|Table of Contents|

A Study of Coastal Wetland Vegetation ClassificationBased on Object-oriented Random Forest Method(PDF)

南京师范大学学报（工程技术版）[ISSN:1006-6977/CN:61-1281/TN]

Issue:
2021年04期
Page:
47-55
Research Field:
环境科学与工程
Publishing date:

Info

Title:
A Study of Coastal Wetland Vegetation ClassificationBased on Object-oriented Random Forest Method
Author(s):
Zong Ying; Li Yufeng; Liu Hongyu
School of Marine Science and Engineering,Nanjing Normal University,Nanjing 210023,China
Keywords:
vegetation classification; object-oriented; random forest; feature selection; coastal wetland
PACS:
P931.1
DOI:
10.3969/j.issn.1672-1292.2021.04.008
Abstract:
Based on Sentinel-2 data,this paper uses the core area of Yancheng National Rare Bird Nature Reserve as the study area,and uses an object-oriented random forest model to classify the wetland information in the study area. Firstly,the images are segmented,based on which the spectral features,texture features,water body index,vegetation index and texture features are calculated and ranked; based on this,five feature combination schemes are constructed and the study area is classified,and the best feature combination scheme is found by comparing the classification accuracy of different combinations. The results show that the random forest algorithm after feature selection is the best,with an overall accuracy of 87.07% and a Kappa coefficient of 0.84. Among the three vegetation species,the classification accuracy of Spartina Alterniflora is the highest at 97.73%,which proves that this method can effectively improve the classification accuracy of coastal wetlands and thus can be used for the study of wetland change in the region.

References:

[1] 张威,刘毅,邵景安. 基于面向对象分类法的农田识别提取[J]. 灌溉排水学报,2019,38(12):121-128.
[2]陈蕊,张继超. 基于eCognition的遥感图像面向对象分类方法研究[J]. 测绘与空间地理信息,2020,43(2):91-95.
[3]杨超,邬国锋,李清泉,等. 植被遥感分类方法研究进展[J]. 地理与地理信息科学,2018,34(4):24-32.
[4]李方方,刘正军,徐强强,等. 面向对象随机森林方法在湿地植被分类的应用[J]. 遥感信息,2018,33(1):111-116.
[5]莫利江,曹宇,胡远满,等. 面向对象的湿地景观遥感分类——以杭州湾南岸地区为例[J]. 湿地科学,2012,10(2):206-213.
[6]邵亚婷,卢霞,叶慧,等. 滨海湿地土地覆盖面向对象分类及变化监测[J]. 海洋科学,2020,44(1):52-66.
[7]张蓉,夏春林,贾明明,等. 基于面向对象的大珠三角红树林动态变化分析[J]. 测绘与空间地理信息,2019,42(12):22-26.
[8]王德军,姜琦刚,李远华,等. 基于Sentinel-2A/B时序数据与随机森林算法的农耕区土地利用分类[J]. 国土资源遥感,2020,32(4):236-243.
[9]李龙,李旭青,吴伶,等. 基于决策树和神经网络的农作物分类研究——以廊坊市为例[J]. 红外,2019,40(3):24-31,36.
[10]白韬. 面向对象的GF-2遥感影像多层次分类方法研究[D]. 吉林:吉林大学,2020.
[11]吴兴惠,周玉萍,邢海花,等. 集成学习之随机森林分类算法的研究与应用[J]. 电脑知识与技术,2020,16(21):26-27.
[12]张磊,宫兆宁,王启为,等. Sentinel-2影像多特征优选的黄河三角洲湿地信息提取[J]. 遥感学报,2019,23(2):313-326.
[13]刘家福,李林峰,任春颖,等. 基于特征优选的随机森林模型的黄河口滨海湿地信息提取研究[J]. 湿地科学,2018,16(2):97-105.
[14]谷晓天,高小红,马慧娟,等. 复杂地形区土地利用/土地覆被分类机器学习方法比较研究[J]. 遥感技术与应用,2019,34(1):57-67.
[15]穆亚南,丁丽霞,李楠,等. 基于面向对象和随机森林模型的杭州湾滨海湿地植被信息提取[J]. 浙江农林大学学报,2018,35(6):1088-1097.
[16]刘舒,姜琦刚,马玥,等. 基于多目标遗传随机森林特征选择的面向对象湿地分类[J]. 农业机械学报,2017,48(1):119-127.
[17]常文涛,陈欢,常伟纲. 结合时间序列Sentinel-1数据和面向对象的湿地信息提取方法[J]. 北京测绘,2020,34(3):365-370.
[18]张学勤,王国祥,王艳红,等. 江苏盐城沿海滩涂淤蚀及湿地植被消长变化[J]. 海洋科学,2006,30(6):35-39,45.
[19]朱济友,于强,YANG D,等. 基于eCognition软件的显微图像叶脉网络提取与优化[J]. 农业机械学报,2019,50(1):51-57.
[20]陆海霞,何江,刘立. 集成面向对象影像分析与KNN算法的多光谱遥感影像分类探讨[J]. 科技创新与应用,2019,8(11):27-30.
[21]DRGU L,CSILLIK O,EISANK C,et al. Automated parameterisation for multi-scale image segmentation on multiple layers[J]. ISPRS Journal of Photogrammetry and Remote Sensing,2014,88:119-127.
[22]DRGU L,TIEDE D,LEVICK S R,et al. ESP:a tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data[J]. International Journal of Geographical Information Science,2010,24(6):859-871.
[23]关元秀,王学恭,郭涛,等. eCognition基于面向对象影像分析教程等[M]. 北京:科学出版社,2019:49-50.
[24]耿仁方,付波霖,蔡江涛,等. 基于无人机影像和面向对象随机森林算法的岩溶湿地植被识别方法研究[J]. 地球信息科学学报,2019,21(8):1295-1306.
[25]郑利林,徐金英,王晓龙. 随机森林算法在湿地研究中的应用[J]. 湿地科学,2019,17(1):16-24.
[26]杨红艳,杜健民,阮培英,等. 基于无人机遥感与随机森林的荒漠草原植被分类方法[J]. 农业机械学报,2021,52(6):186-194.
[27]周小成,郑磊,黄洪宇. 基于多特征优选的无人机可见光遥感林分类型分类[J]. 林业科学,2021,57(6):24-36.
[28]周俊. 基于高分二号和无人机遥感影像的非农生境植被特征提取[D]. 沈阳:沈阳农业大学,2020.
[29]夏盈,厉恩华,王学雷,等. 基于特征优选的随机森林算法在湿地信息提取中的应用——以湖北洪湖湿地自然保护区为例[J]. 华中师范大学学报(自然科学版),2021,55(4):639-648,660.
[30]刘舒,姜琦刚,马玥,等. 基于多目标遗传随机森林特征选择的面向对象湿地分类[J]. 农业机械学报,2017,48(1):119-127.
[31]何云,黄翀,李贺,等. 基于Sentinel-2A影像特征优选的随机森林土地覆盖分类[J]. 资源科学,2019,41(5):992-1001.
[32]余新华,王宏. 基于BP神经网络的油菜籽遥感识别研究[J]. 调研世界,2020(6):16-24.
[33]陈柳. 基于无人机影像的一种农田景观小尺度地物的分类方法研究[D]. 沈阳:沈阳农业大学,2020.

Memo

Memo:
-
Last Update: 2021-12-15