近日，平博体育网址测绘地理信息学院智能计算与遥感应用实验室青年骨干教师付波霖，在湿地遥感领域取得重要研究进展。相关研究成果以“Study on transfer learning ability for classifying marsh vegetation with multi-sensor images using DeepLabV3+ and HRNet deep learning algorithms”为题发表在遥感领域国际权威期刊《International Journal of Applied Earth Observation and Geoinformation》（SCI一区TOP，2021年IF=5.933）上。该研究得到国家自然科学基金、广西自然科学基金和广西八桂学者团队等项目的共同资助。测绘地理信息学院2019级硕士研究生刘曼与导师付波霖为论文共同第一作者，何宏昌教授与范冬林老师为论文共同通讯作者，桂林理工大学为第一完成单位。2021年以来，实验室研究团队在北斗/GNSS高精度对流层大气探测和湿地遥感两个研究方向均取得了重要进展，已发表二区及以上SCI论文9篇，中文EI源刊论文6篇。

　　湿地植被的高精度分类与快速监测是系统研究湿地结构与生态功能的重要基础，并为湿地的保护与合理开发提供必要的参考信息。近年来，深度学习中的卷积神经网络算法（CNN）已被用于遥感领域，但如何利用CNN智能算法与多源遥感影像进行自然植被的高精度、高效率分类仍是一项具有挑战性的难题。有研究表明，利用CNN算法的迁移学习能力可提高地物的分类效率，但目前已有的研究只验证了迁移学习在分布较为规则的地物中具有较好的性能，尚未有研究论证CNN算法在空间分布较为复杂的自然植被分类中的迁移学习效果。

　　该项研究首次利用新一代中国高空间分辨率对地观测卫星GF-1、GF-2与ZY-3，以及国际对地观测卫星Sentinel-2A与Landsat 8 OLI，系统探索了遥感影像的不同空间分辨率梯度和不同光谱维度组合对沼泽植被分类精度的影响，创新性地利用多源影像探究了CNN算法在沼泽植被中的迁移学习性能，并对比论证了传统基于像素的CNN分类方法与融合图像分割的CNN分类方法对湿地植被边界处的精准识别能力，该研究成果为复杂自然植被智能识别和变化检测提供了新的思路。

　　论文链接：https://www.sciencedirect.com/science/article/pii/S0303243421002385

研究流程图

　　该项研究主要分为三个部分：（1）在0.8m-30m的空间分辨率与430nm-2300nm的光谱范围下构建16种多源影像组合方案，验证不同空间分辨率梯度和光谱维度的组合方式对沼泽植被识别能力的影响。（2）融合8种不同空间分辨率影像的分类结果，并与面向对象的多尺度影像分割结果进行叠加整合，对比验证传统基于像素的CNN分类方法与融合图像分割的CNN分类方法对湿地植被边界处的精准识别能力。（3）基于多源影像构建12种训练方案，对灌草植被、浅水沼泽植被与深水沼泽植被3种植被群丛进行迁移学习训练，定量评估DeepLabV3+与HRNet 深度学习算法在沼泽植被群丛中的迁移学习能力，并探究在不同空间分辨率和光谱维度下沼泽植被群丛的迁移学习效果。

（A为灌草植被；B为深水沼泽植被；C为浅水沼泽植被；D为白桦林与白杨林；E为水；F为水稻田；G为玉米地与高粱地）

论文发表情况