GeoXMind

随机森林分类用多棵差异化决策树汇总遥感类别

说明自助抽样、随机特征、袋外评价和概率输出，并分析空间样本泄漏、类别不平衡与解释限制。

随机森林分类用多棵差异化决策树汇总遥感类别

随机森林通过对训练样本进行自助抽样，并在每个节点只考察随机选择的一部分特征，训练多棵决策树。分类时由树的投票或类别概率汇总结果。树之间的差异降低单棵深树的方差，使方法能处理非线性关系和混合尺度特征。

遥感分类中，算法容易使用，但最终精度更受样本代表性、空间划分、类别定义和传感器处理影响。默认参数得到一张地图，并不等于地图可以用于面积统计或跨区应用。

集成机制在强树与相关性之间取舍

Leo Breiman 的原始论文系统描述了随机森林的树集成、随机特征选择和泛化性质：https://doi.org/10.1023/A:1010933404324 。每棵树在自助样本上生长，未被该树抽中的记录可用于袋外评价。节点随机特征使树不总被同一强变量支配，从而降低树间相关。

树数量增加通常使集成预测趋于稳定，但会增加训练、存储和推理成本。每节点候选特征数过大，树更相似；过小则可能让单棵树变弱。叶节点大小和最大深度影响平滑与过拟合，应通过空间独立验证选择，而不是只看训练或袋外得分。

类别概率常由投票比例得到，它不天然校准。森林中 80% 的树投某类，不意味着真实正确率就是 80%。用于风险阈值或面积估计时，应在独立数据上检查可靠性并校准。

特征工程必须尊重观测与尺度

输入可以包含原始波段、光谱指数、纹理、地形、时序统计和邻域特征。不同日期和传感器的数据需要统一辐射尺度、云掩膜、网格和时间窗口。若训练区的影像处理链与部署区不同，模型可能学习处理差异而非地物。

高度相关特征不会让随机森林失效，但会分散重要性并增加计算。纹理窗口和邻域统计引入空间上下文，也可能把训练标签附近的信息泄漏到验证像元。特征窗口应在分块划分后计算或设置缓冲，避免跨集合共享邻域。

NASA ARSET 的土地覆盖分类资料说明了监督分类和训练数据工作的基本流程：https://appliedsciences.nasa.gov/land-cover-classification-satellite-imagery 。实际项目还需定义类别层级、最小制图单元、混合像元和变化时点。

样本设计比像元数量更关键

从少数训练多边形抽取数万个像元，会产生大量空间相邻且相似的记录。随机拆分这些像元，训练和验证可能来自同一地块，精度被显著高估。应按地块、空间块、区域或获取日期划分，并在边界设置缓冲。

类别不平衡可以通过分层抽样、类别权重或阈值处理，但训练分布改变后，原始投票概率不再反映地图中的类别基准率。过采样稀有类有助于学习决策边界，评价和面积估计仍需使用代表总体的独立概率样本。

标签质量应记录来源、日期、解释规则和置信度。道路阴影、作物轮作和季节性水体会造成类别随时间变化。把不同年份标签与单期影像混合，会引入无法由算法修复的冲突。

袋外误差不能替代空间外验证

袋外样本没有参与对应树训练，可在不额外划分记录的情况下估计误差。但当记录空间相关、同一地块像元同时出现在袋内和袋外时，独立性仍不足。袋外结果适合训练诊断，不应成为唯一发布证据。

最终评价要报告混淆矩阵、每类用户精度与生产者精度、宏平均指标和置信区间。总体精度在主导类别占多数时会掩盖小类失败。若地图用于面积统计，应按概率抽样设计进行误差修正和面积估计。

跨区域、跨季节和跨传感器测试能揭示域偏移。模型在训练省份准确，不代表在气候、地形和管理制度不同地区仍可用。部署范围扩大时，应把新区域作为独立挑战集，而不是逐步加入训练后仍称外推验证。

重要性与地图结果需要谨慎解释

基于不纯度下降的特征重要性可能偏好取值多或可分裂点多的变量，相关特征会互相替代。置换重要性也受特征相关和验证数据影响。重要性说明模型依赖哪些输入，不证明这些变量对地物类别有因果作用。

局部解释可以帮助检查某像元的主要特征，但遥感像元受混合、配准和邻域影响。应结合原始波段、时间曲线、参考影像和空间上下文审核，不能只凭解释图给错误预测赋予合理故事。

分类后平滑和最小斑块处理会改善地图外观，也会改变面积和边界。后处理必须作为算法链的一部分单独验证，保存原始分类、概率、质量层和最终制图产品。

随机森林是稳健的基线和实用分类器，其可靠性来自正确的样本与验证设计，而不是“对参数不敏感”的口号。把训练样本、空间切分、概率校准和产品用途共同管理，才能把树的投票转化为可信地图。

资料依据