南京林业大学学报(自然科学版)

作者：李昊,全迎,刘建阳,卞少杰,王斌,李明泽

单位：东北林业大学林学院, 黑龙江 哈尔滨 150040

关键词：天然次生林,树种分类,高光谱图像,3D-2D-CNN模型,卷积神经网络,机器学习,波段重要性分析

基金：国家重点研发计划(2020YFC1511603-1),国家自然科学基金青年项目(32401568)

【目的】为了提高我国东北典型天然次生林主要树种分类的准确性,提出一种针对无人机高光谱图像的卷积神经网络(convolution neural network,CNN)树种分类框架。【方法】以东北林业大学帽儿山实验林场天然次生林水曲柳(Fraxinus mandshurica)、胡桃楸(Juglans mandshurica)、榆树(Ulmus sp.)和白桦(Betula platyphylla)的4个主要树种为研究对象,采用新型无人机载高光谱成像仪对7个不同区域进行影像采集。以地面实测数据为参考构建不同树冠尺寸的单木数据集,并以7∶3的比例划分训练集和测试集,构建了包含三维卷积层和二维卷积层的3D-2D-CNN模型,通过3D卷积层提取光谱-空间耦合特征,2D卷积层提取细节特征,从而有效增强模型对数据整体特征的学习能力;将该模型与2D-CNN、3D-CNN以及基于特征筛选的机器学习模型[随机森林(random forest,RF)、支持向量机(support vector machine,SVM)和梯度增强机(gradient boosting machine,GBM)]进行对比实验。此外,采用逐波段逐步移除方法分析了波段的重要性,并探讨了模型对光谱特征的敏感性。【结果】构建的3D-2D-CNN分类模型对研究区4个主要树种的分类准确率达到了87%,F1分数为0.86,相较其他对比算法,总体精度提高了5%~6%。波段重要性分析表明,近红外波段对分类结果影响显著。【结论】基于高光谱图像的3D-2D-CNN模型通过有效结合光谱与空间信息,显著提升了对天然次生林树种分类的准确性,比传统分类方法表现优越,可为森林资源管理和生态系统的遥感监测提供技术支持。

来源：2026年第2期

《南京林业大学学报(自然科学版)》期刊编辑部

查看南京林业大学学报(自然科学版)杂志2026年第2期