랜덤 포레스트 랜드 커버 분류를 수행하는 방법?

다음은 이전 게시물에 대한 후속 조치 입니다. 토지 표지 분류를위한 기계 학습 알고리즘 .

RF ( Random Forest ) 분류 방법은 원격 감지 세계에서 많은 추진력을 얻고 있는 것으로 보입니다 . 나는 RF의 많은 장점으로 인해 RF에 특히 관심이 있습니다.

• 원격 감지 데이터에 적합한 비모수 적 접근
• 높은 분류 정확도
• 변수 중요성이보고됩니다

이러한 강점을 감안할 때, 고해상도 4 밴드 이미지를 사용하여 랜덤 포레스트 랜드 분류를 수행하고 싶습니다. Random Forest의 장점을 선전하는 많은 자료와 연구가 있지만 실제로 분류 분석을 수행하는 방법에 대한 정보는 거의 없습니다. R을 사용한 RF 회귀에 익숙하며이 환경을 사용하여 RF 분류 알고리즘을 실행하는 것을 선호합니다.

R을 사용하여 교육 데이터 (예 : 고해상도 CIR 항공 이미지 기반)를 랜덤 포레스트 알고리즘 으로 수집, 처리 및 입력하는 방법은 무엇입니까? 분류 된 토지 표지 래스터를 생산하는 방법에 대한 모든 단계적인 조언은 대단히 감사하겠습니다.

"수집"데이터의 의미를 이해하고 있는지 잘 모르겠습니다. 헤드 업 디지타이징 및 수업 할당을 언급하는 경우 GIS에서 가장 잘 수행됩니다. 적합한 많은 무료 옵션이 있습니다 (예 : QGIS, GRASS). 분류를 훈련시키기위한 필드 데이터가있는 것이 이상적입니다.

랜덤 포레스트를 사용한 분류 절차는 매우 간단합니다. "rgdal"또는 "maptools"를 사용하여 학습 데이터 (예 : 점 모양 파일)를 읽고을 사용하여 스펙트럼 데이터를 읽고 raster::stack래스터 값을 사용하여 학습 포인트에 할당 raster:extract한 다음randomForest. RF가 모델을 분류 인스턴스로 인식하게하려면 "클래스"열을 요인으로 강제 변환해야합니다. 맞는 모델이 있으면 예측 기능을 사용하여 래스터 스택을 전달할 수 있습니다. 래스터 예측 기능과 관련된 것 외에도 예측하려면 표준 인수를 전달해야합니다. 래스터 패키지에는 래스터를 "메모리 부족"으로 처리 할 수있는 기능이 있으므로 매우 큰 래스터에서도 메모리가 안전합니다. 래스터 예측 기능의 인수 중 하나는 "파일 이름"으로 래스터를 디스크에 쓸 수 있습니다. 멀티 클래스 문제의 경우 클래스의 정수 래스터를 출력하는 type = "response"및 index = 1을 설정해야합니다.

주의 해야 할 몇 가지 주의 사항 이 있습니다.

1. 반응 변수 ( y ) 또는 방정식 오른쪽의 인자 ( x )에 32 개 이상의 수준을 가질 수 없습니다
2. 수업은 균형을 이루어야합니다. 30 % 규칙은 따라야 할 좋은 규칙입니다. 즉, 다른 클래스보다 한 클래스에서 30 % 이상의 관측치가있는 경우 문제가 불균형 해지고 결과가 편향 될 수 있습니다.
3. RF가 과적 합할 수 없다는 것은 잘못된 이름입니다. 앙상블을 과도하게 연관 시키면 모델을 과적 합시킬 수 있습니다. 이를 피하는 좋은 방법은 예비 모델을 실행하고 오류 안정화를 플로팅하는 것입니다. 일반적으로 ntree 매개 변수의 오류를 안정화하는 데 필요한 부트 스트랩 수를 2 배로 선택합니다. 이는 가변 상호 작용이 오류보다 느린 속도로 안정화되기 때문입니다. 모델에 많은 변수를 포함하지 않으면이 매개 변수를 사용하여 훨씬 더 보수적 일 수 있습니다.
4. 가변 순도를 측정하기 위해 노드 순도를 사용하지 마십시오. 정확도의 평균 감소처럼 변경되지 않습니다.

CRAN에서 사용 가능한 rfUtilities 패키지 에 모델 선택, 클래스 불균형 및 유효성 검사 기능이 있습니다.

다음은 시작하기위한 간단한 코드입니다.

require(sp)
require(rgdal)
require(raster)
require(randomForest)

# CREATE LIST OF RASTERS
rlist=list.files(getwd(), pattern="img$", full.names=TRUE) 

# CREATE RASTER STACK
xvars <- stack(rlist)      

# READ POINT SHAPEFILE TRAINING DATA
sdata <- readOGR(dsn=getwd() layer=inshape)

# ASSIGN RASTER VALUES TO TRAINING DATA
v <- as.data.frame(extract(xvars, sdata))
  sdata@data = data.frame(sdata@data, v[match(rownames(sdata@data), rownames(v)),])

# RUN RF MODEL
rf.mdl <- randomForest(x=sdata@data[,3:ncol(sdata@data)], y=as.factor(sdata@data[,"train"]),
                       ntree=501, importance=TRUE)

# CHECK ERROR CONVERGENCE
plot(rf.mdl)

# PLOT mean decrease in accuracy VARIABLE IMPORTANCE
varImpPlot(rf.mdl, type=1)

# PREDICT MODEL
predict(xvars, rf.mdl, filename="RfClassPred.img", type="response", 
        index=1, na.rm=TRUE, progress="window", overwrite=TRUE)

이 스레드는 약간 오래된 것으로 알고 있지만에서 원격 감지 데이터의 분류를 시도하려는 사람 R에게는 매우 유망한 새 패키지가 릴리스되었습니다.

install.packages("RSToolbox")

감독되지 않은 분류와 감독 된 분류 (임의의 포리스트 사용)를위한 기능이 함께 제공됩니다. 자세한 내용은 여기를 참조하십시오 -http : //bleutner.github.io/RStoolbox/

여기 및 여기 에 RandomForest 예제가 포함 된 R을 사용한 감독 분류 / 회귀에 대한 자습서가 있습니다.

여기서 문제는 고해상도 CIR 이미지를 분류하는 것이 었으므로 위성 데이터에 사용 된 기존의 접근 방식 (픽셀 기반)을 사용하지 말고 항공 이미지의 분할 분석을 생성 한 다음 클래스 (RF)를 사용하는 것이 좋습니다.