《表8 特征重要性得分:基于GEE和Landsat时间序列数据的香格里拉森林类型分类研究》
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GEE和Landsat时间序列数据的香格里拉森林类型分类研究》
使用RF计算得出的特征重要性得分结果见表8,基于特征重要性排序结果,不同特征数量的分类精度统计见图6。由图6可以看出,当使用前8个特征时,OA和Kappa系数随特征维数增加而增加,提升幅度较大,之后OA和Kappa系数则趋于稳定。使用前8个特征时,OA为87.78%,使用前36个特征时,OA最大,为89.23%。特征数量大于8个时,分类精度提高不明显,且会增加实验计算量,因此实验选取前8个特征进行森林类型分类。前8个特征分别为S3_NDVI、S4_NDVI和S1_NDVI、DEM、Std_NDVI、S1_EVI、Fea1_EVI和S3_SWIR1,不同季节的NDVI和EVI对分类贡献最大,海拔特征和秋季的短波红外波段在森林类型分类中也比较重要。EVI和NDVI时间序列曲线见图7。由图7可知,常绿阔叶林的EVI和NDVI值要高于常绿针叶林,大部分时间中落叶阔叶林的EVI值和NDVI值高于落叶针叶林。4种森林类型的植被指数在12月至次年3月差异较明显,6—9月间比较接近。因此,不同森林类型的植被指数时间序列曲线具有明显季相差异,尤其是秋季和冬季,加入EVI和NDVI指数能有效地辅助森林类型分类。
图表编号 | XD00158389300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.09.01 |
作者 | 李若楠、欧光龙、代沁伶、徐伟恒、王雷光 |
绘制单位 | 西南林业大学林学院、西南林业大学林学院、西南林业大学艺术与设计学院、西南林业大学大数据与人工智能研究院、西南林业大学林业生态大数据国家林业与草原局重点实验室、西南林业大学大数据与人工智能研究院、西南林业大学林业生态大数据国家林业与草原局重点实验室 |
更多格式 | 高清、无水印(增值服务) |