随着经济和社会的不断发展,对水资源的需求越来越大,水资源短缺和水环境恶化的问题越来越突出。为了节约用水,合理利用水资源,保护水源地及其周边生态环境,各级政府部门逐渐加大对水资源的监测。水体范围提取作为遥感影像在水资源监控及分析中的第一步,而现有的处理大批量遥感数据的算法的智能化程度还不够高。近些年来,人工智能的发展为信息处理带来了全新的变化,其中机器学习作为人工智能的一个分支,通过使用算法解析数据、学习数据特征,对新数据做出决策和预测,这极大的帮助了大规模遥感影像的自动化处理。其中,随机森林算法作为机器学习中的一个重要分支,因其稳定性强、速度快、所需样本量小等优点在遥感影像分类研究中得到广泛的应用。本文主要以GF-1 WFV影像作为数据源,利用影像的4个波段和影像特征值作为随机森林算法的输入特征,利用随机森林算法挖掘特征组合信息,构建水体提取智能算法样本库,提升遥感影像水体范围的提取效果。本文的研究工作主要包括:(1)对目前的水体提取算法进行了总结,并介绍了随机森林算法的优点及其在遥感领域的应用。(2)基于GF-1 WFV影像构建基于随机森林方法的水体范围提取模型。采用GF-1WFV影像获取的地物特征,进行随机森林算法分类特征选择与分析,遴选出对分类结果影响较大的特征,最终获取固定的输入特征结构。其次根据确定的输入特征结构,对随机森林算法的参数进行优化,确定随机森林模型的决策树数量(ntree)和决策树内部节点随机选择特征的个数(mtry)。(3)构建算法样本库。当将从不同的训练样本获得的模型文件应用于分类时,其分类结果存在较大差异。因此在遥感影像中选取相应的样本时,利用地物的光谱特征、纹理特征等信息,充分考虑水体和背景信息的差异,分析影像中包含的地物类型及各类地物可能的存在形式,构建水体提取智能算法样本库。(4)基于前面章节的分析,利用选取的地物样本,设置随机森林算法参数决策树个数ntree=70,决策树内部节点随机选择特征个数mtry=6构建模型,获取模型文件。利用获得的分类模型文件,通过随机森林方法对北方地区重要饮用水水源地影像进行水体提取,获得高质量数据集。