机载多光谱LiDAR的随机森林地物分类

doi:10.13474/j.cnki.11-2246.2019.0356

测绘通报 ›› 2019, Vol. 0 ›› Issue (11): 79-84.doi: 10.13474/j.cnki.11-2246.2019.0356

机载多光谱LiDAR的随机森林地物分类

曹爽¹, 潘锁艳², 管海燕¹

1. 南京信息工程大学遥感与测绘工程学院, 江苏南京 210044;
2. 南京信息工程大学地理科学学院, 江苏南京 210044

收稿日期:2019-07-19 修回日期:2019-09-14 发布日期:2019-12-02
作者简介:曹爽(1977-),女,博士,讲师,主要研究方向为摄影测量数据处理。E-mail:sh_cao2004@aliyun.com
基金资助:
国家自然科学基金（41671454）

Random forest-based land-use classification using multispectral LiDAR data

CAO Shuang¹, PAN Suoyan², GUAN Haiyan¹

1. School of Remote Sensing & Geomatics Engineering, NUIST, Nanjing 210044, China;
2. School of Geographic Sciences, NUIST, Nanjing 210044, China

Received:2019-07-19 Revised:2019-09-14 Published:2019-12-02

摘要/Abstract

摘要： 机载多光谱LiDAR技术利用激光进行探测和测距，不仅可以快速获取地面物体的三维坐标，还可以获得多个波段的地物光谱信息，可广泛用于地形测绘、土地覆盖分类、环境建模、森林资源调查等。本文提出了多光谱LiDAR的随机森林地物分类方法。该方法通过对LiDAR强度数据和高程数据提取分类特征，完成多光谱LiDAR的随机森林地物分类；并分析随机森林的特征贡献度特性，采用后向特征选择方法实现分类特征选择。通过对加拿大Optech Titan多光谱LiDAR数据的试验表明：随机森林方法可以获得较好的地物分类精度，而且可以适当地去除部分冗余和相关的特征，从而有效提高分类精度。

关键词: 多光谱LiDAR, 随机森林, 地物分类, 变量重要性, 特征选择

Abstract: Airborne LiDAR systems can quickly obtain three-dimensional coordinates of ground objects, which has been widely used in topographic mapping, engineering construction, environmental monitoring, and land-cover and land-use classification, and so on. This paper, by means of random forest algorithm, performs land-cover classification using airborne multispectral LiDAR data. The proposed method extracts features from elevation and multispectral images combined by three individual intensity images, performs a backward feature selection according to the variables importance calculated by RF, and finally applies RF to the multispectral images. All experiments are conducted on the Optech Titan multispectral LiDAR data.The experimental results show that RF can achieve a good performance in land-cover classification, and the proposed RF-based backward feature selection method contributes to the improvement of classification by iteratively removing redundancy and related features.

Key words: multispectral LiDAR, random forest, land-cover classification, variable importance, backward feature selection

中图分类号:

P237

曹爽, 潘锁艳, 管海燕. 机载多光谱LiDAR的随机森林地物分类[J]. 测绘通报, 2019, 0(11): 79-84.

CAO Shuang, PAN Suoyan, GUAN Haiyan. Random forest-based land-use classification using multispectral LiDAR data[J]. Bulletin of Surveying and Mapping, 2019, 0(11): 79-84.

参考文献

[1] 路家一. 浅谈机载LiDAR数据特点及处理方法[J].测绘与空间地理信息,2013, 36(8):177-179.
[2] 刘学人,胡曼.机载LiDAR点云数据的DSM生成技术研究[J].科技资讯,2012, 23(5):7-8.
[3] 杜娜娜,彭军还.基于决策树的机载LiDAR点云数据分类[J].测绘科学,2013,38(3):118-120.
[4] STASSOPOULOU A,CAELLI T.Building detection using Bayesian networks[J].International Journal of Pattern Recognition and Artificial Intelligence,2000,14(6):715-733.
[5] 谭琨,杜培军.基于支持向量机的高光谱遥感图像分类[J].红外与毫米波学报,2008,27(2):123-128.
[6] NORBERT H,CLAUS B.Extraction of buildings and trees in urban environments[J]. ISPRS Journal of Photogram-metry and Remote Sensing, 1999,54(2):130-137.
[7] 刘海娟,张婷,侍昊,等.基于RF模型的高分辨率遥感影像分类评价[J].南京林业大学学报(自然科学版), 2015,39(1):99-103.
[8] BREIMAN L.Random forests[J].Machine Learning,2001, 45(1):25-32.
[9] PAL M.Random forest classifier for remote sensing classification[J].International Journal of Remote Sensing, 2005,26(1):217-222.
[10] GUO L, CHEHATA N, Mallet C, et al. Relevance of airborne lidar and multispectral image data for urban scene classification using random forests[J].ISPRS Journal of Photogrammetry and Remote Sensing,2011, 66(1):56-66.
[11] GHIMIRE B,ROGAN J,GALIANO R, et al.An evaluation of bagging, boosting, and random forests for land-cover classification in Cape Cod, Massachusetts, USA[J]. Giscience & Remote Sensing, 2012,49(5):623-643.
[12] 潘锁艳,管海燕.机载多光谱LiDAR数据的地物分类方法[J].测绘学报, 2018,47(2):198-207.
[13] 李新,程国栋,卢玲.空间内插方法比较[J].地球科学进展,2000,15(3):260-265.
[14] DÍAZ-URIARTE R, ALVAREZ DE ANDRÉS S. Gene selection and classification of microarray data using random forest[J]. Bmc Bioinformatics, 2006, 7(1):3-10.
[15] 李雪,舒宁,李井冈,等.基于特征贡献选择的遥感影像变化检测方法研究[J].武汉大学学报(信息科学版), 2013,38(10):1158-1162.
[16] 刘毅,杜培军,郑辉,等.基于随机森林的国产小卫星遥感影像分类研究[J].测绘科学,2012,37(4):194-196.
[17] 周天宁,明冬萍,赵睿.参数优化随机森林算法的土地覆盖分类[J].测绘科学,2017,42(2):88-94.
[18] 郭玉宝,池天河,彭玲,等.利用随机森林的高分一号遥感数据进行城市用地分类[J].测绘通报,2016(5):73-76.

机载多光谱LiDAR的随机森林地物分类

Random forest-based land-use classification using multispectral LiDAR data

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	吕峥, 孙群, 温伯威, 马京振. 一种自身全局最优的道路网Stroke生成方法[J]. 测绘通报, 2022, 0(7): 93-99.
[2]	郁宗桥, 王育红, 刘文宋, 左雨芳, 冯锋. 顾及GF-3影像纹理特征的洪涝范围提取方法[J]. 测绘通报, 2022, 0(5): 26-31.
[3]	窦世卿, 陈治宇, 徐勇, 郑贺刚, 苗林林, 宋莹莹. 基于多特征融合与典型降维方法的高光谱影像分类[J]. 测绘通报, 2022, 0(4): 32-36,50.
[4]	冯志立, 肖锋, 卢小平, 郝波, 王如意, 朱睿. 基于随机森林特征优选的冬小麦分类方法[J]. 测绘通报, 2022, 0(3): 70-75.
[5]	王刚, 丁华祥. Sentinel-2A数据支持下的雷州半岛植被类型识别[J]. 测绘通报, 2022, 0(3): 76-82.
[6]	王晓晓, 韩留生, 杨骥, 李勇, 张大富, 孙广伟, 范俊甫. Sentinel-2与Landsat 8数据组合下的多特征冬小麦面积提取[J]. 测绘通报, 2022, 0(3): 111-115.
[7]	崔青林, 汪鸣泉, 黄永健. 融合随机森林模型和6种水体指数的上海市水体信息提取[J]. 测绘通报, 2022, 0(2): 106-109.
[8]	高雨, 胡召玲, 樊茹. 高分辨率影像融合算法对滨海湿地土地利用分类精度的影响[J]. 测绘通报, 2022, 0(1): 116-120.
[9]	李军, 桑潇, 张成业, 赵伟, 刘新华, 王宏鹏, 王金阳, 李佳瑶, 杨颖. 资源型城市长时间序列土壤含水量变化分析——以锡林浩特市为例[J]. 测绘通报, 2021, 0(7): 17-22,38.
[10]	刘茂华, 李曼雯. 融合高分影像和LiDAR数据的城市道路提取[J]. 测绘通报, 2021, 0(6): 1-5,60.
[11]	古春霞, 李大成. 时空融合技术在区域地表覆盖时序分类中的应用[J]. 测绘通报, 2021, 0(5): 20-24.
[12]	苏美臣, 魏晓燕, 周峻松, 汪祎勤. 金沙江流域滑坡易发性空间预报分析[J]. 测绘通报, 2021, 0(4): 13-16.
[13]	侯翘楚, 李必军, 蔡毅. 高分辨率遥感影像的车道级高精地图要素提取[J]. 测绘通报, 2021, 0(3): 38-43.
[14]	陈利燕, 林鸿, 吴健华. 融合随机森林和超像素分割的建筑物自动提取[J]. 测绘通报, 2021, 0(2): 49-53.
[15]	李悦, 张敏. 面向对象的高分辨率遥感影像建设用地变化监测[J]. 测绘通报, 2021, 0(2): 54-58.