遥感领域自适应源域选择与域适配的多源相似性度量回归方法

阵列15（2022）100233遥感领域自适应中未标记源域的选择Christian Geiben*，Alexander Rabuske，Patrick Aravena Pelizari，StefanBauer，HannesTaubenbock德国遥感数据中心，德国航空航天中心，82234 Weßling-Oberpfaffenhofen，德国A R T I C L EI N FO索引术语：领域适应遥感多源域相似性度量回归建筑密度和高度A B S T R A C T- 在监督学习技术的上下文中，可能期望利用来自源域的现有先验知识来通过利用域自适应的概念来估计目标域中的目标变量。这样做是为了减轻对现有知识的昂贵汇编，即，训练数据在这里，我们的目标是从多个潜在有用但未标记的源域中选择一个源域进行域适配。如果通过选择机制将源域识别为与估计对应目标域中的目标变量相关，则仅针对源域获得训练数据。从方法论的角度来看，我们提出了无监督的源选择投票（合奏）相似性度量，按照对齐的边缘分布的图像特征的源和目标域。因此，我们还提出了一个无监督的修剪启发式只包括强大的相似性度量的合奏投票计划。我们提供了一个评估的方法，通过学习模型从训练数据集创建的细节级别-1建筑模型和回归建成密度和高度的哨兵-2卫星图像。为了评估域适应能力，我们学习和应用模型可互换的四个最大的城市在德国。实验结果强调了该方法的能力，以获得更频繁的更高的准确度水平与最强大的选择机制相比，随机源-目标域的选择，提高高达10%1. 介绍遥感图像专题信息的自动提取通常采用有监督学习技术，因为其具有自适应性和准确性。这样的技术基于足够量的适当编码的先验知识来确定分配离散主题标签（在分类问题中）或连续值（在回归问题中），即，训练数据训练数据被部署以推断规则（例如，一个决策函数），使有利的泛化能力，为看不见的实例[1，2]。不幸的是，事先知识的汇编往往是非常昂贵的[3，4]。因此，可能期望利用来自源域的现有先验知识，通过利用域自适应的概念来估计目标域中的目标变量。域自适应方法通常根据源域和目标域中可用的先验知识的量进行分类监督域自适应方法可以利用来自源域和目标域的标记样本。因此，目标域中的标记样本的数量基本上少于源域中可用的标记样本（否则将不需要将估计问题呈现为域自适应问题，即，在目标域中单独使用监督学习算法将是适当的）。相比之下，无监督域自适应方法假设两个未标记的域需要匹配。如果在源域中存在可用的先验知识而在目标域中不存在，并且如果源域和目标域的联合分布不同，但足够相关以确保源域信息可以帮助解决目标域中的预测问题，则我们可以将这种情况视为半监督域自适应问题[5]。域适应通常包括两个进一步的子问题，即。例如，协变量偏移和样本选择偏倚。后者是指观察到的关于源和目标的物体性质* 通讯作者。电子邮件地址：christian. dlr.de（C.Geihu）。https://doi.org/10.1016/j.array.2022.100233接收日期：2022年4月7日;接收日期：2022年7月14日;接受日期：2022年7月14日2022年8月12日在线提供2590-0056/© 2022作者。爱思唯尔公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表阵列期刊主页：www.sciencedirect.com/journal/arrayC. GeiJiang etal.阵列15（2022）1002332域，即，源域的样本是非代表性的 对于目标域的（未标记的）样本。协变量偏移是样本选择偏倚的一种特殊情况。这种偏差是由独立变量引起的，即，协变量在遥感领域，这种情况往往与源域和目标域图像的变化有关。这些变化是由与照明和采集角度相关的不同数据采集特性引起的[5]。因此，根据定义，避免从源域到目标域的负模型转移是至关重要的，即，确保迁移学习的一般假设，即域必须相关，不被违反[6]。我们通过在转移模型之前正确选择模型应该从其学习的源域来解决这一方面，即，我们的目标是建立一个有效的方式域适应时，多个潜在的有用的，但未标记的源域存在。因此，目标是选择允许目标域中的有益模型估计的源-目标域组合，即，以实现积极的模型转移。在选择之后，针对所选择的源域获得训练数据，并且学习其预测模型（图1）。先前的工作在域适应的上下文中，要么处理给定的标记源域，要么访问多个标记源域。关于第一类方法，基于特征的方法在潜在子空间中联合映射源域和目标域的分布以进行直接推理，例如参考文献。[7，8]，而基于实例的方法通过部署目标域的半标记样本来估计原始空间中的实例，例如，参考文献[9、10]。只是最近，在遥感的背景下，技术的演变，涉及域适应，包括多个标记的源域。这些著作遵循了综合资料的思想，即： 例如，从多个次优源域创建最优源域：Lu等人。[11]考虑单个源域不包含目标变量的所有类别的情况。目标域。它们使用多个互补的源域，形成目标领域的类别并学习其多频补偿网络。同样，Gong等人[12]整合了多个不完整的源域，并提出了一种分离机制，以便仅考虑具有目标变量相关表现的源域进行跨域对齐。 Elshamli等人[13]提出了一种CNN架构，该架构在多个源域中进行学习和自适应优化。然而，这项研究的独特性与选择一个从多个潜在有用但未标记的源域中选择单个源域，并且仅在选择之后进行后续标记。我们的动机是有关的情况下，域特别是与不同的地理位置在遥感。这往往意味着标签的汇编仍然非常昂贵，因为它需要，例如，在专用区域中的现场活动或获取区域的附加地理空间数据以使得能够编辑标记的样本。理想情况下，这种劳动密集型工作必须仅针对预先确定的源域进行，以便稍后可能实现积极的模型转移。从面向应用程序的角度来看，如果直接编译目标域的训练数据是不可能的或效率低下，则经常会发生这种设置。后者指的是需要在多个域上估计目标变量的情况，即，大的地理区域，其中由于有限的资源，仅可以标记它们的一小部分。一般来说，我们的目标是一种独立于学习的方法，算法这是为了说明没有免费午餐定理。它指出，没有任何算法可以在任何时候都在任何领域提供最高的精度[14]。通过采用合适的基本学习器和集成模型，可以很容易地使独立于算法的方法适应手头的问题。后者被认为在遥感的准确性和可靠性方面特别有益[15，16]。因此，我们设计了一个无监督的源选择方法，它建立在源和目标域之间的相似性的鲁棒量化。我们认为这项工作的主要贡献如下：从方法论的角度来看，我们提出了无监督的源选择机制，从相似性度量，对齐的边缘分布关于遥感图像的源和目标域的图像特征进行投票。因此，我们还建立了一个无监督的修剪启发式只考虑强大的相似性度量的合奏投票计划。最后，标记的样本仅针对所选择的源域获得，并用于学习随后应用于目标域的预测模型。我们提供了一个创新的应用领域内的方法的评价。最近，基于使用Sentinel-2图像的回归技术，进行了推导大面积城市形态特征的工作[15]。在这个应用程序上下文中，我们从使用Fig. 1. 本工作所考虑的独特问题设置的说明：a）存在多个潜在有用但未标记的源域; b）单独比较源域和目标域的相似性; c）选择关于目标域最相似的源域，并且仅针对该源域获得（通常非常昂贵的）训练数据。随后，所选择的源域被部署用于学习预测模型并将其转移到目标域。··C. GeiJiang etal.阵列15（2022）1002333细节级别-1（LoD-1）构建模型，并使用多光谱Sentinel-2影像的功能回归与城市街区尺度相对应的空间处理单元的建成密度和高度。为了评估方法的域适应能力，我们学习和应用模型可互换的四个最大的城市在德国。部分 2 细节 的 源 选择 法 我们 描述在第3节中介绍了实验装置，在第4节中报告了实验结果，并在第5节中给出了结论性意见。2. 拟议方法图2中提供了具有附属处理步骤的方法的概述。各个步骤包括匹配图像数据和计算图像特征（见2.1），比较评价图二. 概述了各个处理步骤;（a）直方图匹配过程将覆盖目标域的卫星图像的频谱带的直方图的形状与单独覆盖潜在源域的卫星图像的频谱带对齐;（b）匹配的数据被部署用于计算频谱空间特征的穷举集合;（c）特征被部署用于计算各种相似性度量;（d）集合修剪策略旨在识别相似性度量的鲁棒子集;（e）所选择的相似性度量用于评估所有可能的源-目标域组合，并识别最相似的组合;通过多数投票策略来组合从相似性度量识别的组合;（f）针对所选择的源域获得标记的样本，并且从对应的源图像特征学习回归模型，并将其应用于估计目标域中的目标变量。C. GeiJiang etal.阵列15（2022）1002334∑1xSi-xTi=1个∑-∑（x+x）S Tii1我不I1∀ˇˇ不I=S不̂联系我们我i=1Si其中，X S={xSi}S 表示第k个未标记源样本的集合，L~2-范数λxλn=X轴S2i=1我2i=1我过去[5]。然而，鉴于所提出的方法的模块化性质，=∑xSxTiμδ源-目标域组合，用于识别一组鲁棒的相似性度量的整体修剪（参见图10）。2.2），实现投票策略以选择有利的源-目标域组合并学习其回归模型（第2.2节）。2.3）。表1使用公式部署指标;箭头（↓↑）分别指示高或低数值是否指示源域和目标域的实例（在本研究中描述构建环境的矩形网格单元）之间的高度一致性。2.1. 直方图匹配和特征计算指标描述同意-ment号为了在协变量移位下实现域自适应，我们实现了覆盖源的图像的直方图匹配过程，Bray–CurtisI=δn我和弦1（1）↓（2）目标域第一。在这一点上，我们考虑来自K可能有用但未标记的源域，其中SkSKK（∑nδ= ˇ二比二xx⎞2ˇk knk={}k=1=KnTS1000-S1000-S1000-S1000-S1000√̅∑̅̅̅̅̅̅̅̅̅̅̅̅̅2̅i=1Si域和来自目标域的图像数据，其中XT={xTj}j=1不SITJHellinger√√̅∑n̅(√̅ˇ x̅S√ˇxT̅)̅2i=1i=1xSii=1xTi↓（3）表示n个未标记目标样本的集合，其中样本xk，x∈δ=∑n-∑nRdi，j. 直方图匹配是一种适应数据分布的方法为此，原始数据的表示被匹配独立于后续处理模型。后一方面是惠特克βxS∑n∑ni=1xTx<$S-∑nxT↓（4）因为我们的目标是建立一个方法，可以处理多个独立学习的模型。 直方图匹配实现了余弦nˇˇδ=i=1我我S1000-S1000-S1000-S1000-S1000，其中，是↑（5）相对正规化因此，该方法提供类似分布的数字而不是物理单位作为输出[5]。非线性向量的欧几里得范数T=（T1，T2，即，xT2 =2，2，.，x 2。变换φ被部署以对齐累积his的形状xT1 xT2TnnXSxT）2↑（6）将目标域的图像的谱带的谱图转换为δ=∑（Σi -阿吉i=1xSi源域图像的光谱带[17]。本程序是对于所考虑的可能的源-目标域组合，瑟伦森戴斯2X sXt=⃒⃒⃒⃒↑（7）δXX以获得一组匹配的目标域分布⃒ˇs⃒+⃒ˇt⃒⃒⃒⃒⃒关于K个源域，即，XT→φ（XT）=Xk（图2a）。一般来说，我们在这里部署直方图匹配作为域对齐的方法两个集合的基数，即，的数量每一组中的元素。因为它显示出可行的属性域适应问题，皮尔逊δ∑n1（xSi-μS）（xTi-μT），其中μπι↑（8）=∑n（xS-μ）2（xT-μ）2 S也 其他 无监督 域 对准 方法 可以 被考虑了随后，根据匹配的影像计算特征（图 2 b）。为了估计目标变量，我们融入这项工作，哨兵2号多光谱图像。特别是我们部署了R-G-BSentinel-2的近红外波段，像素间距为10 m [18]。以前的工作已经证明了多光谱Sentinel-2图像以区分方式描述建筑环境的能力[15]。我们计算了一组详尽的频谱空间特征，即。 例如，来自R-G-B-NIR波段的光谱特征、基于数学形态学概念的特征[19]以及使用灰度共生矩阵的纹理测量我们部署了Geiβ等人[15]中详细描述的功能。给定用于上述空间特征的不同特征类别和各种窗口大小，每个特征化的源域和目标域X_k和X_k携带413维特征向量。因此，可以注意到，我们在这里考虑同质域自适应设置，因为所有域共享相同的特征[13]。2.2. 相似性度量的计算和无监督的集成剪枝为了解决与样本选择偏差相关的问题，我们计算和μπ ι T是关于源的平均值和目标域。建立一套度量标准作为选择机制。在我们的工作中，合奏策略预见的组合投票的某些源-目标域组合从多个指标通过决策融合策略，以获得最终的选择。实施此策略是为了减轻最终选择不适当的单个度量的风险。从概念的角度来看，与之相反，例如，监督分类问题，我们在这里不能获得关于实际预测准确性的知识，这可以有助于选择合适的度量。相反，我们需要以无监督的方式选择适当的源-目标域组合。为了编译一个强大的集成，我们建立了一个指导思想的集成修剪策略。目标是从度量N δ1，.，δ n的完整集合中选择度量M=δ1，.，δm的子集，这使得能够确定度量M = δ 1，.，δ m的子集鲁棒的源-目标域选择（图2d）。我们利用关于所有可能的源-目标域的经验估计的小边缘距离的概念，所述经验估计具有一定的相似性度量δi组合k =1，为此，我们计算百分比表示源域和目标域之间的最高一致性的数值的偏差paδi和所有估计的平均值μδ，即， p= |aδi-μδi|100块这是因为关于特征化的源域的相似性度量靶向结构域组合，即，Xk和Xk，并选择适当的组合-能够正确描述源-目标我我我我ˇδ=i=1我S我不Х2C. GeiJiang etal.阵列15（2022）1002335̂域组合具有相当小的数值范围，ST值。随后，我们根据最小数值编译M国，其中。一个源和一个源的相似性的经验估计在这项研究中，用八种不同的度量计算目标域δ（表1;图2） 2 c）。我们的目标是考虑具有低灵敏度的指标关于，例如， 离群值、测量尺度或数据维度-（21）。除了评估单个指标是否适合选择一个适当的源-目标域组合，我们也遵循的想法，C. GeiJiang etal.阵列15（2022）1002336值，同时选择可互换的度量，量化距离（eq. 1 -4）和相似性（eq. （表1）源-目标域组合到账户为一 多视图视角，即，考虑补充子-具有特定物理意义和统计性质的空间[22]。因此，要包括在修剪的集合中的度量的数量C. GeiJiang etal.阵列15（2022）1002337I1不ŜSi}S公里柏林，577公里汉堡，535公里慕尼黑，508公里SSS可以根据停止标准来设置2.3. 回归模型的排序策略与学习为了选择一个合适的源-目标域组合，我们翻译的数值，获得的指标在有序的排名，再现源-目标域组合的协议水平。在整体战略的背景下，即，创建专家委员会，通过多数表决来整合来自多个度量的等级。最终选择根据多数投票排名为具有最高一致性水平的源域（图2e）。选择具有相似性度量的修剪集合的源域的完整过程也记录在算法1的伪代码中。最后，我们得到了目标的表现形式3. 实验装置我们评估的背景下，预测建成密度和高度的哨兵-2多光谱卫星图像的功能的方法。图像根据2A级进行了大气校正[23]。采集时间限制在2015-此外，采集时间框架提供了利用阴影信息的可能性，该信息编码了关于目标变量的进一步有用信息。结果计算的沉降面积的四个最大的德国城市（Fig. 3 a）。这些领域的覆盖范围包括513个变量Yk= {yknk对于所选的源域。随后，我们222编译训练集Dk={Xk，Yk}，其被馈送到学习al。科隆，分别。出租m.学习的模型被部署来估计Xk上的目标变量（图2）。 2f）。算法1.基于相似性度量的无标记源选择算法输入：K个未标记的源域{Sk}K，未标记的目标域XT图 3b简要地可视化了要估计的目标变量的生成。我们整合了所谓的全球城市足迹（GUF）层，以二进制方式区分该数据集覆盖全球，具有12米的高空间分辨率，分类准确率超过85%[24]。一般来说，空间哨兵2号卫星图像的分辨率特性限制了对输出：选定的源域k=1个人建筑水平。 这是因为，1：对于所有源-目标组合，分别将目标域的图像与具有φ的源域的图像2：计算所有源域和对齐目标域3：计算每个特征化的源域-对准的目标域组合的N4：做第五章：选择可互换的量化距离的指标（等式10）。1-4)相似性（Eq. 5-8）基于p的最小数值6：当不满足停止标准时7：返回M8：根据M9：通过多数表决整合每个源域的排名10：选择排名最低的源域SENTINEL-2的R-G-B-NIR波段的10 m像素间距可以超过 个别建筑物的范围。因此，对具有较高聚合水平的空间实体进行分析，即，我们创建矩形网格单元以计算其堆积密度和高度。在我们的设置中，我们建立了矩形网格单元，线性进展边长分别为200，500和800米。对于目标变量的实际计算，我们整合了LoD-1建筑几何学（LoD-1分辨率预测建筑物表示为挤出覆盖区[25]）和地籍信息中的相应高度测量值：每个网格单元的建筑密度通过根据LoD-1覆盖区的高架像素面积与GUF数据集指示的整个沉降面积之间的比率计算;建筑密度图三. 实验设置的概述;（a）具有德国四个最大城市的研究区域，其对应于不同的域;（b）在关于两个目标变量选择源域之后用于建立完全表征和标记的源域的过程：i）我们整合所谓的全球城市足迹（GUF）层，其区分“建成”和“非建成”，并建立其矩形网格单元; ii）部署多光谱Sentinel-2图像来计算一组光谱特征，基于数学形态学概念的特征和纹理测量; iii）对于目标变量的计算，我们集成了LoD-1建筑模型和地籍源的附属高度测量。C. GeiJiang etal.阵列15（2022）1002338.）=的.）联系我们通过根据网格单元内基于LoD-1的高度值提取中位高度值来计算每个网格单元的高度[26]。我们使用随机森林回归（RFR）和支持向量回归（SVR）作为估计两个目标变量的学习算法。对于RFR模型[27]，超参数调整如下：ntree=500和mtry=1， 2，关于SVR模型[28]，我们使用高斯径向基函数核：Kxixjexp-xjx-xj2/2 σ2。正则化参数C，公差值ε，并根据σ=0。01，0。02，.，0. 1所述5，6，...，15和ε0。05，0。06，.，0. 十五岁，分别在实验中，我们学习和优化基于源域中交叉验证的模型，并从目标域中看不见的标记样本中计算泛化能力。相应数量的可用标记样本，即，标记的网格单元，在表2中提供。使用均方根误差（RMSE）进行模型选择。在集成修剪策略的上下文中，我们将待选择的度量的数量设置为四个，以在计算负担和实现源-目标域组合的广泛描述之间建立折衷。此外，我们还创建了一个集成，其中包括基于随机选择的四个度量（20个随机选择）的所有度量和集成，用于对我们提出的集成方案进行基准测试。总体而言，我们评估了11个选择机制，nisms，其中8个对应于所考虑的相似性度量的部署，和3个代表合奏方案。还使用配对t检验对结果进行了统计学显著性显著性临界值p= 0.05。4. 实验结果与讨论为了研究所提出的域自适应技术在这种经验设置中是否通常有益，图4提供了关于四种不同情况的估计的堆积密度和高度的监督学习和在域内应用模型（即，上基准）; ii）所提出的域适应策略，其预见域对齐和适当源域的选择（绘制了所有11个选择机制的平均值）; iii）仅预见域对齐而没有选择的域适应策略，即，可互换地部署所有源域，并且对准确度估计进行平均; iv）没有实现域自适应策略，即，学习来自源域的模型并将其应用于目标域而不进行自适应（即，较低基准）。因此，每个目标变量的24个实现的结果被绘制出来（由四个城市，三种空间处理单元大小和两个回归量组成）。首先，可以注意到，尽管具有该设置中的最大偏差产生指示模型在应用于新域时没有失败的准确度水平。这可以归因于在模型中施加不变性的谱空间特征的穷举集合。然而，当实际比对源和靶结构域时，可以实现MAE的显著降低。与仅预见对齐域的域自适应策略相比，我们提出的为对齐的目标域选择合适的源域的附加机制平均能够实现进一步的表2回归实验中使用的每个域的标记矩形网格单元的数量。domain用于模型学习/验证的网格单元数200米500米800米柏林10,4502,051859汉堡9,9822,3071,054慕尼黑9,2502,138953科隆9,1312,030895见图4。当将预测问题呈现为非域自适应（DA）设置时获得的堆积高度和密度的MAE值（即，学习域内的模型;这对应于常规的监督学习任务并且在这里表示上基准），当部署所提出的预见域对齐和适当源域的选择的DA策略（绘制了所有11个选择机制的平均值）时，使用仅预见域对齐的DA策略，而没有专用的DA策略（即，在源域上学习模型，并将其应用于目标域，而无需事先进行域对齐和选择合适的源域;这在这里表示较低的基准上升4.7和4.9个百分点。分别关于堆积密度和高度。显然，MAE在学习和应用领域内的模型时是最低的。因此，与域自适应设置相比的准确度的差异可以被认为是误差成本，其与针对目标域的训练数据的获取有关。然而，为了能够更详细地了解哪些源选择机制是最有益的，图5中揭示了更有区别的结果。它显示了使用（总体）相似性度量的源-目标域选择与根据所有序列中的对齐数据计算的随机源-目标域选择相比获得的MAE的中位百分比差异。因此，我们还描绘了经验MAE时，总是最差的源域为某个目标域将被选择（下限），当总是最好的源域为某个目标域将被选择（上限），分别。首先，可以注意到，所有考虑的（总体）基于相似性度量的选择的所有值都是正的，即，大多数模型可以受益于基于（总体）相似性度量的引导源-目标域选择（图5a）。关于个体相似性度量，Pearson相关系数被证明是这里最有用的相似性度量，因为改进了9.9p。p. 是可以实现的。这一措施证明是有用的背景下高维数据集的无监督分类[21]。然而，我们提出的修剪集合实现了第二高的整体改善（9.4 p.p.）。其实施特别是为了减轻最终选择不适当的单一指标的风险。以这种方式，与包括所有度量（7.1p.p.）以及随机选择四个度量（6.0p.p.）。此外，t检验结果也证实了基于Hellinger，Pearson的源选择的显着改善，以及与我们提出的启发式引导的集成修剪策略编译的集成。T统计量分别为2.33、5.41和2.4，表明零假设C. GeiJiang etal.阵列15（2022）1002339图五. （a）与考虑所有配置的随机源-目标域选择相比，利用具有（总体）相似性度量的源-目标域选择获得的MAE方面的中值百分比差异;从48个实现中获得结果（由四个城市，三种大小的空间处理单元，两个回归变量，和两个目标变量）除了被组合和应用20次的随机编译的四个集合（即，绘制了关于960个实现的数值）;（b）顺序投票方案的相应平均等级(i.e.、选择机制具有与随机选择相同的精度）可以被拒绝，因为超过了相应的临界t值1.68。总的来说，实验结果强调了所提出的方法的能力，以获得更高的准确性水平更频繁地相比，随机源-目标域的选择。这些准确度模式也明确地反映在图5b所示的选择机制的平均排名中。例如，Hellinger、Pearson和使用我们提出的基于语义指导的集成剪枝策略编译的集成也具有最低的平均排名。5. 结论在这项工作中，我们建立了一种通过源选择的域适应方法，当存在多个潜在有用但未标记的源域时。与以往的工作相比，我们的目标是为一个未标记的目标域选择一个未标记的源域，并在源域被成功选择后获得标记样本。主要调查结果包括：基于直方图匹配的域对齐被证明允许在回归实验中对目标变量进行可行的估计，该回归实验旨在估计城市形态的属性，即，根据哨兵2号卫星图像计算的堆积密度和高度应用于各种图像特征的对齐边缘分布的相似性度量的使用被证明对于选择适当的源-目标域组合是有用的，与随机源-目标域选择相比，这允许获得经常更高的准确度水平。我们评估了不同的相似性指标，其中Hellinger和Pearson被证明是最有利的个人指标，在考虑的经验设置。我们提出的指导性集成修剪策略，特别是为了降低最终选择鼓励进一步部署遥感数据分析。考虑到该方法的模块化性质，我们感兴趣的是使该方法适用于多种图像模态，例如，将SAR测量值与相应的特征集相结合。此外，我们的目标是将这种独立于学习算法的域自适应方法集成到监督式多任务集成学习模型中[15，29]。信用作者声明克里斯蒂安·盖尔森基兴：概念化，方法论，软件，可视化，写作Alexander Rabuske ： 概 念 化 ， 方 法 论 ， 软 件 。 Patrick AravenaPelizari：概念化，方法论，写作&斯特凡·鲍尔：概念化，方法论，写作&-评论编辑. 汉内斯·陶本·博克：概念化，方法论，写作&- 评 论编 辑 。竞合利益作者声明，他们没有已知的可能影响本文所报告工作致谢本研究部分由德国联邦教育和研究部（BMBF）资助，资助号为03G0876（RIESGOS项目）。引用[1] [10]杨文辉，李文辉，李文辉. 具有自学习策略的虚拟支持向量机用于多光谱遥感图像分类。ISPRSJ Photogrammetry Remote Sens 2019;151：42-58.[2] 徐军，陆凯，王宏.多光谱语义的注意力融合网络在这个无监督的选择问题中，细分Pattern Lett2021;146：179-84.¨这是第二个最好的整体估计。总的来说，所提出的方法的有益的准确性特性[3] [10]张文辉，张文辉.具有前瞻性的成本敏感主动学习：遥感数据分类的最佳实地调查。IEEETGRS 2014;52（10）：6652-64。[4] 放大图片创作者：GeiJenc，ThomaM，Taubenb o？ckH. 用遥感描述城市环境特征的成本敏感多任务主动学习。IEEE GRSL 2018;15（6）：922-6.····C. GeiJiang etal.阵列15（2022）10023310[5] 作者：Zhang D，Zhang C，Zhang D.遥感数据分类的领域适应：最新进展综述。IEEE Geosci Remote SensingMagazine 2016;4（2）：41-57.[6] 潘SJ，杨Q.迁移学习研究综述。IEEE跨知识数据工程2010;22（10）：1345-59。[7] [10]杨文，李文.基于半监督转移分量分析的遥感图像领域自适应分类。IEEETGRS 2015;53（7）：3550-64。[8] J. Peng，W.孙湖，澳-地马，Q du，判别转移联合匹配用于高光谱图像分类中的域自适应，IEEE GRSL 16（6）972[9] Bruzzone L，Marconcini M.领域适应问题：DASVM分类技术和循环验证策略。IEEE Trans Pattern Anal Mach Intell2010;32（5）：770-87.[10] Zhu L，Ma L.基于类质心对齐的遥感图像领域自适应分类。 Pattern Lett 2016;83（2）：124-32.[11] 陆X，龚T，郑X.遥感跨域景象分类的多尺度补偿网络。 IEEE TGRS 2020;58（4）：2504-15.[12] 龚T，郑X，陆X.整合多个不完全来源的跨领域场景分类。IEEE TGRS2021;59（12）：10035-46。[13] 放大图片作者：Elshamli A，Graham WT，Shawki Areibi S.使用深度神经网络的遥感多频域适应。 IEEE TGRS 2020;58（5）：3328-40。[14] 沃尔珀特·H 叠加泛化。 神经网络1992;5（2）：241-59.[15] [10]杨文，杨文，杨文. 用sentinel-2数据绘制建筑物高度和密度的多策略集合回归。ISPRS JPhotogrammetry Remote Sens 2020;170：57-71.[16] 放大图片作者：J.叶片生化相关光谱波段的多方法集成选择。《环境遥感》2015年;164：57-65。[17] 冈萨雷斯RC，伍兹RE。数字图像处理。第二版。Upper-Saddle River，NJ，USA：Prentice-Hall; 2002年。[18] Drusch M，Del Bello U，Carlier S，Colin O，Fernandez V，Gascon F，Hoersch B，IsolaC，Laberinti P，Martimort P，Meygret A，Spoto F，Sy O，Marchese F，Bargellini P. Sentinel-2：欧空局为全球环境与安全监测业务服务的光学高分辨率任务。《环境遥感》2012年;120：25-36。[19] Soille P.形态学图像分析：原理和应用。德国：Springer; 2004年。[20] Haralick RM.纹理的统计和结构方法。Proc IEEE 1979;67（5）：786-804.[21] Shirkhorshidi AS，Aghabozorgi S，Wah TY.连续数据聚类中相似性与不相似性度量的比较研究。PLoS One 2015;10（12）：e0144059.[22] 杨文，李文. 基于多传感器特征融合的高分辨率临时居民点建成区提取。远程传感环境2018;209：793-807。[23] 欧洲航天局（欧空局）。http://step.esa.int/main/third-party-plugins-2/sen2cor/. [2021年7月8日[24] [10]杨文忠，李文忠，李文忠. 地图有多好？全球定居层的多尺度交叉比较框架：来自中欧的证据。2016年，《环境遥感》;178：191-212。[25] [10] Luebke D，Watson B，Cohen JD，Reddy M，Varshney A. 3D图形的细节级别。Elsevier Science Inc;2002.[26] [10]张文辉，张文辉. 城市形态的大面积表征-使用TanDEM-X和sentinel-2数据绘制建筑物高度和密度图。IEEE JSTARS2019;12（8）：2912-27.[27] Liaw A，Wiener M.随机森林分类与回归。R News：Newsletter R Project2002;2（3）：18-22.[28] SmolaA，SchoülkopfB. 支持向量回归机（SupportVectorRegression） StatComput2004;14：199 -222 [Kluwer Academic Publishers].[29] [10]杨文辉，李文辉，李文辉. 多目标回归链与重复排列方案为建筑环境遥感表征。Int J Appl Earth Obs Geoinf 2022;106：102657.