《表2 Re EMISE特征选择的随机森林分类精度》

  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

《基于改进分离阈值特征优选的秋季作物遥感分类》

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

Re EMISE特征优选随机森林分类法中，Relief F特征初选阈值为100，即选取特征权重排序较大的前100个特征组成特征初选子集。本文根据前人研究成果[32-33，36]以及实验对相关性系数阈值选取0.96。最终得到重要性较高的68个特征见图3，图中，7、8、9分别表示2019年7月2日、2019年8月16日、2019年8月31日影像，r89b11表示2019年8月31日影像b11波段和2019年8月16日影像b11波段的比值，依此类推。在特征数为9个时分类精度最高，总体精度和Kappa系数分别为95.391 8%和0.939 7，见表2。前9个特征重要性得分高，分类精度急剧上升。9个之后特征重要性较低，对分类虽有一定程度的贡献，但特征之间冗余性增强，随机森林分类器性能受影响，分类精度处于波动状态。RF＿Re EMIS分类精度混淆矩阵见表2，玉米的生产者精度大于用户精度，造成用户精度低主要是玉米与小宗作物和经济林发生错分，因为小宗作物地块交叉在大片玉米田中，预处理时的重采样使类别边界模糊以及混合像元造成玉米和小宗作物错分，玉米和经济林的光谱相似也造成两者错分。经济林生产者精度较低，主要因为农民在小果树下种植蔬菜以及在道路两旁的景观林下种植大豆造成漏分。小宗作物生产者精度和用户精度都是最低的。主要原因为:（1）小宗作物样本少，特征选择和随机森林分类算法的偏向造成。（2）常安镇里庄村蔬菜种植地块狭小，种类繁多以及收获时期不同，容易和裸地发生混淆。（3）南董镇的花卉基地地块破碎，实地调研发现花农会在裸地种植小块作物和蔬菜，容易和经济林发生混淆，见图4a。