刘曙光，董 行，娄 厦，DORZHIEVNA Radnaeva Larisa，NIKITINA Elena

（1. 同济大学土木工程学院，上海200092；2. 同济大学长江水环境教育部重点实验室，上海200092；3. 俄罗斯科学院西伯利亚分院贝加尔湖自然管理研究所，乌兰乌德670047，俄罗斯联邦布里亚特共和国）

湿地是地球生态系统的重要组成部分，在净化环境、保护生物多样性、蓄滞洪水以及调节气候等方面发挥着不可替代的作用［1］。植物群落分布是湿地植物的主要特征之一，在维护湿地生态稳定、保护湿地环境等方面均具有重要的意义。20世纪90年代，大部分学者采用实地调查的方法分析湿地植物群落特征的分布规律，如张利权等［2］通过实地调查，分析了上海市南汇海堤外海三棱藨草的分布格局。但实地调查往往受时间、天气、地形限制，且需要耗费大量的时间和财力。

与实地调查相比，遥感技术具有经济、便捷等优势。在利用遥感数据进行植物及地物分类的研究中，监督分类方法是较为常用的方法，其中最大似然法、支持向量机、决策树算法以及基于决策树的随机森林算法均属于应用较为广泛的监督分类方法。孙楠［3］利用Landsat‒8影像对比了最大似然法、支持向量机、CART（classification and regression tree）等方法对长江口湿地的分类结果，发现CART 算法精度最优。但CART算法存在过度拟合和非全局的局部最优解等问题［4］。基于上述问题，Breiman［5］提出一种基于CART 算法的机器学习算法，即随机森林算法，该算法通过集成学习有效解决了上述问题。Amani 等［6］利用多源多时相遥感影像对加拿大5 个试点的湿地进行分类，并对比了最大似然法、支持向量机、CART算法和随机森林算法的分类结果，指出随机森林算法的性能最好。……