《表3 不同波段光谱数据的随机森林分类结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于随机森林法的农作物高光谱遥感识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

采用IBM SPSS modeler 18.0软件构建随机森林模型数据流，对农作物反射率数据处理。在软件中，使用C&RT算法构建随机森林的每棵树，决策树的棵数和候选分割属性集的大小设置均采用默认值，即构建500棵树，样本大小为百分百。作物在可见光波段（380～780 nm），近红外短波（780～1 100 nm），近红外长波（1 100～2 500 nm）的反射光谱特征与作物的生理生化特点有紧密联系。为了比较可见光、近红外波段的光谱对区分不同作物的效果，将作物光谱样本数据按3个不同的波段分成3组数据，与全波段（350～2 500 nm）数据构成4组不同的样本数据。样本数据一半用于随机森林法建模，提取区分不同作物的特征波段，一半用于随机森林法分类，验证所提取波段的重要性。为了减少数据处理量，将光谱反射率每10 nm取平均值用于随机森林法处理。依次将4组样本数据进行随机森林法处理，结果（表3）表明：4组数据所建模型均都具有较高的分类准确性。随机森林法在建模的同时对参与分类的波段重要性进行了排序，表4显示4组数据最重要的前10个波段，每个波段特征对分类精度的贡献程度不同，重要程度越高的波段对作物分类精度的影响越大。