应用无人机可见光影像和面向对象的随机森林模型对城市树种分类

作     者：陈逊龙 孙一铭 郭仕杰 段煜柯 唐桉琦 叶章熙 张厚喜 Chen Xunlong;Sun Yiming;Guo Shijie;Duan Yuke;Tang Anqi;Ye Zhangxi;Zhang Houxi

作者机构：福建农林大学福州350002 

出 版 物：《东北林业大学学报》 (Journal of Northeast Forestry University)

年 卷 期：2024年第52卷第3期

页      面：48-59页

学科分类：09[农学] 0903[农学-农业资源与环境] 

基　　金：国家自然科学基金项目(31901298) 西藏自治区科学技术重点研发计划项目(XZ202201ZY0003G) 福建农林大学省级大学生创新创业训练项目(S202310389046) 福建农林大学科技创新专项基金项目(KFb22033XA) 

主　　题：城市树种 无人机影像 面向对象 随机森林模型 地形特征 

摘      要：为及时准确的了解城市树种空间分布信息,提升城市居民生活水平和推动城市生态系统可持续发展。以福州市仓山区城市森林为研究对象,应用无人机(UAV)监测城市树种空间分布及其动态变化的可见光影像,根据最佳尺度对影像进行分割,并提取分割对象的光谱、地形、指数、纹理和几何特征。通过对不同类型特征的组合构建不同的分类方案,利用递归特征消除法(RFE)筛选出优选特征子集,利用面向对象方法结合随机森林(RF)模型对城市树种进行分类。结果表明:在随机森林模型分类的过程中,利用光谱特征对树种分类的总体分类精度为82.12%;地形特征对树种分类的贡献度率为14.96%;指数特征和纹理特征的引入,在一定程度提高了树种的分类精度;几何特征的贡献较小,在分类过程中没有明显的贡献。特征优选子集的S10方案分类精度最高,总体精度达92.42%,Kappa系数为0.91。说明特征优选能够降低高维度特征的复杂性,在大幅减少数据冗余的同时提高了分类精度。在最优特征子集下,随机森林(RF)算法分类的总体精度比极致梯度提升(XGBoost)、轻量级梯度提升机(LightGBM)和k最近邻算法(KNN)分别提高了1.15%、1.81%和15.15%,Kappa系数分别提高了1%、2%和17%。