Український журнал лісівництва та деревинознавства

Розробка методів картографування лісового покриву з використанням супутникових знімків є важливою складовою розвитку статистичної інвентаризації лісів України. Метою роботи стало дослідження ступеня впливу різних спектральних і неспектральних показників на точність класифікаційної моделі Random Forest (RF) під час створення маски лісів рівнинної частини України за даними сезонних композитних мозаїк Landsat 8 OLI. Опорний набір даних складався із понад 4700 випадкових точок, які були візуально дешифровані за допомогою загальнодоступних знімків сервісів Google і Bing Maps. Використовуючи техніку створення безхмарних композитних зображень за часовими серіями супутникових знімків, одержали чотири мозаїки для періодів рік, літо, осінь, квітень–жовтень. Точність класифікаційних моделей встановлювали за величиною помилки OBB (out-of-bag) error, а важливість незалежних змінних – за показником %IncMSE, оцінки яких забезпечує алгоритм randomForest статистичної системи R. У результаті встановлено, що найточнішою виявилася модель класифікації одразу всіх чотирьох мозаїк. Другою за точністю була класифікаційна модель знімків сезону квітень–жовтень. Помилки класифікації решти мозаїк були набагато більшими. Також встановлено, класифікації решти мозаїк були набагато більшими. Також встановлено, що географічна широта і довгота підвищують точність класифікації типів земного покриву території досліджень. З метою зменшення кількості незалежних змінних проаналізовано, як змінюється точність класифікації за поступового збільшення кількості змінних з 2 до 53. У результаті виявлено, що для створення лісової маски доцільно враховувати перші 36 найбільш важливих спектральних показників, у тому числі географічні координати місцевості.

Landsat 8 OLI, сезонна композитна мозаїка, лісова маска, Random Forest