科研進(jìn)展
“雙子”集成分類框架在遙感影像土地利用/覆被分類研究中獲進(jìn)展
土地利用/覆被（Land use / land cover, LULC）是生態(tài)環(huán)境的主要塑造者，利用遙感技術(shù)對LULC進(jìn)行動(dòng)態(tài)監(jiān)測，定量提取LULC變化信息，是應(yīng)對全球氣候變化、維護(hù)地球系統(tǒng)能量平衡的重要研究內(nèi)容。
已有研究表明，深度學(xué)習(xí)在從遙感影像中提取LULC時(shí)表現(xiàn)顯著。近年來，集成多個(gè)深度學(xué)習(xí)模型成為提高遙感影像分類精度的有效方法，但這些集成方法忽略了像素之間的內(nèi)在關(guān)聯(lián)，在集成過程中分類結(jié)果的多樣性必須依賴于不同模型，訓(xùn)練時(shí)間成本高且精度提升有限，導(dǎo)致實(shí)時(shí)快速地提取LULC遇到瓶頸。
中國科學(xué)院西北生態(tài)環(huán)境資源研究院遙感與地理信息科學(xué)研究室科研團(tuán)隊(duì)開展像元內(nèi)在關(guān)系的研究，發(fā)現(xiàn)利用像元間的關(guān)聯(lián)信息建立不同的組合體可以消除集成分類過程中對于多模型的依賴?？蒲腥藛T提出了一種無需多模型的集成分類方法—“雙子”集成分類框架（Doublet-Based Ensemble Classification Framework，DBECF）。該方法能夠有效提升不同類型遙感影像的分類精度，與現(xiàn)有的基于單像素的集成分類模式相比，在精度和效率方面均有明顯的優(yōu)勢。另外，DBECF克服了當(dāng)前集成分類模式耗時(shí)的缺點(diǎn)，為深度學(xué)習(xí)和集成學(xué)習(xí)的結(jié)合提供了一個(gè)嶄新視角，對于提取高質(zhì)量LULC用以支持大范圍長時(shí)序的地學(xué)研究有著重要的理論參考和實(shí)用價(jià)值。
該成果以Remote sensing image classification using an ensemble framework without multiple classifiers為題發(fā)表在ISPRS Journal of Photogrammetry and Remote Sensing上，西北研究院助理研究員竇鵬為第一作者，黃春林研究員為通訊作者。該研究獲國家自然科學(xué)基金重點(diǎn)項(xiàng)目，國家自然科學(xué)青年基金項(xiàng)目和甘肅省自然科學(xué)基金面上項(xiàng)目共同支持。
DBECF與不同方法的分類效果
不同分類算法下DBECF和單實(shí)體分類器（SI-Classifier）之間的精度差
不同分類算法下Bagging和DBECF的總體精度（OA）和熵（Entropy）
