東北地理所在深度學習及智能計算遙感信息挖掘領域取得新進展
土地覆被信息是一系列地理空間應用的基礎，包括城市規劃、區域協調和環境管理等。遙感技術具有覆蓋范圍大、實時監測等特點，已發展成為獲取土地覆被信息的主流技術手段。高空間分辨率及高光譜遙感技術的快速發展，極大地促進了土地信息提取的精度與效率。然而，高空間分辨率以及高光譜遙感影像數據量龐大且特征復雜，這給傳統的遙感分類技術帶來挑戰。東北地理所地理信息系統學科組研究人員，將深度學習引入高空間分辨率遙感信息挖掘領域，發展了一種基于面向對象的混合支持向量機（SVM）與深度學習（CNN）的土地覆被分類方法（OSVM-OCNN）；改進智能計算領域的人工蟻群算法，提出了一種基于多態蟻群智能的高光譜遙感影像最優波段選擇算法（PACA-BS）。
研究人員提出的面向高空間分辨率影像的OSVM-OCNN分類算法，首次在對象級別結合了淺層分類器（SVM）和深層分類器（CNN），捕獲了兩種分類器在影像特征提取方面的優勢。使用高空間分辨率光學和雷達影像對算法進行了驗證，實驗表明相比于基于像元的分類方法，OSVM-OCNN顯著地提高了土地覆被的分類精度，是一種高效率高精度的遙感分類算法。
圖 1 OSVM-OCNN遙感影像分類流程圖
圖 2 OSVM-OCNN及幾種基準算法生產的土地覆被分類圖
提出的PACA-BS多態蟻群高光譜波段智能選擇算法，克服了傳統蟻群智能算法效率低下且易陷入局部最優的難題。PACA-BS采用偵查蟻縮小解集空間，這大大減少了算法的運行時間，加快了收斂速度；此外，PACA-BS測量選擇波段子集之間的相似度，這種測量保持了種群的多樣性，避免種群早熟和陷入局部最優。利用三種高光譜影像測試了算法的有效性，實驗結果證實了PACA-BS在精度和效率方面均優于目前常用算法。
圖 3 PACA-BS及幾種基準算法生產的高光譜圖像分類精度
相關成果分別發表于地理遙感領域國際主流學術期刊Remote Sensing及International Journal of Remote Sensing上。有關研究工作得到國家重點研發項目（2017YFB0503600）和國家自然科學基金項目（41301465）資助，主要工作由東北地理所地理信息系統課題組李華朋博士、張樹清研究員和丁小輝博士完成。
論文信息：
[1] Huapeng Li*, Ce Zhang, Shuqing Zhang, P.M. Atkinson. A hybrid OSVM-OCNN Method for Crop Classification from Fine Spatial Resolution Remotely Sensed Imagery. Remote Sens. 2019, 11(20), 2370.
鏈接: https://www.mdpi.com/2072-4292/11/20/2370
[2] Xiaohui Ding, Shuqing Zhang*, Huapeng Li*, Peng Wu, Patricia Dale, Lingjia Liu & Shuai Cheng. A restrictive polymorphic ant colony algorithm for the optimal band selection of hyperspectral remote sensing images, International Journal of Remote Sensing, 2019. DOI: 10.1080/01431161.2019.1655810.
鏈接: https://www.tandfonline.com/doi/abs/10.1080/01431161.2019.1655810
附件下載：
吉公網安備22017302000214號
