Bosque aleatorio para estimar el uso de la tierra en el pasado con Landsat

Question

Soy nuevo en el Aprendizaje de Máquina y en R. estoy trabajando en mi tesis de Maestría. Estoy tratando de estimar el uso y cobertura del suelo de los años 1984, 1990, 2000, 2011, 2014 para la caracterización de la dinámica del bosque. Tengo para cada año, las bandas correspondientes a imágenes Landsat. Las imágenes fueron corregidas y he calculado índice de vegetación (NDVI, EVI, SR) y Borlas, Tapa de Componentes(Brillo, Verdor, Humedad). Todo esto se realizó utilizando yo.landsat.toar, yo.vi y yo.tasscap comandos en la Hierba 7, respectivelly.

Tengo como referencia el año 2009, ya que hay una ortofoto y datos LiDAR. El uso de la ortofoto me digitalizado formación de polígonos de 5 clases (1. Cultivos, artificial, bareland; 2. bosque de pinus; 3. Bosque mixto; 4. Quercus y 5. Arbustos).

He ajustado un modelo de uso de bosque Aleatorio y mi intención es clasificar el otro año conjuntos de datos que tienen 5 bandas reflectantes, 3 índices de vegetación y 3 borlas, Tapa de Componentes como variables predictoras.

El rendimiento del modelo es bastante buena, OOB 10.45%, pero dentro de las clases del bosque Mixto alcanzado aproximadamente el 30% de error. Por lo tanto, al utilizar el modelo para clasificar a la de otros años, la clasificación errónea es muy alta.

Estoy haciendo nada worng? Es el Azar el bosque útil para este propósito? ¿Hay algún software, método o algoritmo que podría utilizar para estimar el uso de la tierra?

Answer 1

Es una cosa difícil de que usted está tratando. Pequeños cambios sutiles en reflectancias causada por diferentes adquisición de las fechas de causar grandes errores que surgen cuando se utiliza el enfoque. Usted tendrá que hacer más de preprocesamiento de los datos, con el fin de que el enfoque sea fiable.
La normalización de los otros años para su referencia más probable es que ayuda, pero puede no ser suficiente.

Otro enfoque podría ser la creación de áreas de capacitación para cada paso de tiempo y aceptar que las imágenes no son directamente comparables, pero en lugar de comparar terminado de clasificaciones. Obviamente, esto se suma a la cantidad de usuario de dependencia y por lo tanto hace que el estudio de menos reproducable.

Answer 2

Me gustaría ver el apoyo de las clases individuales. Si el soporte para una clase dada es marginal en su modelo de ajuste, el error puede propagar en muy indeseables maneras.

También me gustaría considerar la colocación de una serie de binario modelos y la predicción de las probabilidades de cada clase por separado. Se podría realizar un análisis de sensibilidad sobre las probabilidades y evaluar si hay varios píxeles de pertenencia (por ejemplo,., bosque de pinos en la transición hacia mixto).

Usted puede ser que tenga problemas tratando de validar un duro-límite de la clasificación donde la tolerancia que existe en la clase de los márgenes. Un enfoque probabilístico puede permitir que usted para evaluar los cambios en los gradientes ecológicos.