基于高光谱和LiDAR的黄河口湿地植被分类方法

作     者：许明明 刘航 窦庆文 刘善伟 盛辉 XU Mingming;LIU Hang;DOU Qingwen;LIU Shanwei;SHENG Hui

作者机构：中国石油大学(华东)测绘系青岛266580 山东省国土测绘院济南250102 

出 版 物：《遥测遥控》 (Journal of Telemetry,Tracking and Command)

年 卷 期：2024年第45卷第3期

页      面：102-113页

学科分类：0810[工学-信息与通信工程] 083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 081802[工学-地球探测与信息技术] 08[工学] 0818[工学-地质资源与地质工程] 081602[工学-摄影测量与遥感] 0816[工学-测绘科学与技术] 081002[工学-信号与信息处理] 

基　　金：国家自然科学基金(62071492) 山东省高等学校青创科技支持计划(2023KJ068) 

主　　题：分类 无人机高光谱 激光雷达 深度学习 注意力机制 

摘      要：利用无人机(Unmanned Aerial Vehicle,UAV)高光谱影像(Hyper-spectral Imaging,HSI)和激光雷达(Light Detection and Ranging,LiDAR)数据开展黄河口湿地植被分类方法研究。由于高空间分辨率HSI光谱变异性强,以及LiDAR点云密度不均匀,分类结果呈现出“椒盐现象。为了解决这些问题,本文提出了一种结合空谱特征融合和通道注意力机制的双分支卷积神经网络(SSF-C-DBCNN)。光谱注意力机制通过为每个波段分配不同的权重来减少光谱变异性的影响。空间注意力机制侧重于学习和强调特征表达能力强的密集点云区域空间信息,从而减轻LiDAR点云密度不均匀对结果的影响。最后,在双分支融合特征后引入通道注意力机制来提取更深层次的特征。利用UAV采集的HSI和LiDAR数据进行实验验证,结果表明,本文提出方法的性能优于随机森林和五种深度学习方法,分类结果更为贴合实际土地覆盖,有效地抑制了“椒盐现象。