基于多核主动学习和多源数据融合的农田塑料覆被分类

通过引入多源多时相卫星遥感数据,提出了一种基于多核主动学习的农田塑料覆被分类算法,实现农业塑料大棚和地膜的精准分类。首先基于多时相Sentinel1雷达和Sentinel2光学遥感影像,提取其光谱特征、纹理特征等,以构建多维特征空间。然后构建多核学习模型,实现多源、多时相特征的自适应融合。最后构建基于池的主动学习策略,通过引入训练样本的淘汰机制,进一步提升分类模型的泛化能力。试验结果表明,本文所提分类方法的总体精度为95.6%,Kappa系数为0.922,相较经典支持向量机、随机森林、K近邻、决策树、AdaBoost模型,多核学习模型精度提高5.7、12.1、11.4、22.3、10.3个百分点;且在相同分类精度下,主动学习较被动学习可减少一半以上的标签数据;同时相较仅使用单时相及单传感器遥感影像而言,精度分别提高3.7、12.7个百分点。结果表明,多核主动学习能够有效进行多传感器、多时相数据融合,并可以在小样本条件下取得更高的分类精度,从而为农田塑料覆被的遥感监测提供模型参考。