推进星载图像分析技术：用于多光谱遥感中自动聚类和光谱优化的遗传算法

《Advances in Space Research》：Advancing Spaceborne Image Analysis: Genetic Algorithm for Automated Clustering and Spectral Optimization in Multispectral Remote Sensing

　　

Dilek KUCUK MATCI | Busra TUTUMLU | Tugba SARA? | U?ur AVDAN

摘要

多光谱卫星图像的无监督聚类受到高维度、光谱冗余以及需要手动指定聚类数量等因素的阻碍——这些挑战增加了下行数据量，并延迟了在带宽受限的地球观测任务中的实时分析。本研究首次提出了一种完全无监督的遗传算法（GA），该算法能够在单一流程中同时优化聚类数量和每个聚类的光谱波段选择。所提出的方法能够动态确定最优聚类数量，并为每个聚类选择最具信息量的波段，从而消除噪声和冗余数据，同时保持分类的准确性。

该框架在土耳其Kumluca地区的Sentinel-2、Landsat-8和PlanetScope图像上进行了验证，并在土耳其Gemlik地区的独立站点进行了进一步测试。使用10组独立的200个分层随机参考点，该遗传算法的平均总体准确率（OA）分别为：Sentinel-2为0.88，Landsat-8为0.87，PlanetScope为0.92。其性能分别比ISO聚类（ISODATA）算法高出7%、6%和3%。该方法在所有三个平台上均表现出与另外两种强大基线算法（K-Means结合堆叠自编码器+肘部方法以及自组织映射（SOM）相当或更优的性能。由于Sentinel-2具有平衡的空间-光谱分辨率，因此在Sentinel-2上的效果更为显著。在Gemlik地区使用Sentinel-2数据进行的额外验证中，平均OA达到了0.91（最佳结果为0.95）。

这种可扩展且适用于实际任务的框架支持多平台数据融合，在下行传输前显著减少了冗余光谱数据，使得在灾害监测、精准农业和全球土地覆盖制图等领域实现接近实时的应用成为可能。通过以完全无监督的方式自动化聚类确定和每个聚类的波段选择，所提出的遗传算法提升了当前及未来星载多光谱系统的处理能力。