融入輔助數據集的面向對象土地利用分類研究*

李坤玉， 王雪梅， 李銳， 李頓

新疆師范大學地理科學與旅游學院 / 新疆干旱區湖泊環境與資源實驗室，新疆 烏魯木齊 830054

土地利用信息在國土空間規劃、自然資源保護以及氣候變化研究等領域起著至關重要的作用，為可持續發展工作的開展提供信息保障（朱永森等，2017）。利用遙感技術不僅可以大規模地調查土地利用現狀，又能夠監測和獲取土地利用變化等信息（舒彌等，2022）。隨著遙感技術的快速發展，遙感影像數據被廣泛地用于土地利用分類的研究。歐空局于2015 年發布的Sentinel-2 數據具有高時空分辨率以及豐富的光譜信息，被廣泛用于土地利用分類研究中。但由于影像存在同物異譜和同譜異物現象，僅利用衛星影像的光譜信息進行土地利用分類很難達到較高的精度（陳媛媛等，2022）。隨著大量的輔助數據開放可用，許多研究試圖通過結合衛星數據和輔助數據來提高土地利用分類的準確性（Tomá? et al.，2018）。將輔助特征與遙感數據相結合以提高區域和全球尺度的分類精度已經成為40 年來人們關注的話題（Phiri et al.，2017）。李恒凱等（2021）在探討加入地形特征和雷達特征對南方丘陵山地土地利用分類信息提取的作用時得出，加入雷達特征和地形特征均有助于提高分類精度，其中加入地形特征更有助于耕地和園地的提??；張來紅等（2023）對Sentinel-2 和Landsat 數據從光譜指數特征、紋理特征、地形特征3個方面構建多維特征集進行土地利用分類，得出融入光譜指數特征、地形特征能夠有效提高土地利用分類模型的精度。Hurskainen et al.（2019）在研究免費開放的地理信息數據對面向對象土地利用分類精度的影響時得出，地形特征、土壤特征可顯著提高土地利用分類精度。

雖然輔助特征可以提高土地利用分類的準確性，但是可用的免費開放的地理空間數據有限，需要從多個來源請求獲得。谷歌地球引擎（GEE，Google Earth Engine）提供了一個強大的地理空間計算分析遙感云平臺，并可以直接調用衛星影像和各種類型的地理空間數據集。使用GEE 可進行影像分割，其主要支持3種遙感影像分割算法，包括K-means、G-means 和SNⅠC 算法。其中，SNⅠC 算法占用內存小，運行速度最快，而且可以通過設置參數來控制分割效果，該算法已成為國內外影像分割的熱點算法（Tassi et al.，2020）。劉通等（2022）、毛麗君等（2021）等使用SNⅠC 分割算法均得到了較好的分割效果，然后結合RF 算法進行分類后均得到了較高分類精度，有效地提高了土地利用分類結果的準確性。以往許多利用輔助特征提高高分辨率衛星圖像分類精度的研究是基于像素的分類上，而較少關注基于對象的分類（Frank‐lin，2018）。同時，國內在研究輔助數據對分類精度的影響中，研究土壤特征對提高分類精度有效性的實驗較少。因此，本研究基于GEE 平臺調用Sentinel-2高分辨率影像，利用SNⅠC 分割算法對影像進行圖像分割，結合雷達特征、光譜指數特征、土壤特征以及地形特征，使用RF 算法進行面向對象的土地利用分類，得出最優輔助數據集，然后進行特征重要性評價，得出貢獻率最高的輔助特征，最后使用CART算法驗證結論，使得研究結果更具可靠性，為后續更好地進行土地利用分類工作提供技術參考。

1 研究區與數據

1.1 研究區概況

博湖縣位于新疆維吾爾自治區中部，經緯度41°33′～42°14′N，86°19′～87°26′E，隸屬于新疆巴音郭楞蒙古自治州，天山南麓，區域海拔為1 037～2 529 m，南北兩端地勢較高，呈蝶狀谷地，因其境內有中國最大的內陸淡水湖博斯騰湖而得名。該研究區氣候溫和濕潤，光照充足，年均氣溫9.3 ℃，年降水量為79.6 mm，年均相對濕度為62%，有“濕島效應”，適合農業以及畜牧業的發展。博斯騰湖分布在該縣東北部，湖泊面積較大，占博湖縣總面積的43.2%，為當地產業發展提供豐富的水資源；耕地資源豐富，種植作物主要有小麥、玉米、棉花、辣椒等；分布在博斯騰湖西岸的蘆葦區是全國4大葦區之一；區域南部未利用地集中，有少量片狀耕地。博湖縣土地利用類型多樣，具有典型代表性（圖1）。

圖1 研究區位置示意圖及其假彩色影像Fig.1 Sketch map for the study area and false color imagery

1.2 數據源及預處理

高分辨率影像對于區域較小的土地利用分類研究是最佳數據源。本文采用多光譜高分辨率影像Sentinel-2 數據作為主要遙感信息進行分類。通過GEE 平臺加載2022 年7 月20～23 日云層覆蓋率小于7%的Sentinel-2 L2A 圖像，選擇4個空間分辨率為10 m 和6 個空間分辨率為20 m 的10 個波段作為原始影像數據，并對其進行拼接、裁剪以及云掩膜等處理生成博湖縣無云影像。本文結合了衛星數據和輔助數據集來提高土地利用分類的精度和準確性，使用的分類特征包括光譜、雷達、光譜指數、土壤和地形特征（如表1）。

表1 土地利用分類特征Table 1 The features in the land use classfication

光譜特征是在Sentinel-2 影像中選取10 個波段及其主成分的中值作為分類特征，包括藍、綠、紅3 個可見光波段（B2-B4）、近紅外波段（B8）、3個紅邊波段（B5-B7）、Narrow NⅠR 波段（B8A）以及2個短波紅外波段（B11、B12）。有研究表明，波段的主成分（PC，principal component）可以提高土地利用的分類精度（Pareeth et al.，2019）。雷達特征是從Sentinel-1 影像獲取的ⅤⅤ、ⅤH 兩個極化波段。光譜指數特征是在GEE 平臺使用Sentinel-2 影像波段計算得出8個指數的中值，包括歸一化植被指數（NDⅤⅠ，normalized difference vegetation in‐dex）、歸一化水體指數（NDWⅠ，normalized differ‐ence water index）、建筑用地指數（ⅠBⅠ，indexbased built-up index）、比值植被指數（RⅤⅠ，ratio vegetation index）、土壤調節植被指數（SAⅤⅠ，soiladjusted vegetation index）、差值植被指數（DⅤⅠ，difference vegetation index）、裸土指數（BSⅠ，bare soil index）和紅邊位置指數（REP，red edge position index），光譜指數計算公式如表2 所示。土壤特征是在GEE 平臺調用OpenLandMap 提供的250 m 分辨率的表層土壤有機碳含量、土壤含水量、粘土含量、土壤容重、土壤pH 值5 個特征，并對其進行重采樣。地形特征是利用GEE 平臺調用30 m 分辨率的DEM 數據計算得出，包括高程、坡度和坡向數據，該數據集需重采樣為10 m。

表2 光譜指數及其計算公式Table 2 Spectral indices and calculation formula

2 研究方法

2.1 分類體系建立及樣本點選取

參照國家土地利用分類標準《GB/T21010-2017》，結合Google Earth 影像，充分了解研究區景觀地貌特征，綜合考慮研究區地物分布的整體性以及遙感影像的可分性，將研究區土地利用類型分為8 種類型：種植耕地、已收獲耕地、林地、草地、蘆葦濕地、建設用地、水域以及未利用地。通過實地調查以及參考高空間分辨率的Google Earth 影像和Sentinel-2 影像，結合歐空局提供的10 m 分辨率的土地利用分類數據進行目視解譯，采集具有代表性的730個樣本點，其中包括種植耕地132 個、已收獲耕地83 個、林地75 個、草地49個、蘆葦濕地103個、建設用地100個、水域69個以及未利用地119個，分別從每個地類中隨機選取70%的樣本點作為訓練樣本，選取30%的樣本點作為驗證樣本。這8 種土地利用類型的分類體系、影像細節特征以及每種地類訓練樣本和驗證樣本數量如表3所示。

表3 土地利用分類體系和影像特征Table 3 Land-use classification systems and imagery features

2.2 SNⅠC分割算法

簡單非迭代聚類（SNⅠC，simple non-iterative clustering）是基于簡單線性迭代聚類（SLⅠC，sim‐ple linear iterative clustering）算法改進的最新的超像素分割算法（Achanta et al.，2017），改變了SLⅠC算法占用內存大、運算速度慢的特點，可以更快速地生成超像素（岳巍等，2022）。SNⅠC 算法是用戶通過設置5個參數控制分割結果，包括影像、緊湊度、連通性、鄰域尺寸和種子大小。參數設置基于重復迭代，并結合視覺進行評價。影像是指參與分割的影像。緊湊度是指分割后對象的規整程度，數值越大，每個對象的形狀越規整，越接近于正方形。連通性是指像元的鄰接性，參數一般設置為4或8，表示4連通或8連通。鄰域尺寸表示鄰域范圍，通常設置為256。種子大小是指聚類中心的間隔，數值越大，種子點之間的間隔越大，分割得到的對象越大。其中緊湊度和種子大小對結果的影響比較大，需要根據地物的實際情況進行設置。

2.3 土地利用分類模型

為了比較融入不同輔助數據集對土地利用分類精度以及結果準確性的影響，本文構建了6種融入不同輔助數據集的土地利用分類模型，如表4所示。在6 種分類模型中，M1 模型是基于對象的光譜特征分類模型；M2 模型除了光譜特征以外，還結合了雷達特征；M3 模型則綜合了光譜特征和光譜指數特征進行土地利用分類；M4 模型是在光譜特征的基礎上結合了土壤特征進行影像分類；M5模型則是基于對象的光譜特征與地形特征的分類；M6 模型融入了光譜特征、雷達特征、光譜指數特征、土壤特征和地形特征這5種輔助數據集進行研究區土地利用分類。

表4 土地利用分類模型Table 4 Models used in this study for LULC classification

2.4 土地利用分類方法

隨機森林（RF，random forest）是Breiman（2001）提出的一種機器學習方法，是一種基于決策樹的分類器。隨機森林分類器的構建主要涉及兩個方面：隨機選擇樣本和隨機選擇特征。使用Boot‐strap 重抽樣方法從原始樣本中有放回地抽取大約2/3 的樣本用于對當前決策樹模型進行訓練，抽取剩余的樣本作為對隨機森林模型進行分類性能評估的袋外數據（OOB，out-of-bag），計算該模型的預測錯誤率，該錯誤率被稱為袋外誤差?；赗F分類器進行分類的基本思想是先使用Bootstrap 重抽樣方法從原始訓練集中抽取m個樣本，每個樣本的容量與原始訓練集一致，然后給m個樣本建立m個決策樹模型，得出m種分類結果，最后通過投票得到最終的分類或預測結果。有大量研究表明，RF 算法在土地利用分類中具有較高的分類精度（匡開新等，2023），同時削弱了過擬合現象，有效地提高了分類器的泛化能力。本研究使用RF算法進行土地利用分類研究。

分類回歸樹（CART，classification and regres‐sion tree）是一種以二叉樹為邏輯結構，用于完成線性回歸任務的決策樹，使用預定義的閾值工作。該決策樹使用基尼系數劃分屬性，一個數據集的純度可用基尼系數來衡量，基尼系數越小，數據集的純度越高（劉睿等，2021）。本文使用CART算法來驗證結論的通用性和可靠性。

2.5 精度評價

為了評價分類的結果，往往需要使用驗證樣本進行檢驗。生產者精度（PA，producer’s accuracy）、用戶精度（UA，user’s accuracy）、總體精度（OA，overall accuracy）和Kappa 系數是最常用的檢驗指標。在面向對象分類中，PA 指分類器將整個影像的所有對象正確分為某類的對象數與該類真實參考總數的比率，UA 指正確分到某類的對象總數與分類器將整個影像的對象分為該類的對象總數比率，OA 指被正確分類的對象總和與總對象數的比率，Kappa系數是用于一致性檢驗的指標，用來衡量分類的效果，其計算是基于混淆矩陣的（吳靜波，2018），Kappa取值在-1～1之間，一般＞0，

其中N為用于精度評價的對象數；Xij為混淆矩陣中第i行第j列的對象數；Xi+為第i行的總對象數，X+j為第j列的總對象數。

2.6 特征重要性評價

使用隨機森林進行特征重要性評估的基本思想是計算每個特征在隨機森林中的每棵樹中作出的貢獻，求其平均值，最后比較特征之間的貢獻大小，貢獻值通常用袋外數據錯誤率來衡量（吳靜波等，2018）。在隨機森林算法中某個特征X重要性的計算方法如下：首先對于隨機森林中的每一顆決策樹，使用相應的OOB 數據來計算它的袋外數據誤差，記為OOBerr1；其次隨機地對袋外數據OOB 所有樣本的特征X加入噪聲干擾，再計算它的袋外數據誤差，記為OOBerr2；最后假設隨機森林中有Ntree棵樹，計算特征X的重要性

若給某個特征隨機加入噪聲之后，袋外數據的準確率大幅度降低，則說明這個特征對于樣本的分類結果影響很大，表明它的重要程度比較高。

3 結果與分析

3.1 分割參數確定

面向對象土地利用分類效果的好壞與影像分割結果有密切關系。SNⅠC 分割算法需要設置5 個參數控制圖像分割效果，連通性與鄰域尺度分別設置為8、256。使用控制變量法，對分割結果影響較大的緊湊度和種子大小選取6 組參數進行影像分割實驗，并對分割結果進行目視判讀，確定合適取值。圖2（a-f）表示使用SNⅠC 分割算法對影像進行分割的局部結果，其中圖2（a-d）的緊湊度取值為0，種子大小取值分別為10、13、17和20，圖2（e-f）的種子大小取值為17，緊湊度取值分別為1 和2。對比圖2（a-b）可以發現種植耕地、林地、建設用地、水域存在過分割現象；圖2（c）建設用地分割效果較好，種植耕地、林地、水域過分割現象有所減緩，整體分割效果較好；圖2（d）中建設用地存在欠分割現象。將圖2（c）與圖2（e-f）對比可以發現，圖2（e-f）邊界貼合度不高。從圖2（c）可以看出，種植耕地、水域仍有少量過分割現象的存在，過度分割會產生大量的對象，通常分割對象越多，地物分割越精細，分類精度越高，與此同時需要更多的計算時間，本文中使用GEE 云平臺，它可以為數據處理工作提供強大的數據分析平臺，因此不必考慮計算時間成本。雖然圖像分割結果中存在少量過分割現象，但是對研究目標和結論影響不大。綜上所述，分割效果最好的是圖2（c），最終選取的圖像分割參數為：種子大小為17，緊湊度為0。

圖2 局部區域不同分割參數的圖像分割結果Fig.2 Ⅰmage segmentation results with different segmentation parameters in the local area

3.2 融入不同輔助數據集分類結果比較

基于最優分割參數的選擇結果，融入各類輔助數據集，進行2022 年7 月新疆博湖縣土地利用分類，得到不同模型的土地利用分類結果（圖3）。在6 個分類模型中，精度最低的是基于模型M1 的分類結果，總體分類精度OA=84.82%，Kappa=0.82，精度最高的是基于模型M6 的分類結果，分類精度OA=92.34%，Kappa=0.91。

圖3 基于6個分類模型的分類結果展示Fig.3 Display of classification results based on 6 classification models

由圖3 可知，模型M1～M3 的分類效果沒有模型M4～M6 的分類準確性高，與表5 的分類精度結果一致。整體上，M1～M3有明顯的錯分現象，M1中將研究區南部少量未利用地錯分為已收獲耕地和建設用地，博斯騰湖西岸部分蘆葦濕地錯分為種植耕地；M2 和M3 在研究區的南部未利用地均有錯分為建設用地的現象。M4～M6 整體分類效果較好，破碎現象較少，與博湖縣土地用地整體情況相符。說明僅使用Sentinel-2 影像的光譜特征進行土地利用分類時，分類的OA 和Kappa 系數最低，分別為84.82%和0.82；當加入雷達、光譜指數、土壤和地形特征后，OA 均有所提高，加入地形特征后分類精度提高最為明顯，OA 提高了6.22%，Kappa系數提高了0.08，說明加入這4種輔助數據集中的任意一個特征數據集均有助于提高分類的整體準確性，其中地形特征對提高分類的整體精度起著最重要的作用。融入所有輔助數據集的模型M6 分類精度最高，OA 和Kappa 系數分別為92.34%和0.91，各類地物均能夠得到較好的區分，較其余5個分類模型來說分類效果最佳。

表5 不同分類模型的分類精度結果Table 5 Accuracy results for different classification models

選擇所含地物類型較為豐富的3 個典型區域，對比分析不同地物類型在不同分類模型中的分類結果（圖4）以及結合Sentinel-2 影像可以發現，對博湖縣進行土地利用分類的誤差主要來源于種植耕地、林地、草地與蘆葦濕地的誤分以及建設用地和未利用地的誤分，這主要是由于其光譜特征相似，會出現異物同譜或同譜異物的現象，在這種情況下可以借助光譜以外的輔助特征，有助于豐富分類所需的有用信息，從而提高土地利用分類的準確性。

圖4 不同分類模型的典型區域分析Fig.4 Typical area analysis of different classification models

基于6 種分類模型的8 種地類的PA 和UA 如表5 所示。模型M2 加入雷達特征后，林地、草地、蘆葦濕地的分類精度均顯著提高，這是因為微波比光波能更深地穿透植物，對植被散射體的形狀、結構較為敏感，可以更好地區分植被類型。同時也可以看出建設用地和未利用地的分類精度均有所提高，說明雷達特征也有利于區分建設用地和未利用地。模型M3 加入了4 個植被指數、1 個紅邊指數、1 個水體指數、1 個建筑指數和1 個裸土指數，與模型M1 相比，所有植被類型的土地利用分類精度均得到提高，其中蘆葦濕地精度提高最多，PA 提高了12.37%，UA 提高了13.04%，說明植被特征以及紅邊指數特征對于區分不同植被類型起著重要作用。模型M4 加入了土壤特征，由于耕地的土壤特征相似，所以不同耕地類型不易區分，因此種植耕地與已收獲耕地的分類精度相對于其他地物來說較低；其他地物的土壤屬性區分較為明顯，所以較于M1 分類精度均有所提高。模型M5 加入地形特征后，各地類的分類精度有明顯提升，種植耕地和草地，以及建設用地和未利用地的區分更為容易，這與博湖縣地形南北高、中間低有關，草地和未利用地主要分布在南部海拔較高的地區，種植耕地和建設用地主要分布在中西部平原區。對表5 中模型M6 與M1 分類結果進行比較可以看出，除水域以外，每種地物的土地利用分類精度均有較大程度的提高。對比圖4中局部區域的分類結果圖，也可以看出模型M6 的分類效果相較于其他模型也達到最佳，消除了種植耕地與蘆葦濕地、種植耕地與林地、建設用地和未利用地的誤分，分類細節也與遙感影像更為契合。水域分類效果均較好，在6個模型中其分類精度均在90%以上。

3.3 特征重要性評價

基于RF 算法融入所有輔助數據集的土地利用分類精度最高，使用基于RF 算法的袋外誤差來衡量每種特征的重要性值，圖5 為本文38 個特征的重要性排序。

圖5 特征重要性評價Fig.5 Feature importance evaluation

由圖5可以看出，對分類結果影響最大的是高程特征，西北地區復雜的地形特征對于土地利用類型的識別至關重要。ⅤH 極化特征的重要性居于第2位，該區植被類型較多，能更深穿透植物的微波可以更好地識別不同的植被類型。緊接著即為土壤特征包括表層土壤有機碳含量以及表層土壤含水量，西北干旱區不同地類的土壤特征存在較大差異，因此依據不同土壤特征區分地物類型是有效的。其次就為波段B10 的主成分中值和波段B5 的主成分中值，Sentinel-2 影像波段重要性最大的是B8 波段，因為近紅外波段對葉綠素的反射效果好，在標準假彩色影像中植被呈現紅色，植被越密集，紅色越深，植被類型不同其密集度也不同，可更好地識別該區域不同的植被類型。光譜指數特征重要性最大的是RⅤⅠ指數，因為該指數可以更好地反應植被生長的健康狀況。坡向特征對土地利用分類的貢獻率最低，說明該區域坡向變化不大。ⅠBⅠ指數的貢獻率位于倒數第2 位，因為該區域的建筑用地較少，而植被、水域和裸地面積較大，相對于植被光譜指數、水體指數和裸地指數來說，建筑用地指數對于該區域的土地利用分類結果貢獻率較小。由此可看出，特征重要性的大小主要與研究區域的地物分布特征有關。

3.4 分類方法驗證

從以上分析可以得出，采用面向對象的RF 算法進行土地利用分類時，將光譜數據與輔助數據結合可以有效地提高土地利用分類精度，結合雷達、光譜指數、土壤、地形特征分類精度依次提高，當融入所有輔助數據集時分類精度達到峰值。使用CART算法驗證結論的通用性和可靠性。在對比實驗中，基于CART的分類模型所使用的特征與基于RF的分類模型相同?；赗F和CART算法分類的OA 和Kappa 系數如圖6 所示，圖6（a）為基于RF 和CART 算法分類的OA，圖6（b）為基于RF 和CART 算法分類的Kappa 系數?；贑ART 算法的分類結果表明，隨著輔助特征數量的增加，OA 和Kappa系數均有所提高，融入雷達、光譜指數、土壤、地形以及所有輔助特征的分類精度依次提高，與基于RF 算法的分類結果規律一致，通過對比基于兩種算法的分類精度可以看出，基于RF 算法的分類精度更高。

圖6 不同分類模型基于RF、CART算法分類的分類精度比較Fig.6 Comparison of classification accuracy of different classification models based on RF and CART algorithms

4 討 論

面向對象的最優輔助數據集的選取可提高分類精度的同時避免了基于像素分類時出現的“鹽胡椒”現象，使分類結果不僅具有較高的分類精度，視覺上也更美觀，強化了分類結果中每個地物的整體性，為下一步開展基于土地利用分類結果的應用型研究提供更好的分類效果。研究基于遙感云平臺對Sentinel-2影像使用SNⅠC分割算法進行影像分割，并結合RF 分類器進行土地利用分類，OA＞84%，Kappa＞0.82，說明分類精度均較高。Djerriri et al.（2020）證明了基于SNⅠC 聚類結合RF 分類器對Sentinel-2 圖像進行分類的面向對象分類方法具有較大優勢，可以得到較好分類效果，說明選用的分類方法可靠性較高。分類時使用光譜信息并融入雷達、光譜指數、土壤和地形特征均可以提高分類精度，其中地形特征對提高分類精度效果最顯著。Qu et al.（2021）結合輔助數據集進行土地利用分類，得出在面向對象分類中地形特征對提高分類精度的影響最大，本文也得出該結論。除了地形特征，土壤特征對提高土地利用分類效果也有較大貢獻，國內融入土壤特征提高土地利用分類精度的研究較少，而國外較多且認為土壤特征有利于提高分類精度（Ouma et al.，2022），因此研究中加入了土壤特征，探究其對提高土地利用分類精度的影響，與已有研究結論一致。研究中使用的輔助數據集表現出在景觀異質性地區提高土地利用分類精度的重要潛力，下一步工作考慮研究探索更多的輔助數據集對分類結果的影響，如紋理特征、物候特征、水源距離等，并在不同的地形條件下研究輔助特征最優組合的異同。

5 結 論

本文借助GEE 平臺使用SNⅠC 分割算法，融入輔助數據集構建了基于RF 算法的面向對象土地利用分類的6個分類模型，對博湖縣的土地利用進行分類研究，得出以下結論：

1） 使用GEE 平臺的SNⅠC 分割算法，通過控制變量法、參數迭代設置以及目視判讀法得出最優分割參數，對分割結果影響較大的兩個參數分別設置為種子大小為17、緊湊度為0，該分割參數對該研究區影像分割效果最好，有利于進行下一步的分類研究。

2） 輔助特征包括雷達、光譜指數、土壤、地形均可以提高土地利用分類精度，將Sentinel-2 影像的波段特征數據與這些輔助數據相結合進行土地利用分類，有效地提高了土地利用分類結果的準確性，當融入所有輔助特征時分類精度達到最高，OA=92.34%，Kappa=0.91，比僅使用光譜特征進行分類的結果OA 提高了7.52%，Kappa 系數提高了0.09。當只使用一種輔助數據集時，地形特征對提高土地利用分類精度的效果最好，土壤特征也起著重要作用。對所有輔助特征進行重要性評價時，高程特征對提高分類精度的貢獻最大。

3） 使用RF 算法進行實驗，并使用CART 算法驗證實驗結論，均可得出融入雷達、光譜指數、土壤、地形特征都可以提高土地利用分類精度，并且分類精度依次提高，融入所有輔助數據集時分類精度達到最高。通過對比基于兩種算法的分類精度可以看出，基于RF 算法的分類精度更高，為基于土地利用分類結果進行應用型研究提供高精度的分類參考方法。