竹林资源是我国重要的自然资源,不仅在自然景观中占据重要地位,同时也可带来巨大的社会经济效益。准确提取竹林资源信息,为合理的空间分配和竹林资源优化调整提供有价值的参考。目前,经典的基于像元分类方法和基于面向对象的分类方法广泛应用于地物分类信息提取之中,但现有的分类方法在特征地物的信息提取中无法满足用户精度需求。虽然机器学习方法不断改进,但受地物类别差异大、地块破碎和同物异谱等众多条件的限制,原有的流程简略、判断条件简洁的提取算法对于组成多样且地貌繁杂的区域难以发挥出应有的效果(李大威,2017)。因此,提高提取精度成为遥感技术在林业领域应用中的关键。本文针对江西省宜丰县竹林信息提取做了理论分析和研究,重点提出了一种梯度增强-随机森林融合分类算法以提高竹林信息提取精度。论文主要从以下几个方面开展了研究工作:(1)主要信息提取及特征集合建立:基于已获取的卫星图像,对其进行校正以及融合等操作,并得到图像特征,基于这些处理后采用随机森林算法,对于获取的特征重要性进行排序;通过遍历特征后再对它们组合,然后对于取得的结果作为判断的依据,之后根据各自权重对其进行评估;最后根据获得的数据从中求取极优特征组,据此建立对应的纹理集、光谱集以及联合集,并将这些数据作为后续步骤的输入。(2)梯度增强-随机森林融合分类模型构建研究:由于影响竹林分类的因子较多,过多的因子不但会造成数据冗余,而且会降低竹林分类精度。采用梯度增强机器学习方法剔除无用因子,保留描述竹林相关性强的因子。另外,为提升系统的多样性和分类性能,采用随机森林分类法在待选特征中选取最优特征,构建多种不同的子决策树,然后每个子决策树的输出作为一票进行票数对比,从而求出最终的结果。(3)精度对比验证:利用改进的分类算法即梯度增强-随机森林融合模型分类法所得出的竹林分类结果,与经典的基于像元分类法和基于面向对象分类法所得出的分类结果进行精度对比分析。主要对比分析指标有:总体分类精度、Kappa系数、竹林生产者精度、竹林用户精度。(4)竹林面积变化分析:2017年江西省宜丰县的竹林面积为573.44 km2,占总林地面积的52.47%。竹林区域主要分布在宜丰县的西南、东北和西部低山丘陵地区。与2009年相比,研究区内的竹林面积在研究周期内呈增长状态,变化幅度为11.42%。研究结果表明,基于资源三号卫星遥感影像,针对江西省宜丰县竹林信息提取,提出了新的分类算法即梯度增强-随机森林融合模型分类法以提高研究区竹林分类提取精度。以梯度增强为技术手段提取竹林特征及构建特征集,利用随机森林分类法评估特征的重要性并赋予不同的权值,最终构建多种子决策树,通过对决策树的投票结果得出最终输出结果。新开发的算法对研究区竹林信息提取的总体精度和Kappa系数分别为93.25%和0.9239,竹林提取的用户精度和生产者精度分别为96.06%和94.57%,组合的机器学习分类方法相比于传统的、结构单一的基于像元和基于面向对象分类法,在各指标精度上都有较大的提升。综上,新开发的分类方法更能提取竹林特征并构建特征集,能有效提高研究区竹林分类提取精度。