RSE | 北京林业大学林学院科研团队在小样本深度学习树种分类方向取得新进展

近日，北京林业大学林学院张晓丽教授团队在工程技术领域一区TOP期刊《Remote Sensing of Environment》（IF="13.5）在线发表研究论文“Discriminative feature constraints via supervised contrastive learning for few-shot forest tree species classification using airborne hyperspectral images”。该研究是继2022年发表于工程技术领域一区TOP期刊《IEEE Transactions on Geoscience and Remote Sensing》（IF="8.2）的论文“Data augmentation in prototypical networks for forest tree species classification using airborne hyperspectral images”后，在小样本深度学习树种分类方向取得的最新进展，两篇论文的第一作者为林学院博士研究生陈龙，张晓丽教授为通讯作者。

该研究以机载高光谱影像为数据源，通过引入流行的数据增强方法、卷积块注意力模块、监督对比学习改进经典原型网络，构建了一个简单高效的分类框架。监督对比学习能够有效解决数据增强方法与特征增强算法之间的边界问题，结合原型聚类算法极大提升了模型的分类性能，从而实现了复杂地形下林分尺度的多树种、高精度分类与制图。在广西省南宁市高峰林场的实证研究和4个机载高光谱数据集的规避实验表明，提出的新模型多树种总体分类精度优于98%，有很大的实际应用潜力。

林学院张晓丽教授团队硕士研究生吴晶、谢一帆参与了论文的制图与写作，中国林业科学研究院资源信息研究所陈尔学研究员组织了广西省南宁市高峰林场的飞行试验并提供了机载高光谱数据。研究得到国家自然科学基金项目“近地-地基主被动多模态遥感联合的单木参数高效提取研究”（32171779）、国家重点研发计划项目“人工林资源监测关键技术研究”（2017YFD0600900）的资助。

原文链接 ↓

https://doi.org/10.1016/j.rse.2023.113710

https://ieeexplore.ieee.org/document/9758824

转自：“生态遥感前沿”微信公众号

如有侵权，请联系本站删除！