机器学习算法在高分辨率遥感影像土地覆被分类中的对比分析.pdf

本文主要探讨了机器学习算法在高分辨率遥感影像土地覆被分类中的应用和对比分析。在高分辨率遥感影像分析中，机器学习算法已经成为解决大数据量、复杂信息处理的关键技术。传统的目视解译方法效率低，而机器学习分类器如随机森林（Random Forest, RF）、深度神经网络（Deep Neural Network, DNN）、支持向量机（Support Vector Machine, SVM）和决策树（Decision Tree, DT）等能有效提升分类精度。 文中以WEKA软件平台为实验基础，采用WordView3影像作为研究数据，对四种常见的机器学习分类器进行了超参数优化和对比分析。结果显示，在相同条件下，RF、DNN和SVM的分类精度优于DT，其中RF表现最佳，总体精度达到了80.8%，Kappa系数为0.78。这表明在高分辨率遥感影像的面向对象分类中，RF具有显著优势。 此外，文章指出，尽管各种机器学习分类器都有一定的分类错误，但错误分类的对象不尽相同。这提示我们，选择合适的分类器需要根据具体的应用场景和数据特性来确定。例如，RF在农业景观分类中表现出色，而DNN则可能更适合处理复杂的图像特征。 对于参数调优的重要性，文中通过对比分析发现，优化后的随机森林和决策树在复杂地形区的土地利用/土地覆被分类中，其精度明显高于支持向量机和人工神经网络。这些研究结果为选择适合的机器学习算法提供了参考。 在WEKA平台上，这些机器学习算法得以统一实现，便于比较和调优。研究者选择了宁夏回族自治区中卫市的一片WordView3高分辨率多光谱影像，通过多尺度分割和特征提取，对四种分类器进行了比较，进一步验证了机器学习算法在高分辨率遥感影像分析中的效果差异。 总结来说，这篇论文强调了机器学习算法在高分辨率遥感影像土地覆被分类中的重要性，并提供了具体的对比分析结果，有助于研究人员和实践者选择最适合的算法。同时，也揭示了未来研究需要更深入地探讨不同分类器在特定条件下的最优性能，以及如何结合实际需求进行算法选择和参数优化。