近日,，我校測繪地理信息學(xué)院智能計算與遙感應(yīng)用實驗室青年骨干教師付波霖,，在濕地遙感領(lǐng)域取得重要研究進(jìn)展,。相關(guān)研究成果以“Study on transfer learning ability for classifying marsh vegetation with multi-sensor images using DeepLabV3+ and HRNet deep learning algorithms”為題發(fā)表在遙感領(lǐng)域國際權(quán)威期刊《International Journal of Applied Earth Observation and Geoinformation》（SCI一區(qū)TOP,，2021年IF=5.933）上,。該研究得到國家自然科學(xué)基金,、廣西自然科學(xué)基金和廣西八桂學(xué)者團(tuán)隊等項目的共同資助,。測繪地理信息學(xué)院2019級碩士研究生劉曼與導(dǎo)師付波霖為論文共同第一作者,，何宏昌教授與范冬林老師為論文共同通訊作者,，桂林理工大學(xué)為第一完成單位,。2021年以來，實驗室研究團(tuán)隊在北斗/GNSS高精度對流層大氣探測和濕地遙感兩個研究方向均取得了重要進(jìn)展,，已發(fā)表二區(qū)及以上SCI論文9篇,，中文EI源刊論文6篇。

　　濕地植被的高精度分類與快速監(jiān)測是系統(tǒng)研究濕地結(jié)構(gòu)與生態(tài)功能的重要基礎(chǔ),，并為濕地的保護(hù)與合理開發(fā)提供必要的參考信息,。近年來，深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)算法（CNN）已被用于遙感領(lǐng)域,，但如何利用CNN智能算法與多源遙感影像進(jìn)行自然植被的高精度,、高效率分類仍是一項具有挑戰(zhàn)性的難題。有研究表明,，利用CNN算法的遷移學(xué)習(xí)能力可提高地物的分類效率,，但目前已有的研究只驗證了遷移學(xué)習(xí)在分布較為規(guī)則的地物中具有較好的性能，尚未有研究論證CNN算法在空間分布較為復(fù)雜的自然植被分類中的遷移學(xué)習(xí)效果,。

　　該項研究首次利用新一代中國高空間分辨率對地觀測衛(wèi)星GF-1,、GF-2與ZY-3，以及國際對地觀測衛(wèi)星Sentinel-2A與Landsat 8 OLI,，系統(tǒng)探索了遙感影像的不同空間分辨率梯度和不同光譜維度組合對沼澤植被分類精度的影響,，創(chuàng)新性地利用多源影像探究了CNN算法在沼澤植被中的遷移學(xué)習(xí)性能,，并對比論證了傳統(tǒng)基于像素的CNN分類方法與融合圖像分割的CNN分類方法對濕地植被邊界處的精準(zhǔn)識別能力，該研究成果為復(fù)雜自然植被智能識別和變化檢測提供了新的思路,。

　　論文鏈接：https://www.sciencedirect.com/science/article/pii/S0303243421002385

研究流程圖

　　該項研究主要分為三個部分：（1）在0.8m-30m的空間分辨率與430nm-2300nm的光譜范圍下構(gòu)建16種多源影像組合方案,，驗證不同空間分辨率梯度和光譜維度的組合方式對沼澤植被識別能力的影響。（2）融合8種不同空間分辨率影像的分類結(jié)果,，并與面向?qū)ο蟮亩喑叨扔跋穹指罱Y(jié)果進(jìn)行疊加整合,，對比驗證傳統(tǒng)基于像素的CNN分類方法與融合圖像分割的CNN分類方法對濕地植被邊界處的精準(zhǔn)識別能力。（3）基于多源影像構(gòu)建12種訓(xùn)練方案,，對灌草植被,、淺水沼澤植被與深水沼澤植被3種植被群叢進(jìn)行遷移學(xué)習(xí)訓(xùn)練，定量評估DeepLabV3+與HRNet 深度學(xué)習(xí)算法在沼澤植被群叢中的遷移學(xué)習(xí)能力,，并探究在不同空間分辨率和光譜維度下沼澤植被群叢的遷移學(xué)習(xí)效果,。

（A為灌草植被；B為深水沼澤植被,；C為淺水沼澤植被,；D為白樺林與白楊林；E為水,；F為水稻田,；G為玉米地與高粱地）

論文發(fā)表情況