基于半监督随机森林的城市地表覆盖主被动遥感数据协同分类研究

The urban land cover types real-time monitoring and accurate identification is a major challenge in the process of urbanization in China, due to the rapid development of urbanization and complicated of urban land surface, and collaborative classification processing of optical and SAR remotely sensed data is an effective approach to solve the problem. While the different imaging mechanism and information extraction theory of active and passive remote sensing, makes key bottleneck of their collaborative application. In this proposal, in order to combine the advantage of information complementary of optical and SAR remotely sensed data, random forest model is introduced on the basis of ensemble learning theory, and the generalization ability and efficiency of the model is enhanced based on optimization algorithm. In detail, it includes extraction of spectral information, texture features, spatial structure feature, target polarimetric decomposition information and context information as input sets; construction of multi-inputs adaptive model and hybrid node splitting model, introduction of semi-supervised learning theory for the sample scarcity types, introduction of distributed, concurrent computing technology for massive data processing. The combination of multi-feature sets of active and passive remotely sensed data for urban area classification is the starting points of this research, and the improved semi-supervised random forest classifier is the innovation point of this project. Outcomes of this research can promote academic subject crossed fusion of remote sensing science and machine learning of computer science, improve accuracy and reliability of collaborative processing of optical and SAR remotely sensed data for classification, provide innovative ideas and solutions for urban land cover classification and identification.

针对大城市复杂地表覆盖类型进行实时精准识别，是当前中国城市化进程中面临的重大难题，协同光学和雷达遥感分类是解决该问题的有效途径。然而主被动遥感成像机理不同，信息提取理论不同，成为制约主被动遥感协同应用的主要瓶颈。本项目结合主被动遥感信息互补的优势，在集成学习理论的基础上，引入随机森林模型，通过优化算法增强模型的泛化能力和效率。具体包括：提取光谱特征、纹理特征、空间结构特征、极化特征和上下文信息作为输入集合，利用多输入自适应模型和混合节点分裂模型改进随机森林模型，针对样本稀缺地类引入半监督学习思想，针对海量数据处理引入分布式、并发式计算技术。组合主被动遥感影像多特征集进行城市地表覆盖分类是本课题的出发点，改进的半监督随机森林分类器是项目的创新点，研究成果能促进遥感科学、机器学习等学科的交叉融合，提高主被动遥感协同分类的精度和可靠性，为城市地表分类与识别研究提供新思路和解决方案。

城市地表覆盖类型精准识别，是城市化进程中的难题。主被动遥感协同分类是解决该问题的有效途径。但成像机理不同，信息提取理论不同，成为制约其协同应用的主要瓶颈。本项目结合主被动遥感信息互补的优势，在集成学习理论的基础上，引入随机森林模型，通过优化算法增强模型的效率和泛化能力。主要做如下工作，①主被动遥感多特征集提取与组合策略设计。针对光学数据提取有利于城市地物分类的LISA空间自相关特征、多尺度GLCM纹理特征、多尺度数学形态学剖面特征，针对雷达数据，完成全极化SAR极化分解、SAR后向散射系数和强度信息提取；②基于多特征集自由组合与多输入自适应模型协同处理的随机森林模型构建与优化。完成了不同特征集的组合筛选与构建工作，随机森林参数调节和节点优化测试工作；③从地表信息提取精度和时间运算效率方面对比研究了随机森林算法与深度学习、支持向量机、K近邻算法、决策树算法。针对研究区地表类型复杂、破碎度大的特点，在以上分析的基础上，引入面向对象方法对所选算法进行评估分析。本研究得出的主要结论有，①改进的RFEL算法对所选区域整体分类精度明显优于当前广泛应用的SVM、KNN、DT和CNN深度学习算法，精度依次为94.0%，88.6%，89.7%，82.9%，91.5%。针对城市区域易混淆地物如建筑区与道路、建筑区与商业区、商业区与道路，RFEL算法地物提取精度优于SVM、KNN、DT分类算法，在道路信息的识别方面优于CNN深度学习算法；②多尺度模型参数优化结果表明，通过参数尺度调节RFEL算法在其参数峰值的分类精度依然其他算法各自参数峰值达到的地物提取精度；③时间效率和敏感性分析结果显示，RFEL算法时间消耗略高于DT，但明显优于SVM和深度学习，通过主被动特征筛选优化后，RFEL算法、SVM算法和KNN算法的地物识别精度都有明显提高，不同算法地表分类精度达7%-20%之间。研究成果能促进遥感科学、人工智能等学科的交叉融合，提高城市地表信息提取的精度，为城市地表分类与识别研究提供新思路和解决方案，为城市规划和决策提供技术支撑。