馮權(quán)瀧 牛博文 朱德海 劉逸銘 歐 聰 劉建濤

(1.中國農(nóng)業(yè)大學(xué)土地科學(xué)與技術(shù)學(xué)院， 北京 100083； 2.自然資源部農(nóng)用地質(zhì)量與監(jiān)控重點(diǎn)實(shí)驗(yàn)室， 北京 100193； 3.中國移動(dòng)通信集團(tuán)廣東有限公司， 廣州 510623； 4.山東建筑大學(xué)測(cè)繪地理信息學(xué)院， 濟(jì)南 250101)

0 引言

農(nóng)田塑料覆被(如農(nóng)業(yè)塑料大棚、地膜覆蓋等)對(duì)提升農(nóng)產(chǎn)品產(chǎn)量及其經(jīng)濟(jì)效益起到重要作用，是農(nóng)業(yè)現(xiàn)代化建設(shè)的重要部分，是農(nóng)業(yè)形式由粗放型向集約型轉(zhuǎn)變的重要手段[1-3]。其中，地膜對(duì)抑制雜草生長、保持土壤水分、調(diào)節(jié)土壤溫度有著積極作用[4]；而農(nóng)業(yè)塑料大棚擁有更多的配套設(shè)施，能滿足更多農(nóng)產(chǎn)品的生長條件，可以對(duì)當(dāng)?shù)剞r(nóng)產(chǎn)品產(chǎn)業(yè)結(jié)構(gòu)的建設(shè)和調(diào)整起到促進(jìn)作用[5]。因此，實(shí)時(shí)、高效地監(jiān)測(cè)農(nóng)田塑料覆被對(duì)農(nóng)業(yè)產(chǎn)業(yè)發(fā)展有著重要意義。遙感技術(shù)具有宏觀、動(dòng)態(tài)、快速等特點(diǎn)，利用遙感技術(shù)手段可以擺脫傳統(tǒng)人工方法低效、實(shí)時(shí)性差等劣勢(shì)，能夠可靠、高效地獲取農(nóng)田塑料覆被地物目標(biāo)，進(jìn)而達(dá)到實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)的目的[6-7]。

在遙感影像分類領(lǐng)域，支持向量機(jī)(SVM)得到了廣泛應(yīng)用[8-13]，并被引入到農(nóng)田塑料覆被制圖中[14-15]。具體而言，文獻(xiàn)[14]利用WorldView-2衛(wèi)星影像和SVM分類器，對(duì)土耳其的庫姆魯卡地區(qū)的農(nóng)業(yè)塑料大棚進(jìn)行了提取，其總體分類精度為90.28%，精度超過了隨機(jī)森林以及最大似然分類器[14]。SVM的優(yōu)異表現(xiàn)，得益于其對(duì)最佳分類超平面的定位能力[9]，僅需要有限的支持向量即可實(shí)現(xiàn)較好的分類效果[16]。同時(shí)，考慮到不同核函數(shù)對(duì)SVM分類性能的差異性，因此通過組合一簇核函數(shù)從而構(gòu)成多核學(xué)習(xí)模型，即可實(shí)現(xiàn)光譜特征、紋理特征等的有效融合，從而提高分類精度[17]。其中，文獻(xiàn)[18]提出了一種基于多核SVM的高光譜影像分類方法，結(jié)果表明在融合光譜和形態(tài)特征的情況下，多核SVM精度超過了單核SVM，前者的最優(yōu)精度為91.05%。文獻(xiàn)[19]基于多核SVM對(duì)多源遙感數(shù)據(jù)進(jìn)行了分類研究，同樣證明了多核SVM的分類性能。

同時(shí)，在遙感影像分類研究中，主動(dòng)學(xué)習(xí)得到了廣泛應(yīng)用。主動(dòng)學(xué)習(xí)可以篩選出不確定性最大以及最具代表性的樣本，從而有效降低訓(xùn)練樣本的數(shù)量，并提升訓(xùn)練效率[20-23]。其中，文獻(xiàn)[24]在森林退化遙感監(jiān)測(cè)中，分別提出了基于啟發(fā)式的主動(dòng)學(xué)習(xí)方法，結(jié)果表明主動(dòng)學(xué)習(xí)方法具有更高的分類精度，并能有效提高模型的收斂速度。文獻(xiàn)[25]利用多源Sentinel-1和Sentinel-2影像和主動(dòng)學(xué)習(xí)方法進(jìn)行林木年齡的估算，試驗(yàn)結(jié)果驗(yàn)證了主動(dòng)學(xué)習(xí)的優(yōu)勢(shì)，在達(dá)到相同估算精度的情況下，主動(dòng)學(xué)習(xí)的訓(xùn)練樣本數(shù)量可減少50%左右。

綜上所述，多核學(xué)習(xí)、主動(dòng)學(xué)習(xí)在遙感影像分類中均取得了優(yōu)異的性能。然而在農(nóng)田塑料覆被制圖的研究中，上述算法尚未得到深入研究。同時(shí)以往的研究并沒有很好解決農(nóng)業(yè)塑料大棚和地膜的混淆問題。因此本文研究一種多核主動(dòng)學(xué)習(xí)模型，以提高小樣本下農(nóng)田塑料覆被的制圖精度。具體而言，本文基于Google Earth Engine(GEE)云計(jì)算平臺(tái)，通過引入多源多時(shí)相Sentinel遙感影像，提取光譜特征、紋理特征等構(gòu)建多維特征空間，并構(gòu)建多核學(xué)習(xí)模型對(duì)多源多時(shí)相特征進(jìn)行融合，最后構(gòu)建基于池的主動(dòng)學(xué)習(xí)策略，提升分類模型在稀疏樣本下的泛化能力。

1 研究區(qū)與數(shù)據(jù)源

1.1 研究區(qū)概況

圖1所示為本文研究區(qū)，位于山東省聊城市與莘縣交界地區(qū)，東經(jīng)115°35′～115°51′，北緯36°22′～36°16′，面積約為300 km2，是典型的農(nóng)業(yè)塑料大棚、地膜交錯(cuò)區(qū)域。研究區(qū)位于華北平原中部，地勢(shì)平坦，屬于溫帶季風(fēng)氣候，雨熱同季，年平均氣溫為13.4℃，年平均降水量在501.9 mm左右。

1.2 數(shù)據(jù)源

本文采用Sentinel-1雷達(dá)衛(wèi)星以及Sentinel-2光學(xué)衛(wèi)星影像作為數(shù)據(jù)源。其中Sentinel-1由兩顆極地軌道合成孔徑雷達(dá)衛(wèi)星組成，可在多云或缺少光照的條件下進(jìn)行正常成像。Sentinel-2由兩顆多光譜光學(xué)衛(wèi)星組成，具有較高空間分辨率(包含中心波長10、20、60 m的波段)，重訪周期為5 d，具有較高的實(shí)時(shí)性，已廣泛應(yīng)用于作物分類、土地管理、災(zāi)害監(jiān)測(cè)等領(lǐng)域。在本文中，分別選取2019年5月10日至2019年6月1日以及2019年10月15日至2019年10月31日的Sentinel-1和Sentinel-2的兩幅遙感影像，通過GEE中的median()函數(shù)計(jì)算并輸出遙感影像。

所選樣本的土地利用類型分為3類：農(nóng)業(yè)塑料大棚、地膜和其他土地利用類型。樣本數(shù)據(jù)劃分為初始訓(xùn)練集、驗(yàn)證集、測(cè)試集和未標(biāo)記樣本池。在初始訓(xùn)練集(125個(gè)樣本)中，農(nóng)業(yè)塑料大棚、地膜和其他土地利用類型的數(shù)量分別為35、15和75；驗(yàn)證集中，農(nóng)業(yè)塑料大棚、地膜和其他土地利用類型的數(shù)量分別為84、36和180；測(cè)試集中，農(nóng)業(yè)塑料大棚、地膜和其他土地利用類型的數(shù)量分別為300、119和581。

同時(shí)，本文基于GEE云計(jì)算平臺(tái)對(duì)Sentinel-1和Sentinel-2影像進(jìn)行預(yù)處理。其中對(duì)Sentinel-1雷達(dá)影像進(jìn)行輻射定標(biāo)、斑點(diǎn)噪聲去除等操作，對(duì)Sentinel-2光學(xué)影像進(jìn)行輻射定標(biāo)、大氣校正、正射校正等操作。此外，還基于GEE進(jìn)行光譜特征、紋理特征等的計(jì)算，從而為分類提供一個(gè)多維特征空間。

2 研究方法

2.1 總體技術(shù)路線

本文通過引入多源多時(shí)相衛(wèi)星遙感數(shù)據(jù)，構(gòu)建多核主動(dòng)學(xué)習(xí)模型進(jìn)行農(nóng)田塑料覆被制圖的研究，總體技術(shù)路線如圖2所示。

如圖2所示，首先通過GEE云計(jì)算平臺(tái)進(jìn)行遙感數(shù)據(jù)的選取和預(yù)處理；然后計(jì)算其光譜、紋理等特征，并與原始遙感數(shù)據(jù)進(jìn)行波段疊加，從而得到多維特征空間；下一步構(gòu)建多核學(xué)習(xí)模型，對(duì)多源多時(shí)相數(shù)據(jù)進(jìn)行自適應(yīng)融合，最后通過構(gòu)建主動(dòng)學(xué)習(xí)策略對(duì)分類模型進(jìn)行訓(xùn)練，并利用測(cè)試樣本對(duì)模型精度進(jìn)行評(píng)價(jià)，最終輸出研究區(qū)的農(nóng)田塑料覆被空間分布結(jié)果。

2.2 特征提取

2.2.1光譜特征

通過文獻(xiàn)[1-2,7]以及前期分類試驗(yàn)，本文共選擇NDVI(歸一化植被指數(shù))、EVI(增強(qiáng)植被指數(shù))、MSAVI(改進(jìn)的土壤調(diào)節(jié)植被指數(shù))、NDBI(歸一化建筑指數(shù))、MNDWI(改進(jìn)的歸一化差異水體指數(shù))等5個(gè)光譜指數(shù)作為光譜特征。其中NDVI[26]主要反映植被的生長狀況，可用于提升植被與塑料覆被之間的差異；EVI[27]和MSAVI[28]都是NDVI的改進(jìn)指數(shù)，可以進(jìn)一步削弱土壤和大氣的影響，以進(jìn)一步提升植被與塑料覆被之間的區(qū)分度；NDBI[29]主要用于提取人工建設(shè)用地；MNDWI[30]用于提升水域的區(qū)分度。

2.2.2紋理特征

通過目視解譯和實(shí)地采樣發(fā)現(xiàn)，農(nóng)業(yè)塑料大棚和地膜的幾何、紋理特征較為明顯，因此采用以下6個(gè)最不相關(guān)的紋理特征：均值(MEA)、標(biāo)準(zhǔn)偏差(STD)、同質(zhì)性(HOM)、相異度(DIS)、熵(ENT)和角度秒矩(ASM)[1]，用來進(jìn)一步提升設(shè)施農(nóng)業(yè)目標(biāo)地區(qū)同其他類型地物的分離度。在計(jì)算紋理特征時(shí)，采用3×3大小的滑動(dòng)窗口。

2.3 多核主動(dòng)學(xué)習(xí)模型

2.3.1多核學(xué)習(xí)

在SVM的研究中，核函數(shù)的提出在一定程度上解決了非線性數(shù)據(jù)的線性可分問題以及多特征數(shù)據(jù)中的“維度災(zāi)難”問題，然而經(jīng)典的單核學(xué)習(xí)方法在學(xué)習(xí)多維空間的多特征時(shí)往往性能不佳[31]。同時(shí)在遙感分類中，多特征(如光譜特征、紋理特征等)得到了廣泛應(yīng)用，而多核學(xué)習(xí)能夠根據(jù)不同特征的特性構(gòu)建合適的核方法，從而實(shí)現(xiàn)對(duì)多維特征的有效學(xué)習(xí)[18，32-33]。

多核學(xué)習(xí)的一般表達(dá)式為

(1)

多核學(xué)習(xí)的常見構(gòu)造形式包括合成核、多尺度核、無限核等，本文采用多尺度核進(jìn)行多核學(xué)習(xí)模型的構(gòu)建，原因在于多尺度核的方法更為靈活，并能提供較為完整的尺度選擇機(jī)制。具體而言，多尺度核首先采用大尺度核對(duì)分類決策面平滑區(qū)域的樣本進(jìn)行擬合，再用小尺度核對(duì)分類決策面變化相對(duì)劇烈的樣本進(jìn)行擬合，同時(shí)進(jìn)行逐級(jí)優(yōu)化，從而得到更為精確的分類結(jié)果。在本文中，基于多尺度徑向基核函數(shù)進(jìn)行多核學(xué)習(xí)模型的構(gòu)建，公式為

(2)

其中

k(x,z,γi)=exp(-γi‖x-z‖2)

(3)

式中αi、γi分別表示權(quán)重、徑向基核的值。通過上述多核學(xué)習(xí)模型的構(gòu)建，可以實(shí)現(xiàn)多源、多時(shí)相遙感數(shù)據(jù)的特征級(jí)融合，從而提高不同地物之間的類間可分性，改善農(nóng)田塑料覆被分類的精度。

2.3.2主動(dòng)學(xué)習(xí)

在經(jīng)典的監(jiān)督學(xué)習(xí)中，分類問題的解決依賴于大量的訓(xùn)練樣本，通過不斷增加樣本數(shù)量進(jìn)而提升分類精度。然而訓(xùn)練樣本的標(biāo)注往往費(fèi)時(shí)費(fèi)力，因此設(shè)計(jì)一種學(xué)習(xí)策略，在減少人工標(biāo)注工作量的同時(shí)提升模型的學(xué)習(xí)效率和分類精度，就成為了一個(gè)重要問題。在這一背景下，主動(dòng)學(xué)習(xí)的算法框架被提出，并成功應(yīng)用于遙感影像分類等領(lǐng)域。

具體而言，主動(dòng)學(xué)習(xí)的主要思想表述如下：通過設(shè)計(jì)樣本查詢算法對(duì)未被標(biāo)記的樣本進(jìn)行查詢，從而完成樣本池中候選樣本的排序，并選擇最具有代表性的未標(biāo)記樣本交由標(biāo)注專家或人工定義的專家系統(tǒng)進(jìn)行類別標(biāo)注，重復(fù)上述過程，直到滿足算法停止條件為止[34-36]。由此可見，主動(dòng)學(xué)習(xí)的目標(biāo)就是利用最少的樣本標(biāo)注，得到最優(yōu)的模型。

在本文中，采用的主動(dòng)學(xué)習(xí)策略如下：構(gòu)建包含125個(gè)樣本的初始樣本集X，利用其對(duì)多核學(xué)習(xí)模型進(jìn)行訓(xùn)練，之后加入主動(dòng)學(xué)習(xí)策略，對(duì)未標(biāo)記樣本池U中的樣本計(jì)算其不確定性(信息熵)，選擇信息熵最大的樣本q，并對(duì)其賦予標(biāo)簽，并將其添加到樣本集X中，并繼續(xù)對(duì)多核學(xué)習(xí)模型進(jìn)行訓(xùn)練，如此往復(fù)，直至模型達(dá)到目標(biāo)精度。同時(shí)，在試驗(yàn)開始前從訓(xùn)練集中劃分300個(gè)樣本作為驗(yàn)證集，用以在線監(jiān)測(cè)模型的精度。經(jīng)過500次查詢，樣本集X中的樣本擴(kuò)充至625個(gè)，最終在第410次查詢前后得到收斂精度。

2.4 精度評(píng)價(jià)

在完成多核主動(dòng)學(xué)習(xí)模型的訓(xùn)練后，使用測(cè)試集(1 000個(gè)樣本)進(jìn)行精度計(jì)算，并輸出混淆矩陣、總體分類精度、Kappa系數(shù)以及其他精度評(píng)價(jià)指標(biāo)作為定量評(píng)價(jià)依據(jù)。除此之外還將輸出農(nóng)田塑料覆被分類結(jié)果，通過目視解譯的方法定性評(píng)價(jià)模型分類性能。

3 結(jié)果與分析

3.1 總體結(jié)果分析

基于本文的多核主動(dòng)學(xué)習(xí)模型，對(duì)多源多時(shí)相Sentinel衛(wèi)星影像進(jìn)行分類，得到的農(nóng)田塑料覆被分類結(jié)果如圖3所示。

如圖3所示，本文構(gòu)建的多核主動(dòng)學(xué)習(xí)模型可以實(shí)現(xiàn)農(nóng)田塑料覆被的精確提取。其中，農(nóng)業(yè)塑料大棚主要分布在研究區(qū)的西部以及東北部地區(qū)，在東南部地區(qū)和中部地區(qū)則呈零星分布；地膜主要分布在研究區(qū)的中部以及東南部地區(qū)，在西部地區(qū)呈零星分布。通過對(duì)比原始遙感影像，本文模型的分類結(jié)果與農(nóng)業(yè)塑料大棚和地膜的實(shí)際分布情況高度一致，具有較好的分類效果。

同時(shí)，農(nóng)業(yè)塑料大棚與地膜之間的混分情況較少，分類錯(cuò)誤主要集中在農(nóng)業(yè)塑料大棚/地膜與其他地物(尤其是人工建設(shè)用地)之間。其原因在于人工建設(shè)用地的反射率和后向散射系數(shù)均較高，并與農(nóng)業(yè)塑料大棚/地膜存在一定的相似性，最終導(dǎo)致了混分。從圖像細(xì)節(jié)(圖3b)可以看出，混分并不是存在于單個(gè)地物中，而是存在于不同地物之間的交界處，這主要受限于Sentinel影像的空間分辨率，因?yàn)閱蝹€(gè)像素僅能表示10 m×10 m的空間范圍，導(dǎo)致不同地物邊緣存在混合像元現(xiàn)象，從而在地物的邊緣容易產(chǎn)生分類錯(cuò)誤，這樣就造成了地物之間的混分。

同時(shí)，基于測(cè)試集進(jìn)行模型精度評(píng)估，計(jì)算混淆矩陣、總體精度、Kappa系數(shù)等，結(jié)果如表1所示。

圖3 基于多核主動(dòng)學(xué)習(xí)的農(nóng)田塑料覆被制圖結(jié)果Fig.3 Agricultural plastic cover mapping results based on multi-kernel active learning

由表1可知，農(nóng)業(yè)塑料大棚和地膜的分類效果較好，模型的總體分類精度為95.6%，Kappa系數(shù)為0.922，農(nóng)業(yè)塑料大棚的F1值為0.96，地膜的F1值為0.89。

3.2 單源與多源數(shù)據(jù)的分類精度

為了驗(yàn)證多源數(shù)據(jù)對(duì)農(nóng)田塑料覆被制圖的貢獻(xiàn)，設(shè)計(jì)了對(duì)比試驗(yàn)，對(duì)單源與多源數(shù)據(jù)的分類結(jié)果和精度做了比較，具體試驗(yàn)設(shè)置為：使用Sentinel-1的多時(shí)相雷達(dá)影像進(jìn)行分類；僅使用Sentinel-2的多時(shí)相光學(xué)影像進(jìn)行分類；同時(shí)使用多時(shí)相雷達(dá)和光學(xué)影像進(jìn)行分類。

上述試驗(yàn)的分類結(jié)果如圖4所示。圖4表明，相比于單源遙感影像分類，多源遙感影像的引入可以提高分類效果。這是由于多源遙感影像包含更多的地物信息，能夠更好反映目標(biāo)地物的相關(guān)特征，分類的細(xì)致度較單源遙感影像更好。同時(shí)，圖4a表明，僅使用Sentinel-1雷達(dá)影像，其分類效果過于破碎，經(jīng)目視解譯發(fā)現(xiàn)，部分裸地和建設(shè)用地被錯(cuò)分為農(nóng)業(yè)塑料大棚和地膜，同時(shí)農(nóng)業(yè)塑料大棚和地膜之間也多有混分的情況出現(xiàn)。從圖4b可以看出，僅用Sentinel-2光學(xué)影像，相較于僅用Sentinel-1雷達(dá)影像具有更優(yōu)的分類結(jié)果，而聯(lián)合使用光學(xué)和雷達(dá)影像取得了最好的分類效果(圖4c)。

表1 混淆矩陣、總體精度和Kappa系數(shù)Tab.1 Confusion matrix, overall accuracy and Kappa coefficient

圖4 基于不同數(shù)據(jù)源的農(nóng)田塑料覆被制圖結(jié)果Fig.4 Agricultural plastic cover mapping results based on different data sources

表2列出了單源和多源的遙感分類精度，結(jié)果表明，僅使用雷達(dá)影像進(jìn)行分類的精度最低，較僅使用光學(xué)影像分類的精度下降23.2個(gè)百分點(diǎn)。究其原因，在僅使用雷達(dá)影像分類時(shí)，采用后向散射系數(shù)作為分類依據(jù)，導(dǎo)致不同地物之間的可分性較差，從而無法獲取精確的農(nóng)田塑料覆被分類結(jié)果。同時(shí)Sentinel-2可提供地物的多光譜反射信息，相比于雷達(dá)影像可有效提高地物的可分性，從而取得更好的分類結(jié)果。而通過光學(xué)和雷達(dá)影像的聯(lián)合使用可以進(jìn)一步提升地物之間的可分性，從而提升分類精度，這與文獻(xiàn)[37-38]的結(jié)論一致。

3.3 單時(shí)相與多時(shí)相遙感影像分類精度對(duì)比

為了驗(yàn)證多時(shí)相數(shù)據(jù)對(duì)于農(nóng)田塑料覆被分類精度的貢獻(xiàn)，設(shè)計(jì)了對(duì)比試驗(yàn)，分別使用單時(shí)相影像和多時(shí)相影像進(jìn)行分類試驗(yàn)。具體而言，本文選取的單時(shí)相影像的成像時(shí)間為2019年10月15—31日期間，此時(shí)農(nóng)業(yè)塑料大棚和地膜同時(shí)存在。結(jié)果如圖5所示。

圖5 基于不同時(shí)相遙感影像農(nóng)田塑料覆被制圖結(jié)果Fig.5 Agricultural plastic cover mapping results based on different temporal data

圖5表明，僅使用單時(shí)相影像進(jìn)行分類，農(nóng)業(yè)塑料大棚、地膜以及其他地物之間的混分現(xiàn)象較為嚴(yán)重，尤其是農(nóng)業(yè)塑料大棚和地膜之間的混分現(xiàn)象尤為突出。如圖5a所示，在農(nóng)業(yè)塑料大棚的連片區(qū)域內(nèi)增加了許多“地膜”，這是由于在僅使用單時(shí)相影像進(jìn)行分類時(shí)，塑料大棚和地膜都呈現(xiàn)為白色，其光譜反射和后向散射系數(shù)均相近，導(dǎo)致了錯(cuò)分。為了提高農(nóng)業(yè)塑料大棚和地膜之間的可分性，本文引入地膜覆蓋之前時(shí)相的影像(5月)，這是因?yàn)樵谶@兩個(gè)時(shí)相內(nèi)，農(nóng)業(yè)塑料大棚一直存在，而地膜則表現(xiàn)出存在和不存在兩個(gè)狀態(tài)，多時(shí)相數(shù)據(jù)的引入可以有效反映地膜存續(xù)的時(shí)間梯度信息，因此具有更好的分類效果。

表2 不同數(shù)據(jù)分類精度對(duì)比Tab.2 Classification accuracy of different data sources

表3給出了不同時(shí)相分類精度的對(duì)比結(jié)果，可以看出，相比于單時(shí)相分類，多時(shí)相數(shù)據(jù)的引入可以將分類精度從91.9%提高到95.6%，這主要因?yàn)槎鄷r(shí)相數(shù)據(jù)考慮了地膜的存續(xù)時(shí)間，通過film-on(存在地膜)和film-off(不存在地膜)兩個(gè)時(shí)相影像的引入，可以有效捕捉地膜的物候特征，從而提高其與農(nóng)業(yè)塑料大棚的可分性。

3.4 不同分類模型的精度對(duì)比

3.4.1主動(dòng)學(xué)習(xí)的精度

為了驗(yàn)證主動(dòng)學(xué)習(xí)在農(nóng)田塑料覆被分類中的性能，本節(jié)計(jì)算了主動(dòng)學(xué)習(xí)與非主動(dòng)學(xué)習(xí)(被動(dòng)學(xué)習(xí))在不同標(biāo)記樣本數(shù)量下的精度，如圖6所示。

圖6 主動(dòng)學(xué)習(xí)和被動(dòng)學(xué)習(xí)精度變化曲線Fig.6 Active learning model vs passive learning model

由圖6可以看出，在多核SVM模型中添加主動(dòng)學(xué)習(xí)策略，模型收斂更快。主動(dòng)學(xué)習(xí)在樣本數(shù)量達(dá)到410個(gè)時(shí)，模型趨于收斂，而被動(dòng)學(xué)習(xí)在達(dá)到500個(gè)樣本點(diǎn)時(shí)，模型才趨于收斂。由此可見主動(dòng)學(xué)習(xí)在達(dá)到最優(yōu)精度時(shí)，可以減少18%的訓(xùn)練樣本數(shù)量。

此外，圖中黑色虛線y=92.3%表示在相同精度下，主動(dòng)學(xué)習(xí)所需要的樣本數(shù)量比被動(dòng)學(xué)習(xí)少得多；圖中綠色虛線y=95.6%表示，主動(dòng)學(xué)習(xí)較被動(dòng)學(xué)習(xí)需要更少的樣本數(shù)量達(dá)到最優(yōu)精度。同樣達(dá)到精度92.3%，主動(dòng)學(xué)習(xí)僅需130個(gè)標(biāo)記樣本，而被動(dòng)學(xué)習(xí)則需要265～320個(gè)樣本，是主動(dòng)學(xué)習(xí)的2倍多。因此主動(dòng)學(xué)習(xí)策略在樣本稀疏條件下更有優(yōu)勢(shì)。

3.4.2多核學(xué)習(xí)和其他分類方法比較

同時(shí)為了進(jìn)一步驗(yàn)證多核學(xué)習(xí)在農(nóng)田塑料覆被分類中的優(yōu)勢(shì)，設(shè)置了對(duì)比試驗(yàn)，通過對(duì)比單核支持向量機(jī) (SVM)、隨機(jī)森林 (RF)、K近鄰 (KNN)、決策樹 (DT)、AdaBoost等模型，為了保證可比性，均選用初始樣本集進(jìn)行訓(xùn)練。同時(shí)由于本節(jié)主要對(duì)比不同分類器的性能，因此在訓(xùn)練過程中并不增加主動(dòng)學(xué)習(xí)策略。精度對(duì)比如表4所示。

表4 不同分類器的分類精度對(duì)比Tab.4 Classification accuracy of different classifiers

由表4可知，本文所構(gòu)建的多核學(xué)習(xí)模型的分類精度均高于其他模型。在其他分類器中，單核SVM的分類精度最高(89.8%)，然而多核學(xué)習(xí)的精度較其提高了近6個(gè)百分點(diǎn)。究其原因，多核學(xué)習(xí)采用一簇核函數(shù)對(duì)多特征數(shù)據(jù)集進(jìn)行自適應(yīng)學(xué)習(xí)，從而能夠結(jié)合不同核函數(shù)學(xué)習(xí)的優(yōu)勢(shì)，更加適合多源多時(shí)相遙感數(shù)據(jù)的融合，最終達(dá)到更優(yōu)的農(nóng)田塑料覆被分類效果。

4 結(jié)論

(1)將多核SVM和基于池的主動(dòng)學(xué)習(xí)策略進(jìn)行耦合，構(gòu)建了一種多核主動(dòng)學(xué)習(xí)模型以進(jìn)行農(nóng)田塑料覆被的遙感分類，總體分類精度為95.6%，Kappa系數(shù)為0.922；相比于傳統(tǒng)經(jīng)典機(jī)器學(xué)習(xí)模型：?jiǎn)魏酥С窒蛄繖C(jī)、隨機(jī)森林、K近鄰、決策樹、AdaBoost，多核學(xué)習(xí)模型精度可較上述模型提高5.7、12.1、11.4、22.3、10.3個(gè)百分點(diǎn)；且在相同的分類精度下，主動(dòng)學(xué)習(xí)較被動(dòng)學(xué)習(xí)可減少標(biāo)簽樣本一半以上，更適合小樣本條件下的影像分類任務(wù)。

(2)通過引入多源多時(shí)相遙感影像，提高了不同地物之間的可分性，從而取得了更好的農(nóng)田塑料覆被制圖效果。相比于單源雷達(dá)和光學(xué)數(shù)據(jù)，多源數(shù)據(jù)可平均提升分類精度12.7個(gè)百分點(diǎn)；同時(shí)多時(shí)相數(shù)據(jù)可提高分類精度3.7個(gè)百分點(diǎn)。