翁理國(guó)，劉萬(wàn)安，施必成，夏 旻

(南京信息工程大學(xué) 信息與控制學(xué)院，南京 210044)(*通信作者電子郵箱liguoweng@hotmail.com)

0 引言

隨著衛(wèi)星遙感技術(shù)的不斷發(fā)展，衛(wèi)星遙感影像的應(yīng)用也越來(lái)越廣泛，涉及到資源調(diào)查、自然災(zāi)害、環(huán)境污染等各個(gè)方面，其中遙感衛(wèi)星對(duì)于雪災(zāi)監(jiān)測(cè)也成為主要的技術(shù)手段[1]。然而云雪分類(lèi)存在著許多技術(shù)難題，主要體現(xiàn)在三個(gè)方面：一是云雪表面特征復(fù)雜；二是云雪光譜特征的相似性[2]；三是云的存在會(huì)對(duì)光信號(hào)傳播造成障礙，從而導(dǎo)致遙感影像數(shù)據(jù)測(cè)量精度的缺失[3]。

針對(duì)上述問(wèn)題，殷青軍等[4]提出了新的判別因子，使云的紋理特征更加明顯，有利于人眼判別；劉玉潔等[5]提出了改進(jìn)的多光譜云雪判別的方法，通過(guò)改進(jìn)的多光譜云雪判別方法對(duì)云雪分類(lèi)的問(wèn)題作了簡(jiǎn)要的分析；丁海燕等[6]提出了基于分形維數(shù)的全色影像云雪自動(dòng)判別方法，相比之前的判別方法有了較大改進(jìn)；孫磊等[7]提出了基于多種紋理特征的全色圖像云雪區(qū)特征提取，通過(guò)分形維數(shù)、灰度共生矩陣、小波變換等方法提取多種云雪的紋理特征，最后使用徑向基核函數(shù)(Radial Basis Function，RBF)的支持向量機(jī)(Support Vector Machine，SVM)來(lái)進(jìn)行云雪的檢測(cè)。然而上述傳統(tǒng)方法都存在著參數(shù)量太少、特征單一等不足，忽略了很多有價(jià)值的特征，而且都是人工提取特征，需要云雪分類(lèi)相關(guān)的專(zhuān)家多年的積累和經(jīng)驗(yàn)才能手工設(shè)計(jì)出來(lái)。隨著大數(shù)據(jù)時(shí)代的到來(lái)以及圖形處理器(Graph Processing Unit，GPU)等更強(qiáng)大的計(jì)算設(shè)備的發(fā)展，深度學(xué)習(xí)的發(fā)展有了質(zhì)的飛躍。深度學(xué)習(xí)相比傳統(tǒng)的方法具有非常明顯的技術(shù)優(yōu)勢(shì)，而多粒度級(jí)聯(lián)森林是一種不同于深度神經(jīng)網(wǎng)絡(luò)的深度集成算法。相比神經(jīng)網(wǎng)絡(luò)，多粒度級(jí)聯(lián)森林有著參數(shù)量少、訓(xùn)練和測(cè)試速度快、泛化性能好等優(yōu)點(diǎn)。本文建立多維多粒度級(jí)聯(lián)森林(Multi-dimensional multi-grained cascade Forest，M-gcForest)以充分提取多光譜數(shù)據(jù)中的空間特征和光譜信息，使得它在多光譜數(shù)據(jù)的云雪識(shí)別中有更好的準(zhǔn)確率，且需要優(yōu)化的參數(shù)量也遠(yuǎn)少于卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Network，CNN)[8-9]，需要設(shè)置的參數(shù)較少，易于調(diào)優(yōu)，在分類(lèi)速度上要比CNN快。最后的實(shí)驗(yàn)結(jié)果表明，本文方法的效果比SVM、隨機(jī)森林、CNN要好，更適合后續(xù)的氣象工作及應(yīng)用。

1 M-gcForest算法

多粒度級(jí)聯(lián)森林(multi-Grained Cascade Forest， gcForest)是Zhou等[10]提出的新的決策樹(shù)集成方法。眾所周知，表征學(xué)習(xí)能力對(duì)于深度神經(jīng)網(wǎng)絡(luò)至關(guān)重要。利用學(xué)習(xí)性能好的模型對(duì)大數(shù)據(jù)進(jìn)行學(xué)習(xí)，也正是深度神經(jīng)網(wǎng)絡(luò)的模型相比一般模型如SVM等復(fù)雜得多的原因。如果能將這樣的大規(guī)模數(shù)據(jù)集放在其他形式的深度模型中，有望在克服上述缺陷的情況下實(shí)現(xiàn)和深度神經(jīng)網(wǎng)絡(luò)相當(dāng)?shù)男阅躘10]。

1.1 隨機(jī)森林

隨機(jī)森林是由Chen等[11]提出的機(jī)器學(xué)習(xí)算法，隨機(jī)森林算法是在Bagging的基礎(chǔ)上以決策樹(shù)作為基分類(lèi)器的集成算法。就單個(gè)決策樹(shù)分類(lèi)器而言，很難做到準(zhǔn)確性和多樣性并存，而隨機(jī)森林算法的提出彌補(bǔ)了單個(gè)決策樹(shù)分類(lèi)器在數(shù)據(jù)分類(lèi)上表現(xiàn)出來(lái)的易過(guò)擬合、分類(lèi)結(jié)果不穩(wěn)定的缺陷。不同于Bagging算法的多樣性，隨機(jī)森林的多樣性不僅體現(xiàn)在采樣的隨機(jī)性上，也體現(xiàn)在屬性選擇的隨機(jī)性上[12]。隨機(jī)森林算法以其計(jì)算量小、訓(xùn)練速度快、不容易陷入過(guò)擬合、易作為并行化方法等優(yōu)點(diǎn)得到了廣泛的應(yīng)用。

隨機(jī)森林的基分類(lèi)器是決策樹(shù)，決策樹(shù)是一種樹(shù)形結(jié)構(gòu)，決策樹(shù)的基本算法是貪心算法[13]，用自上向下的方式構(gòu)造決策樹(shù)。決策樹(shù)生成的算法主要分為樹(shù)的生成和樹(shù)的剪枝兩個(gè)步驟：樹(shù)的生成從根節(jié)點(diǎn)開(kāi)始，所有數(shù)據(jù)的分類(lèi)都起始于根節(jié)點(diǎn)，然后根據(jù)屬性的重要程度分別從當(dāng)前節(jié)點(diǎn)自上向下對(duì)屬性進(jìn)行分割，直至葉節(jié)點(diǎn)[14]；樹(shù)的剪枝主要是防止過(guò)擬合現(xiàn)象。決策樹(shù)構(gòu)造的關(guān)鍵在于屬性選擇度量。屬性選擇的原則是選擇分類(lèi)效果最好的(或分類(lèi)最純的或能使樹(shù)的路徑最短的)的屬性，本文隨機(jī)森林中的決策樹(shù)采用的分裂選擇度量為gini指數(shù)[15]。假設(shè)集合T中包含N個(gè)類(lèi)別的記錄，其gini指標(biāo)為：

(1)

其中：pj表示類(lèi)別j出現(xiàn)的頻率。如果集合T分成m個(gè)部分N1,N2,…,Nm，那么分割的gini指標(biāo)為：

(2)

對(duì)于數(shù)據(jù)的每一個(gè)屬性都要確定其可能的所有分割方法，選擇具有最小ginisplit的屬性作為分割屬性。

決策樹(shù)對(duì)訓(xùn)練有很好的分類(lèi)能力，但泛化性能較差，即有可能發(fā)生過(guò)擬合現(xiàn)象。隨機(jī)森林等集成算法有效地彌補(bǔ)了決策樹(shù)在這些方面的缺陷。

1.2 改進(jìn)的M-gcForest

本文的M-gcForest算法主要將訓(xùn)練分成了兩個(gè)階段：多維多粒度掃描和級(jí)聯(lián)森林階段。受到深度神經(jīng)網(wǎng)絡(luò)中表征學(xué)習(xí)對(duì)原始特征進(jìn)行逐層處理的啟發(fā)，如圖1所示，M-gcForest采用了深度網(wǎng)絡(luò)的層疊結(jié)構(gòu)，從級(jí)聯(lián)森林前層輸入數(shù)據(jù)，輸出結(jié)果作為下層的輸入。

1.2.1 級(jí)聯(lián)森林

圖1 級(jí)聯(lián)森林的結(jié)構(gòu)

級(jí)聯(lián)森林階段中每層的四個(gè)隨機(jī)森林都采用了K折交叉驗(yàn)證[16]的方法，當(dāng)級(jí)聯(lián)森林中的一層完成訓(xùn)練后，用此模型來(lái)對(duì)一個(gè)檢驗(yàn)集進(jìn)行預(yù)測(cè)，如果當(dāng)前層的準(zhǔn)確率比前一層的準(zhǔn)確率高，那么繼續(xù)構(gòu)造級(jí)聯(lián)森林的下一層，直至當(dāng)前層對(duì)檢驗(yàn)集的準(zhǔn)確率較前一層的準(zhǔn)確率不再提升，訓(xùn)練就會(huì)終止，模型也就因此而確定。這個(gè)操作很關(guān)鍵，M-gcForest每一層都是簡(jiǎn)單的監(jiān)督學(xué)習(xí)，因?yàn)樗鼧?gòu)造森林的方式讓級(jí)聯(lián)森林可以自動(dòng)確定層數(shù)，對(duì)模型復(fù)雜度的自適應(yīng)調(diào)節(jié)使M-gcForest能應(yīng)用在不同規(guī)模訓(xùn)練數(shù)據(jù)集上，同時(shí)也就解決了深度神經(jīng)網(wǎng)絡(luò)不能在少量數(shù)據(jù)集上很好應(yīng)用的困難[16]。

因?yàn)榧?jí)聯(lián)森林的的單層之間的每個(gè)森林之間的訓(xùn)練是相互獨(dú)立的，單個(gè)森林內(nèi)部的各個(gè)決策樹(shù)之間的訓(xùn)練也是相互獨(dú)立的[17]，這也就是gcForest可以進(jìn)行并行計(jì)算的原因。給定一個(gè)測(cè)試樣本，隨機(jī)森林中的每棵樹(shù)會(huì)根據(jù)樣本所在的子空間中訓(xùn)練樣本的類(lèi)別占比生成一個(gè)類(lèi)別的概率分布，然后對(duì)隨機(jī)森林內(nèi)所有樹(shù)的各類(lèi)比例取平均，輸出整個(gè)隨機(jī)森林對(duì)各類(lèi)的比例[18]。

圖2是四分類(lèi)問(wèn)題的一個(gè)簡(jiǎn)化森林，X代表輸入向量，輸入向量在每棵樹(shù)中都會(huì)找到一條路徑去找到自己所屬的子空間，在不同的決策樹(shù)上找到的子空間可能是不一樣的，所以可以對(duì)不同類(lèi)別進(jìn)行統(tǒng)計(jì)獲取各類(lèi)的比例，然后通過(guò)對(duì)所有樹(shù)的比例進(jìn)行求均值生成整個(gè)森林的概率分布。本文集中對(duì)無(wú)云無(wú)雪、僅有云、僅有雪、云雪混合四種樣本進(jìn)行四分類(lèi)。因此，每個(gè)隨機(jī)森林對(duì)每個(gè)輸入數(shù)據(jù)預(yù)測(cè)都會(huì)產(chǎn)生長(zhǎng)度為4的概率向量，級(jí)聯(lián)森林中的每一層有4個(gè)隨機(jī)森林，將4個(gè)隨機(jī)森林產(chǎn)生的概率向量拼接起來(lái)，那么4個(gè)森林就相當(dāng)于在每一層的級(jí)聯(lián)森林后得到了16個(gè)擴(kuò)充特征，將這16個(gè)新的特征和原始特征進(jìn)行拼接，就得到了新的表征。以此類(lèi)推，如圖1所示，當(dāng)?shù)贜層的級(jí)聯(lián)森林層對(duì)檢驗(yàn)集的預(yù)測(cè)準(zhǔn)確率比第N-1層的預(yù)測(cè)準(zhǔn)確率有所提升，則將第N層得到的預(yù)測(cè)概率向量和第N-1層輸出的向量進(jìn)行拼接，作為第N+1層輸入，繼續(xù)構(gòu)造級(jí)聯(lián)森林；若準(zhǔn)確率沒(méi)有提升，則級(jí)聯(lián)森林構(gòu)造結(jié)束。

圖2 類(lèi)概率向量生成示意圖

1.2.2 多維多粒度掃描

類(lèi)似窗口滑塊的技巧在文本、語(yǔ)音等時(shí)序數(shù)據(jù)和圖像數(shù)據(jù)都有普遍應(yīng)用。而多維多粒度掃描比較特別的一點(diǎn)是將每個(gè)窗口滑到的數(shù)據(jù)都作為一個(gè)樣本，從原始輸入里面學(xué)習(xí)到輸入特征向量，然后用兩個(gè)隨機(jī)森林輸出的類(lèi)向量作為新樣本的表征。多維多粒度掃描的過(guò)程如圖3所示，用7×7×4

尺度的滑動(dòng)窗口在28×28×4的原始圖像數(shù)據(jù)上作滑動(dòng)，獲得原始的特征信息。28×28×4大小的云雪圖像用7×7×4的窗口按滑動(dòng)步長(zhǎng)為7來(lái)作滑動(dòng)處理，就會(huì)生成16個(gè)實(shí)例，即16個(gè)7×7×4窗口大小的圖像。然后將16個(gè)7×7×4像素的實(shí)例經(jīng)過(guò)一個(gè)完全隨機(jī)森林(Forest A)和一個(gè)普通隨機(jī)森林(Forest B)的訓(xùn)練，每個(gè)森林都會(huì)產(chǎn)生16個(gè)四維的類(lèi)概率向量。最后將由不同粒度提取的類(lèi)概率向量拼接起來(lái)，形成一個(gè)維度非常高的重新表示的特征向量。重要的是，這個(gè)過(guò)程和深度神經(jīng)網(wǎng)絡(luò)有所區(qū)別，gcForest對(duì)特征的提取是全程受監(jiān)督的，而深度神經(jīng)網(wǎng)絡(luò)的特征提取過(guò)程是由高層的誤差反向傳播[19]指導(dǎo)更新的，在深度神經(jīng)網(wǎng)絡(luò)較深的情況下，高層傳下來(lái)的梯度容易受到各種因素的影響而波動(dòng)，但M-gcForest的整個(gè)訓(xùn)練過(guò)程只有前向的，深度學(xué)習(xí)往往使用誤差反向傳播，反復(fù)更新權(quán)重，從速度上來(lái)看，M-gcForest沒(méi)有神經(jīng)網(wǎng)絡(luò)的誤差反向傳播的過(guò)程，速度要明顯快于深度神經(jīng)網(wǎng)絡(luò)，這也是M-gcForest優(yōu)于深度神經(jīng)網(wǎng)絡(luò)的原因。

1.2.3 基于M-gcForest的云雪分類(lèi)模型

本文的M-gcForest的結(jié)構(gòu)如圖4所示，采集的樣本均來(lái)自環(huán)境與災(zāi)害監(jiān)測(cè)預(yù)報(bào)衛(wèi)星HJ-1A/1B[20]，采用的云雪分類(lèi)圖像的尺寸為28×28×4，數(shù)據(jù)集的樣本包括：無(wú)云雪陸地樣本、僅含云的樣本、僅含雪的樣本、既有云又有雪的樣本各4 200張。取樣本總量的80%作為訓(xùn)練集，剩余的20%作為測(cè)試集。

在基于M-gcForest的云雪分類(lèi)模型中，每一張圖像分別用維度為4、粒度為14、步長(zhǎng)為14和維度為4、粒度為7、長(zhǎng)為7的兩種不同尺寸的粒度對(duì)原始圖像作特征提取，這樣分別得到了9個(gè)14×14×4的子樣本和16個(gè)7×7×4的子樣本。

圖3 多維多粒度掃描的結(jié)構(gòu)

圖4 多維多粒度級(jí)聯(lián)森林的結(jié)構(gòu)

本文是一個(gè)四分類(lèi)的問(wèn)題，訓(xùn)練集的大小是16 800，對(duì)7×7×4粒度的窗口而言，就可以獲得16 800×16=268 800個(gè)實(shí)例(子樣本)。單張?jiān)紙D像經(jīng)過(guò)14×14×4和7×7×4粒度掃描后得到的拼接的概率向量的尺寸分別為72和128，這兩個(gè)重新表示的特征向量將由不同粒度掃描并由隨機(jī)森林預(yù)測(cè)得到的所有概率向量進(jìn)行拼接，這樣就得到了一個(gè)200維的特征向量，以此特征向量作為級(jí)聯(lián)森林的輸入，級(jí)聯(lián)森林中的每一層通過(guò)對(duì)該特征向量的反復(fù)學(xué)習(xí)，在構(gòu)造級(jí)聯(lián)森林的同時(shí)達(dá)到了數(shù)據(jù)訓(xùn)練的目的。

2 仿真結(jié)果與分析

采用M-gcForest對(duì)西藏地區(qū)的多光譜衛(wèi)星遙感圖像全圖進(jìn)行云雪識(shí)別，并使用了SVM、隨機(jī)森林、CNN等多種不同的云雪識(shí)別方法進(jìn)行對(duì)比。其中SVM方法利用灰度共生矩陣提取樣本的紋理信息[21]，然后以紋理信息作為輸入，用徑向基函數(shù)(Radial Basis Function， RBF)[22]作為SVM的核函數(shù)作分類(lèi)，隨機(jī)森林由1 000棵決策樹(shù)組成；CNN則采用5層的卷積結(jié)構(gòu)。本文的所有實(shí)驗(yàn)在以下條件下進(jìn)行：ubuntu 16.04，CPU為i7-8700k，內(nèi)存為16 GB。

表1為本文實(shí)驗(yàn)數(shù)據(jù)集在各分類(lèi)算法下經(jīng)過(guò)10次訓(xùn)練的平均測(cè)試準(zhǔn)確率、訓(xùn)練時(shí)間和測(cè)試時(shí)間的比較。其中測(cè)試準(zhǔn)確率Acc=X/Y，X為測(cè)試集中被分類(lèi)正確的樣本的數(shù)目，Y為測(cè)試集樣本的總數(shù)。

從表1中可以看出，對(duì)于單光譜衛(wèi)星圖像的云雪分類(lèi)，傳統(tǒng)SVM的分類(lèi)準(zhǔn)確率最低(僅54.12%)，與SVM相比，隨機(jī)森林的測(cè)試準(zhǔn)確率提升了41.26%，CNN的測(cè)試準(zhǔn)確率提升了55.64%，M-gcForest的準(zhǔn)確率提升了56.41%。從表1可以看出，與CNN相比，M-gcForest在單光譜圖像上的平均測(cè)試準(zhǔn)確率提升了0.42個(gè)百分點(diǎn)，訓(xùn)練耗時(shí)減少了91.18%，測(cè)試耗時(shí)減少了53.65%。

表1 各算法單光譜衛(wèi)星圖像分類(lèi)性能比較

為了評(píng)估各類(lèi)算法的泛化能力，分別用SVM、隨機(jī)森林、CNN、M-gcForest在100張HJ-1A/1B單光譜衛(wèi)星云圖上作預(yù)測(cè)。圖5為不同算法對(duì)同一張單光譜圖像的預(yù)測(cè)效果圖。圖5(b)、(c)、(d)、(e)的預(yù)測(cè)圖中，黑色表示無(wú)云雪區(qū)域，淺灰色為僅有雪區(qū)域，深灰色為僅有云區(qū)域，白色為云雪混合區(qū)域。

圖5 不同算法的云雪識(shí)別圖

從圖5中可以看出，利用不同的算法訓(xùn)練單光譜衛(wèi)星圖像數(shù)據(jù)，SVM的泛化效果是最差的，它的預(yù)測(cè)效果圖中存在大面積的云覆蓋區(qū)域，云雪分界不夠明顯；與之相比，隨機(jī)森林檢測(cè)到有云、有雪的能力有了很大的提升，已經(jīng)能夠可以看出云區(qū)域和雪區(qū)域的大致輪廓；CNN和M-gcForest比前兩種算法的效果都有所提升，對(duì)比圖(c)、(d)、(e)中間的黑色部分可以看出，對(duì)于無(wú)云無(wú)雪和僅有云區(qū)域，M-gcForest和CNN的辨別能力有所增強(qiáng)，M-gcForest和CNN兩種算法的預(yù)測(cè)效果圖很相似，從圖像的中間部分還是可以看出局部微小的差異。對(duì)于底部只有雪覆蓋的區(qū)域，從圖5中各種算法對(duì)單光譜云圖的泛化效果可以看出，雖然M-gcForest和CNN的測(cè)試準(zhǔn)確率都達(dá)到了84%以上(見(jiàn)表2)，但是對(duì)于復(fù)雜的衛(wèi)星圖像，這兩種算法對(duì)單個(gè)光譜的衛(wèi)星圖像數(shù)據(jù)的云雪樣本的預(yù)測(cè)沒(méi)有達(dá)到預(yù)期的效果。

基于以上遇到的問(wèn)題，本文嘗試分別用M-gcForest和CNN分別對(duì)多通道衛(wèi)星圖像進(jìn)行訓(xùn)練，并對(duì)100張多光譜衛(wèi)星圖像全圖作預(yù)測(cè)，表2為M-gcForest和CNN算法分別對(duì)單光譜數(shù)據(jù)集和多光譜數(shù)據(jù)集的性能比較?？梢钥闯觯cCNN相比，M-gcForest在多光譜數(shù)據(jù)集上的測(cè)試準(zhǔn)確率提升了0.32%；與單光譜數(shù)據(jù)集的測(cè)試準(zhǔn)確率相比，CNN在多光譜數(shù)據(jù)集上的測(cè)試準(zhǔn)確率提升了2.98%，M-gcForest在多光譜數(shù)據(jù)集上的測(cè)試準(zhǔn)確率提升了2.80%。兩種算法在多光譜數(shù)據(jù)集和單光譜數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，對(duì)多光譜衛(wèi)星圖像進(jìn)行分析更有利于云雪識(shí)別。

表2 M-gcForest和CNN對(duì)單光譜和多光譜數(shù)據(jù)測(cè)試準(zhǔn)確率

如圖6所示，單光譜數(shù)據(jù)和多光譜數(shù)據(jù)在CNN算法中訓(xùn)練和測(cè)試均達(dá)到了很好的收斂效果，圖6(a)中，單光譜數(shù)據(jù)的測(cè)試準(zhǔn)確率收斂在87%左右，訓(xùn)練準(zhǔn)確率收斂在84%左右，圖6(c)中，多光譜圖像在CNN中的測(cè)試準(zhǔn)確率收斂在86%左右，訓(xùn)練準(zhǔn)確率收斂在92%～93%。

圖6 單光譜和多光譜數(shù)據(jù)在CNN中的準(zhǔn)確率與誤差對(duì)比

圖7為分別利用M-gcForest和CNN對(duì)單光譜圖像數(shù)據(jù)和多光譜圖像數(shù)據(jù)的預(yù)測(cè)效果。圖7中，M-gcForest對(duì)單光譜數(shù)據(jù)和多光譜數(shù)據(jù)的預(yù)測(cè)效果和CNN對(duì)兩種數(shù)據(jù)的預(yù)測(cè)極為接近。從圖7(d)和圖7(e)中M-gcForest對(duì)單光譜和多光譜數(shù)據(jù)的對(duì)比可以看出，利用M-gcForest對(duì)多光譜數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測(cè)的效果比單光譜要好，這是因?yàn)椋篗-gcForest在多粒度掃描階段逐步取得窗口大小的像素塊，并反復(fù)地利用原始圖像中像素點(diǎn)之間的特征信息；而使用多光譜數(shù)據(jù)，按照M-gcForest中多粒度掃描的掃描方式，M-gcForest不僅提取了空間信息，還提取了光譜之間信息，然后利用級(jí)聯(lián)森林進(jìn)行訓(xùn)練。圖8為M-gcForest在單光譜圖像和多光譜圖像下得到的效果圖?？梢悦黠@地看出，M-gcForest有效地利用了多光譜數(shù)據(jù)間的光譜信息，圖(c)中左上角的無(wú)云無(wú)雪部分相比圖(b)雖然將部分的無(wú)云雪區(qū)域誤識(shí)別為有云區(qū)域，但是圖(c)中的將無(wú)云雪區(qū)域誤檢為僅有雪區(qū)域大幅減少，其對(duì)云和云雪的識(shí)別能力增強(qiáng)了，對(duì)比圖(a)、(b)、(c)的中部，可以明顯看出圖(c)對(duì)于很稀薄的云也能夠很好地識(shí)別，圖(c)中對(duì)識(shí)別為云雪區(qū)域的面積遠(yuǎn)大于圖(b)。對(duì)多光譜數(shù)據(jù)的云雪識(shí)別能力要遠(yuǎn)好于單光譜數(shù)據(jù)，多光譜預(yù)測(cè)效果圖中能夠識(shí)別更為稀薄的云，且檢測(cè)到的云雪混合區(qū)域也遠(yuǎn)大于單光譜圖像。

圖7 M-gcForest和CNN的單光譜和多光譜圖像預(yù)測(cè)效果對(duì)比

圖8 基于M-gcForest的衛(wèi)星圖像預(yù)測(cè)圖

3 結(jié)語(yǔ)

本文主要針對(duì)HJ-1A/1B環(huán)境衛(wèi)星圖像在傳統(tǒng)方法中出現(xiàn)的特征利用率不高、不能有效提取云雪特征的問(wèn)題，利用M-gcForest對(duì)高原地區(qū)的多光譜衛(wèi)星云雪圖像進(jìn)行云雪識(shí)別。本文的實(shí)驗(yàn)數(shù)據(jù)集均為HJ-1A/1B衛(wèi)星圖像，實(shí)驗(yàn)結(jié)果表明，在單光譜圖像的云雪識(shí)別中，單維的gcForest已經(jīng)具備了云雪識(shí)別的能力，但是其對(duì)于雪的誤檢還有待降低。相比單光譜圖像，M-gcForest對(duì)多光譜圖像中的云和雪的識(shí)別能力有所提升，能夠識(shí)別到較為稀薄的云以及云雪混合區(qū)域，但是M-gcForest在云雪識(shí)別的研究中還處于初始階段，仍有一些不足，有待進(jìn)一步改進(jìn)和深度研究。主要有以下方面：1)M-gcForest在云雪識(shí)別任務(wù)上的準(zhǔn)確率還有待提升，因此接下來(lái)在保證識(shí)別速度的前提下，重點(diǎn)提高多維多粒度級(jí)聯(lián)森林對(duì)云雪的識(shí)別準(zhǔn)確率；2)本文主要對(duì)衛(wèi)星云圖中的無(wú)云無(wú)雪、僅有云、僅有雪以及云雪混合樣本進(jìn)行分類(lèi)實(shí)驗(yàn)，但在云圖中，一些陸地上的河流、湖泊、霧霾等樣本等會(huì)對(duì)分類(lèi)研究產(chǎn)生很大影響，因此，在接下來(lái)的研究中將重點(diǎn)提高該算法的抗干擾能力；3)為使云雪識(shí)別任務(wù)速度更快、準(zhǔn)確率更高，不僅要提高模型的性能，也要與實(shí)際硬件設(shè)備相結(jié)合，提高云雪識(shí)別任務(wù)的處理效率。