Eine Bewertung der algorithmischen Parameter, die die Genauigkeit der Bildklassifizierung durch Random Forests beeinflussen

Random Forests sind als vielversprechender Ensemble-Lernalgorithmus zunehmend für die Klassifizierung von Bildern aus Fernerkundungssensoren eingesetzt worden und erweisen sich als gleichwertig oder besser als einige gängige Klassifizierer. Mit nur zwei algorithmischen Parametern sind sie relativ einfacher zu implementieren. Die bestehende Literatur deutet darauf hin, dass die Leistung von Random Forests unempfindlich gegenüber Veränderungen der algorithmischen Parameter ist. Diese Annahme basierte jedoch größtenteils auf der Genauigkeit des Klassifizierers, die nicht unbedingt die Genauigkeit der resultierenden Themenkarte widerspiegelt. Die aktuelle Studie geht über die Bewertung der Genauigkeit des Klassifizierers hinaus und untersucht, wie die algorithmischen Parameter die resultierende Genauigkeit der Themenkarte durch Random Forests beeinflussen können. Eine Reihe von Random-Forest-Modellen mit unterschiedlichen Parameterkonfigurationen wurde sorgfältig erstellt und dann verwendet, um ein Satellitenbild in mehrere Landnutzungsklassen zu klassifizieren. Sowohl die Genauigkeit des Klassifizierers als auch die Karten-genauigkeit wurden bewertet. Die Ergebnisse zeigen, dass diese Parameter die Karten-genauigkeit um bis zu 9 ∼ 16 Prozent für einige Klassen beeinflussen können, obwohl ihr Einfluss auf die Genauigkeit des Klassifizierers recht begrenzt war. Eine sorgfältige Parameterisierung, die die Genauigkeit der Themenkarte priorisiert, kann helfen, die Leistung von Random Forests in der Bildklassifizierung zu verbessern, insbesondere für spektral komplexe Landnutzungsklassen. Diese Ergebnisse können helfen, praktische Hinweise zur Nutzung von Random Forests in der Fernerkundungsgemeinschaft zu etablieren.