[1]宗 影,李玉凤,刘红玉.基于面向对象随机森林方法的滨海湿地植被分类研究[J].南京师范大学学报(工程技术版),2021,21(04):047-55.[doi:10.3969/j.issn.1672-1292.2021.04.008]
 Zong Ying,Li Yufeng,Liu Hongyu.A Study of Coastal Wetland Vegetation ClassificationBased on Object-oriented Random Forest Method[J].Journal of Nanjing Normal University(Engineering and Technology),2021,21(04):047-55.[doi:10.3969/j.issn.1672-1292.2021.04.008]
点击复制

基于面向对象随机森林方法的滨海湿地植被分类研究
分享到:

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

卷:
21卷
期数:
2021年04期
页码:
047-55
栏目:
环境科学与工程
出版日期:
2021-12-15

文章信息/Info

Title:
A Study of Coastal Wetland Vegetation ClassificationBased on Object-oriented Random Forest Method
文章编号:
1672-1292(2021)04-0047-09
作者:
宗 影李玉凤刘红玉
南京师范大学海洋科学与工程学院,江苏 南京 210023
Author(s):
Zong YingLi YufengLiu Hongyu
School of Marine Science and Engineering,Nanjing Normal University,Nanjing 210023,China
关键词:
植被分类面向对象随机森林特征选择滨海湿地
Keywords:
vegetation classificationobject-orientedrandom forestfeature selectioncoastal wetland
分类号:
P931.1
DOI:
10.3969/j.issn.1672-1292.2021.04.008
文献标志码:
A
摘要:
基于Sentinel-2数据,以盐城国家级珍禽自然保护区核心区为研究区,采用基于面向对象的随机森林模型对研究区内的湿地信息进行分类研究. 首先,对影像进行分割处理,计算光谱特征、纹理特征、水体指数、植被指数与纹理特征,并对特征重要性进行排序筛选. 其次,基于此构建5种特征组合方案,并对研究区进行分类,比较不同组合的分类精度找出研究区最优的特征组合方案. 最后,实验表明:通过特征优选后的随机森林算法进行分类效果最好,总体精度达到87.07%,Kappa系数为0.84. 其中互花米草在3种植被中分类精度最高,为97.73%. 证明此方法能够有效提高滨海湿地的分类精度,可用作该区域湿地变化研究.
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.

参考文献/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.

相似文献/References:

[1]方红庆,陈龙,沈祖诒.基于面向对象技术的水电站仿真培训系统[J].南京师范大学学报(工程技术版),2003,03(02):067.
 Fang Hongqing,Chen Long,Shen Zuyi.Hydropower Plant Simulative Training System Based on Object-Oriented Technology[J].Journal of Nanjing Normal University(Engineering and Technology),2003,03(04):067.

备注/Memo

备注/Memo:
收稿日期:2021-03-02.
基金项目:国家自然科学基金项目(31971547、41871188)、江苏省科技厅重点研发项目(BE2018681).
通讯作者:刘红玉,博士,教授,研究方向:景观生态学和滨海湿地景观生态. E-mail:liuhongyu@njnu.edu.cn
更新日期/Last Update: 2021-12-15