利用基于JM的样本增强技术改进多传感器遥感中的湿地详细分类

《Advances in Space Research》：Improving Detailed Wetland Classification with JM-Based Sample Augmentation in Multi-Sensor Remote Sensing

　　

肖梅娇|王志勇|李振进|高振海|范玉初

摘要

沿海湿地对于维持陆地和海洋界面的生态稳定性至关重要。利用遥感数据对湿地进行快速、精确的监测具有重要意义。然而，由于野外数据收集困难等挑战，导致可靠样本数量有限且样本类别分布不均衡，这可能限制了监测的准确性。为了解决这些问题，本研究全面评估了在不同机器学习分类器下，通过样本增强技术对精细尺度湿地制图的贡献，这些分类器使用了光学数据、SAR数据以及结合这两种数据的方法。我们还提出了一种基于JM距离的自动样本增强方法，以提高增强样本的可靠性。以中国黄河三角洲（YRD）湿地作为研究区域，实验基于GF-3雷达数据和Sentinel-2光学数据，并结合了特征选择和三种机器学习分类器。结果表明，与不使用样本增强的方法相比，所提出的方法在不同特征集和分类器下均实现了最高的准确率，准确率提高了0.11%至7.93%，最终达到92.85%。该方法在结合SAR数据的情况下表现更好，湿地分类的准确率平均提高了3.24%，这可能是由于集成特征空间的区分能力更强。相比之下，使用光学数据时的准确率平均提高了0.92%。这些发现为遥感分类中样本增强策略的应用提供了有益的见解，并展示了所提出的基于JM的框架在样本有限条件下的潜在适用性。此外，该方法代表了一种有前景的方法，值得在更多湿地生态系统和环境条件下进行进一步验证和测试。