Page 143 - 《武汉大学学报（信息科学版）》2025年第10期

2078 武 汉 大 学 学 报 （信 息 科 学 版） 2025 年 10 月

水体等无人区。经过筛选后，使农田火像素、稳 谷歌地球影像中为耕地，则判断该像素是农田火
定 灯 光 像 素 和 全 黑 像 素 的 训 练 样 本 数 量 均 为 像素（图 5（a）~5（c））。若像素一年内夜光辐亮度
2 000 个。 较高且相对稳定，夜光像素内地表覆盖类型为人
3）对每个通过筛选的像素，计算其夜光辐亮 造地表的比例大于 20%，且谷歌影像中为道路或
度最大值、夜光辐亮度大于阈值的比例和夜光辐 建成区，则判断该像素为稳定灯光像素（图 5（d）~
亮 度 突 变 率 ，将 这 些 多 元 特 征 值 与 像 素 类 别 对 5（f））。若像素一年内夜光辐亮度接近于 0 且无
应，作为进行 RF 分类的训练样本。 明显波动，夜光像素内地表覆盖类型为裸地、林
2.3 影像分类 地和水体等无人区的比例大于 20%，并且谷歌地
RF 是 对 多 个 决 策 树 进 行 集 成 评 估 的 算 球影像中为裸地、林地和水体等，则判断该像素
法 ［27］ ，其 结 果 建 立 在 各 个 决 策 树 的 分 类 结 果 之 为全黑像素（图 5（g）~5（i））。若人工无法准确判
上，但是往往能够达到整体精度超过单个组成部 断，则为无效样本，不参与精度检验。
分精度的效果。通过随机有放回地抽取样本构 3）计算混淆矩阵。根据分类结果统计每类
建多棵决策树，根据每棵决策树分类结果的众数 像素的数量，计算总体精度、生产者精度和用户
综合得出最终分类结果。 精度，构建混淆矩阵。其中，总体精度是指正确
RF 作为一种经典的机器学习算法，降低了 分类的结果数占总样本数的比重，计算公式为：
过 拟 合 的 可 能 性 ，并 且 对 异 常 值 有 较 高 的 容 忍 n
∑ S ii
性，被广泛应用于地物分类 ［28-29］ 和火点识别 ［30-31］
T = i = 1 （4）
等方面。本文通过 Scikit-Learn 程序包实现 RF 算 S
法，参数如表 3 所示，使用程序包中的网格搜索方 式中， T 表示总体精度； S 指有效样本总数； S ii 指
法进行调参，其中 RF 的决策树数目为 10，自举重 第 i 类被正确分类的样本数 ； n 为样本点的种类
采 样 ，其 他 参 数 采 用 Scikit-Learn 程 序 包 的 默 数，本文中 n 为 3。
认值。 生产者精度是指真实参考样本被正确分类
的比例，计算公式为：
表 3 本文中 RF 分类的参数
S ii
Table 3 Parameters of Random Forest Classification in P i = （5）
S i
the Study
式中， P i 指第 i 类的生产者精度； S i 指验证集中第 i
名称 描述
类的样本数目。
Estimators 决策树个数
用户精度是指在分类结果图中，落在某类别
MinSamplesLeaf 叶子节点的最小样本数目
BootStrap 是否自举重采样 上的检验点被正确分类为该类别的比例，计算公
MinSamplesSplit 根据属性分裂节点时，所需的最少样本数 式为：
MaxDepth 树的最大深度 S ii
U i = （6）
*
S i
2.4 精度检验 式中， U i 指第 i 类的用户精度； S i 指分类集中第 i
*
本文采用分层随机抽样的精度验证方式，步 类的样本数目。
骤如下：
1）随机抽取样本。从每个国家的分类结果 3 结果与分析
中随机抽取 100 个样本，包含 40 个农田火像素、
30 个稳定灯光像素和 30 个全黑像素。10 个国家 3.1 精度检验
共计 1 000 个样本，将这些样本混合并随机打乱， 本文基于 2021 年 VNP46 产品，使用 RF 分类
隐藏分类结果。 方法对南部非洲 10 个大陆国家内的夜光像素进
2）人工判断分类结果。对第一步抽取的样 行分类。表 4 展示了人工标注的训练样本中农田
本，基于 VNP46A2 日级夜光影像提取的辐亮度 火像素、稳定灯光像素和全黑像素 3 种特征的均
时间序列、GlobeLand30 地表覆盖数据和谷歌地 值。可以看出，农田火像素的夜光辐亮度突变率
球影像，人工判别给出分类结果。若像素夜光辐 显著大于其他两类像素，稳定灯光像素夜光辐亮
亮度在农田火时间窗口内出现突然增长，夜光像 度大于阈值的比例远超其他两类像素，全黑像素
素内地表覆盖类型为耕地的比例大于 20%，并且 的 夜 光 辐 亮 度 最 大 值 明 显 小 于 其 他 两 类 像 素 。