绿色新闻网报道 近日，林学院张晓丽教授团队撰写的学术论文“Three-dimensional convolutional neural network model for tree species classification using airborne hyperspectral images”在工程技术领域一区TOP期刊《Remote Sensing of Environment》（影响因子9.085）在线发表，第一作者为硕士研究生张斌和赵霖。论文以机载高光谱影像为数据源搭建网络，在基础3D-CNN卷积神经网络的基础上，添加1D-CNN卷积层，构建了一个轻量级、泛化能力强、收敛速度快的分类模型，将原始高光谱数据作为输入，在保证分类精度和小样本的基础上减少对硬件的计算压力和运算时间，实现林分尺度下复杂地形下多树种的短时间大面积高精度分类制图，有很大的实际应用潜力。


　　张晓丽教授团队针对森林资源精细调查与监测的瓶颈问题，提出近地高光谱和多光谱遥感森林精细调查新技术，将人工智能领域的前沿理论和技术引入到森林资源调查与监测应用中，取得了重要进展。团队在工程技术领域二区《Remote Sensing》（影响因子4.509）发表论文“An Improved Res-UNet Model for Tree Species Classification Using Airborne High-Resolution Images”，第一作者为硕士研究生曹凯利。论文以机载高空间分辨率CCD影像为数据源，将语义分割网络U-Net和特征提取网络ResNet组合成一个改进的Res-UNet网络，其中U-Net网络的卷积层由ResNet的残差单元表示，并且使用线性插值代替每个上采样层中的反卷积。改进的Res-UNet网络在进行特征提取时能够提取影像多尺度、更深层次的树种信息，同时在网络加深过程中避免网络退化问题，获得最优分类精度。
　　以上研究均受国家重点研发计划项目“人工林资源监测关键技术研究”（2017YFD0600900）资助。
　　树种分类对森林资源的管理和可持续发展具有非常重要的意义。传统的分类方法采用人工实地调查，工作量较大，成本高且耗时耗力，不利于进行区域制图。随着遥感技术的不断发展，机载高光谱和高空间分辨率影像获取更加方便快捷，成本大幅降低，为精细的树种分类提供可能。近年来，深度学习方法已用于遥感图像的分类。但由于深度学习方法需要大量的训练数据，而公开的基准数据集主要用于城市覆盖分类和农作物检测等领域，关于树种分类的研究相对较少，尤其是树种组成复杂的较高郁闭度林分。因此，探讨小样本条件下森林树种分类的深度学习网络对遥感影像树种分类领域具有重要意义。
编辑：张薇
审核：朱天磊