基于独立成分分析和随机森林算法的城镇用地提取研究

城镇用地信息是联合国2030年可持续发展议程关注的重点之一.城市在世界范围内迅速扩张,快速准确地获取城镇用地信息对于政府决策具有重要作用.城镇土地覆盖信息非常复杂,包括人工建筑、树木、草地、水体等多种地表覆盖类型.基于传统人工测绘获取城镇用地信息费时费力并且难于及时更新.Landsat等遥感卫星数据为城镇用地信息提取提供了丰富的数据源.基于卫星遥感数据提取的城镇用地信息可以为未来城市的建设和管理提供基础的科学决策数据.基于监督分类方法和卫星遥感数据可快速地提取城镇用地信息,然而特征变量的选择对于高精度城镇用地信息提取尤为重要.为研究不同特征变量组合对于城镇用地信息提取的影响,以北京市为研究区,以2017年7月10日获取的Landsat 8OLI影像为数据源,通过数据预处理、纹理提取、独立成分分析、主成分分析等得到4个维度的29个特征,选取了7种特征组合方案进行城镇用地提取.考虑随机森林算法性能稳定,分类精度高和可以方便进行特征重要性评价等优点,选择其作为监督分类算法以提取城镇用地信息,并进行了精度评定,以确定最优的城镇用地提取特征组合.研究发现:综合利用光谱特征和独立成分分析后的影像特征,提取城镇用地的总体精度为93.1％,Kappa系数为0.86,优于利用其他特征的提取结果;基于随机森林算法对数据进行训练后输出的各变量的归一化变量重要性与特征均值的标准差结果存在相似性,利用随机森林算法的变量重要性估计与特征均值折线图都可以进行变量重要性评价.