Como executar a classificação aleatória da cobertura da floresta?

Este é um acompanhamento de um post anterior: Algoritmos de aprendizado de máquina para classificação da cobertura do solo .

Parece que o método de classificação Random Forest (RF) está ganhando muito impulso no mundo do sensoriamento remoto. Estou particularmente interessado em RF devido a muitos de seus pontos fortes:

• Uma abordagem não paramétrica adequada para dados de sensoriamento remoto
• Alta precisão de classificação relatada
• Importância variável é relatada

Dado esses pontos fortes, eu gostaria de realizar a classificação aleatória da terra da Floresta usando imagens de alta resolução em 4 bandas. Há muito material e pesquisa divulgando as vantagens do Random Forest, mas existem poucas informações sobre como realmente executar a análise de classificação. Eu estou familiarizado com a regressão de RF usando R e preferiria usar esse ambiente para executar o algoritmo de classificação de RF.

Como coletar, processar e inserir dados de treinamento (ou seja, com base em imagens aéreas CIR de alta resolução) no algoritmo Random Forest usando R? Qualquer conselho passo a passo sobre como produzir uma varredura classificada de cobertura da terra seria muito apreciado.

Não sei ao certo o que você entende por "coletar" dados. Se você está se referindo à digitalização heads-up e à atribuição de classes, é melhor fazer isso em um GIS. Existem muitas opções gratuitas que seriam adequadas (i..e, QGIS, GRASS). Idealmente, você teria dados de campo para treinar sua classificação.

O procedimento para classificação usando florestas aleatórias é bastante simples. Você pode ler seus dados de treinamento (ou seja, um shapefile de ponto) usando "rgdal" ou "maptools", ler seus dados espectrais raster::stack, atribuir os valores de varredura aos seus pontos de treinamento usando raster:extracte depois passar isso pararandomForest. Você precisará coagir sua coluna "classe" a um fator para que a RF reconheça o modelo como uma instância de classificação. Depois de ter um modelo de ajuste, você pode usar a função de previsão, passando a pilha raster. Você precisará passar os argumentos padrão para prever, além dos argumentos específicos para a função de previsão de varredura. O pacote raster tem a capacidade de lidar com rasters "sem memória" e, como tal, é seguro para a memória, mesmo com rasters muito grandes. Um dos argumentos da função de previsão de varredura é "nome do arquivo", permitindo que uma varredura seja gravada no disco. Para um problema de várias classes, você precisará definir type = "response" e index = 1, o que produzirá uma varredura inteira de suas classes.

Existem algumas ressalvas que devem ser observadas:

1. Você não pode ter mais de 32 níveis em sua variável de resposta ( y ) ou qualquer fator no lado direito da equação ( x )
2. Suas aulas devem ser equilibradas. Uma regra de 30% é boa a seguir, ou seja, se você tiver mais de 30% mais observações em uma classe do que qualquer outra, seu problema se desequilibra e os resultados podem ser tendenciosos
3. É um equívoco que o RF não pode se adequar demais. Se você correlacionar demais o seu conjunto, poderá superestimar o modelo. Uma boa maneira de evitar isso é executar um modelo preliminar e plotar a estabilização de erro. Como regra geral, escolho 2X o número de autoinicializações necessárias para estabilizar o erro para o parâmetro ntree. Isso ocorre porque a interação variável se estabiliza a uma taxa mais lenta que o erro. Se você não estiver incluindo muitas variáveis ​​no modelo, poderá ser muito mais conservador com esse parâmetro.
4. Não use a pureza do nó como uma medida de importância variável. Não é permutado como a diminuição média na precisão.

Tenho funções para seleção de modelo, desequilíbrio de classe e validação no pacote rfUtilities disponível no CRAN.

Aqui está um código simples para você começar.

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)

Eu sei que esse segmento é um pouco antigo, mas para quem quiser experimentar a classificação de dados de sensoriamento remoto R, um novo pacote muito promissor foi lançado.

install.packages("RSToolbox")

Ele vem com funções para classificação não supervisionada e supervisionada (usando florestas aleatórias). Mais informações podem ser encontradas aqui - http://bleutner.github.io/RStoolbox/

Aqui e aqui estão os tutoriais sobre classificação / regressão supervisionada com R, que inclui exemplos de RandomForest.

Como o problema aqui estava em classificar uma imagem CIR de alta resolução, sugiro não usar a abordagem tradicional (baseada em pixels) usada para dados de satélite, mas produzir uma análise de segmentação da imagem aérea e depois usar o classier (RF).