基于熵权与集成学习的半监督小样本树种分类研究

Research on Semi Supervised Small Sample Tree Species Classification Based on Entropy Weight and Ensemble Learning

摘要

针对传统半监督自训练分类方法易导致数据集混乱，影响后续小样本树种分类精度这一问题，基于熵权法（en-tropy weight,EW）与集成学习（ensemble learning,EL）提出EW-EL的半监督小样本树种分类方法。EW-EL在传统半监督自训练分类方法的理论上引入EL的思想，以熵权法作为基础理论设计按基分类器当前训练周期下的F1分数计算的信息熵作为计算权重因子，再依信息熵越大基分类器越不稳定思想设计权重，使集成分类器分类概率更集中，减少集成分类器偏向性。结果显示，EW-EL较传统半监督自训练方法能更有效地均衡数据分布，使新加入数据的伪标签样本类别更准确。EW-EL所得到的小样本树种分类总精度（OA）为0.97、召回率（Recall）为0.96及Kappa系数为0.97,3种指标均优于监督分类、传统半监督自训练方法及利用传统EL机制所构建的半监督自训练方法。其中，EW-EL方法较融合软投票机制的半监督自训练方法，OA与Recall均提升了1%。EW-EL联合简单线性迭代聚类所制成的树种图在所选测试区内达到了94%。此外，进一步分析证明，EW-EL能通过集成诸多分类器，来实现更佳的小样本树种分类结果，更适用于低成本下的相关部门进行林业资源统计的工作。

Abstract

To address the issue that traditional semi-supervised self-training classification methods can lead to dataset confusion， affecting the accuracy of subsequent small-sample tree species classification， an EW-EL（entropy weight and ensemble learning） semi-supervised small-sample tree species classification method is proposed based on the entropy weight method（EW） and ensemble learning（EL）. EW-EL introduces the concept of EL into the theoretical framework of traditional semi-supervised self-training classification methods， using the entropy weight method as a foundational theory. It calculates the information entropy based on the F1 score of base classifiers in the current training cycle as a weight factor. Then， design the weights according to the idea that the larger the information entropy， the more unstabel the base classifier will be. This will make the classification probabilities of the ensemble classifier more concentrated and reduce the bias of the ensemble classifier. The findings demonstrate that， in contrast to conventional semi-supervised self-training techniques， EW-EL can efficiently balance data distribution， producing more precise pseudo-label sample categories for recently added data. With a recall of 0.96 and a Kappa coefficient of 0.97， the overall accuracy（OA） of the EW-EL method for small-sample tree species classification is 0.97. All three indicators are superior to supervised classification， conventional semi-supervised self-training techniques， and semi-supervised self-training techniques built using conventional EL mechanisms. In particular， the EW-EL approach outperforms semi-supervised self-training techniques that incorporate a soft voting mechanism in terms of OA and recall by 1%. Furthermore， in the chosen test area， the tree species map produced with EW-EL in combination with basic linear iterative clustering reached 94% accuracy. Moreover， extra analyses show that EW-EL can integrate several classifiers to provide better small-sample tree species classification results， which makes it more appropriate for relevant departments in forestry resource statistics under low-cost circumstances.

Graphical abstract

关键词

无人机影像 / 熵权法 / 深度学习 / 集成学习 / 半监督小样本分类 / 树种分类 / 树种制图 / EW-EL

Key words

Drone imagery / entropy weight method / deep learning / ensemble learning / semi-supervised small-sample classification / tree species classification / tree species mapping / EW-EL

0 引言

森林作为地球生态环境不可或缺的部分之一，能维持全球碳平衡及提供众多的有益环境服务^［1］。迅速而准确地获取森林树种分布范围及林分信息是林学者的重要工作，有助于其快速了解森林资源并制定有关决定性政策^［2］。以往调查森林树种方式为实地调查，人工分类森林树种。然而此种方式消耗大量人力、财力及时间逐渐不被采取^［3］。相较于传统人工分类树种的方式，无人机遥感技术因其广泛、有效、迅速、大范围及无损等特点成为目前分类森林树种的主要手段^［4］。

机器学习（machine learning，ML）是人工智能的分支，能从大量标注数据学习到不同类数据的特征并感知之间的差异从而实现分类。深度学习（deep learning，DL）隶属于ML，通过深层的网络架构能获取较传统ML更加复杂的特征，实现更精细的树种分类结果。目前常结合DL与无人机遥感技术分类森林树种，如Wang等^［5］基于DenseNet与瓶颈层开发一种用于分类高分辨率影像森林树种的DL分类器，并发现该分类器优于原始DenseNet及目前先进的分类器。

当前，由于DL分类器特有的架构（网络深）需要大量标注样本训练，而这些样本通常要手工标注^［6］。然而仅依靠单一的影像难以在有限精力下实现大量标注树种样本集的制作。因此如何构建更加适合小样本森林树种分类的分类器成为主流的研究方向之一。半监督自训练学习是利用少量标注样本识别未标注样本，并将其放入标注样本中从而扩充标注样本实现小样本森林树种分类结果^［7］。如陈龙伟等^［8］利用U-Net与ResNet 2个DL分类器基于自训练方法设计了半监督无人机树种分类方法，并获得了最佳91.08%的总精度（overall accuracy，OA）。然而半监督自训练的方法无法确保新添加标记样本类别的正确性。一般的解决办法是设置概率置信值从而确保样本类别的正确性，但此种方法的正确性高度取决于分类器本身，在原始数据集较小情况下，分类器本身的偏向性易导致数据集混乱，从而影响后续分类结果^［9］。

综合多个分类器的分类结果能解决模型有偏问题，但是目前存在的半监督分类研究中鲜有此类方法^［10］。如何将多个分类器引入半监督自训练方法则是后续研究重点^［11］。

集成学习（ensemble learning，EL）能通过不同的决策方法综合多个分类器结果将多分类器引入半监督自训练方法中^［12］。传统的EL方法一般分为软投票和硬投票^［13］。硬投票是将分类结果中出现次数最多的那个作为最终的结果。此种方法虽能在半监督自训练方法中引入多个分类器，但是不同分类器的性能不同，针对于此需要给不同分类器设计不同的权重。软投票方法则能解决此问题，其通过给予不同基础分类器不同权重，能在半监督自训练方法中引入多个分类器综合不同分类器的最优结果^［14］。然而软投票方法设计权重中，大都是按照分类器基础性能分配权重，一般是手工设计权重。故如何设计一个自适应权分配方法将多个分类器引入半监督自训练方法中是本研究的重点。

针对上述问题，本研究提出了一种基于熵权（entropy weight，EW）与EL的半监督小样本树种分类框架（entropy weight ensemble learning，EW-EL）以少量标注样本与大量未标注样本实现低成本与高OA的森林树种分类结果。EW-EL在半监督分类的基础上引入了EL思想，并设计了新EL方法，该方法引入了熵权法，借助信息熵越大的基分类器拥有较差的性能这一特点，以基分类器当前训练周期所计算的F1分数计算信息熵并以此计算各基分类器权重，解决分类器偏向导致数据集混乱的问题，减少分类器偏向性问题，实现小样本情况下的森林树种精细分类结果，在低开销下为林业领域的森林树种分布信息与森林结构调整提供技术支持。

1 研究区与数据

1.1 研究区概况

研究区位于安徽省滁州市4A级风景区-琅琊山风景区，其地理位置处于32°16′00″N左右，118°17′40″~118°18′00″E，地势西南高，东北低，以天然林、人工种植林、针叶林和阔叶林为主，属于混合系统，各个林地之间互相交错。区域内气候温和，降水充足，四季分明。夏季平均气温为27~28 ℃，冬季平均气温为1.5~4.5 ℃，年平均气温为15.2 ℃，年降水量为1 050 mm，良好的气温与降水为区内的林木提供了极好的生长条件，区域树种主要分布有香樟、朴树、山杏、美国红枫、女贞、石楠龙柏及月桂。其中，山杏主要分布在湖周边，美国红枫分布最为广泛，而月桂、龙柏及朴树零星散落分布在研究区各个区域。雪松在研究内分布最为稀少，仅有少数，分布在区域左上部。石楠则主要位于研究区的建筑物周边。此外，本研究还在影像内选择了一块典型的且便于到达的区域作为测试区以测试本方法在绘制树种分布图上的性能。测试区内树种主要分布有龙柏及月桂，还有两棵香樟分布在小路周边。

1.2 无人机数据

考虑到当地地形的特殊性质，本研究采用仿地飞行的方法获取该区域的影像，所获取的影像数据具有清晰的树冠边界与地物轮廓边界。数据采集设备为大疆精灵4 RTK版本，所使用的无人机平台装载了1英寸CMOS图像传感器，具有3 000万像素，囊括了红、绿、蓝3个波段，如图1所示。在2021年7月26日晴朗无云少风的情况下获取研究区的无人机数据。研究区的航线规划参数见表1。

2 研究方法

2.1 熵权与集成学习的半监督小样本树种分类

如引言中所述的问题，即无法将多个分类器引入半监督自训练方法中，此外，EL方法中权重无法自适应调整等问题，本研究基于EL提出了熵权集成学习方法，在半监督学习中引入了EL思想，借助熵权法计算各指标的信息熵来衡量其不确定性或分散程度，进而确定每个指标的相对重要性（权重）。具有较高熵值（即信息不确定性大）的指标被认为包含较少的独特信息，因此会被赋予较低的权重；反之，信息熵低的指标因为提供的信息更为集中、独特，会被赋予较高的权重，以此集成n个分类器（根据电脑性能可调大n，引入更多的分类器）的半监督小样本分类方法，借助不同分类器的性能均衡每一类别的分类精度以提升生成最终的伪标签样本数据集正确性，在低开销下实现更高的小样本树种分类精度。

针对本研究的多树种分类问题，基于信息熵的概念，通过考虑基分类器分类结果的分散程度计算各自基分类器下所对应的权重占比，并根据该结果将各分类器的结果进行组合以提升生成的伪标签数据集的正确性。

信息熵借鉴了热力学的概念，把信息中排除了冗余后的平均信息量称为“信息熵”。在信息论中被定义为用来度量信息的不确定性程度，熵值大小（H）与不确定性程度正相关，即熵值越大，不确定程度越大，其具体计算公式为

H(X)=-{\sum }_{X\in \chi }p(x)\mathrm{l}\mathrm{o}{\mathrm{g}}_{\mathrm{2}}p(x)。（1）

式中：\chi为变量X能取到的一组值；p\left(x\right)为X的概率函数。当且仅当不同的随机变量X_{\mathrm{1}}与X_{\mathrm{2}}独立时，H(X_{\mathrm{1}},X_{\mathrm{2}})=H\left(X_{\mathrm{1}}\right)+H\left(X_{\mathrm{2}}\right)。

根据信息熵的大小计算每个分类器的权重。信息熵越小，表示该分类器在该性能指标下的表现越离散（即性能差异大），因此其权重应该越大，故基分类器的权重计算具体公式为

W_i=\frac{\mathrm{1}-H_i}{{\displaystyle \sum _{j=\mathrm{1}}^n}(\mathrm{1}-H_j)}。（2）

式中：W_i是第i个分类器的权重；H(i)是该分类器在某性能指标下的信息熵；n是分类器的总数。

本数据集有1 589个样本，若有n个分类器对样本进行分类，则有n个结果，各个分类结果之间相互独立，且由不同样本集合组成，其分类结果的性能可由精确度（分类器正确预测为正例的样本数量（True Positives，TP，式中记为T_P）与所有被分类为正例的样本数量（True Positives+False Positives，式中记为T_P+F_P）的比值）、召回率（召回率是指分类器正确预测为正例的样本数量（T_P）与所有实际正例的样本数量（True Positives+False Negatives，式中记为T_P+F_N）的比值）等指标衡量。

P_{\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}}=\frac{T_{\mathrm{P}}}{T_{\mathrm{P}}+F_{\mathrm{P}}}。（3）

P_{\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}}=\frac{T_{\mathrm{P}}}{T_{\mathrm{P}}+F_{\mathrm{N}}}。（4）

式中：P_{\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}}为精确率；R_{\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}}为召回率；T_{\mathrm{P}}为正确识别对应树种像素数目；F_{\mathrm{P}}代表错误地识别非对应树种像素为对应树种像素数目；F_{\mathrm{N}}则是错误识别对应树种像素为非对应树种像素的数目。

精确率表示在所有分类为正例的样本中，有多少是真正的正例，而召回率表示有多少真正的正例被成功预测出。而\mathrm{F}\mathrm{1}分数（式中记为F₁）是精确率和召回率的调和平均值，其考虑了F_{\mathrm{P}}和F_{\mathrm{N}}，其涉及到的不仅仅是准确性，而是用于综合考虑分类器的性能。

F_{\mathrm{1}}=\frac{\mathrm{2}\times P_{\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}}\times R_{\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}}}{P_{\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}}+R_{\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}}}。（5）

故本研究将\mathrm{F}\mathrm{1}分数作为性能评价指标，并引入式（1）中，作为基分类器n当前分类下的概率值计算熵值，式（1）可变化为

H(X)=-{\sum }_{X\in \chi }{F}_{\mathrm{1}}(x)\mathrm{l}\mathrm{o}{\mathrm{g}}_{\mathrm{2}}{F}_{\mathrm{1}}(x)。（6）

再将式（6）带入式（2）可计算各分类权重，式（2）可变化为

W_i=\frac{\mathrm{1}+{\sum }_{I\in i}{F}_{\mathrm{1}}(i)\mathrm{l}\mathrm{o}{\mathrm{g}}_{\mathrm{2}}{F}_{\mathrm{1}}(i)}{{\displaystyle \sum _{j=\mathrm{1}}^n}(\mathrm{1}+{\sum }_{J\in j}{F}_{\mathrm{1}}(j)\mathrm{l}\mathrm{o}{\mathrm{g}}_{\mathrm{2}}{F}_{\mathrm{1}}(j))}。（7）

式（7）为最后的权重计算公式，因基分类器在每个周期下进行训练，故在每个周期下，根据基分类器当前所计算的\mathrm{F}\mathrm{1}分数进行自适应调整每个周期的权重。

2.2 数据集制作

本研究利用超像素分割算法中的简单线性迭代聚类方法预先分割图1研究区中的单个树冠及其余相关地物生成带有分割标签的掩膜数据，然后根据该掩膜内各个地物的边界裁剪原始研究区影像生成无标签的样本数据集，再通过人工目视解译的方法利用先验知识确立样本大致正确性并记录实际的位置及其分布范围，最后根据专业软件天地图到达事先记录的地物分布范围及实际位置，并通过形色软件与先验知识检测粗略分类的样本正确性，其间，无法通过此类方法判别的数据样本放弃。通过此种制作数据方法制成了11类树种、6类地物数据集，总共208张带有标签的数据集，如图2所示， 1 589张未标注样本，后续分类器训练数据输入的随机种子设置为0确保输入数据的统一，此外，训练及验证数据比为7∶3。本研究后续利用Pytorch中自带的随机旋转、随机采集、随机改变饱和度、明度及亮度等方法在分类器训练及验证中扩充并增强数据。

2.3 基础分类器构建

由于本次试验计算机计算性能有限，故选取了目前树种分类领域中较为流行的5个DL分类器，分别是DenseNet121、ShuffleNet V2、Resnet18、Vision trasnformer base16及ConvNeXt tiny。DenseNet利用稠密连接拼接了前面所有的层结构，加强前后层之间的信息流通，这在一定程度上缓解了梯度消失现象^［15］。ShuffleNet主要包含逐点组卷积和通道混洗，ShuffleNet网络在保持准确率的情况下，极大地降低了计算成本^［16］。Resnet18通过残差链接构建而来，能在短时间获取更复杂的特征提取实现更高的精度^［17］。Vision transformer base16则是谷歌团队将Transformer架构应用在分类领域的一个分类器，拥有极强的分类能力^［18］。ConvNeXt tiny则是目前较为先进的分类器，是模仿ResNet18的架构而来^［19］。

2.4 精度评定

为评估本方法在缓解数据集混乱上的有效性，利用训练结束后的数据集分布与传统半监督自训练方法得到的数据集分布及手工区分的真实数据集分布对比。本研究后续利用总精度（Overall accuracy，OA，式中记为O_A，见下式）、召回率（Recall，式（4））及Kappa系数（式中记为K_appa，）作为精度评定指标综合评估基础分类器性能、半监督自训练及EW-EL在小样本领域的分类性能^［20］。此外，本研究还联合简单线性迭代聚类方法在测试区域绘制树种分布图，以手工绘制的树种图对比定量测试了该图精度。

O_{\mathrm{A}}=\frac{T_{\mathrm{P}}+T_{\mathrm{N}}}{T_{\mathrm{P}}+T_{\mathrm{N}}+F_{\mathrm{P}}+F_{\mathrm{N}}}。（8）

K_{\mathrm{a}\mathrm{p}\mathrm{p}\mathrm{a}}=\frac{p_{\mathrm{o}}-p_{\mathrm{e}}}{p_{\mathrm{o}}+p_{\mathrm{e}}}。（9）

式中：P_{\mathrm{o}}表示的是总精度；P_{\mathrm{e}}表示的是所有类别分别对应的“实际与预测数量的乘积”的总和除以“样本总数的平方”。

3 结果及分析

3.1 标注样本分布

本研究统计了传统半监督自训练方法、EW-EL训练完成后的数据集分布，手工区分了所有的未标注数据集并绘制了柱状图，如图3所示。图3中Self-Training表示为传统半监督自训练方法，EW-EL是本研究所使用的方法，Ture则是手工区分的真实标签。图3结果显示，相较于传统半监督自训练方法，EW-EL能正确识别未标注样本并加入基础数据集中（每个类别的数量几乎与真实类别的数量一致），有效平衡数据集的分布，而传统半监督方法在识别裸地、落叶树、月桂及山杏树上有明显的缺陷，导致这几者的数据量与真实的数量差距较大。

3.2 分类结果

根据基础数据统计了监督分类下的各个基础分类器的各个类别的精度及OA、Recall与Kappa系数并列于表2。根据基础数据与未标注数据统计了传统半监督自训练方法下与EW-EL方法下各个类别的精度及OA、Recall与Kappa系数并列于表3与表4。

表2表明，ConvNeXt tiny与Vision transforer base16的性能一致，OA相当（为0.90），而DenseNet121在小样本情况下的性能最差，OA仅为0.83，Kappa系数为0.82，ShuffleNet V2与ReseNet18的在小样本下的识别能力相当，但差于ConvNeXt tiny与Vision transforer base16。

表3记录了基于不同分类器的半监督自训练结果，其中置信值设置为0.9。表3显示半监督自训练的方法显著提升了树种的分类结果，在所有基础分类器上均有效提升了OA、Recall与Kappa系数。其中，DenseNet121提升得最为显著，OA提升了8%，而监督分类下OA最高的ConvNeXt tiny提升仅为4%，表明半监督自训练方法在监督分类性能不佳时更能有效提升分类效果。

表4记录了基于EW-EL的不同集成分类器的训练结果，其中置信值设置为0.9，EW-EL（1）表示集成了DenseNet121与ShuffleNet V2；EW-EL（2）表示集成了DenseNet121、ShuffleNet V2与ResNet18；EW-EL（3）表示集成了DenseNet121、ShuffleNet V2、ResNet18与Vision transformer base16；EW-EL（4）表示集成了DenseNet121、ShuffleNet V2、ResNet18、Vision transformer base16与ConvNeXt tiny。表4显示EW-EL方法能有效提升分类OA、Recall及Kappa系数。具体而言，EW-EL（1）通过集成DenseNet121与ShuffleNet V2较ShuffleNet V2提升了3%的OA与4%的Recall、3%的Kappa系数。EW-EL（4）通过集成DenseNet121、ShuffleNet V2、ResNet18、Vision transformer base16与ConvNeXt tiny，也提升了较ConvNext tiny 3%的OA与2%的Recall、3%的Kappa系数。

另外，表4还显示EW-EL（4）的OA（0.97）、Recall（0.96）及Kappa系数（0.97）高于EW-EL（1）（OA（0.95），Recall（0.95），Kappa系数（0.95））、EW-EL（2）（OA（0.95），Recall（0.96），Kappa系数（0.96））及EW-EL（3）（OA（0.96），Recall（0.96），Kappa系数（0.96）），这表明，EW-EL通过F1分数计算信息熵并以此分配权重的方法能通过集成更多的分类器来提升最终的分类OA。

根据EW-EL（4）识别简单线性迭代聚类生成的超像素块绘制了研究区树种分布图（图4（a）），通过手工的方式识别简单线性迭代聚类生成的超像素块绘制了测试区的真实树种地图（图4（b）），图4（c）为测试区的放大部分。图4显示，测试区内的大部分树种及地物被准确地识别出。但测试区内的裸地及部分月桂识别存在错误，但结合表4中EW-EL（4）对这二者的分类性能可知（分类精度均为1），简单线性迭代聚类的欠分割（将单木分割为2个地物）导致后续的EW-EL（4）识别错误。

根据真实树种地图的标签统计了EW-EL（4）在测试区内识别正确与错误的地物数量并以此计算了制图精度。表5显示，EW-EL（4）结合简单线性迭代聚类的方法在所选测试区内的制图OA达到了94%，Kappa达到了0.93，Recall达到了0.94。

4 讨论与结论

4.1 讨论

为测试本研究所提出的熵权集成学习方法的有效性，将硬投票与软投票机制融入半监督自训练方法中，并在所用数据集上测试了分类性能，结果见表6与表7。表6与表7中后缀为（1）表示集成了DenseNet121与ShuffleNet V2，（2）表示集成了DenseNet121、ShuffleNet V2与ResNet18，（3）表示集成了DenseNet121、ShuffleNet V2、ResNet18与Vision transformer base16，（4）表示集成了DenseNet121、ShuffleNet V2、ResNet18、Vision transformer base16与ConvNeXt tiny。

相较于表2的监督训练方法，表6显示利用硬投票机制所构建的半监督自训练方法能有效改善小样本条件下的树种分类精度，在融合5个分类器的基础上，较使用单一的分类器构建的监督自训练方法能有效提升了约5%的OA、Recall及Kappa。相较于表3的半监督训练方法，表6显示利用硬投票机制所构建的半监督自训练方法提升了约1%的OA、Recall与Kappa。

表7显示利用软投票机制所构建的半监督自训练方法同样提升了小样本树种分类性能，且提升的效果显著优于硬投票机制下的方法，较传统监督学习方法性能提升更为明显，提升了约6%的OA、Kappa与Recall。但基于硬投票与软投票的半监督自训练方法的精度均低于本研究所提出的EW-EL方法（最佳OA有0.97，而基于软投票与硬投票的方法仅仅只有0.96与0.95），这表明EW-EL方法在小样本树种分类领域的适用性。

4.2 结论

为解决半监督自训练的方法无法确保新添加标记样本类别的正确性，有偏的分类器导致数据集混乱影响后续分类精度的问题，本研究提出了基于熵权法与EL的EW-EL的半监督自训练小样本树种分类方法。EW-EL利用基分类器当前的F1分数计算信息熵并以此作为基础计算分配权重，一方面，综合利用了多个分类器的分类结果，解决了单一分类器在数据识别上有偏性问题，另一方面，EW-EL忽视当前性能较差的分类器，在训练过程中通过信息熵越大越不稳定的思想，只考虑满足要求性能的分类器来平衡训练耗时。结果显示，EW-EL方法在小样本情况下有效改善未标注样本的识别能力，新加入数据集的伪标签样本类别更加正确，使数据集分布更接近于真实标签样本。EW-EL方法的OA、Recall与Kappa系数均优于监督分类与传统的半监督自训练分类方法。此外，EW-EL方法也优于利用 EL方法所构建的半监督自训练树种分类方法。EW-EL方法与简单线性迭代聚类分割方法在所选测试区内的制图总精度达到了94%，Kappa达到了93%，Recall达到了94%。

然而，EW-EL虽能实现较高的小样本树种分类性能，但是在分割算法的局限下（存在欠分割现象），树种制图精度仍待改善。此外，由于本研究所选测试区影像并不具有代表性，仅囊括几类温带阔叶林树种，在其余地区如亚热带常绿阔叶林下的分类性能仍待测试。

参考文献

[1] REZAEE K， MOUSAVIRAD S J， KHOSRAVI M R，et al.An autonomous UAV-Assisted distance-aware crowd sensing platform using deep shufflenet transfer learning［J］.IEEE Transactions on Intelligent Transportation Systems，2022，23（7）：9404-9413.

[2] GAZZEA M， KRISTENSEN L M， PIROTTI F，et al.Tree species classification using high-resolution satellite imagery and weakly supervised learning［J］.IEEE Transactions on Geoscience and Remote Sensing，2022，60：1-11.

[3] XI Y， TIAN J， JIANG H，et al.Mapping tree species in natural and planted forests using Sentinel-2 images［J］.Remote Sensing Letters，Taylor & Francis，2022，13（6）：544-555.

[4] 蒲涛，王妮，汤连盟，自适应集成的高分辨率树种遥感分类［J］.遥感信息，2023，38（6）：139-147.

[5] PU T， WANG N， TANG L M，et al.Adaptive integrated high-resolution tree species remote sensing classification［J］.Remote Sensing Information，2023，38（6）：139-147.

[6] WANG N， PU T， ZHANG Y，et al.More appropriate DenseNetBL classifier for small sample tree species classification using UAV-based RGB imagery［J］.Heliyon，2023，9（10）：e20467.

[7] WANG N， PU T， CHEN T.Simple linear iterative clustering and ConvNeXt for mapping vectorize tree species［J］.Journal of Applied Remote Sensing，2023，17（3）：038502.

[8] FASSNACHT F E， LATIFI H， STEREŃCZAK K，et al.Review of studies on tree species classification from remotely sensed data［J］.Remote Sensing of Environment，2016，186：64-87.

[9] 陈龙伟，周小成，李传昕，基于UNet-ResNet14*半监督学习的无人机影像森林树种分类［J］.农业工程学报，2024，40（1）：217-226.

[10] CHEN L W， ZHOU X C， LI C X，et al.Classification of tree species based on UNet-ResNet14* semi-supervised learning using UAV images［J］.Transactions of the Chinese Society of Agricultural Engineering，2024，40（1）：217-226.

[11] WAN H， TANG Y， JING L，et al.Tree species classification of forest stands using multisource remote sensing data［J］.Remote Sensing，，2021，13（1）：144-168.

[12] AYGUNES B， CINBIS R G， AKSOY S.Weakly supervised instance attention for multisource fine-grained object recognition with an application to tree species classification［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2021，176：262-274.

[13] DEUR M， GAŠPAROVIĆ M， BALENOVIĆ I.An evaluation of pixel- and object-based tree species classification in mixed deciduous forests using pansharpened very high spatial resolution satellite imagery［J］.Remote Sensing，2021，13（10）：1868.

[14] DECHESNE C， MALLET C， LE BRIS A，et al.Semantic segmentation of forest stands of pure species combining airborne lidar data and very high resolution multispectral imagery［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2017，126：129-145.

[15] QI H， ZHOU Z， IRIZARRY J，et al.Automatic identification of causal factors from fall-related accident investigation reports using machine learning and ensemble learning approaches［J］.Journal of Management in Engineering，2024，40（1）：04023050.

[16] YAGHOUBI E， YAGHOUBI E， KHAMEES A，et al.A systematic review and meta-analysis of artificial neural network，machine learning，deep learning，and ensemble learning approaches in field of geotechnical engineering［J］.Neural Computing and Applications，2024，36（21）：12655-12699.

[17] ELSAYED H S， SAAD O M， SOLIMAN M S，et al.Attention-Based fully convolutional densenet for earthquake detection［J］.IEEE Transactions on Geoscience and Remote Sensing，2022，60：1-10.

[18] CHEN Z， YANG J， CHEN L，et al.Garbage classification system based on improved ShuffleNet v2［J］.Resources，Conservation and Recycling，2022，178：106090.

[19] KRUEANGSAI A， SUPRATID S.Effects of shortcut-level amount in lightweight ResNet of ResNet on object recognition with distinct number of categories［C］//2022 International Electrical Engineering Congress（iEECON），Khno Kaen，Thailand，2022：1-4.

[20] JAMALI A， ROY S K， GHAMISI P.WetMapFormer：A unified deep CNN and vision transformer for complex wetland mapping［J］.International Journal of Applied Earth Observation and Geoinformation，2023，120：103333.

[21] LI Z， GU T， LI B，et al.ConvNeXt-Based fine-grained image classification and bilinear attention mechanism model［J］.Applied Sciences，2022，12（18）：9016.

[22] HUANG X， DONG M， LI J，et al.A 3-D-Swin transformer-based hierarchical contrastive learning method for hyperspectral image classification［J］.IEEE Transactions on Geoscience and Remote Sensing，2022，60：1-15.

基金资助

国家自然科学基金项目(62071171)

黄炎培职业教育思想研究规划课题(ZJS2022Zd33)

中西部地区本科层次职业教育理论与实践研究(22GDZY0229)

面向复杂场景的小目标检测与识别关键技术研究(242102210071)