土地利用/覆被（Land use / land cover, LULC）是生態環境的主要塑造者，利用遙感技術對LULC進行動態監測，定量提取LULC變化信息，是應對全球氣候變化、維護地球系統能量平衡的重要研究內容。
已有研究表明，深度學習在從遙感影像中提取LULC時表現顯著。近年來，集成多個深度學習模型成為提高遙感影像分類精度的有效方法，但這些集成方法忽略了像素之間的內在關聯，在集成過程中分類結果的多樣性必須依賴于不同模型，訓練時間成本高且精度提升有限，導致實時快速地提取LULC遇到瓶頸。
中國科學院西北生態環境資源研究院遙感與地理信息科學研究室科研團隊開展像元內在關系的研究，發現利用像元間的關聯信息建立不同的組合體可以消除集成分類過程中對于多模型的依賴。科研人員提出了一種無需多模型的集成分類方法—“雙子”集成分類框架（Doublet-Based Ensemble Classification Framework，DBECF）。該方法能夠有效提升不同類型遙感影像的分類精度，與現有的基于單像素的集成分類模式相比，在精度和效率方面均有明顯的優勢。另外，DBECF克服了當前集成分類模式耗時的缺點，為深度學習和集成學習的結合提供了一個嶄新視角，對于提取高質量LULC用以支持大范圍長時序的地學研究有著重要的理論參考和實用價值。
該成果以Remote sensing image classification using an ensemble framework without multiple classifiers 為題發表在ISPRS Journal of Photogrammetry and Remote Sensing 上，西北研究院助理研究員竇鵬為第一作者，黃春林研究員為通訊作者。該研究獲國家自然科學基金重點項目，國家自然科學青年基金項目和甘肅省自然科學基金面上項目共同支持。
文章鏈接
DBECF與不同方法的分類效果
不同分類算法下DBECF和單實體分類器（SI-Classifier）之間的精度差
不同分類算法下Bagging和DBECF的總體精度（OA）和熵（Entropy）
