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（中）.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 （（中中）） 2019年09月24 日 2.2 特征重要性排序及评价 利用最佳模型 （模型C ）评估每个特征变量对于土地利用分类的重要性和贡献度 （图5 ），获得研究区土地利用类型图 （图6 ）。排序靠前的主要是原始波段数据 （图5 ），其中排序前五的 是B2 （Blue ），B4 （Red ），B3 （Green ），MNDWI和B5 （Vegetation Red dge 1）。蓝光波段 （B2 ）的重要性远高于其他波 段 ，这是因 蓝光波段对土壤背景反映敏感 ，在土壤与植被的区分中作用较大 ，也广泛应用于构建土壤调节植被指 数[41 ，42] 。在该时相下旱地植被覆盖度不高 ，裸露土壤较多 ，周边水稻生长处于抽穗中后期 ，生长茂盛 ，其对旱地与水 田、林地等植被的区分效果最好 ，重要性较高 ，与实际情况吻合 。研究区域内林地 、水稻等植被面积所占比重较高 ，而植被 在该处具有强吸收的特性[7 ，16] ，所以红光波段 （B4 ）在研究区域内对大范围的植被信息提取贡献度较高 。绿光波段 （B3 ） 处有一个小的反射峰 ，被称 “绿峰” ，该波段对于植被中叶绿素的含量较 敏感 ，可用于水体与植被 、植被类型间的区 [43] 分 ，所以使得B3变量重要性较高 。改进归一化差异水体指数 （MNDWI ）重要性较高的原因可能是因 研究区域内包含 [28] 了嘉陵江的一部分和若干水域 ，而MNDWI对水体信息的提取效果明显 。在土地利用/覆盖分类领域 ，传统原始波段特征 和MND-WI的重要性已经被很多学者证实 ，只是由于在不同的研究区域和研究时间，地物种类和植物生长状况有所不同 ，在 重要性排序上存在一定的差异 ，但从总体上来看 ，均位于前列[7 ，13 ，44] 。 受到植物体内叶绿素吸收作用的影响 ，植被反射光谱在红到近红外区 （0.7〜0.8um ）会出现一个陡峭的爬山脊 ，称 “红 [45] 边” ，非植被没有这一特征 ，不同植被类型的红边特性也存在一定的差异 ，有助于植被和非植被类型的区分以及植被类型 提取 。在本研究中 ，B5波段位于第五 ，在分类中起着重要作用 ，并且在重要性排序上也远高于其他3个红边波段 ， [22] [24] 与Forkuor等 的研究结论一致 。Immitzer等 利用Sentinel-2遥感数据在奥地利农业区也开展了相似研究 ，发现在5个最重 要的原始波段数据中 ，红边波段数据有两个 ，其中B5波段 （R 1）位于第一 ，证实了B5波段在分类中的重要作 [23] 用 。Radoux等 在亚像素级研究了Sentinel-2原始波段数据在地物识别中的重要作用 ，研究发现B6和B7 （R 2和R 3 ）的重 要性高于B5 （R 1），差异性可能是研究区地类不同所导致的 ，但其在研究中同样证实了Sentinel-2红边波段重要性 。 在重要性排序上紧随其后的多是传统遥感数据 （B11 、B12 ；LSWI 、NDVI 、MSAVI ），多数红边遥感数据排序较低 ，并且 地形因子 （海拔 、坡度 、坡向）的重要性也相对较低 。以上结果说明红边波段相关信息 、地形因子的添加可以提高随机森林 分类方法的精度 ，但在变量的重要程度上 ，传统遥感数据对分类的贡献度更高 ，这与马� [7] [16] [23] [17] 等 、Dubeau等 、Radoux等 的研究结果相一致 ，也与一些学者的研究存在一定差异 ，例如陈元鹏等 的研究中地形