城市绿地在生态城市和宜居环境建设中起着重要作用。时间序列的遥感影像为城市绿地监测提供了强有力的支持，但它们往往存在着各个时相之间数据分布不相同的数据偏移问题，导致各个时相间的标记样本难以直接共享，增大了标记样本的负担，同时，也可能导致各时相间的分类结果不一致。
为此，南京大学高分辨率遥感实验室提出并验证了一种在时间序列遥感图像上进行绿地提取的新方法。该方法将以前提出的协同训练框架拓展为适用于时间序列图像的多时相训练框架，使用一种新的规则来获得未标记样本的预测置信度，减少对标记样本的依赖，增加了各时相之间提取结果的一致性，为时间序列遥感图像绿地提取提供一种新思路。
图1 多时相训练和分类示意图
具体而言，该方法包括训练和交流两个阶段：在训练阶段对每个时相的分类器进行独立训练，自动提取该时相的信息；在交流阶段将所有分类器的信息结合起来，生成全部时间序列图像参与的置信度图，采用全局动态搜索获得高置信度样本，赋予伪标签，进行迭代训练，提升模型精度和泛化能力。
研究使用了8幅Sentinel-2多光谱遥感图像，时间跨度两年，间隔为三个月。研究区为南京市玄武湖周边区域，土地覆盖类型包括乔木、低矮植被、水体、道路、建筑物等。
图2 研究区位置
研究结果表明：（1）多时相训练方法取得了高精度的绿地提取结果，在每类仅使用1个标记样本的前提下，乔木和低矮植被的提取精度达到0.832和0.728；（2）在不同时相之间，绿地提取结果有着高度的一致性，具有较高的稳定性和鲁棒性；（3）各时相之间的数据偏移，成为驱动模型训练的动力，使得模型学习到更多信息，提升了模型的泛化能力。
图3 多时相训练方法与其他训练方法的精度对比
图4 四个时相的绿地提取结果示例
该研究成果近日以 "A novel multi-training method for time-series urban green cover recognition from multi-temporal remote sensing images" 为题发表于IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing。南京大学地理与海洋科学学院硕士生王文野为论文第一作者，人工智能学院直博生万盛华为论文第二作者，肖鹏峰教授为论文通讯作者，张学良副教授为论文合作作者。该研究得到国家自然科学基金项目（41871235，42071297）资助。点击“阅读原文”可获取下载链接。
