测绘与空间地理信息
GEOMATICS & SPATIAL INFORMATION TECHNOLOGY
第44卷第3期2021年3月
Vol.44， No.3Mar.， 2021
随机森林遥感信息提取研究进展及应用研究
赵宇虹
（辽宁工程技术大学测绘与地理科学学院，辽宁阜新123000）
摘要：随机森林算法已经应用于遥感影像信息提取领域，但鲜有对其应用发展的总结和归纳。本文介绍了随
机森林分类方法的基本原理，并阐述其在多源遥感数据（多光谱数据、高光谱数据、SAR 数据）信息提取以及分类 数据集筛选中的应用研究，通过说明其在分类精度验证、模型可移植性以及算法改进等方面的研究进展，对随机 森林分类方法在今后的发展进行了展望。该研究有助于初学者对随机森林分类方法进行初步了解，有一定的推
广作用。
关键词：随机森林；遥感；信息提取；研究进展中图分类号:P237
文献标识码：A 文章编号：1672-5867（ 2021） 03-0133-04
Advances and Applications of Random Forest Remote
Sensing Information Extraction
ZHAO Yuhong
( College of Surveying , Mapping , and Geographic Sciences ,
Liaoning University of Engineering and Technology , Fuxin 123000, China )
Abstract ：The random forest algorithm has been applied to the field of remote sensing image information extraction, but there is little
summary and induction of its application development, the paper introduces the basic principle of random forest classification method,
and expounds its application research on the information extraction of multispectral remote sensing data ( multispectral data, hyper-
spectral data, SAR data) and the screening of classified data sets. By explaining its research progress in classification accuracy verifi cation, model portability, and algorithm improvement, the future development of random forest classification method is proposed. This
research will help beginners to make a preliminary understanding of the random forest classification method, which has a positive effect on its popularization.
Key words ：random forest ； remote sensing ； information extraction ； research progress
0 引 言
随着科技的进步，遥感数据的数据量也日益增大，亟 须快速高效的数据处理方法。基于机器学习的算法已经 逐渐取代传统的数据处理方式，被广泛地应用于遥感分
类领域，在机器学习算法中的随机森林方法因其简单高
效的特点受到学者们的青睐。随机森林作为一种分类 器，相较于回归树、人工神经网络这类的单分类器而言，
随机森林分类器（random forest classifier,RFC ） ［1］能够在 更短时间应对变量数量远大于样本量的“维度诅咒”现
象，对提高分类精度提供算法支持。近年来，关于RFC 的相关研究日益增多［2-4］，同时，在 遥感领域也有RFC 的相关应用［5］，但对于RFC 应用的发
展综述鲜有专门的概况与总结。本文对RFC 分类器的原 理进行简要叙述，并将其在遥感分类方向的专门应用进
行概述，最后对其在该领域的发展及趋势进行展望，旨在
对RFC 在遥感信息提取领域的现状进行总结，为该领域 的学者对RFC 的应用提供借鉴和参考。
1随机森林分类器
RFC 是由美国统计学家Leo Breiman 在2001年提出
的基于CART 分类树的组合分类算法。RFC 能够应用在 数据分类方面，由于它是非参考模式识别，且不用事先知
道数据的分布情况，所以，它比传统的机器学习统计方法
更具优越性。RFC 是Bagging 算法和Random Subspace 算 法的组合，由大量的弱分类器（决策树）组合而成的强分
收稿日期：2020-03-10
作者简介：赵宇虹（1993-），女，辽宁鞍山人，测绘工程专业硕士研究生，主要研究方向为遥感影像信息识别与提取
134测绘与空间地理信息2021年
类器，它的分类结果是通过平均成员决策树的结果而得
到。对于随机森林的分类结果，一般用投票的机制进行
决策，其结构如图1所示,RFC通过选择投票最多的类别
作为样本数据的最终类别。
样品训练集合
采样子集啤磚眉幕
/采样子集罗
嫖机采•样•训练
、采样子集0沟弱分类器
弱分类器
随
机
森
林
(
强
分
类
)图1随机森林结构图
Fig・1Random forest structure
RFC的训练样本是利用Bagging方法不断地重新采样原训练样本，增加了并行决策树的随机性，并通过引入边际函数，避免在森林规模增加的情况下出现过拟合现象。依据Bagging方法建立的RFC随机性体现在两个方面：一方面每棵决策树的训练样本采用对原训练集重采样得到；另一方面建树分裂节点时可供选择的属性集也是随机选取的。因为这些随机性的存在，一方面降低了决策树之间的相似度；另一方面提高了它的分类精度。
RFC在数据分类方面具有较多优点，诸如人工干涉少、运算周期短、数据刻画全面多样等。因此,RFC在诸如遥感影像分类、农林业模型回归分析等遥感影像处理领域有广泛应用。
2随机森林遥感信息提取的应用
长春分类信息鉴于RFC的特点，其在多光谱数据、高光谱数据、SAR数据以及由它们组合得到的多源数据上，在土地利用调查、物种调查监测等分类应用方面有非常优良的表现。
2.1多光谱影像
基于多光谱影像的随机森林算法在土地利用分类［6-7］、城市信息提取［8］、病虫害监测⑼及植被生物量计算［10-11］等方面有着广泛的应用。在土地利用分类方面，如王芳、杨武年基于国产卫星高分二号遥感数据对四川省内江市隆昌县城区的城市生态用地分类进行了研究［12］；谷晓天通过对比支持向量机、BP神经网络及随机森林等土地利用信息提取模型，发现随机森林分类方法的精度最高［13］；陈元鹏、罗明利用网格搜索法对RFC算法进行参数寻优，对工矿复垦区土地利用进行分类，发现在相同特征变量下执行时间和精度优于SVM［14］o城市信息提取方面，范驰以无锡新区的WorldView-2影像为例，通过面向对象的随机森林方法对地物信息进行提取分类，其能够有效分离建筑物信息和其他不透水层信息［15］；赵艺淞、杨昆等借鉴高分一号卫星的多光谱数据对深圳福田区不透水面进行研究［16］°病虫害监测方面，李健丽、董莹莹等利用Landsat TM8影像对石家庄市周边的小麦白粉病病情进行病害测报的调查研究［17］O在植被生物量计算方面，吴平等通过Rapideye遥感数据，对安徽省石台县的阔叶林、针叶林和针阔混交林3种森林类型的地上生物量创建RFC估测模型［18］；王丽爱、周旭东等结合环境减灾卫星HJ-CCD影像及RFC建立小麦叶面积指数(LAI)遥感反演模型，为给小麦长势的遥感监测提供技术支持［19］；陆超、沈建军等通过Landsat TM/OLI影像和RFC 建立温州市区绿地生物量的遥感估算模型，并绘制绿地生物量图［20］°
2.2高光谱影像
高光谱影像的特征空间维数较高，数据间存在较大相关性，冗余度也比较高，分类运算周期长［21-22
］O RFC具有较高的预测准确率、较快的运算速度，且不易出现过拟合现象，在高光谱遥感分类中RFC具有明显的优越性。柯元楚、史忠奎等运用RFC和Hyperion高光谱数据，对新疆塔里木西北部柯坪地区的局部区域进行岩性分类，结果精度较SAM方法有明显提高［23］；冯海宽、杨福芹等基于RFC对苹果叶绿素含量进行监测估算，为果树营养的及时诊断提供技术支持［24］；潘岑岑基于RFC对徐州市铜山柳新矿区的土壤重金属高光谱遥感反演进行了研究，为矿区土壤重金属的反演研究提供了新的思路［25］°与此 同时，在植被面积［26-27］、城市利用分类［28-30］、植被入侵监测［31-32］以及病虫害监测［33-35］等方面，利用随机森林算法均能提高分类精度。
2.3雷达影像
相比于其他的遥感监测方法，合成孔径雷达(Synthetic Aperture Radar,SAR)因其穿透能力强，具备全天候的成像能力，基本不受天气状况和时间因素的影响, RFC已成功用于SAR影像的森林参数调查［36-38］、土地利用分类［39-40］、作物识别⑷-43］及海面溢油监测等多个方面。肖艳以吉林省长春市全极化RADARSAT-2影像数据结合RFC进行土地利用分类的研究［44］；张密芳基于多种算法建立森林参数模型和森林参数反演模型，分析研究南京市紫金山森林分布状况和生长状况，其中RFC的估测精度综合性能是最好的［45］；东朝霞以基于RFC和SAR影像数据研究河北省衡水市的旱地作物识别［46］；童绳武利用RFC协同综合多特征的极化SAR数据对海面溢油进行监测，监测精度显著提高［47］°已有研究表明机载激光雷达(LiDAR)数据在获取的垂直信息和影像分辨率上比星载遥感雷达
更具优势,LiDAR结合RFC后可用于海岸带地物分类［48］、城市地物提取［49-52］、森林资源监测［53-57］、输电线缆监测［58-59］等方面均有研究O
2.4分类数据集筛选
在多源传感器与多种辅助数据对分类结果贡献程度的评估上，可以应用RFC方法来进行，通过该算法筛选出与分类结果密切相关的数据集［60-62］°如何曼芸等使用RFC辨别LiDAR点云数据几何特征、光学航空影像光谱特征、投票机制的融合特征集中对于分类最重要的变量，结果发现点云数据的高程是最重要的变量［63］；潘庆榜通过Landsat8遥感数据、Radarsat-2遥感数据、地形辅助数
第3期赵宇虹：随机森林遥感信息提取研究进展及应用研究135
据、纹理特征等多源多时相遥感数据基于RFC对大沾河国家森林湿地地理信息进行多种组合分类建模，发现由光学特征（NDVI、PC1、TM1-6）、雷达数据的淹水范围、高程、坡度、纹理特征组成的分类模型精度最高［64］。
3RFC的研究展望
3.1发展趋势
遥感图像分类方法的精准评估需要实地采集验证样本，这就造成大量人工和时间成本的投入。有学者提出将RFC的袋外误差（OOB）作为分类精度的一种体现，能够减少计算时间和减少劳动强度［64］。这种提议是否可行需要后续更深层次的研究予以证明。同时，在对于遥感估算森林生物量的研究中，许多学者提出随机森林创建模型在移植性方面的局限性，人工神经网络模型的预测效果和移植性比较好,RFC的整体移植性较差，如何攻克这个难题，将是学者们今后研究的重点问题之一［卯。近年来，基于RFC的元光谱自动变化检测技术也进入学者们的视野，随着高分辨率遥感图像广泛应用，结合RFC的面向对象分析方法（OBIA）的研究却相对较少，针对对象级别的变化检测主要通过影像分割来处理，因分割尺度的不确定性，容易在变化检测过程中引入噪声［66］,OBIA 结合随机森林算法能够消除噪声，并且通过评估不同组合的特征变量优化特征空间，从而促进高分辨率遥感图像的
应用。
3.2算法相关改进
为了提高分类精度，可考虑对RFC算法进行一定程度的扩展和改进。如雷震分别给出了旋转不变霍夫随机森林、条件纹元随机森林以及四叉树双模态纹元随机森林3种改进方案应用于目标识别、土地利用分类和图像变化检测等领域［67］；李贞贵提出了RFC样本相似度矩阵的改进算法，增加了叶子节点路径距离的度量［68］；吕伟航提出了基于协同训练的半监督RFC，优化了退火过程及模型学习的方式，提高了遥感分类准确性能［69］；姚明煌出了基于克隆选择的RFC，应用克隆选择机制对RFC进行压缩优化，提高了分类效率［70］；宋相法等提出了基于稀疏表示的高光谱遥感图像特征提取算法，在RFC基础上结合稀疏表示特征及光谱信息，提高了像元分类精度［71］。
4结束语
本文对RFC的基本原理及其在遥感信息提取领域的应用和相关发展进行了阐述，虽然它是一种新兴的机器学习方法，但准确、方便、快速的优点使其在遥感数据源信息提取领域体现出重要的应用价值。尽管RFC已经在遥感信息处理领域得到应用，但还没有充分发挥其潜力。如RFC作为强大的回归分析工具可以用于建模预估，但鲜有农作物生产评估的应用研究。RFC本身还处于一个不断发展完善的过程中，随着它的日益完善和多样化，其对遥感信息领域的推进力是不可低估的。参考文献：
[1]BREIMAN L.Random forests[J].Machine learning,2001,
45(1)：5-32.
[2]DU P,SAMAT A,WASKE B,et al.Random forest and ro
tation forest for fully polarized SAR image classification u
sing polarimetric and spatial features[J].ISPRS journal of
photogrammetry and remote sensing,2015,105(7.)：
38-53.
[3]GHIMIRE B,ROGAN J,RODRIGUEZ-GALIANO V F,et
al.An assessment of the effectiveness of a random forest
classifier for land-cover classification]」].ISPRS journal of
photogrammetry and remote sensing,2012,67(1)：
93-104.
[4]KORTING T S,CAMARA G,FONSECA L M G.GeoD-
MA一Geographic data mining analyst[J].Computers&
geosciences,2013,57(8)：133-145.
[5]HAM J,CHEN Y,CRAW/FORD M.Investigation of the random
fbrest framework for classification of hyperspectral data
[J].IEEE Transactions on Geoscience and Remote Sens-
ing,2005,43(3)：492-501.
[6]马玥，姜琦刚，孟治国，等.基于随机森林算法的农耕区
土地利用分类研究[J].农业机械学报，2016,47(1)：
297-303.
[7]张大川，刘小平，姚尧，等•基于随机森林CA的东莞市
多类土地利用变化模拟[J].地理与地理信息科学，
2016,32(5)：29-36.
[8]BELGIU M,DRAGUT L.Comparing supervised and unsu
pervised multiresolution segmentation approaches for ex
tracting buildings from very high resolution imagery[J].
ISPRS journal of photogrammetry and remote sensing,
2014,96(10)：67-75.
[9]竞霞，白宗皤，高媛，等•利用随机森林法协同SIF和反
射率光谱监测小麦条锈病[J].农业工程学报,2019,35
(13)：154-161.
[10]MARTIN K,MADELENE O,HEATHER R,et al.Mapping
tree canopy cover and aboveground biomass in Sudano-Sahe-
lian woodlands using Landsat8and Random Forest[J].
Remote Sensing,2015,7(8)：10017-10041.
[11]孙雪莲，舒清态，欧光龙，等•基于随机森林回归模型的
思茅松人工林生物量遥感估测[J].林业资源管理，
2015(1)：71-76.
[12]王芳，杨武年，邓晓宇，等•高分二号数据的城市生态用
地分类方法探讨[J].测绘科学,2018,43(3)：71-76. [13]谷晓天•基于机器学习的湟水流域土地利用/土地覆被
分类研究[D].西宁：青海师范大学,2018.
[14]陈元鹏，罗明，彭军还等•基于网格搜索随机森林算法
的工矿复垦区土地利用分类[J].农业工程学报,2017,
33(14)：250-257.
[15]范驰•基于Worldview2影像的无锡新区地物信息提取
[D].南京：南京大学,2015.
[16]赵艺淞，杨昆，王保云，等•随机森林在城市不透水面提
取中的应用研究[J].云南师范大学学报(自然科学
版)，2017,37(3)：73-78.
136测绘与空间地理信息2021年
[17]李健丽，董莹莹，师越，等.基于随机森林模型的小麦白
粉病遥感监测方法[J].植物保护学报,2018,45(2)：
395-396.
[18]吴平，黄庆丰，唐雪海，等.基于Rapideye影像的林木地
上生物量估测[J].安徽农业大学学报,2016,43(6):
891-898.
[19]王丽爱，周旭东，朱新开，等•基于HJ-CCD数据和随机
森林算法的小麦叶面积指数反演[J].农业工程学报，
2016(3)：149-154.
[20]陆超，沈建军，王秀云，等.温州城区绿地生物量时空动
态变化研究[J].浙江林业科技,2017,37(4):18-23. [21]李垒，任越美.基于随机森林的高光谱遥感图像分类
[J].计算机工程与应用,2016,52(24):189-193. [22]杨珺雯，张锦水，朱秀芳，等•随机森林在高光谱遥感数
据中降维与分类的应用[J].北京师范大学学报(自然
科学版)，2015,51(Z1)：82-88.
[23]柯元楚，史忠奎，李培军，等.基于Hyperon高光谱数据
和随机森林方法的岩性分类与分析[J].岩石学报，
2018,34(7)：2181-2188.
[24]冯海宽，杨福芹，杨贵军，等•基于特征光谱参数的苹果
叶片叶绿素含量估算[J].农业工程学报,2018,34(6):
182-188.
[25]潘岑岑.基于随机森林的土壤重金属高光谱遥感反演
研究[D].徐州：中国矿业大学,2017.
[26]嵇佳怡，俞徐苗，俞春晖，等•基于遥感和随机森林的香
榧林空间分布提取[J].南方农业，2018,12(34)：
93-95.
[27]张春兰，杨贵军，李贺丽，等•基于随机森林算法的冬小
麦叶面积指数遥感反演研究[J].中国农业科学,2018,
51(5)：855-867.
[28]李旭青，刘湘南，等•水稻冠层氮素含量光谱反演的随
机森林算法及区域应用[J].遥感学报，2014,18(4)：
923-945.
[29]陆宁辛•随机森林算法在高分辨遥感影像土地覆被分
类中的实现和应用[D].合肥：安徽农业大学,2015. [30]王婷•基于随机森林的高光谱遥感图像分类[J].数码
世界，2017(5)：37-38.
[31]PEERBHAY K Y,MUTANGA O,ISMAIL R.Random for
ests unsupervised classification：The detection and
mapping of solanum mauritianum infestations in plantation
forestry using hyperspectral data[J].IEEE journal of se
lected topics in applied earth observations and remote
sensing,2015,8(6)：3107-3122.
[32]WOOD S D,LAWRENCE R L,SHELEY R L.Mapping in
vasive plants using hyperspectral imagery and breiman
cutler classifications(RandomForest)[J].Remote
Sensing of Environment：An Interdisciplinary Journal,
2006,100(3)：356-362.
[33]丁文娟.基于不同尺度的冬小麦赤霉病高光谱遥感监
测[D].合肥：安徽大学,2019.
[34]黄明祥•松材线虫病害遥感监测与传播模拟研究[D].
北京：中国科学院遥感应用研究所,2008.
[35]张超•基于高光谱数据与SAFY-FAO作物模型同化的
冬小麦生长监测与模拟研究[D].咸阳：西北农林科技
大学,2018.
[36]韩宗涛.基于特征优选的森林地上生物量遥感估测
[D].福州：福州大学,2017.
[37]张少伟，惠刚盈，韩宗涛，等•基于光学多光谱与SAR遥
感特征快速优化的大区域森林地上生物量估测[J].遥
感技术与应用,2019,34(5)：925-938.
[38]赵盼盼•基于Landsat TM和ALOS PALSAR数据的森林
地上生物量估测研究[D].杭州：浙江农林大学,2016.
[39]向海燕•基于光学和SAR数据的多云雾山区土地覆被
分类[D].重庆：西南大学,2018.
[40]杨玉锋•基于目标分解的全极化SAR图像分类方法研
究[D].南京：南京林业大学,2016.
[41]李平湘，赵伶俐，任烨仙.合成孔径雷达在农业监测中
的应用和展望[J]•地理空间信息,2017,15(3):1-4. [42]宋茜•农作物空间分布信息提取及其时空格局变化分
析研究[D].北京：中国农业科学院,2018.
[43]周涛，潘剑君，韩涛，等•基于多时相合成孔径雷达与光
学影像的冬小麦种植面积提取[J].农业工程学报，
2017,33(10)：215-221.
[44]肖艳•面向对象的PolSAR影像分类研究[D].长春：吉
林大学,2017.
[45]张密芳.基于全极化雷达数据的森林参数反演研究
[D].南京：南京林业大学,2017.
[46]东朝霞，王迪，周清波，等•基于SAR遥感的北方旱地秋
收作物识别研究[J].中国农业资源与区划，2016,37
(8)：27-36.
[47]童绳武•利用自相似性参数和随机森林的极化SAR海
面溢油检测的研究[D].武汉：中国地质大学,2019. [48]赖祖龙•基于LiDAR点云与影像的海岸线提取和地物
分类研究[D].武汉：武汉大学,2013.
[49]熊艳，高仁强，徐战亚.机载LiDAR点云数据降维与分
类的随机森林方法[J].测绘学报，2018,47(4)：
508-518.
[50]李波•机载激光点云和高光谱影像融合的城市地物分
类研究[D].武汉：武汉大学,2017.
[51]陈小歌.机载激光雷达技术在高速公路勘测设计中的
应用[D].成都：成都理工大学,2014.
[52]袁鹏飞•基于多光谱LiDAR点云的道路网提取[D].武
汉：武汉大学,2018.
[53]王彬•基于机载LiDAR和高光谱数据的单木提取和树
种识别[D].南京：南京信息工程大学,2018.
[54]吴倩•基于机载高光谱遥感数据的森林乔木树种多样
性研究[D].合肥：安徽农业大学,2018.
[55]别强•基于激光雷达和合成孔径雷达资料的森林参数
反演研究[D].兰州：兰州大学,2013.
[56]鲁林.基于随机森林和三维树模型的低密度机载LiDAR数
据针叶林树高估算[D]福州：福州大学,2017.
[57]皋厦，申鑫，代劲松，等•结合LiDAR单木分割和高光谱
特征提取的城市森林树种分类[J].遥感技术与应用，
2018,33(6)：1073-1083.
[58]蔡岐彬，许小龙•随机森林算法在机载LiDAR电力线自
动提取中的应用[J].电力信息与通信技术,2018,16
(7)：16-20.
(下转第139页)
第3期殷鹏莲等：巢湖流域地理信息管理平台设计与实现139
图上量算多个点之间的距离、任意多个点构成的多边形面积。
3)信息查询：包括基本查询功能和专题查询功能两大类。其中基本查询提供对象查询、属性查询、定位查询、定位标记、空间查询、缓冲区查询。专题查询提供对专题监测成果的查询检索功能，提供对巢湖流域闸、排灌站(排涝站和抗旱站)、电站、水库、灌溉渠道、堤防和水文站点等设施数据的检索和定位的功能，提供对巢湖流域行政区划范围、水系分布现状图、植被与湿地生态环境监测成果以及水环境分级保护区的快速查询检索和定位的功能。
4)统计分析：基于巢湖流域专题地理信息数据库中当前的专题监测成果数据，平台中的统计分析分为报表统计和图形统计两个子模块。将城市空间布局面积、水利工程设施数量(点状)、流域分级水系长度、植被和湿地生态面积、一级保护区土地利用等，按照提供的统计条件分别以报表形式或图形形式进行统计并展示。
5)数据管理：基于客户端/服务器(C/S)结构的数据管理功能，可实现数字线划图DLG、高程模型DEM
、正射影像地图DOM等地理空间和专题数据的存储和管理，提供数据集的创建、矢量和栅格数据导入、数据加载、数据导出等功能。
6)安全管理：由于测绘地理数据的保密性，需要对系统的所有操作有着严格的系统管理。对于所有用户需进行权限设置，不同权限的用户可以操作的系统模块各不相同，以保证系统的安全性。为了保障系统能够正常运转，该部分主要包括数据库的备份和还原、用户授权管理、日志管理及密码修改等功能。
3结束语
“巢湖流域管理信息平台项目”作为安徽省开展的“巢湖流域地理国情专项监测”工作的重要组成部分，项目在将巢湖流域现有地理信息资料和专题数据进行整合
(上接第136页)
[59]杨俊涛，康志忠•多尺度特征和马尔可夫随机场模型的
电力线场景点云分类法[J].测绘学报,2018,47(2)：
188-197.
[60]李大威，杨风暴，王肖霞.基于随机森林与D-S证据合
成的多源遥感分类研究[J].激光与光电子学进展,
2016,53(3)：75-82.
[61]沈润平，郭佳，张婧娴，等•基于随机森林的遥感干旱监
测模型的构建[J].地球信息科学学报,2017,19(1)：
125-133.
[62]赵玉，王红，张珍珍•基于遥感光谱和空间变量随机森
林的黄河三角洲刺槐林健康等级分类[J].遥感技术与
应用,2016,31(2)：359-367.
[63]何曼芸，程英蕾，廖湘江，等.融合光谱特征和几何特征
的建筑物提取算法[J].激光与光电子学进展,2018,55
(4)：374-381.
[64]潘庆榜•兼容光学、雷达与地形辅助数据的森林湿地遥
感分类[D].哈尔滨：哈尔滨师范大学,2017.建库，利用巢湖流域地理信息管理平台对地理信息数据和专题数据进行统一展示和统计分析，为提升巢湖流域的环境监管能力提供了基础保障；同时该项目的实施，有利于推进生态文明建设，加强环境资源运行的监测和重点污染源空间信息的监测。
参考文献：
[1]安徽省第十二届人民代表大会常务委员会.巢湖流域水
污染防治条例[R].合肥：安徽省第十二届人民代表大
会常务委员会,2014.
[2]谢敏.鄱阳湖基础地理信息管理系统的研究与开发[J].
水利信息化,2016(3):61-65.
[3]朱军，李益敏，余艳红.基于GIS的高原湖泊流域生态安
全格局构建及优化研究一一以星云湖为例[J].长江流
域资源与环境,2017,26(8)：1237-1250.
[4]江西省防汛信息中心，江西省水利规划设计院.鄱阳湖
基础地理信息系统建设方案[R].南昌：江西省防汛信
息中心，江西省水利规划设计院,2010：1-15.
[5]张成才，孟令奎，孙喜梅.水利地理信息系统[M].武汉：
武汉大学出版社,2005.
[6]ESRI.ArcGIS engine developer guide[M].USA：ESRI Press,
2004.
[7]LI ZA.Monitoring and assessment of water quality of cen
tralized drinking water sources in Kaixian county during
the“Twelfth Five-year plan”Period[J].Meteorological and
Environmental Research,2015(10)：23-25,29.
[8]柏屏，胡金龙，高祥涛，等.基于GIS的水文水资源应用
集成研究[J].水利信息化,2013(6):19-23.
[9]李新钢•基于GIS的流域整治查询管理系统的建设
[D].青岛：中国海洋大学,2011.
[10]魏莱•流域水环境信息管理系统的研究[D].成都：西南
交通大学,2015.
[编辑：张曦]
[65]陈蜀蓉•森林生物量遥感估算模型可移植性研究[D].
杭州：浙江农林大学,2015.
[66]冯文卿，眭海刚，涂继辉，等.高分辨率遥感影像的随机
森林变化检测方法[J].测绘学报,2017,46(11)：
1880-1890.
[67]雷震•随机森林及其在遥感影像处理中应用研究[D].
上海：上海交通大学,2012.
[68]李贞贵.随机森林改进的若干研究[D].厦门：厦门大
学,2013.
[69]吕伟航.随机森林算法研究及改进[D].厦门：厦门大
学,2013.
[70]姚明煌•随机森林及其在遥感图像分类中的应用[D].
泉州：华侨大学,2014.
[71]宋相法，焦李成•基于稀疏表示及光谱信息的高光谱遥
感图像分类[J].电子与信息学报，2012,34(2)：
268-272.
[编辑：任亚茹]
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论