基于獨立成分分析和隨機森林算法的城鎮用地提取研究

作者：蒲東川,王桂周,張兆明,牛雪峰,何國金,龍騰飛,尹然宇,江威,孫嘉悅

摘要：城鎮用地信息是聯合國2030年可持續發展議程關注的重點之一。城市在世界范圍內迅速擴張,快速準確地獲取城鎮用地信息對于政府決策具有重要作用。城鎮土地覆蓋信息非常復雜,包括人工建筑、樹木、草地、水體等多種地表覆蓋類型。基于傳統人工測繪獲取城鎮用地信息費時費力并且難于及時更新。Landsat等遙感衛星數據為城鎮用地信息提取提供了豐富的數據源。基于衛星遙感數據提取的城鎮用地信息可以為未來城市的建設和管理提供基礎的科學決策數據。基于監督分類方法和衛星遙感數據可快速地提取城鎮用地信息,然而特征變量的選擇對于高精度城鎮用地信息提取尤為重要。為研究不同特征變量組合對于城鎮用地信息提取的影響,以北京市為研究區,以2017年7月10日獲取的Landsat 8 OLI影像為數據源,通過數據預處理、紋理提取、獨立成分分析、主成分分析等得到4個維度的29個特征,選取了7種特征組合方案進行城鎮用地提取。考慮隨機森林算法性能穩定,分類精度高和可以方便進行特征重要性評價等優點,選擇其作為監督分類算法以提取城鎮用地信息,并進行了精度評定,以確定最優的城鎮用地提取特征組合。研究發現:綜合利用光譜特征和獨立成分分析后的影像特征,提取城鎮用地的總體精度為93.1%,Kappa系數為0.86,優于利用其他特征的提取結果;基于隨機森林算法對數據進行訓練后輸出的各變量的歸一化變量重要性與特征均值的標準差結果存在相似性,利用隨機森林算法的變量重要性估計與特征均值折線圖都可以進行變量重要性評價。

發文機構：中國科學院空天信息創新研究院 吉林大學地球探測科學與技術學院 海南省地球觀測重點實驗室 三亞中科遙感研究所

關鍵詞：隨機森林獨立成分分析主成分分析灰度共生矩陣衛星遙感城鎮用地Landsat8特征重要性random forestindependent component analysisprincipal component analysisgray level co-occurrence matrixsatellite remote sensingurban areaLandsat 8feature importance

分類號： TP3[自動化與計算機技術—計算機科學與技術]