA),是一種高效、可靠的自動化圖像分割分類技術(shù)，能夠通過紋理、形狀、大小等特征在目標(biāo)圖像中生成包含多個像素的矢量對象。目前已有大量學(xué)者針對面向?qū)ο筮M行了相關(guān)應(yīng)用研究[5,6]。其基本原理為通過多尺度影像分割，生成內(nèi)部有較小差異的同質(zhì)目標(biāo)[7]。與基于像元的傳統(tǒng)分類方法相比，OBIA 可以充分利用不同對象間幾何信息、結(jié)構(gòu)信息與光譜信息的差異進行信息提取，克服基于像元分類中常見的椒鹽現(xiàn)象[2]，從而在中高分辨率影像上取得更好的分類結(jié)果。
機器學(xué)習(xí)技術(shù)通過多年來的不斷發(fā)展，已經(jīng)成為了人工智能領(lǐng)域的重要研究方向，并廣泛應(yīng)用于信號處理、模式識別、大數(shù)據(jù)分析等多個領(lǐng)域。傳統(tǒng)的機器學(xué)習(xí)研究方向主要包括隨機森林[8]、人工神經(jīng)網(wǎng)絡(luò)[9]等。結(jié)合面向?qū)ο笈c機器學(xué)習(xí)對遙感影像進行信息提取有助于提升分類效果，提取到更有價值的地物信息。本文將結(jié)合貝葉斯網(wǎng)絡(luò)、J48決策樹與隨機森林對比三種方法在landsat-8 衛(wèi)星影像上的分類效果。
2 數(shù)據(jù)準(zhǔn)備
選擇landsat-8 OLI 衛(wèi)星影像作為本文使用的數(shù)據(jù)，裁剪其中1024*1024 的區(qū)域作為目標(biāo)研究區(qū)。多光譜波段空間分辨率為30 米，成像時間為2017 年7 月26 日10 點56 分13 秒，影像的中心坐標(biāo)為30°18' 7.16'' N 113°50' 22.17''E。本文使用的Landsat 8 影像采用WGS84橢球體模型，UTM投影分帶號為49，整體云量小于3%，整體質(zhì)量較高，如圖1。
圖1 目標(biāo)研究區(qū)
研究區(qū)坐落于為湖北省洪湖市與嘉魚縣交界地區(qū)，海拔在23 至28 米之間，以南部較高，北部較低的特點形成自東南向西北緩慢傾斜的地勢。境內(nèi)河道交錯密集，布滿大小不一的湖泊，境內(nèi)主要地物類型有耕地、河流、森林、公路、湖泊、裸地、城鎮(zhèn)居民地等。為了消除研究區(qū)影像中大氣散射導(dǎo)致的輻射誤差，對數(shù)據(jù)依次進行輻射定標(biāo)、FLAASH 大氣校正以完成預(yù)處理。
3 原理與方法
3.1 貝葉斯網(wǎng)絡(luò)
貝葉斯網(wǎng)絡(luò)[10]本質(zhì)上是一種有向無環(huán)圖，包含多個代表變量的節(jié)點，并利用不同節(jié)點間連接的有向邊表示節(jié)點之間的相互關(guān)系，可以很好地表達抽象、模糊的信息，在對概率性事件或不確定性較大事件的分析上有十分廣闊的應(yīng)用前景?？梢酝ㄟ^使用概率測度權(quán)重描述不同數(shù)據(jù)之間的相關(guān)性來處理帶有噪聲的數(shù)據(jù)，同時，其本身也具有多元知識圖解可視化表達的分析能力，易于按照信息的相關(guān)關(guān)系進行融合，有助于先驗知識和概率的結(jié)合[11]。
3.2 J48 決策樹
決策樹是一種貪心算法，基本原理是從根節(jié)點開始自頂向下結(jié)合樣本集遍歷每個非葉結(jié)點以決定決策屬性。而J48決策樹是1993 年在ID3 算法的基礎(chǔ)上進行改進提出的一種更高效的算法。分類規(guī)則直觀可靠、易于理解，主要通過信息增益率進行屬性選擇，通過篩選信息增量最大的特征值作為子節(jié)點，確定最佳分裂的指標(biāo)。相比于之前的ID3 算法，其通過剪枝減少過擬合概率，并具有處理連續(xù)屬性值或含有缺失屬性樣本的能力[12]。
3.3 隨機森林
隨機森林[13]作為一種改進的決策樹算法，在樣本和屬性兩個方面都具有一定的隨機性，常用于處理分類、回歸問題。算法利用bootsrap 技術(shù)隨機有放回地抽取多個樣本，并根據(jù)每組取得的樣本建立決策樹，隨機組合以得到隨機森林，最后通過投票概率得到最優(yōu)分類結(jié)果。每一棵樹個體的分類能力以及各樹之間的相關(guān)性都與整體算法誤差息息相關(guān)，可通過改變不同剪枝方式或修改樹的數(shù)量來對分類精度進行優(yōu)化。目前隨機森林已廣泛應(yīng)用于土地覆被分類[14]、農(nóng)業(yè)[15]、林業(yè)[16]等眾多領(lǐng)域。
4 基于三種方法的面向?qū)ο笸恋馗脖环诸?/h2>4.1 面向?qū)ο蠓指?/h3>
使用多尺度分割算法進行面向?qū)ο筇崛?，將目?biāo)影像分割成具有高內(nèi)部同質(zhì)性，高外部異質(zhì)性的影像對象。多尺度分割包含三個重要的影響參數(shù)：尺度因子（scale）、形狀因子（shape）和緊湊度因子（compactness）。形狀因子越高，圖像分割效果越整齊，緊湊度因子越低，地物分割效果越細碎。同時考慮采用不一致評價法對多尺度分割參數(shù)進行優(yōu)化，結(jié)合歐幾里得距離與尺度特征的關(guān)系對影像參數(shù)進行最終的確定。
4.2 分類體系的建立
樣本類型及解譯標(biāo)志如表1 所示，暫時將道路歸為building 類中；水田與魚塘也都暫時歸入到Farmland-wet 類中。根據(jù)研究區(qū)地理特征、自然狀況，結(jié)合Google Earth 高分影像應(yīng)用目視解譯的方法選取研究區(qū)訓(xùn)練樣本，經(jīng)面向?qū)ο蠓指詈笱芯繀^(qū)一共得到11539 個對象。選取其中每一類不少于50 塊的七類對象集作為訓(xùn)練樣本，并為后續(xù)工作建立分類規(guī)則。
表1 樣本解譯標(biāo)志對照
4.3 特征優(yōu)選
特征選擇利用樣本集內(nèi)部信息，從待選特征集合中篩選一個最優(yōu)特征子集，從而達到降低特征空間維數(shù)，提高分類器實際分類性能的作用。 以 WEKA 自帶的ReliefFAttributeEval 作為屬性評測算法，結(jié)合光譜、幾何、紋理等特征集合進行特征優(yōu)選，選取特征類型見表2。最后將多尺度分割結(jié)果結(jié)合優(yōu)選特征屬性利用貝葉斯網(wǎng)絡(luò)、J48 決策樹與隨機森林進行分類。
表2 候選特征集
5 結(jié)果分析
5.1 多尺度分割與特征優(yōu)選結(jié)果
尺度因子閾值范圍設(shè)為30-100，通過多組實驗對比發(fā)現(xiàn)，尺度30 和50 出現(xiàn)了明顯過分割，很多地物類型分的過小過細；而尺度80 和100 的分割結(jié)果又有著欠分割狀況，綜合來看在60 尺度下分割結(jié)果與實際地物擬合程度最高。在目視解譯的基礎(chǔ)上，通過不一致性評價法結(jié)合ED2 與尺度因子的相互關(guān)系綜合考慮，對多尺度分割參數(shù)進行優(yōu)選，最終將shape 值設(shè)為0.1，compactness 值設(shè)為0.5，得到的多尺度分割局部影像見圖2。
圖2 多尺度分割后的局部影像（底圖為假彩色合成影像）
如表3 所示，取計算結(jié)果中相關(guān)性排名前八的特征作為輸入特征，分別為：歸一化植被指數(shù)（NDVI）、近紅外波段（Mean Layer 5）、歸一化差異水體指數(shù)（NDWI）、差異環(huán)境植被指數(shù)（DVI）、比值植被指數(shù)（RVI）、標(biāo)準(zhǔn)差（Standard deviation Layer）、紅光波段（Mean Layer 4）與波段間最大差異指數(shù)（Max. diff.）。將優(yōu)選結(jié)果結(jié)合貝葉斯網(wǎng)絡(luò)、J48 決策樹以及隨機森林對目標(biāo)研究區(qū)進行土地覆被分類。
表3 特征優(yōu)選結(jié)果
5.2 三種算法分類結(jié)果
基于對象的貝葉斯網(wǎng)絡(luò)、J48 決策樹與隨機森林算法的分類結(jié)果見圖3，貝葉斯網(wǎng)絡(luò)與J48 決策樹分類器都將研究區(qū)西北部含水量較大的水田標(biāo)識為湖泊，且對于湖心島以及水稻田的提取效果較差，而針對村莊與水田之間的道路的提取也存在著較為突出的問題。整體來看隨機森林算法優(yōu)于另外兩種方法，水田與湖泊誤分情況明顯減少，影像中局部道路等細節(jié)也較好，但是依然有部分地物（如湖心島中的未開發(fā)土地）存在識別誤差?？偟膩碚f對于三種分類方法，與實際地物類型相比誤差集中出現(xiàn)在：水田- 湖泊；裸土- 建筑物；旱地- 森林之中；旱地- 裸土中。其中收到季節(jié)影響，部分作物正處于收割期或播種期，可能會導(dǎo)致旱地大面積呈裸土狀，從而影響最終的分類效果。
圖3 基于對象的貝葉斯網(wǎng)絡(luò)結(jié)果（右上）、J48 決策樹結(jié)果（左下）與隨機森林分類結(jié)果（右下）
5.3 精度評價
由表4 可知，在相同檢驗樣本的條件下，隨機森林算法的整體分類精度為92.54%，Kappa 系數(shù)為0.901，誤差主要出現(xiàn)在建筑物、裸土之中，而湖泊、河流整體提取效果較好。相比于貝葉斯分類器與J48 決策樹的分類結(jié)果，隨機森林取得了更高的分類精度。
表4 精度評價對比
6 結(jié)論
本文結(jié)合了面向?qū)ο笠约叭N不同機器學(xué)習(xí)算法，基于典型地物訓(xùn)練樣本進行了覆被分類研究，均取得了不錯的分類效果。其中基于隨機森林的算法相比貝葉斯網(wǎng)絡(luò)和J48 決策樹有更好的典型地物識別準(zhǔn)確率和更高的Kappa 系數(shù)。實驗結(jié)果表明結(jié)合機器學(xué)習(xí)與基于對象的遙感影像分類算法可以有效利用不同對象間幾何信息、結(jié)構(gòu)信息與光譜信息進行特征提取，從而達到提升土地覆被分類準(zhǔn)確性的目的。分類識別的過程中，三種分類算法都遇到了針對復(fù)雜地物類型錯誤識別的問題，比如設(shè)置的水田和旱田都遠遠不夠代表研究區(qū)內(nèi)復(fù)雜的作物類型，如何有效提升分類精度還需進一步進行討論與研究。
猜你喜歡
成都信息工程大學(xué)學(xué)報(2019年3期)2019-09-25 08:31:20
電子測試(2018年15期)2018-09-26 06:01:34
電子制作(2018年16期)2018-09-26 03:27:06
電測與儀表(2017年24期)2017-12-19 05:15:24
數(shù)理化解題研究(2017年4期)2017-05-04 04:07:54
中央民族大學(xué)學(xué)報(自然科學(xué)版)(2016年4期)2016-06-27 08:06:04
鐵道通信信號(2016年6期)2016-06-01 12:10:20
現(xiàn)代計算機(2016年12期)2016-02-28 18:35:25
電子器件(2015年5期)2015-12-29 08:43:15
鄭州大學(xué)學(xué)報(醫(yī)學(xué)版)(2015年1期)2015-02-27 14:50:26
