基于多源数据和Stacking-SHAP方法的山地丘陵区土地覆被分类.pdfVIP

第 38 卷 第 23 期 农 业 工 程 学 报 Vol.38 No.23 2022 年 12 月 Transactions of the Chinese Society of Agricultural Engineering Dec. 2022 213 基于多源数据和 Stacking-SHAP 方法的山地丘陵区土地覆被分类 1,2 1 1,2※ 周亚男 ，陈 绘 ，刘洪斌 （1. 西南大学资源环境学院，重庆 400716 ；2. 重庆市数字农业重点实验室，重庆 400716 ） 摘 要：山地丘陵区地形复杂，地表辐射信号畸变严重，地物识别困难。为准确提取山区地物信息，结合多源异构数据， Stacking 集成学习和 shapley addictive explanation （SHAP ）方法展开土地覆被分类研究。从 Sentinel-1/2 影像、气候数据、 土壤数据和数字高程图中提取遥感、气候、土壤和地形四类特征变量，设计多种变量组合方案，结合 Stacking 算法，探 讨不同类型变量在山区地物识别中的效用，并对比 Stacking 最佳方案与支持向量机（Support Vector Machine，SVM ）、随 机森林（Random Forest ，RF ）和极端梯度回归（eXtreme Gradient Boosting，XGBoost ）算法的分类精度，评价 Stacking 方法在山区地物信息提取中的性能。同时，引入 SHAP 方法，量化 Stacking 模型中各特征变量的重要性。结果表明：在 仅以遥感变量为基础方案时，山区土地覆被分类精度最低；在分别加入气候、土壤和地形变量后，总体精度、Kappa 系 数和 F1 分数均有所提高，其中旱地、水田和园地分类精度的提升幅度较大。基于 Stacking 算法结合所有类型特征变量的 方案达到了最佳的分类精度，其总体精度、Kappa 系数和 F1 分数分别为 96.61%、0.96 和 94.81%，分类精度优于相同特 征下的 SVM、 RF 和 XGBoost 。SHAP 方法可量化 Stacking 模型中特征变量的全局以及局部重要性，明确各变量对不同 地物类型识别的相对贡献，为山区土地覆被分类的变量选择及优化提供有价值的信息。该研究可为机器学习协助复杂景 观地区土地覆被制图研究提供技术支持和理论参考。 关键词：遥感；多源数据；土地覆被分类；Stacking 算法；SHAP 方法；山地丘陵区 doi ：10.11975/j.issn.1002-6819.2022.23.023 中图分类号：P237 文献标志码：A 文章编号：1002-6819(2022)-23-0213-10 周亚男，陈绘，刘洪斌. 基于多源数据和 Stacking-SHAP 方法的山地丘陵区土地覆被分类[J]. 农业工程学报，2022， 38(23)：213-222. doi ：10.11975/j.issn.1002-6819.2022.23.023 Zhou Yanan, Chen Hui, Liu Hongbin. Land cover classification i