近日，信息學(xué)院（人工智能學(xué)院）陳志泊教授課題組在高分辨率遙感圖像城市森林樹種分類研究方面取得關(guān)鍵突破，研究成果以“3D-M2C-ResNet: A Multi-Scale feature enhancement and fusion model for Fine-Scale tree species classification in urban forests”為題，發(fā)表于遙感與地球觀測領(lǐng)域TOP期刊《International Journal of Applied Earth Observation and Geoinformation》（中國科學(xué)院一區(qū)TOP期刊，影響因子IF=8.6）。
城市森林作為城市生態(tài)系統(tǒng)的核心組成部分，在碳匯固碳、微氣候調(diào)節(jié)、生物多樣性保護(hù)等方面發(fā)揮著不可替代的作用。雄安新區(qū)造林與城建同步推進(jìn)，精細(xì)、精準(zhǔn)的樹種分布信息，是生態(tài)資產(chǎn)核算、碳匯評估及可持續(xù)規(guī)劃的關(guān)鍵依據(jù)。然而，傳統(tǒng)地面調(diào)查存在耗時費力、主觀性強(qiáng)等局限，難以滿足區(qū)域尺度動態(tài)監(jiān)測需求；同時，高分辨率遙感數(shù)據(jù)雖能提供豐富地物細(xì)節(jié)，但光譜相似樹種的區(qū)分、多源特征的有效融合等問題，仍制約著分類精度的提升。
當(dāng)前主流的樹種分類方法中，單一高光譜數(shù)據(jù)雖具備精細(xì)光譜分辨率，卻受限于單一時相，難以捕捉植被物候動態(tài)差異；而基于深度學(xué)習(xí)的分類模型常因感受野固定、深淺層特征融合不足，在復(fù)雜城市異質(zhì)環(huán)境中易出現(xiàn)“同譜異物”問題。針對這些挑戰(zhàn)，陳志泊教授團(tuán)隊提出一種創(chuàng)新性的深度學(xué)習(xí)框架（3D-M2C-ResNet），實現(xiàn)了高光譜數(shù)據(jù)與物候特征的深度融合及多尺度特征的精準(zhǔn)提取，其核心創(chuàng)新在于多尺度級聯(lián)空洞卷積（MCDC）、多級特征增強(qiáng)策略（MFES）與CBAM注意力模塊的協(xié)同設(shè)計：MCDC通過三分支空洞卷積擴(kuò)大感受野并避免網(wǎng)格效應(yīng)，MFES融合3D-ResNet50骨干網(wǎng)絡(luò)深淺層特征以解決空間分辨率損失問題，CBAM從通道和空間維度強(qiáng)化關(guān)鍵特征、提升光譜相似樹種區(qū)分能力。
為驗證模型性能，團(tuán)隊在雄安新區(qū)選取兩個典型實驗區(qū)，涵蓋12種優(yōu)勢樹種（如油松、銀杏、國槐等）及5種土地覆蓋類型，共37298個標(biāo)注像素。實驗結(jié)果顯示，3D-M2C-ResNet在測試集上實現(xiàn)98.08%的總體精度和97.88%的Kappa系數(shù)。此外，消融實驗與可視化分析進(jìn)一步驗證了各模塊的有效性，并充分證明了模型在處理類別不平衡、光譜相似性問題上的優(yōu)勢，為實際城市林業(yè)管理提供了可靠的技術(shù)支撐。
圖1 文章圖形摘要
近年來，陳志泊教授團(tuán)隊始終以人工智能技術(shù)與林業(yè)應(yīng)用的深度融合為核心方向，聚焦生物多樣性監(jiān)測、森林資源和碳匯精準(zhǔn)評估、智慧林草建設(shè)等領(lǐng)域，在高分辨率遙感圖像解譯、深度學(xué)習(xí)模型優(yōu)化等方面持續(xù)突破。此次成果不僅為城市森林樹種精細(xì)分類提供了新方法，其“多源數(shù)據(jù)融合+多尺度特征增強(qiáng)”的技術(shù)思路，也為碳匯核算、生態(tài)監(jiān)測等林業(yè)應(yīng)用場景提供了可推廣的技術(shù)框架。
論文第一作者為信息學(xué)院（人工智能學(xué)院）2024級博士研究生秦聚爽，通訊作者為陳志泊教授，北京林業(yè)大學(xué)為唯一完成單位。該研究得到了雄安新區(qū)科技創(chuàng)新計劃（2023XAGG0065）的資助。
