基于遗传算法优化的集成学习方法提升Talassemtane国家公园土地覆盖分类精度研究

本研究针对摩洛哥Talassemtane国家公园(TNP)土地覆盖/土地利用(LCLU)制图精度不足的问题，创新性地采用遗传算法(GA)优化集成分类方法。研究人员通过Sentinel-2卫星影像提取6种光谱特征和6种植被指数，对比评估了包括随机森林(RF)、支持向量机(SVM)等6种机器学习分类器及网格搜索(GS)优化集成方法。结果显示GA优化集成分类器总体精度达96.2%，显著优于各单一分类器(77.5%-85.8%)，为保护区精准管理提供了新方法。

　　

在全球气候变化和人类活动加剧的背景下，精准的土地覆盖/土地利用(LCLU)制图对保护区管理至关重要。摩洛哥Talassemtane国家公园作为地中海生物圈保护区的重要组成部分，面临着森林退化、非法耕作等威胁，但现有LCLU制图存在精度不足的问题。传统机器学习方法如随机森林(RF)和支持向量机(SVM)虽然广泛应用，但在处理光谱相似的地类时表现有限，且超参数优化常依赖效率低下的网格搜索(GS)方法。

针对这些挑战，研究人员开展了一项创新性研究，将遗传算法(GA)与集成学习相结合，开发了一套优化的LCLU分类框架。研究采用Google Earth Engine(GEE)平台处理Sentinel-2影像数据，提取了包括归一化植被指数(NDVI)、增强型植被指数(EVI)等6种植被指数和6个光谱波段作为特征。通过系统比较RF、SVM、朴素贝叶斯(NB)等6种基础分类器及GS优化集成方法的性能，最终采用GA对集成分类器进行超参数优化，显著提升了分类精度。该研究成果发表在《Ecological Indicators》期刊上。

关键技术方法包括：1)基于GEE的Sentinel-2影像预处理和特征提取；2)采用简单随机采样建立3000个参考点的验证数据库；3)10折交叉验证评估模型性能；4)遗传算法优化随机森林集成分类器的5个关键超参数；5)McNemar检验统计比较不同分类器性能差异。

研究结果部分：

3.1 GA优化集成分类器
通过系统评估GA参数对分类性能的影响，发现种群规模90-100、世代数60-70、交叉概率0.8、变异概率0.1-0.15时达到最佳平衡。优化后的集成分类器使用820棵树、每分裂4个变量、最小叶节点数3等参数，总体精度达96.2%。

3.2 LCLU分类结果
可视化比较显示，GA优化方法能更好区分光谱相似类别，如建筑区与石灰岩表面。而最小距离(MinD)和梯度提升树(GTB)等方法在部分区域将石灰岩误分为森林和马基群落。

3.3 精度评估
GA优化集成分类器在所有地类上都表现最优，特别是对裸地(98.8%)、石灰岩表面(95.4%)等难分类别。McNemar检验证实其性能显著优于其他方法(p<0.05)。相比最佳基础分类器RF(85.8%)和GS优化集成(90.1%)，GA方法分别提高了10.4%和6.1%的精度。

讨论与结论：
该研究首次将GA优化应用于地中海保护区LCLU分类，解决了传统方法在区分光谱相似类别上的局限性。相比网格搜索，GA能更高效地探索复杂参数空间，找到更优的超参数组合。特别值得注意的是，该方法在保持计算效率的同时显著提升了分类精度，为保护区精准监测提供了可靠工具。

研究确定的GA参数范围为类似应用提供了重要参考：种群规模90-100可在精度和效率间取得平衡，而过高变异概率(>0.15)会引入过多随机性。这些发现对发展智能化的保护区管理系统具有重要意义，也为其他生态环境的遥感分类研究提供了方法学借鉴。未来可进一步探索该方法在不同地理区域和地类中的应用潜力，或结合深度学习等新兴技术继续提升性能。