东北地理所在遥感智能计算与深度学习领域取得重要进展

从遥感影像提取易于人类理解与利用的信息与知识，一直是遥感领域的核心与关键任务之一。随着遥感技术的快速发展，人类获得的遥感数据量越来越大且种类多样复杂，传统的信息处理方法很难取得满意效果。针对该技术需求，东北地理所地理信息系统学科组与英国兰卡斯特大学开展国际合作，引入先进人工智能技术处理遥感数据，取得了一系列研究进展。

在遥感智能计算领域，研究人员针对非监督粒子群算法容易陷入局部最优解的不足，提出了一种将列维飞行与粒子群算法结合的搜索策略，开发了一种非监督列维飞行粒子群遥感分类方法（ULPSO），并利用不同遥感数据类型对算法进行验证。实验结果表明，ULPSO具有跳出局部最优解并接近全局最优解的能力，其总体分类精度（OA）显著性地优于传统k-means、遗传算法（UGA）以及粒子群算法（UPSO）。经过多次运行测试，ULPSO稳定性最好。

图1 不同遥感分类算法目标函数值优化曲线

在遥感深度学习领域，研究人员针对极高空间分辨率遥感分类难题，基于规则融合手段充分挖掘卷积神经网(CNN)与多层感知器（MLP）处理遥感数据的优势，开发了一种新颖的MLP-CNN分类算法，并利用极高分辨率航空影像对该算法进行了充分验证。研究结果表明，该算法在降低遥感分类“椒盐现象”的同时，能充分挖掘影像的细节信息，是一种非常适合处理极高分辨率遥感影像的技术方法。

图2 不同分类方法遥感分类结果对比

相关成果分别发表于国际遥感期刊International Journal of Remote Sensing及ISPRS Journal of Photogrammetry and Remote Sensing（遥感顶级期刊）上。主要工作由我所李华朋博士及兰卡斯特大学张策博士共同完成，研究工作得到国家自然科学基金（41301465）及吉林省优秀青年科学基金项目（20170520087JH）资助。

[1] Huapeng Li, Shuqing Zhang, Ce Zhang, Ping Li and Roger Cropp. A novel unsupervised Levy flight particle swarm optimization (ULPSO) method for multispectral remote-sensing image classification. International Journal of Remote Sensing, 2017, 38(23): 6970–6992.

链接及下载: http://www.tandfonline.com/doi/citedby/10.1080/01431161.2017.1368102?scroll=top&needAccess=true

[2] Ce Zhang, Xin Pan, Huapeng Li, Andy Gardiner, Isabel Sargent, Jonathon Hare, and Peter M. Atkinson. A hybrid MLP-CNN classifier for very fine resolution remotely sensed image classification. ISPRS Journal of Photogrammetry and Remote Sensing. (In press)

链接及下载: http://www.sciencedirect.com/science/article/pii/S0924271617300254