如何进行随机林地覆盖分类？

这是先前文章：土地覆被分类的机器学习算法的后续文章。

看来，随机森林（RF）分类方法在遥感世界中获得了很大的发展。由于其许多优点，我对RF特别感兴趣：

• 适用于遥感数据的非参数方法
• 报告的分类准确性高
• 报告了可变的重要性

鉴于这些优势，我想使用高分辨率4波段图像进行随机林地分类。有很多材料和研究都在宣传随机森林的优点，但是关于如何实际执行分类分析的信息很少。我熟悉使用R进行的RF回归，并且希望使用此环境来运行RF分类算法。

如何使用R 收集，处理训练数据（即基于高分辨率CIR航空影像）并将其输入到Random Forest算法中？任何有关如何生成分类的土地覆盖栅格的分步建议将不胜感激。

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），使用读取光谱数据，使用raster::stack分配栅格值至训练点raster:extract，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：

1. 您的响应变量（y）或等式右边（x）的任何因子都不能超过32个级别
2. 您的课程必须保持平衡。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比其他任何类别多30％以上，则您的问题将变得不平衡并且结果可能会产生偏差
3. RF不能过度拟合是错误的说法。如果您过度关联了整体，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。根据经验，我选择两倍的引导程序来稳定ntree参数的错误。这是因为变量交互以比错误更慢的速度稳定。如果模型中没有包括很多变量，那么使用此参数可以更加保守。
4. 不要将节点纯度用作变量重要性的度量。它不会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。

这是一些简单的代码，可以帮助您入门。

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)

我知道这个线程有些旧，但是对于任何想在中尝试分类遥感数据的人R，已经发布了一个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）。可以在这里找到更多信息-http://bleutner.github.io/RStoolbox/

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。

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）。