基于随机森林的湟水流域土地利用/土地覆被变化检测

论文摘要

土地利用/土地覆被变化已成为当前全球环境变化研究的热点领域之一。中等分辨率的美国陆地资源卫星数据由于其具有连续的档案的数据提供因而成为全球及区域尺度上土地利用/土地覆被重要的遥感数据源。在土地利用类型多样、垂直差异性明显、空间异质性高的复杂地形区,很难获取较高的土地利用分类精度。研究随机森林方法对复杂地形区的适应性,对复杂地形下遥感分类准确性的提高以及探索复杂地形区湟水流域土地利用/土地覆被时空变化规律具有重要意义。本文以高海拔、地形复杂破碎的湟水流域为研究区,基于1999年Landsat7ETM+、2011年Landsat5TM以及2017年Landsat8OLI影像,结合光谱、纹理、地形信息,采用随机森林方法对湟水流域三期遥感影像分区进行土地利用/土地覆被信息提取及精度评价,最后选择分类后比较的变化检测方法对湟水流域近18年来土地利用/土地覆被变化进行动态分析。主要结论如下:（1）采用随机森林算法对1999年Landsat7 ETM+、2011年Landsat 5TM、2017年Landsat 8OLI三期湟水流域遥感影像多光谱数据的脑山区、浅山区、川水区进行土地利用/土地覆被信息提取,研究表明:1999年脑山区、浅山区、川水区的总体精度分别达到了88.53%、87.05%和84.70%,kappa系数分别为0.85、0.84和0.82;2011年脑山区、浅山区、川水区的总体精度分别达到88.50%、87.54%和85.04%,Kappa系数分别为0.85、0.84和0.82;2017年脑山区、浅山区、川水区的总体分类精度分别达到了89.17%、87.42%、85.43%,Kappa分别为0.86、0.84、0.83;以上分类结果表明,随机森林方法在对湟水流域土地利用分类时,可以得到较好的分类精度,进而表明了随机森林算法在复杂地形区土地分类的适用性。（2）对比随机森林算法下的脑山区、浅山区、川水区1999年与2017年融合与未融合影像的分类精度,得到1999年融合后脑山区、浅山区、川水区总体精度分别为88.83%、87.45%、85.01%,融合后的影像分类精度比未融合影像的分类精度分别提高了0.3%、0.4%和0.31%;2017年融合后脑山区、浅山区、川水区总体精度分别为90.01%、87.88%、85.80%,融合影像的分类精度比未融合影像的分类精度分别提高了0.84%、0.46%和0.37%。表明空间分辨率较高的影像光谱信息与纹理信息更为明显,使得分类精度明显提高,同时也证明了分辨率较高的影像可以更好的提取复杂地形区土地利用/土地覆被信息。（3）本文在构建随机森林模型时,定量的分析了各地理分区决策树的数目和特征变量,分别构建了适应于三个地理分区的随机森林模型,并采用OOB精度评估各地理分区构建的随机森林模型的有效性。研究发现,在三个地理分区均以500棵决策树构建的随机森林模型OOB精度最优。（4）湟水流域各地理分区的土地利用/土地覆被变化检测表明,从1999年到2017年的近18年期间,脑山区土地利用类型中,草地和水域的面积分别减少了88.86km2和0.99km2,林地和未利用土地的面积则分别增加了15.92km2和73.93km2,草地和水域土地利用类型面积的年变化率较大分别为0.11%和0.43%。浅山区的土地利用类型中,草地与城乡工矿居住用地的面积变化较为明显,草地面积减少了94.93km2,城乡工矿居民用地面积增加了115.17km2,其年变化率较大为10.28%,耕地的面积减少了53.59km2,而林地的面积增加了33.26km2。川水区的土地利用类型中,耕地的面积减少较为明显,减少了528.3km2,草地和城乡工矿居住用地的面积分别增加了288.67km2和237.32km2,水域与未利用土地的变化相对较稳定分别减少了3.41km2和2.6km2,其中城乡工矿居住用地和水域的年变化率较大分别为7.49%和1.25%。

论文目录

文章来源

类型: 硕士论文

作者: 马慧娟

导师: 高小红

关键词: 土地利用,土地覆被分类,随机森林算法,特征参数,遥感变化检测,复杂地形区,湟水流域

来源: 青海师范大学

年度: 2019

分类: 基础科学

专业: 自然地理学和测绘学

单位: 青海师范大学

基金: 青海省科技厅自然科学基金项目“多源遥感数据支持的复杂地形区土地利用,土地覆被分类方法研究—以青海省湟水流域为例”(课题号:2016-ZJ-907),青海省自然地理与环境过程重点实验室

分类号: P237

DOI: 10.27778/d.cnki.gqhzy.2019.000177

总页数: 74

文件大小: 4460K

下载量: 283

相关论文文献

• [1].基于迭代随机森林算法的糖尿病预测[J]. 长春工业大学学报 2019(06)
• [2].基于改进随机森林的城市河流水生态健康评价研究[J]. 海河水利 2019(06)
• [3].基于随机森林癫痫患者脑电数据的分析研究[J]. 中国数字医学 2020(01)
• [4].基于局部均值分解和迭代随机森林的脑电分类[J]. 吉林大学学报(信息科学版) 2020(01)
• [5].网贷平台数据的随机森林预测模型实证分析[J]. 宜宾学院学报 2019(12)
• [6].采用单类随机森林的异常检测方法及应用[J]. 西安交通大学学报 2020(02)
• [7].随机森林数据情感挖掘方法分析[J]. 通讯世界 2020(01)
• [8].运用最大熵模型和随机森林模型对东北红松分布的模拟[J]. 东北林业大学学报 2020(03)
• [9].基于随机森林算法的城区土地覆盖分类研究[J]. 河北省科学院学报 2020(01)
• [10].运用随机森林模型对北京市林分蓄积生长量的预测[J]. 东北林业大学学报 2020(05)
• [11].融合人工鱼群和随机森林算法的膝关节接触力预测[J]. 中国医学物理学杂志 2020(04)
• [12].结合特征选择和优化随机森林的无线网络数据丢失重建[J]. 上海电力大学学报 2020(03)
• [13].基于随机森林算法的耕地质量定级指标体系研究[J]. 华南农业大学学报 2020(04)
• [14].一种基于随机森林的组合分类算法设计与应用[J]. 电子设计工程 2020(16)
• [15].基于随机森林算法的日光温室内气温预测模型研究[J]. 中国农学通报 2020(25)
• [16].基于因子分析和迭代随机森林方法的学生成绩综合评价——以都匀市某高中为例[J]. 黔南民族师范学院学报 2020(04)
• [17].基于随机森林模拟的辽宁省降水量空间分布研究[J]. 陕西水利 2020(09)
• [18].随机森林模型在膝关节炎患者结构特征与症状定量分析中的应用（英文）[J]. 磁共振成像 2020(10)
• [19].基于特征选择的极限随机森林算法研究[J]. 计算机应用研究 2020(09)
• [20].随机森林回归分析方法在代谢组学批次效应移除中的应用[J]. 中国卫生统计 2020(05)
• [21].一种面向非均衡分类的随机森林算法[J]. 计算机与现代化 2018(12)
• [22].随机森林模型和决策树模型在肝硬化上消化道出血预后中的应用[J]. 中国卫生统计 2019(02)
• [23].基于随机森林的债券违约分析[J]. 当代经济 2018(03)
• [24].基于改进网格搜索算法的随机森林参数优化[J]. 计算机工程与应用 2018(10)
• [25].随机森林在城市不透水面提取中的应用研究[J]. 云南师范大学学报(自然科学版) 2017(03)
• [26].一种顺序响应的随机森林:变量预测和选择[J]. 小型微型计算机系统 2017(08)
• [27].基于随机森林回归的军械器材需求预测[J]. 自动化应用 2017(09)
• [28].流式大数据下随机森林方法及应用[J]. 西北工业大学学报 2015(06)
• [29].面向高维数据的随机森林算法优化探讨[J]. 商 2016(04)
• [30].深度随机森林在离网预测中的应用[J]. 计算机科学 2016(06)

标签：土地利用论文;  土地覆被分类论文;  随机森林算法论文;  特征参数论文;  遥感变化检测论文;  复杂地形区论文;  湟水流域论文;