第４６卷第３期２０２３年３月测绘与空间地理信息ＧＥＯＭＡＴＩＣＳ＆ＳＰＡＴＩＡＬＩＮＦＯＲＭＡＴＩＯＮＴＥＣＨＮＯＬＯＧＹＶｏｌ．４６，Ｎｏ．３Ｍａｒ．，２０２３收稿日期：２０２２－０９－１９基金项目：国家科技基础资源调查专项（２０１９ＦＹ２０２５０２）；湖南省教育厅科学研究优秀青年项目（１７Ｂ０９３）；国家级大学生创新训练项目———面向乡村振兴的融合多源遥感数据返贫监测研究（２０２２１０５３４０３８）资助作者简介：陈果（１９９７－），男，湖南衡阳人，测绘工程专业硕士研究生，主要研究方向为遥感影像分类方法。通信作者：李乐林（１９８１－），男，湖南浏阳人，副教授，博士，２０１２年毕业于武汉大学测绘遥感信息工程国家重点实验室摄影测量与遥感专业，主要从事遥感应用与可持续发展研究工作。多特征优选的Ｓｅｎｔｉｎｅｌ－２Ａ影像随机森林分类研究陈果１，２，李乐林１，２，３，陈浩１，３，彭焕华１，３，赵茜２（１．湖南科技大学测绘遥感信息工程湖南省重点实验室，湖南湘潭４１１２０１；２．湖南科技大学地球科学与空间信息工程学院，湖南湘潭４１１２０１；３．湖南科技大学地理空间信息技术国家地方联合工程实验室，湖南湘潭４１１２０１）摘要：为了探寻更高效、更准确的土地利用分类方法，本文选取遥感光谱、影像纹理特征、植被指数、生物物理指数及地形特征信息，构建多特征随机森林土地利用分类方案。以山西省晋中市祁县为例，设计７种方案对研究区域Ｓｅｎｔｉｎｅｌ－２Ａ影像数据进行分类，采用混淆矩阵进行精度评估。研究结果显示，合理地选取特征变量可以提高随机森林分类的精度，结合不同特征组合随机森林分类精度和袋外数据误差进行特征重要性比较：土壤反射性指数＞生物物理指数＞纹理指数＞地形特征；在相同分类条件下与其他机器学习分类方法（支持向量机、神经网络）相比，基于多特征随机森林优选的方法总体精度达到９１．９６％，Ｋａｐｐａ系数为０．９０２，提取效率更快、精度更高。关键词：土地利用分类；特征优选；随机森林；生物物理指数；Ｓｅｎｔｉｎｅｌ－２Ａ中图分类号：Ｐ２３７文献标识码：Ａ文章编号：１６７２－５８６７（２０２３）０３－００１９－０５ＡＭｅｔｈｏｄｏｌｏｇｙｏｆＲａｎｄｏｍＦｏｒｅｓｔＣｌａｓｓｉｆｉｃａｔｉｏｎｆｏｒＳｅｎｔｉｎｅｌ－２ＡＩｍａｇｅＢａｓｅｄｏｎＭｕｌｔｉ－ｆｅａｔｕｒｅＯｐｔｉｍｉｚａｔｉｏｎＣＨＥ...
