基于双树复小波分解的Boosting集成学习土地覆被分类研究

作者：李润祥; 高小红^*; 汤敏

来源：遥感技术与应用, 2022, 37(02): 354-367.

• 双树复小波分解
• Boosting集成学习
• GBDT
• XGBoost
• LightGBM

近年来，集成学习（Ensemble Learning,EL）分类方法成为土地覆被分类的研究热点，尤其是Boosting集成分类方法具有分类精度高、泛化能力强，在土地覆被分类中得到了显著的应用。但是，Boosting集成分类方法对噪声很敏感，如果训练样本含有噪声时，Boosting算法可能会失效，这是该方法的局限性。为了解决Boosting集成方法在土地覆被分类中存在的问题，有效克服噪声的影响，减少分类结果中的“椒盐”现象和提高分类精度，提出了基于双树复小波分解的Boosting集成学习分类方法。该方法对影像的光谱波段进行一层双树复小波分解，降低图像的噪声，将分解后的各波段作为Boosting集成学习的输入，得到最终的分类结果。实验先后比较了GBDT、XGBoost、LightGBM 3种Boosting集成学习算法在SPOT 6和Sentinel-2A影像上的分类效果。结果表明：(1)在SPOT 6影像上，3种Boosting集成算法总体分类精度均高于90%;DTCWTLightGBM分类总体精度最高，达到94.73%,Kappa系数为0.93，比LightGBM总体精度提高了1.1%,Kappa系数提高了0.01;LightGBM分类总体精度比XGBoost分类总体精度提高了1.99%,Kappa系数提高了0.03，比GBDT分类总体精度提高了2.9%,Kappa系数提高了0.04；(2)在Sentinel-2A影像上，DTCWT-LightGBM分类总体精度最高，达到93.25%,Kappa系数为0.91，比LightGBM分类总体精度提高了1.53%,Kappa系数提高了0.01;LightGBM分类总体精度比XGBoost分类总体精度提高了1.14%,Kappa系数提高了0.02，比GBDT分类总体精度提高了2.53%,Kappa系数提高了0.03；(3)基于双树复小波分解的Boosting集成学习分类方法，降低了影像的噪音，减少了分类结果中存在的“椒盐”现象，区域一致性更强，提高了分类精度。

• 单位
  青海师范大学