农业机械学报

作者：侯蒙京，殷建鹏，葛静，李元春，冯琦胜，梁天刚

单位：兰州大学,兰州大学,兰州大学,兰州大学,兰州大学,兰州大学,

关键词：高寒湿地;土地覆盖;随机森林;特征选择;遥感;分类

基金：国家重点研发计划项目（2017YFC0504801）、国家自然科学基金项目（31672484）、现代农业产业技术体系建设专项资金项目（CSRS-34）、中国工程院重点咨询项目（2020-X2-29）、长江学者和创新团队发展计划项目（IRT_17R50）和中央高校基本科研业务费专项资金项目（lzujbky-2020-kb29）

高寒湿地是青藏高原典型独特的生态系统，是全球气候变化的敏感地带和预警区。利用遥感技术快速、准确地分类提取高寒湿地的土地覆盖信息，对当地生态安全监测和保护具有重要意义。本文以若尔盖湿地国家级自然保护区为研究区，首先，以高分一号（GF-1）遥感影像为数据源，融合光谱特征、水体指数、地形特征、植被指数和纹理信息等26个变量进行随机森林（Random forest, RF）分类实验；然后，根据袋外数据（Out of bag, OOB）的特征变量重要性得分和精度评价结果，选出高寒湿地地区土地覆盖类型的最优分类方案和特征；最后，对特征变量进行降维，并基于相同的变量，采用极大似然法（Maximum likelihood classification, MLC）、支持向量机(Support vector machine, SVM)、人工神经网络（Artificial neural network, ANN）和RF等方法进行分类，比较不同方法的优适性。结果表明：结合GF-1影像光谱、水体、植被、纹理特征和地形信息，使用26个变量的RF模型的分类精度最高，总体精度（Overall accuracy, OA）为90.07%，Kappa系数为0.86；通过RF模型的变量重要性分析可以有效选出重要的特征信息，在降低特征变量维度的同时，还能保证较高的分类精度；4种分类方法中，RF算法是高寒湿地地区较合适的分类方法，OA比MLC基准方法高17.63个百分点，比SVM和ANN等机器学习算法分别高6.98、6.56个百分点。

来源：2020年第7期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2020年第7期