在城市管理、生态环境分析、规划以及景观分析方面，高质量且精细地表信息图发挥着至关重要的作用，卫星、飞机、无人机平台获取的高分辨率、超高分辨率遥感图像则可以以直观、时效、低成本方式提供高质量且精细地表信息。然而，受城区地表结构复杂、多光谱影像辐射分辨率较低及成像几何畸变等因素影响，高分辨率尤其是超高分辨率遥感图像的高精度解译一直是个挑战性的问题。 

　　通常在超高分辨率遥感图像分类中加入纹理、面向对象、形态学剖面等空间特征可大大提高其分类精度，但以上这些方法依然存在一定的缺陷，例如：1）纹理算子移动窗口大小、方向的选择对纹理特征的有效性直观重要，且一个移动窗口作用于正副图像其效果不一致；2）面向对象方法受限于所采用的图像分割算法，且分割算法的最优参数直接由所要处理的图像尺度、分辨率、复杂度等决定；3）传统形态学剖面（morphological profiles, mps）及扩展的形态学剖面（extended morphological profiles, emps）不能有效提取纹理信息；4）部分重构的形态学剖面（morphological profile with partial reconstruction, mppr）会过度重构细节特征；5）形态学剖面、扩展的形态学剖面以及部分重构的形态学剖面采用的基本结构算子（structural elements, ses）数量、结构、尺度有限，不可能完全正确匹配整副超高分辨率遥感图像中所有结构特征。 

　　针对上述问题，中国科学院新疆生态与地理研究所吉力力·阿不都外力研究员团队成员阿里木·赛买提博士利用最大稳定极限区域（maximally stable extremal region, mser）提取方法提取了城区超高分辨率遥感图像中的所有最大稳定区域，并将这些稳定区域作为结构算子一次性匹配整副图像中的所有结构特征，提出了最大稳定极限区域引导的形态学剖面构建方法。此外，首次将极限扰动决策树（extremely randomized decision tree, erdt）及其集成形式extratrees引入到超高分辨率遥感图像的分类，并提出了极限扰动旋转森林（extremely randomized rotation forest, errf）集成学习算法，并成功应用于城区超高分辨率遥感图像的高精度分类。 

　　相关研究以classification of vhr multispectral images using extratrees and maximally stable extremal region-guided morphological profile为题发表于遥感领域权威期刊ieee journal of selected topics in applied earth observations and remote sensing。研究得到了国家自然科学基金青年基金、中科院西部之光b类、新疆维吾尔自治区高层次人才引进工程等项目的资助。