土地利用/覆被（Land use / land cover, LULC）是生态环境的主要塑造者，利用遥感技术对LULC进行动态监测，定量提取LULC变化信息，是应对全球气候变化、维护地球系统能量平衡的重要研究内容。

已有研究表明，深度学习在从遥感影像中提取LULC时表现显著。近年来，集成多个深度学习模型成为提高遥感影像分类精度的有效方法，但这些集成方法忽略了像素之间的内在关联，在集成过程中分类结果的多样性必须依赖于不同模型，训练时间成本高且精度提升有限，导致实时快速地提取LULC遇到瓶颈。

中国科学院西北生态环境资源研究院遥感与地理信息科学研究室科研团队开展像元内在关系的研究，发现利用像元间的关联信息建立不同的组合体可以消除集成分类过程中对于多模型的依赖。科研人员提出了一种无需多模型的集成分类方法—“双子”集成分类框架（Doublet-Based Ensemble Classification Framework，DBECF）。该方法能够有效提升不同类型遥感影像的分类精度，与现有的基于单像素的集成分类模式相比，在精度和效率方面均有明显的优势。另外，DBECF克服了当前集成分类模式耗时的缺点，为深度学习和集成学习的结合提供了一个崭新视角，对于提取高质量LULC用以支持大范围长时序的地学研究有着重要的理论参考和实用价值。

该成果以Remote sensing image classification using an ensemble framework without multiple classifiers 为题发表在ISPRS Journal of Photogrammetry and Remote Sensing 上，西北研究院助理研究员窦鹏为第一作者，黄春林研究员为通讯作者。该研究获国家自然科学基金重点项目，国家自然科学青年基金项目和甘肃省自然科学基金面上项目共同支持。

文章链接

DBECF与不同方法的分类效果

不同分类算法下DBECF和单实体分类器（SI-Classifier）之间的精度差

不同分类算法下Bagging和DBECF的总体精度（OA）和熵（Entropy）