1. 研究目的与意义
遥感（Remote Sensing）作为现代科学技术的重要组成部分，已经在生活中方方面面起了很大的影响，并为国家的经济发展提供了巨大的帮助。自 1972 年美国成功发射了第一颗多光谱陆地观测卫星以后，各个国家都纷纷开展了自己对太空的探索、试验和应用，并不断有新的卫星发射上天。目前随着遥感技术的多元化，使得卫星能探测的波段得到大大的扩展，使得获取的图像空间分辨率在不断提升，空间信息含量更加丰富，图像数据量也急剧增加。由于数据量的不断增加，数据信息也越来越复杂，使得对数据的处理再无法靠传统的人工解析这种高成本方式，且人工解析往往因其解析周期长，带有个人主观性等缺点，已无法很好的处理这海量数据。为了实现对海量遥感数据的自动化处理，机器学习（Machine Learning）算法的发展为其带来了转机。其中，随机森林算法作为机器学习中的一种重要集成学习算法，因其稳定性强、速度快等特点已被广泛用于多种类型的遥感图像分类处理当中。在现实生活中，遥感数据往往会因多种原因而不可避免的带有噪声，从而对遥感数据的分类精度带来很大影响。然而随机森林本身就具有一定的抗噪声性能，但其受噪声的影响却仍然不确定，尤其当受噪声污染数据不多时，可以利用算法本身的一些特性，过滤掉噪声所带来的影响。目前，对噪声数据的处理方式，往往是先对噪声污染数据进行数据修复，然而，修复算法通常会给数据自身带来一些影响，反而会影响到后期的分类过程。因而，如果能够不修复而直接进行分类，将会更加的高效。所以，研究随机森林算法受噪声的不确定性影响也变得更有意义。
其次，在面对海量数据时，如何提高分类的效率也成为一个重要的研究课题，而对于随机森林这种集合分类器而言，保持随机森林最精简状态成为提高效率的最好方式。随机森林作为一种集合分类器，是将多棵决策树集合在一起，通过群众投票方式得到分类结果。因此，森林中众多决策树也会出现优劣之分，在随机森林中，也存在着这么一个最小森林，使得作为集合分类器的整体优势存在，而规模却得到减小。因此，好的修剪方式将会大大提高随机森林的分类能力，是非常有实际研究价值的。
2. 研究内容和预期目标
一、研究内容
1.随机森林（random forest，rf）算法是由美国科学院的 breiman 与 cutler 等人提出，是一种基于分类与回归树的集成万方数据学习算法。随机森林是一个功能强大的机器学习分类器，是一种与传统的决策树相比基于非参数回归算法的集成学习方法。随机森林作为一种分类算法，因其具有分类速度快、准确率高、能适应高维度特征等特点，在遥感数据分类领域的使用越来越广泛，同时在不同种类遥感数据中的应用工作也在不断的增多。
2.随机森林没有复杂的参数调节，最近十年里在遥感图像分类中的应用研究十分广泛，如遥感图像的土地分类和生态区的划分，还有对树种的分析，pierce先通过提取树冠的不同特征，并应用随机森林来对森林火灾进行预警，降低了火灾防护难度。随机森林还用于探测裸露的碳资源和城镇区域的分析。
3. 研究的方法与步骤
1.查阅资料：根据毕业论文任务书上提供的参考文献寻找有关随机森林、遥感分类的资料。同时在知网等信息资源平台查阅相关资料，了解相关信息，掌握专业知识，以便于后期论文工作的开展。
2.整理搜集论文所需相关数据源，汇总资料。本文的数据来源于 landsat 5 的 tm 图像，landsat 是光学对地观测卫星，美国陆地探测卫星系统，自 1972 年发射第一颗卫星 landsat 1 到最新的 landsat 7，tm(thematic mapper)是landsat 卫星上安装的专题绘图仪，用来对地球表面来成像。没有特别说明，tm 图像就是指 landsat4 或 5 的 tm 图像。特别的，landsat 7 收集到的数据命名为 landsat7 etm 数据，和 tm 相比，etm 多了一个全色波段，并且第六波段分辨率为 30m。
3.本课题使用随机森林模型进行可见光影像数据分类方法的研究。随机森林的建立大致分为三个步骤：为单一决策树抽样产生训练集、建立单一决策树、森林的形成及算法的执行。以下给出随机森林算法整体过程：
4. 参考文献
[1]詹国旗,杨国东,王凤艳,辛秀文,国策,赵强.基于特征空间优化的随机森林算法在gf-2影像湿地分类中的研究[j].地球信息科学学报,2018,20(10):1520-1528.
[2]崔小芳,刘正军.基于随机森林分类方法和多源遥感数据的湿地植被精细分类[j].测绘与空间地理信息,2018,41(08):113-116.
[3]郜燕芳,李俊明,刘东伟,任周鹏,王楠楠.基于随机森林模型的城市不透水面提取研究——以呼和浩特市为例[j].冰川冻土,2018,40(04):828-836.
5. 计划与进度安排
一、研究工作准备阶段（2022.3.11——2022.3.31）：
2022.3.11——2022.3.24为准备工作阶段，包括查阅资料、实验数据收集等；
2022.3.25——2022.3.31为开题阶段，主要工作是撰写开题报告等。
