东北地理所在深度学习及智能计算遥感信息挖掘领域取得新进展

土地覆被信息是一系列地理空间应用的基础，包括城市规划、区域协调和环境管理等。遥感技术具有覆盖范围大、实时监测等特点，已发展成为获取土地覆被信息的主流技术手段。高空间分辨率及高光谱遥感技术的快速发展，极大地促进了土地信息提取的精度与效率。然而，高空间分辨率以及高光谱遥感影像数据量庞大且特征复杂，这给传统的遥感分类技术带来挑战。东北地理所地理信息系统学科组研究人员，将深度学习引入高空间分辨率遥感信息挖掘领域，发展了一种基于面向对象的混合支持向量机（SVM）与深度学习（CNN）的土地覆被分类方法（OSVM-OCNN）；改进智能计算领域的人工蚁群算法，提出了一种基于多态蚁群智能的高光谱遥感影像最优波段选择算法（PACA-BS）。

研究人员提出的面向高空间分辨率影像的OSVM-OCNN分类算法，首次在对象级别结合了浅层分类器（SVM）和深层分类器（CNN），捕获了两种分类器在影像特征提取方面的优势。使用高空间分辨率光学和雷达影像对算法进行了验证，实验表明相比于基于像元的分类方法，OSVM-OCNN显著地提高了土地覆被的分类精度，是一种高效率高精度的遥感分类算法。

图 1 OSVM-OCNN遥感影像分类流程图

图 2 OSVM-OCNN及几种基准算法生产的土地覆被分类图

提出的PACA-BS多态蚁群高光谱波段智能选择算法，克服了传统蚁群智能算法效率低下且易陷入局部最优的难题。PACA-BS采用侦查蚁缩小解集空间，这大大减少了算法的运行时间，加快了收敛速度；此外，PACA-BS测量选择波段子集之间的相似度，这种测量保持了种群的多样性，避免种群早熟和陷入局部最优。利用三种高光谱影像测试了算法的有效性，实验结果证实了PACA-BS在精度和效率方面均优于目前常用算法。

图 3 PACA-BS及几种基准算法生产的高光谱图像分类精度

相关成果分别发表于地理遥感领域国际主流学术期刊Remote Sensing及International Journal of Remote Sensing上。有关研究工作得到国家重点研发项目（2017YFB0503600）和国家自然科学基金项目（41301465）资助，主要工作由东北地理所地理信息系统课题组李华朋博士、张树清研究员和丁小辉博士完成。

论文信息：

[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.

链接: https://www.mdpi.com/2072-4292/11/20/2370