如何进行随机林地覆盖分类？

#1 楼

我不确定我是否理解“收集”数据的含义。如果要提到平视数字化和班级分配，最好在GIS中完成。有许多适合的免费选项（例如QGIS，GRASS）。理想情况下，您将具有现场数据来训练您的分类。

使用随机森林进行分类的过程非常简单。您可以使用“ rgdal”或“ maptools”读取训练数据（即点shapefile），使用raster::stack读取光谱数据，使用raster:extract将栅格值分配给训练点，然后将其传递给randomForest。您需要将“类别”列强制为一个因素，以使RF将模型识别为分类实例。一旦有了拟合模型，就可以使用预测函数，将其传递给栅格堆栈。除了特定于栅格预测功能的参数以外，您还需要传递标准参数来进行预测。栅格包具有处理“内存不足”栅格的能力，因此即使对于非常大的栅格，也是安全的。栅格预测函数中的参数之一是“文件名”，允许将栅格写入磁盘。对于多类问题，您将需要设置type =“ response”和index = 1，这将输出您的类的整数栅格。

有一些注意事项：


您的响应变量（y）或任何其他变量的水平不能超过32个等式（x）右侧的系数
您的类必须平衡。遵循30％的规则是一个很好的规则，
，也就是说，如果您在一类上的观察次数多于其他任何类别的观察值
，那么您的问题就变得不平衡，结果可能会变得有偏见。
RF不能过度拟合是错误的说法。如果您过度关联了
合奏，则可能会过度拟合模型。避免这种情况的一种好方法是
运行初步模型并绘制误差稳定度。通常
凭经验，我选择2x来稳定ntree参数错误所需的引导程序数量。这是因为可变交互作用的稳定速度比误差稳定。如果您不
在模型中包含许多变量，则可以更保守地使用此参数。
不要使用节点纯度作为变量重要性的度量。它没有像平均精度下降那样排列。

我在CRAN上的rfUtilities软件包中具有用于模型选择，类不平衡和验证的功能。

这是一些入门的简单代码。

require(sp)
require(rgdal)
require(raster)
require(randomForest)

# CREATE LIST OF RASTERS
rlist=list.files(getwd(), pattern="img$", full.names=TRUE) 

# CREATE RASTER STACK
xvars <- stack(rlist)      

# READ POINT SHAPEFILE TRAINING DATA
sdata <- readOGR(dsn=getwd() layer=inshape)

# ASSIGN RASTER VALUES TO TRAINING DATA
v <- as.data.frame(extract(xvars, sdata))
  sdata@data = data.frame(sdata@data, v[match(rownames(sdata@data), rownames(v)),])

# RUN RF MODEL
rf.mdl <- randomForest(x=sdata@data[,3:ncol(sdata@data)], y=as.factor(sdata@data[,"train"]),
                       ntree=501, importance=TRUE)

# CHECK ERROR CONVERGENCE
plot(rf.mdl)

# PLOT mean decrease in accuracy VARIABLE IMPORTANCE
varImpPlot(rf.mdl, type=1)

# PREDICT MODEL
predict(xvars, rf.mdl, filename="RfClassPred.img", type="response", 
        index=1, na.rm=TRUE, progress="window", overwrite=TRUE)

#2 楼

我知道这个线程有点旧，但是对于任何想在R中尝试对遥感数据进行分类的人，已经发布了非常有前途的新软件包。

install.packages("RSToolbox")

它具有用于无监督分类和有监督分类的功能（使用随机森林）。在此处可以找到更多信息-http://bleutner.github.io/RStoolbox/

#3 楼

此处和此处是有关使用R进行监督分类/回归的教程，其中包括RandomForest示例。

#4 楼

由于此处的问题在于对高分辨率CIR图像进行分类，因此我建议不要使用用于卫星数据的传统方法（基于像素），而是要对航空图像进行分段分析，然后使用分类器（RF）。 br />