本研究提出了一种采用随机森林算法进行影像分类的方法，通过大量训练样本学习特征，有效提升分类准确率和鲁棒性，在遥感与地理信息系统中具有广泛应用前景。
随着发展中国家城市化进程的加快，城市规划面临众多挑战。为了更好地管理和分析这种快速增长的情况，需要采用新的方法进行城市土地利用测绘。本段落提出了一种结合空间度量与纹理分析的城市土地利用新映射技术，并通过基于对象的图像分类实现这一目标。
高分辨率卫星图像是生成用于区分不同地表覆盖类型的空间和纹理特征的重要工具。这些数据由Random Forest机器学习算法处理，以识别出最具代表性的空间指数。随后，将选定的空间指数与原始影像中的纹理值相结合进行最终的土地利用分类工作。
研究结果表明，在采用10倍交叉验证方法后，该技术的总体准确性达到92.3%，Kappa系数为0.896。这项创新的技术无需依赖人口普查或其他辅助资料即可生成详尽的城市土地使用图谱，并且在发展中国家的应用前景广阔。这样的地图能够提供城市规划者所需的数据来有效应对快速发展的挑战，助力实现可持续城市发展目标。
5星
