研究土地覆被变化已经成为研究全球变化以及研究现代地学的核心和热点,在土地覆被变化的研究中,土地覆被分类是最为基础和关键的一个环节。土地覆被分类需要强大的分类方法,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。目前,随着众多高分辨率卫星陆续发射,高分影像数据量大,混合像元减少、地物信息增多,然而空间分辨率的提高并没有使得分类精度的提高,相反,会出现分类精度的降低。传统基于像元光谱信息分类的方法应用在这些高分影像分类时所得到的精确度远远达不到生产所需的要求。影像中地物信息增多体现在地物的纹理结构随着空间分辨率的提高而变得非常清晰,提取稳定的鉴别性强的纹理特征对提高影像分类精度有十分重要的意义。本文以石台县的两个乡镇为研究区域,选用Rapideye高分影像作为数据源。研究区景观空间异质性程度高,阴影覆盖区域面积大,实地调查中部分类别在影像上显示的颜色可分性不强。为此,本研究采用已广泛地应用于遥感影像的纹理提取的地质统计学方法提取纹理特征,对原始波段进行Band Math运算提取植被指数,应用随机森林计算特征重要性筛选特征,对改变树的数量、特征组合与分类精度间的关系进行试验,并与最大似然法分类结果进行比较。结果表明:(1)随机森林泛化误差随着树的数量(N)增加而收敛于定值,分类精度随着N值增大而无显著增加,并且计算机运算效率降低。本研究中最终选取N=500,既能满足分类精度要又能保证运算效率;(2)应用随机森林和最大似然法对加入纹理特征组合进行分类精度评价,Kappa系数分别为0.7134和0.6315,高于加入植被指数特征组合和对纹理和植被指数特征组合。应用随机森林算法分类精度明显高于应用最大似然法所得的分类精度。此外,纹理信息可以在一定程度上提高分类的精度,对于耕地、建筑等几何形状明显且规律性强的地类分类精度有显著提高,对光谱值接近的不同地类之间的区分提供了有效的依据。随机森林算法综合表现更优,它在保证分类精度的前提下,也能保证运算的效率,更适宜实际生产应用,有一定的应用价值。同时,操作方便,由计算机计算筛选所需特征个数及所需的特征,还能预测满足分类精度要求的N值。最大似然法操作步骤亦不繁琐,但是精度相对较低。