利用 Random Forests 集合对融合的 Sentinel-1 和 Sentinel-2 影像进行土地利用 / 土地覆盖分类
原文约400字，阅读约需1分钟。发表于：。该研究通过合成孔径雷达（SAR）和可见 - 近红外 - 短波红外（VNIR-SWIR）成像技术，对土地利用 / 土地覆盖（LULC）分类进行了协同组合的探索，旨在研究这种融合对 LULC 分类的影响。研究通过集成随机森林（RFE）的方法，引入随机旋转以克服随机森林的局限性，并通过比较不同旋转方法的性能来提高分类器的效能。实验结果表明，基于 SRP 的 RFE 在前两个数据集上表现最佳，平均 kappa 值为 61.80% 和 68.18%；基于 CRP 的 RFE 在最后三个数据集上表现出色，平均 kappa 值分别为 95.99%、96.93% 和 96.30%。此外，将纹理与 SAR 波段相结合，使整体 kappa 值最大增加了 10.00%，而将纹理添加到 VNIR-SWIR 波段上，则使整体 kappa 值最大增加了约 3.45%。
该研究探索了合成孔径雷达和可见-近红外-短波红外成像技术在土地利用/土地覆盖分类中的协同组合。通过引入随机旋转来提高分类器的效能，并比较不同旋转方法的性能。实验结果表明，基于SRP的RFE在前两个数据集上表现最佳，基于CRP的RFE在最后三个数据集上表现出色。将纹理与SAR波段相结合，整体kappa值最大增加了10%，将纹理添加到VNIR-SWIR波段上，整体kappa值最大增加了约3.45%。
