遥感图像监督分类是遥感图像处理与应用领域中的一个重要分支，为获取精确的语义分类结果研究人员们已经做了大量的工作。其中，分类算法设计与应用是重要的一个方向。鉴于跟传统的基于模型的方法相比，机器学习算法在处理高维度、复杂特征空间、多时向及大覆盖范围遥感图像处理方面更具有优势。其中，又以具有算法简便、执行快速及性能稳定等优势的决策树集成算法最为普遍。
        在以决策树集成分类算法家族中，梯度提升树（Gradient boosting decision trees, GBDT）及其变体因具有算法性能优良、可使用多种损失函数及满足严格的数学可揭示性等优势今年来引起了研究人员们的广发兴趣。CatBoost集成算法作为最近提出的一种有序梯度提升树(Ordered Gradient boosting trees)，在一些模式分类问题中表现出比梯度提升树（GTDT）、极端梯度提升树（XGBoost）及轻量级梯度提升树（LightGBT）更加优秀的性能。然而，CatBoost集成算法在多源遥感图像分类问题中的性能为止。
        在遥感图像的高科新分类问题中，特征是除训练样本和分类器之外的又一关键要素。因此，在像素、对象、图像块及场景尺度上进行高级特征的表示是一个热点研究方向。跟像素、对象及场景级特征提取方法相比，图像块处理技术近年来在浅层及深度学习遥感图像处理领域引起了广泛关注。伪标记（Pseudo label）是由某一聚类算法分配给目标示例的类标记，因其简单及有效性优势被应用于特征降维、分类、域适用、目标探测、图像分割等领域。然而，现有的伪标记技术通常是应用基于示例或场景尺度表示的深度学习遥感图像处理任务中。
        针对上述问题，中国科学院新疆生态与地理研究所荒漠与绿洲生态国家重点实验室吉力力·阿不都外力研究员团队首先将CatBoost集成算法引入到多源遥感图像分类任务中，提出了一种基于邻域块伪标记辅助的多源遥感图像特征表示方法，并成功应用于高光谱、全极化SAR遥感图像的高精度分类。
        相关研究成果以“CatBoost for RS Image Classification With Pseudo Label Support From Neighbor Patches-Based Clustering”为题发表于遥感领域权威期刊IEEE Geoscience and Remote Sensing Letters上。研究得到了中国科学院青年创新促进会、国家自然科学基金青年基金的资助。文章链接：https://ieeexplore.ieee.org/document/9274374。 

邻域块伪标记辅助的遥感图像集成分类技术流程