基于随机森林和Sentinel-2影像数据的低山丘陵区土地利用分类——以重庆市江津区李市镇为例（上）.pdf

基基于于随随机机森森林林和和Sentinel-2影影像像数数据据的的低低山山丘丘陵陵区区土土地地利利用用分分类类 ——以以重重庆庆市市江江津津区区李李市市镇镇 例例 （（上上）） 2019年09月24 日 摘摘要要 ：：精准的土地利用信息是土地资源监测和管理的基础 。 提高低山丘陵区域的土地利用分类精度 ，选取重庆市江津区 李市镇 研究案例 ，基于随机森林方法 ，以Sentinel-2影像数据和地形因子 数据源 ，提取3种变量 （传统遥感数据 ，红边遥 感数据和地形因子），合计23个特征指标 ，构建3个具有不同输入变量的组合模型 ，以提取研究区土地利用信息 ，分析变量 的重要性 。结果表明 ：（1）传统遥感数据模型中顺序添加红边遥感数据和地形因子 ，总体分类精度分别 86.54% ，87.19% ，88.61% ；Kappa系数分别 0.800 9 ，0.810 2 ，0.8314 ；（2 ）对模型精度有重要影响的特征指标依次是 波段B2 （Blue ），B4 （Red ），B3 （Green ），改进归一化差异水体指数 （MN WI ）和波段B5 （Vegetation Red Edge 1）； （3 ）基于随机森林的遥感数据和地形因子的组合方法 ，是获取研究区高精度土地利用信息的一种有效手段 。研究成果可以 地形复杂区域的土地利用分类提供参考 。 关关键键词词 ：：丘陵山区 ，随机森林 ，Sentinel-2 ，土地利用分类 ，红边波段 土地利用/覆盖变化 （Land-Use and Land-Cover Change ，LUCC ）是全球环境变化的重要组成部分 ，也是当今全球变化研究的 热点课题 ，而土地利用/覆盖分类是LUCC研究的基础[1〜3] 。近年来 ，在土地利用/覆盖分类研究中 ，机器学习算法得到广泛 应用 ，如支持向量机 （Support Vector Machine ，SVM ）[4 ，5] ，随机森林 （Random Forest ，RF ）[6〜8] ，人工神经网络 [9 ，10] [11] （Artificial Neural Net-works ，ANNs ） ，分类回归树 （Classification and Regression Trees ，CART ） 等 。其中 ，随机 森林分类算法处理大数据集能力突出 ，抗噪声和抗过拟合能力较强 ，分类效果好[6 ，7] 。因此 ，越来越多的学者将随机森林 机器学习方法应用于遥感影像分类研究中[7 ，8 ，12] ，如马�、陈元鹏等利用随机森林方法对农耕区和山丘区进行土地利用分 [7 ，13] [8] 类研究 ，精度超过80% ；王娜等 结合随机森林和单变量特征选择算法在苏北地区进行主要农作物的分类提取 ，分类 [14-17] [14] 精度 97.07% 。此外 ，在地形复杂的山区 ，引入地形因子后可显著提高土地利用分类精度 。例如 ，陈波等 利 用IKONOS高分辨率遥感影像 ，基于纹理和地形辅助的面向对象分类方法对山区土地利用信息进行提取 ，精度 90.57% 。陈 [17] 元鹏等 在山地工矿复垦区利用地形 、光谱等特征和随机森林模型进行了地类信息的提取 ，分类精度 88.16% 。 当前在土地利用/覆盖分类研究中用到的数据源多 SPOT 、MO IS 、高分一号 、TM/ETM+等数据 ，时空分辨率或光谱分辨 率较低 ，对地形复杂区域的地类提取有一定干扰 。欧洲航天局 （Eu-ropean Space Agency ，ESA）于2015年发射的Sen-tinel- 2遥感卫星最高空间分辨率达到10m ，双星系统最短重返周期 5d ， 地形复杂区域的地物识别提供了更有效的数据来源 。 同时 ，与传统遥感数据相比 ，Sentinel-2遥感数据增加了4个与叶绿