Random Forest
Random Forest ist eine Ensemble-Methode des maschinellen Lernens, die während des Trainings mehrere Entscheidungsbäume erzeugt und deren Ergebnisse kombiniert, um genauere und stabilere Vorhersagen zu erzielen. Die Methode wird in der Geodatenanalyse häufig für die Landbedeckungsklassifikation und räumliche Vorhersageaufgaben eingesetzt.
Überblick
Random Forest ist ein überwachter Ensemble-Lernalgorithmus, der beim Training eine Vielzahl von Entscheidungsbäumen erzeugt und für Klassifikationsaufgaben den Modalwert ihrer Vorhersagen beziehungsweise für Regressionsaufgaben den Mittelwert ausgibt. Jeder Baum wird anhand einer zufälligen Teilmenge der Daten trainiert, die durch Bootstrap-Sampling erzeugt wird, und bei jeder Verzweigung wird nur eine zufällige Teilmenge der Merkmale berücksichtigt. Diese doppelte Zufälligkeit verringert Overfitting und Varianz im Vergleich zu einzelnen Entscheidungsbäumen und führt zu robusten Modellen, die gut auf ungesehene Daten verallgemeinern.
Funktionsweise von Random Forest in geografischen Anwendungen
In geografischen Kontexten wird Random Forest häufig eingesetzt, um Satellitenbilder in Landbedeckungskategorien wie Wasser, Wald, städtische Flächen und landwirtschaftliche Flächen zu klassifizieren. Jedes Pixel oder jeder Bildausschnitt wird durch einen Merkmalsvektor beschrieben, der aus Spektralbändern, Vegetationsindizes, Texturmaßen sowie ergänzenden Daten wie Höhe oder Hangneigung abgeleitet wird. Der Algorithmus trainiert Hunderte von Entscheidungsbäumen, von denen jeder eine andere zufällige Stichprobe von Trainingspixeln und Merkmalsteilmengen verwendet. Bei der Vorhersage stimmt jeder Baum für eine Klasse, und die Mehrheitsentscheidung bestimmt die endgültige Klassifikation. Werte zur Merkmalswichtigkeit helfen Analysten dabei zu verstehen, welche Spektralbänder oder Indizes für die Unterscheidung von Landbedeckungstypen am nützlichsten sind.
Vorteile und Einschränkungen in der räumlichen Analyse
Random Forest bewältigt hochdimensionale Merkmalsräume gut und eignet sich daher für multispektrale und hyperspektrale Bilddaten mit Dutzenden von Bändern. Die Methode erfordert nur minimale Anpassung der Hyperparameter, widersteht Overfitting durch ihren Ensemble-Ansatz und liefert eingebaute Schätzungen der Merkmalswichtigkeit sowie der Vorhersageunsicherheit. Allerdings kann Random Forest bei stark unausgeglichenen Klassen an Grenzen stoßen, erzeugt möglicherweise weniger glatte Klassifikationskarten als Deep-Learning-Ansätze, und der Rechenaufwand steigt linear mit der Anzahl der Bäume. Bei sehr großen Fernerkundungsdatensätzen kann das Training zudem speicherintensiv werden.
Bereit?
Sehen Sie Mapular
in Aktion.
Buchen Sie eine kostenlose 30-minütige Demo. Wir zeigen Ihnen genau, wie die Plattform für Ihren Anwendungsfall funktioniert. Kein generisches Foliendeck, keine Verpflichtung.