mss传感器异域自适应遥感图像分类研究获进展

发布时间：2024-10-06 01:10:43

异域自适应遥感图像分类研究获进展

遥感图像监督分类是土地利用土地覆盖制图、地表覆被变化监测中最为常用的手段，然而监督分类方法的性能严重依赖于训练样本的大小、分布位置、统计分布特性，以及对数据特征的可区分描述能力等等。在利用多时相遥感图像进行土地利用土地覆盖制图、地表覆被变化监测中，不同时期图像在成像几何、辐射、大气、光照及物候条件上的差异会带来数据统计分布特性的变化，进而造成利用前一期遥感图像获取的训练样本训练的模型在后一期遥感图像分类性能的降低。这种现象在模式识别和机器学习领域被称为相关变量变异（covariate shift）或sample selection bias (选择样本偏差)，通常采用迁移学习（Transfer learning, TL）中的域自适应(Domain adaptation, DA)加以控制或解决。然而，目前绝大多数研究工作都在“源领域（Source domain, SD）和目标领域（Target domain, TD）由同一类型且维数相等的特征描述”这一假设前提下进行，这限制了迁移学习、域自适应方法在异域自适应（Heterogeneous domain adaptation, HDA）遥感图像分类中的应用。如绝大多数现有的域自适应方法在“有训练样本的源领域遥感图像由Landsat MSS传感器获取，4个波段，空间分辨率60米，而目标领域遥感图像有AVIRIS高光谱传感器，224个波段，空间分辨率为20米”情况下无法发挥作用。

为此，中国科学院新疆生态与地理研究所中亚合作与协调发展研究室研究员吉力力·阿不都外力团队成员阿里木·赛买提利用多视图典型相关分析法（Multi view canonical correlation analysis）获取多相关子空间来联合表达源-目标领域间的关联性，并基于集成学习（Ensemble learning, EL）的集成策略提出了基于典型相关分析权重投票（Canonical correlation weighted voting, CCWV）集成方法，即监督多视图典型相关分析集成异域自适应遥感图像分类方法。并在此基础上利用加速谱回归核判别分析（Speed-up spectral regression kernel discriminant analysis，SRKDA）提出了半监督多视图典型相关分析集成异域自适应遥感图像分类方法。

相关研究成果以Supervised and Semi-Supervised Multi-View Canonical Correlation Analysis Ensemble for Heterogeneous Domain Adaptation in Remote Sensing Image Classification 为题发表在Remote Sensing第9期第4卷。（来源：中国科学院新疆生态与地理研究所）

特别声明：本文转载仅仅是出于传播信息的需要，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，须保留本网站注明的“来源”，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，请与我们接洽。

Landsat系列卫星及影像

美国NASA的陆地卫星(Landsat)计划(1975年前称为地球资源技术卫星 —ERTS)，从1972年7月23日以来，已发射9颗（第6颗发射失败）。Landsat1—4均相继失效，陆地卫星五号于2013年6月退役；Landsat7于1999年4月15日发射升空；Landsat8于2013年2月11日发射升空；Landsat9于2021年9月27日成功发射。

陆地卫星计划是运行时间最长的地球观测计划，1972年7月23日地球资源卫星（EarthResources TechnologySatellite）发射，后来此卫星被改称为陆地卫星(LANDSAT)，陆地卫星7号拥有7个光谱波段，空间分辨率为15至60米不等；时间分辨率为16天。

卫星参数

陆地卫星的轨道设计为近极地圆形轨道，能获得中等太阳高度角(25°~30°)的上午成像，可以同一地方时、同一方向通过同一地点，保证遥感观测条件的基本一致，利于图像的对比。如Landsat4、5轨道高度705km．轨道倾角98.2°，卫星由北向南运行，地球自西向东旋转，卫星每天绕地球14.5圈，每圈在赤道西移159km，每16~18天重复覆盖一次，穿过赤道的地方时为9点45分，覆盖地球范围N81°~S81.5°。

传感器参数

Landsat搭载多种传感器，如MSS传感器、TM传感器、ETM+传感器、OLI传感器、TIRS传感器等，各传感器成像参数如下：

MSS传感器