基于随机森林与特征选择的藏东南土地覆被分类方法及精度评价

由于云污染、实地验证点的匮乏,以及地形地貌的复杂、破碎化,多云山区土地覆被的准确分类较难实现.以藏东南这一典型的多云山区及生态过渡区为研究区,基于Google Earth Engine(GEE)平台和野外实测数据,结合多光谱数据、雷达数据、高程数据、辅助数据,提取光谱特征、纹理特征、地形特征等信息,利用递归特征消除法对特征进行优化,并采用随机森林算法构建分类模型,以期有效利用多源遥感数据提高土地覆被分类精度.结果表明:①并非特征越多分类精度越高,特征选择后数量由58个减至38个,分类精度(总体精度93.96％,Kappa系数0.92)较未优化前(总体精度93.11％,Kappa系数0.92)略有提升.②地形特征及雷达特征对藏东南土地覆被分类具有重要作用,地形特征对多数土地覆被类型的分类精度具有影响,而雷达数据对裸地、建设用地、灌丛影响较大,分类过程中如不考虑地形及雷达特征,总体精度分别降至88.98％,92.48％.纹理特征以及时序特征仅对提高具有明显纹理以及时序变化的土地覆被类型的精度有帮助.结合随机森林和特征优化算法,能够在保证土地覆被分类精度的同时,高效整合多源数据信息,加快模型运算速度,为多云山区土地覆被分类提供切实可行的方法.