Материалы 20-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса»
Москва, ИКИ РАН, 14–18 ноября 2022 г.

(http://conf.rse.geosmis.ru)

XX.F.231

О применении классификатора Random Forests
для распознавания типов лесной растительности по дистанционным спутниковым и самолетным данным высокого пространственного разрешения. Сравнение полученных результатов с результатами расчетов некоторыми другими методами

Егоров В.Д. (1)
(1) Институт вычислительной математики им. Г.И. Марчука Российской академии наук, Москва, Россия
Осуществлено распознавания типов лесной растительности по данным аэрокосмического зондирования с использованием оригинального метода и сопоставление полученных результатов с результатами других наиболее известных в настоящее время методов. Так применен метод Random Forests (автор L. Breiman) для задач классификации типов лесной растительности по дистанционным данным. Возможности этого метода изучены в среде Fortran (код L. Breiman and A. Cutler), а также в среде установленной на имеющиеся вычислительные средства системы R (создатели R. Ihaka and R. Gentleman). Система R – с большим количеством доступных пакетов вычислительных средств, предназначена для решения разного рода задач преимущественно статистическими методами. В нашем случае используется перенесенная на R в полном объеме модель Random Forests в виде программы randomForest (авторы A. Liaw and M. Wiener), но возможно применение и некоторых других программ.
Осуществлено адаптирование созданных ранее баз данных обучения системы распознавания как самолетного, так и спутникового (WorldView2) дистанционного зондирования к среде системы R. Осуществлены расчеты по модели Random Forests по этим данным. Проведено сопоставление результатов расчетов с ранее полученными результатами по модели QDA методом квадратичного дискриминантного анализа (среда MATLAB). Сопоставление осуществлено с точки зрения точности решения задачи распознавания типов лесной поверхности по дистанционным данным обоими методами на созданных ранее базах данных для Савватьевского лесничества Тверской области.
Предполагается дальнейшее изучение возможностей вновь примененного метода Random Forests для задач классификации по данным аэрокосмического зондирования.

Работа выполнена при финансовой поддержке РФФИ,
проект № 19–01–00215.

Ключевые слова: самолетные гиперспектральные данные, спутниковые многоканальные данные высокого пространственного разрешения, распознавание типов лесной растительности.
Литература:
  1. Breiman L., Random forests. Machine Learning, 2001, 45, 5 - 32.
  2. Козодеров В.В., Егоров В.Д. Распознавание типов лесной растительности по гиперспектральным самолетным и многоканальным спутниковым данным высокого пространственного разрешения. Сравнение результатов и оценка их точности. Исследование Земли из космоса, 2019, № 6, с. 89 - 102.
  3. Egorov V.D., Kozoderov V.V. Identification of Forest Vegetation Using Airborne Hyperspectral Data, Izvestiya Russian Academy of Sciences, Atmospheric and Oceanic Physics, Pleiades Publishing, Ltd., 2021, No. 12, pp. 1538 - 1548.

Презентация доклада

Видео доклада



Ссылка для цитирования: Егоров В.Д. О применении классификатора Random Forests для распознавания типов лесной растительности по дистанционным спутниковым и самолетным данным высокого пространственного разрешения. Сравнение полученных результатов с результатами расчетов некоторыми другими методами // Материалы 20-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса». Москва: ИКИ РАН, 2022. C. 301. DOI 10.21046/20DZZconf-2022a

Дистанционное зондирование растительных и почвенных покровов

301