基于稀疏标注的卫星观测栖息地分类

与野外调查相比，遥感通过更易监测大面积区域而惠及栖息地保护，尤其在遥感数据可自动分析时。监测的一个重要方面是对监测区域内存在的栖息地类型进行分类与制图。自动分类是一项困难任务，因为各类别差异细微且分布呈长尾不平衡。通常用于自动土地覆盖分类的训练数据依赖于全标注分割图，这些图从遥感影像标注至较高级分类体系，即森林、农田或城市区域等类别。自动栖息地分类的一个挑战是可靠的数据标注需要野外调查。因此，全分割图制作成本高昂，且训练数据通常稀疏、点状并限于步行可达区域。需要能更高效利用这些有限数据的方法。我们通过提出一种栖息地分类与制图方法解决这些问题，并将该方法应用于将整个芬兰北部拉普兰地区分类为 Natura2000 类别。该方法的特点是利用从野外收集的细粒度、稀疏单像素标注，结合大量未标注数据生成分割图。我们比较了有监督、无监督与半监督方法，并展示了从较大域外数据集迁移学习的益处。我们提出了一种偏向中心像素分类的 \ac{CNN} 与随机森林分类器集成，其生成比单一模型质量更高的分类。我们表明裁剪增强、测试时增强与半监督学习可进一步助力分类。