农业机械学报

作者：车红岩，潘耀忠，夏兴生，王林刚，黄永生，陈琼

单位：青海师范大学;兰州财经大学,青海师范大学;北京师范大学,青海师范大学,青海师范大学,青海师范大学,青海师范大学,

关键词：遥感;作物分类;置信学习;半监督学习;集成学习

基金：国家重点研发计划项目（2023YFB3906201）和国家自然科学基金项目（42201027）

作物分布制图是现代农业管理的关键，可为作物产量预测和精准农业决策提供科学依据。尽管深度学习在作物分类中展现出巨大潜力，但其实际应用仍受限于样本获取成本和分类精度。本研究提出了一种基于集成学习和置信学习的半监督分类框架（Ensemble and confident learning based semi-supervised classification framework, ECL-SSCF），旨在利用有限的地面标记样本实现高精度的作物分类。ECL-SSCF框架包含集成学习和置信学习2个模块。集成学习模块通过并行训练多个深度学习模型，并采用相对众数投票法整合多个深度学习模型的分类结果，从而提升分类精度。而置信学习模块则基于模型的预测概率评估伪标签的置信度，筛选出高置信度的伪样本以扩充训练集，克服小样本导致的过拟合现象。在湖北省枝江市和山东省桓台县2个研究区的作物分类结果显示：ECL-SSCF通过引入置信学习策略，在2个研究区的伪样本的总体精度分别提升17.2、9.3个百分点，超越单一深度学习模型（如LSTM、Conv1D、ConvLSTM和TempCNN），利用提纯的伪样本训练4种深度学习模型并集成得到ECL-SSCF的分类结果，ECL-SSCF在2个研究区的总体分类精度分别达到了90.4%和86.3%，明显优于任何单一深度学习模型。为了更全面地评估ECL-SSCF的性能，进一步探讨了其生成的伪样本数量和质量对5种模型预测性能的影响。实验结果表明，当样本数量达到标准样本集30%左右，噪声样本比例低于标准样本集30%时，ECL-SSCF均表现出稳健的性能。说明集成学习和置信学习策略的结合使ECL-SSCF获得了高质量的样本和稳定的分类性能，缓解了深度学习模型对大量人工标记样本的依赖，为进行大尺度的作物遥感分类制图提供了新的技术方案。

来源：2025年第11期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第11期