EN中文

Remote Sensing for Natural Resources >

2025 , Vol. 37 >Issue 3: 133 - 141

DOI: https://doi.org/10.6046/zrzyyg.2023340

A comparative study of water body classification of wetlands based on hyperspectral images from the ZY1-02D satellite: A case study of the Baiyangdian wetland

  • CHEN Min , 1 ,
  • PENG Shuan 2, 3 ,
  • WANG Tao 2 ,
  • WU Xuefang 2 ,
  • LIU Runpu 2 ,
  • CHEN Yushuo 2 ,
  • FANG Yanru 2 ,
  • YANG Pingjian , 2
Expand
  • 1. Geological Publishing House, Beijing 100083, China
  • 2. Chinese Research Academy of Environmental Sciences, Beijing 100012, China
  • 3. School of Environmental Science and Engineering, Tianjin University, Tianjin 300073, China

Received date: 2023-11-14

  Revised date: 2023-12-26

  Online published: 2026-06-03

Fold

Abstract

Water bodies serve as one of the three major elements in maintaining wetlands. Their dynamic monitoring can effectively protect wetland ecosystems. Conventional methods for monitoring water bodies in wetlands employ field surveys or manual interpretation of remote sensing images, which are costly and inefficient, and inapplicable to continuous dynamic monitoring. In recent years, using methods like machine and deep learning to extract water body features from satellite remote sensing images has developed into an effective means for monitoring water bodies in wetlands. Based on the hyperspectral images from the ZY1-02D satellite, this study classified the water bodies in the Baiyangdian wetland using machine learning, convolutional and transformer neural networks. The accuracy and computational efficiency of water body classification under different spectral preprocessing methods and different image neighborhood sizes in training were compared to explore the optimal data preprocessing method and classification model for water bodies in wetlands. The results indicate that deep learning significantly outperformed machine learning in classification accuracy and computational efficiency. In particular, the spectral-spatial residual network (SSRN) model based on the convolutional neural network achieved the highest classification accuracy (OA: 99.09 %, Recall: 99.62 %, F1-score: 0.99) under conditions of all spectral bands and a 9×9 neighborhood size. Besides, despite a low signal-to-noise ratio, the atmospheric water vapor absorption band contained significant information, assisting in improving the classification accuracy of water bodies in the wetland during model training and prediction. The results of this study are expected to provide methodological support for the business operation of water body classification of wetlands.

Key words： wetland classification; hyperspectral image; machine learning; deep learning; Baiyangdian

Cite this article

CHEN Min , PENG Shuan , WANG Tao , WU Xuefang , LIU Runpu , CHEN Yushuo , FANG Yanru , YANG Pingjian . A comparative study of water body classification of wetlands based on hyperspectral images from the ZY1-02D satellite: A case study of the Baiyangdian wetland[J]. Remote Sensing for Natural Resources, 2025 , 37(3) : 133 -141 . DOI: 10.6046/zrzyyg.2023340

0 引言

水体是湿地三要素之一,是维持湿地的主要因素[1]。湿地水体,特别是内陆湿地水体分布通常受河流来水和人类活动影响较大[2],导致不同湿地水体类型,如湖泊、沼泽和滩涂等发生变化,从而影响湿地的生态结构和人类生产安全。因此,有必要进行高密度动态水体分布监测,以更好地保护和利用湿地资源。
传统的湿地水体监测采用人工野外测量或遥感图像人工解译的方式实现,总体成本高、效率低,不适宜对快速变化的湿地水体进行监控。近年来,采用机器学习、深度学习等方法从卫星遥感图像中提取水体成为湿地水体连续监测的有效手段[3]。目前已经有众多研究验证了使用高分系列[4]、Landsat系列[5]及Sentinel-2[6]等多光谱卫星,能够实现湿地的水体和土地利用分类,但分类总体精度通常不足90%,特别是对于滩涂和沼泽等浅水或水陆交错混杂区域,多光谱图像区分能力差,分类精度不足,难以满足业务化运行要求。而利用高光谱图像提供的精细光谱信息,可以有效提高湿地分类准确率[7-8],但不同研究采用的数据预处理方法、分类模型和模型参数差异较大,难以确定最佳业务化水体分类流程。
白洋淀是雄安新区重要的生态水体,同时还具备拦蓄洪水、补充地下水、改善生态环境和保护生物多样性等生态功能[4]。本文以白洋淀湿地为例,研究对比机器学习、神经网络和Transformer网络等不同方法在湿地水体分类方面应用的准确性、鲁棒性和计算效率;同时考察在数据预处理过程中剔除图像噪声波段,以及构建训练样本时图像邻域大小对结果精度的影响,最后综合多种实验结果,总结各类算法的适用场景,为湿地水体业务化分类监测提供参考。

1 研究区概况及数据源

1.1 研究区概况

白洋淀湿地(图1)位于河北省雄安新区安新县内,属于内陆淡水型湿地,同时也是华北平原最大的淡水湖,总面积约366 km2,水深一般为1~3 m,部分地区最深可达10 m,共包含约143个不同大小的湖泊。该区域除湖泊、河流和沼泽等常年积水区域外,还有许多涉及农业生产的滩涂和水浇地等间歇性水体。白洋淀湿地一度由于工业排污和生活用水激增的影响,水污染十分严重,水体面积逐年减少,生物多样性遭到严重破坏。随着雄安新区设立后,政府对白洋淀实施了全面治理,湿地面积持续增加[1],水质逐年向好。2023年发布的《2022年河北省生态环境状况公报》显示,白洋淀全部水质监测点水质均达到或优于III类[9]。
图1 研究区域示意图

Fig.1 Schematic diagram study area

1.2 资源1号02D高光谱图像

资源1号02D卫星(ZY1-02D)是我国首颗基于资源环境观测需求的高光谱业务卫星[10]。该卫星于2019年9月12日发射升空,2020年11月16日交付自然资源部进入业务化运行。该卫星同时搭载2.5 m空间分辨率可见光近红外相机和30 m空间分辨率高光谱相机。其中高光谱相机可采集400~2 500 nm波段高光谱图像(395~1 040 nm范围具有76个波段,光谱分辨率为10 nm; 1 005~2 501 nm范围具有90个波段,光谱分辨率为20 nm),幅宽为60 km,同时具有较高的光谱分辨率和辐射定标精度,可以准确反映地物精细光谱特性[11]。参数如表1所示。本文利用2022年10月7日采集的影像(图1),研究ZY1-02D高光谱图像对于白洋淀湿地水体分类的能力。该影像采集时间为秋天,大量的水生植物已经枯萎,有效避免了植被对水体的遮盖,同时又没有因温度过低导致水面结冰,适合开展湿地水体分类研究。
表1 ZY1-02D卫星高光谱图像参数

Tab.1 Parameters of hyperspectral sensor on ZY1-02D

参数名称 VNIR波段 SWIR波段
波长范围/nm 395~1 040 1 005~2 501
幅宽/km 60 60
地面分辨率/m 30 30
光谱分辨率/nm 10 20
波段数量 76 90
图像量化/bits 12 12
相对辐射定标精度/% 0.32 0.65

2 研究方法

2.1 技术路线

本文技术路线如图2所示。首先高光谱影像经过系统辐射校正处理后,经可选的水汽吸收波段剔除步骤,分别生成全波段高光谱图像和剔除水汽吸收波段的高光谱图像,随后根据人工划定的水体分类真值,分别生成基于单点光谱的分类样本和基于邻域范围光谱的分类样本。再将2类样本分别导入3种分类模型,包括基于机器学习的分类模型、基于卷积神经网络的分类模型和基于Transformer的分类模型,保证所有网络均使用相同的数据进行训练和评价。最后对比分类结果的精度和运算性能,并根据结果给出最优的业务化水体分类模型建议。
图2 白洋淀湿地水体分类技术路线

Fig.2 Study roadmap of Baiyangdian wetland waterbody classification

2.2 面向湿地水体的分类方法

为充分对比不同方法的分类性能,共选择11种不同的高光谱图像分类算法,既包括常规的机器学习算法,也包括基于神经网络和Transformer深度学习算法。

2.2.1 基于机器学习的方法

本文使用3种机器学习算法对湿地区域高光谱图像进行分类,包括支持向量机(support vector machine,SVM)、随机森林(random forest,RF)以及自适应Boost算法(AdaBoost)。其中SVM算法本身只能进行二分类,本文采用一对一策略,也就是将多分类问题转换为多个二分类问题,每个二分类问题都将2个类型的样本区分开,在预测时则将样本输入所有分类器,通过投票方式最终确定样本归属类别。
而RF和AdaBoost都是集成学习算法,通过对大量基础分类器分类结果进行集成优化,以获得更好的分类结果。对于RF和AdaBoost均使用决策树作为基础分类器,且基础分类器个数均为100个,决策树最大深度均为10,以保证对比的公平性。决策树算法虽然分类准确度较低,但其训练和预测速度快,是大多数集成学习算法常用的基础分类器。

2.2.2 基于神经网络的方法

卷积神经网络(convolutional neural network,CNN)和循环神经网络(recurrent neural network,RNN)的有效性在许多研究中被证实,其分类准确率和召回率远超传统的机器学习方法。根据分类输入数据的维度,可将网络分为基于单点像素分类的网络和基于邻域范围光谱分类的网络。
其中CNN1D[12]和RNN[13]是基于单点像素光谱的分类方法。本文使用最简单的网络结构进行分类,其中CNN1D使用单卷积层进行特征提取,RNN使用单个GRU层,用以分析最简单神经网络的分类性能。
基于邻域范围光谱的分类网络,根据处理邻域光谱方式的不同,可分为3类:第一类是将像素点邻域视作1景 H × W的图像,该图像具有C个波段,使用图像分类网络(如ResNet[14])进行分类;第二类则是将像素点邻域视作1个C帧 H × W的视频样本,使用基于三维卷积的视频分类网络(如CNN2D1D[14]和CNN3D[15-16])进行分类;第三类方法则是使用三维卷积网络和二维卷积网络分别提取光谱和空间信息,随后联合2者特征进行分类,典型网络如光谱空间残差网络(spectral-spatial residual network,SSRN)[17]。上述三维网络由于使用卷积核最小3×3,因此均要求邻域面片最小为3×3,通常邻域越大,分类结果精度越高[18]。但过大的邻域会增加训练计算量,因此通常邻域大小在3×3到11×11之间。

2.2.3 基于Transformer的方法

Transformer网络通过自注意力机制使得每一个分类输出结果均能获取全局信息,相较于CNN只有最后的全连接层才有全局感受野(中间卷积层只有卷积核大小的邻域感受野),该网络能够更加充分地利用全局信息以获得更高的分类精度。
本文选择2个基于Transformer的网络,即ViT[19]网络和对称空间变换网络(symmetric spatial Transformer network,SSTN)[20],进行分类对比研究。其中ViT网络是最早提出且最成熟的基于Transformer的图像分类网络,其应用到高光谱图像分类领域时,将每个像素点光谱视作一个Token,将邻域范围视作一张图片,实现对高光谱图像的分类。SSTN网络则进一步融合了CNN空间特征提取能力和Transformer网络全局感受野的优势,首先使用CNN提取邻域特征,随后使用Transformer网络进行空间注意力图和光谱关联关系提取,最后联合二者得到分类结果。

2.3 白洋淀湿地高光谱影像的训练样本构建

由于缺少与卫星影像同步的实测水体分类数据,参考白洋淀区域部分湿地调查结果、ZY1-02D高光谱图像和高空间分辨率可见光图像,划定分类算法训练使用的土地利用分类样本(如图3所示),共包含5类样本,重点区分湖泊水面、内陆滩涂、水浇地和沼泽地4类包含水体的土地利用类型,用以验证高光谱图像对湿地区域水体精细分类的能力。为保证对比的公平性,所有的算法均使用相同的样本、优化器和损失函数进行训练。具体而言,在样本构建上,每一类随机选择1 000个点作为训练样本,其余点为测试样本(样本数量参见表2),其中基于邻域范围光谱的分类方法选择9×9邻域光谱图像作为输入;在优化器算法上,使用具有自适应学习率调整的Adam算法;在损失函数上,使用多分类网络训练常用的交叉熵损失函数。
图3 白洋淀湿地区域水体分类样本

Fig.3 Sample for water body classification in Baiyangdian wetland

表2 训练和验证样本像素数量和面积

Tab.2 Areas and counts of training and test samples

土地利用类型 训练样本/个 验证样本/个 总面积/km2
湖泊水面 1 000 46 977 43.18
内陆滩涂 1 000 15 866 15.18
村庄 1 000 5 448 5.80
沼泽地 1 000 2 848 3.46
水浇地 1 000 10 956 10.76

2.4 分类结果评价方法

在结果对比评价时,除了计算每一类样本的分类准确率,还计算了4种高光谱分类中常用的评价指标,分别是总体分类精度(overall accuracy,OA),召回率(Recall,R),F1分数F1以及分类平均准确率的均值(mean average precision,mAP)。其中,OA,R和F1计算公式分别为:
O A = T P + T N T P + F N + F P + T N
R = T P T P + F N
$F_{1}=2 P R /(P+R)$
P = T P T P + F P
式中:TP为真正确样本数,即标记为真且预测为真的样本数;FN为假错误样本数,即标记为真但预测为假的样本数;FP为假正确样本数,即标记为假但预测为真的样本数;TN为真错误样本数,即标记为假且预测为假的样本数;P为模型精确率。
mAP是一种用来评价分类器在不同条件下平均表现的指标,该数值是通过对每一类的平均准确率(average precision,AP)求算术平均值得到的,而每一个类别的AP则是对不同R条件下P求平均值得到的,其数值上等于P-R曲线下面积。

3 结果与分析

3.1 基于单点光谱的湿地分类精度分析

使用单点光谱进行分类的结果如表3和图4所示。分类精度统计显示,深度学习类方法OA和R基本相同,且显著高于3种机器学习方法。其中ViT方法总体准确率最高,OA达到95.11%,超过最低的SVM方法11.21百分点,表明基于Transformer模型的分类器相较于机器学习、CNN及RNN,其全局感受能力能够更好地挖掘光谱特征,从而实现更强的分类能力。对比分类准确率可得,对于湖泊水面、村庄和水浇地3个类别,所有分类方法均有较高的分类准确率,而对于内陆滩涂和沼泽地2个类别,其OA显著较低,表明这2类地物分类难度高,从结果图中也可以看出,湖泊水面以及沼泽地较容易被错分为内陆滩涂。此外,深度学习方法对这2类地物的分类准确率显著高于机器学习方法,说明对于难分类地物,深度学习类方法提取典型特征能力更强,可显著降低错分概率。
表3 基于单点光谱的湿地分类精度

Tab.3 Wetland classification accuracy based on different pixel-based methods

模型 每类样本的分类准确率 OA/% mAP/% F1 R/%
湖泊水面/% 内陆滩涂/% 村庄/% 沼泽地/% 水浇地/%
SVM 97.51 59.66 99.27 46.75 92.60 83.90 89.73 0.82 89.30
AdaBoost 98.17 69.96 99.61 71.90 93.29 89.48 95.61 0.89 93.23
RF 97.72 61.96 98.43 57.54 91.51 85.33 92.67 0.84 90.06
CNN1D 97.51 84.76 99.56 90.11 96.10 94.54 98.13 0.95 95.75
RNN 95.80 87.08 99.13 85.68 96.09 94.03 97.74 0.94 94.95
SSTN(Pixel) 96.87 83.94 98.53 89.34 94.99 93.79 97.55 0.94 95.07
ViT(Pixel) 97.09 88.59 99.38 91.91 95.00 95.11 98.50 0.95 95.83
图4 基于单点光谱的分类结果

Fig.4 Classification results using different pixel-based methods

3.2 基于邻域范围光谱的湿地分类精度分析

基于邻域范围光谱的分类结果如表4和图5所示。结果显示,基于邻域范围光谱的分类结果OA显著高于基于单点光谱的OA,基于邻域范围光谱的最低OA(CNN2D1D,96.03%)也高于基于单点光谱的最高OA(ViT,95.11%)。这与经验相符,即邻域范围光谱能够提供局部的空间信息以及更多的辅助光谱信息,降低单一光谱测量误差导致的不确定性,从而有效提高分类精度。具体而言,SSTN和SSRN方法的OA达到99%以上,高于其他所有方法,这2种方法的共同特点是均分别提取光谱和空间特征,随后融合二者进行分类,说明光谱和空间特征的分离提取相比于一体化提取,能够更有效地挖掘深层特征,实现更高的分类准确率。图5显示,湖泊水面以及沼泽地被误分为内陆滩涂仍是误差的主要来源,但相较于单点光谱分类时误差显著降低,说明邻域光谱和空间纹理对于有效区分内陆滩涂极为重要。
表4 基于邻域范围光谱的湿地分类精度

Tab.4 Wetland classification accuracy using different patch-based methods

模型 每类样本的分类准确率 OA/% mAP/% F1 R/%
湖泊水面/% 内陆滩涂/% 村庄/% 沼泽/% 水浇地/%
ResNet 98.68 90.65 99.85 96.57 95.88 96.67 99.14 0.97 98.06
CNN2D1D 99.03 87.31 99.56 93.65 96.44 96.03 98.90 0.96 97.83
CNN3D 98.69 88.45 99.47 94.83 96.68 96.20 98.93 0.97 97.78
ViT 99.66 93.22 98.48 97.50 99.06 98.11 99.69 0.98 98.96
SSRN 99.55 97.99 99.80 99.30 99.04 99.19 99.93 0.99 99.50
SSTN 99.47 97.37 99.80 99.96 99.14 99.05 99.83 0.99 99.41
图5 基于邻域范围光谱的分类结果

Fig.5 Classification results using different patch-based methods

3.3 低信噪比波段影响分析

在常规的高光谱图像湿地水体分类研究中,一种常见的数据预处理手段是去除低信噪比波段,包括大气水汽吸收影响的波段以及传感器本身信噪比较低的波段,以提高分类准确率。为验证这种数据预处理手段对于基于深度学习方法的有效性,本文对训练样本数据进行进一步处理,去除受到水汽吸收影响严重的1 358~1 459 nm和1 795~1 981 nm波段,以及传感器成像信噪比较低的2 417~2 501 nm波段,使用剩余的141个波段重新进行训练和预测,结果如表5所示。结果显示,对比使用全部166个波段分类的结果(记为OA-AB),去除低信噪比波段后分类精度均降低1~2百分点,基于邻域范围光谱的ViT算法的OA分类结果甚至降低了5.76百分点。这表明,无论是一般的机器学习算法还是深度学习算法,对数据噪声均有良好的鲁棒性,少量噪声不会影响分类结果的精度;此外,低信噪比波段不代表无信息波段,对于湿地分类任务而言,水汽吸收波段恰好蕴含了不同湿地类型的典型特征,对于更好地区分湿地类型存在显著效果,在进行分类时不应被舍弃。
表5 去除低信噪比波段后基于单点光谱和基于邻域范围光谱的湿地分类精度

Tab.5 Wetland classification accuracy based on pixel-based method and patch-based method after removing low signal-to-noise ratio bands

类型 模型 每类样本的分类准确率 OA/% mAP/% F1 R/% OA-AB/%
湖泊水
面/%		 内陆滩
涂/%		 村庄/% 沼泽/% 水浇地/%
基
于
单
点		 SVM 96.68 53.85 96.93 40.63 92.38 80.30 84.00 0.79 86.14 83.90
AdaBoost 97.86 64.40 97.24 59.22 92.71 86.44 92.80 0.85 90.76 89.48
RF 97.44 60.11 96.12 53.25 91.44 84.05 90.92 0.83 88.72 85.33
CNN1D 97.32 85.21 99.45 84.85 95.87 94.30 98.13 0.94 95.94 94.54
RNN 96.47 81.47 99.45 86.61 96.01 93.12 97.20 0.93 94.55 94.03
SSTN(Pixel) 94.84 83.40 99.16 85.62 94.56 92.55 95.98 0.92 92.48 93.79
ViT(Pixel) 95.95 88.38 99.00 79.04 95.53 93.95 97.75 0.93 95.01 95.11
基
于
邻
域		 ResNet 96.97 87.69 98.07 92.37 97.54 95.10 98.74 0.95 96.36 96.67
CNN2D1D 97.61 82.49 99.49 84.62 96.18 93.79 97.99 0.94 96.28 96.03
CNN3D 95.88 85.54 98.67 92.54 94.62 93.75 97.94 0.94 95.44 96.20
ViT 95.53 81.71 98.50 85.77 93.96 92.35 96.66 0.92 93.47 98.11
SSRN 99.88 97.36 99.98 94.21 99.19 99.09 99.95 0.99 99.62 99.19
SSTN 98.05 95.43 99.65 94.79 97.82 97.51 99.57 0.98 98.02 99.05

3.4 性能分析

模型训练和预测效率对模型的实际应用潜力具有很大影响,本文使用统一的硬件平台进行模型训练和预测,其中CPU为 Intel Xeon Glod 5218R(40核80线程,主频2.1 GHz),内存为64 GB DDR4(频率为2 666 MHz),显卡为NVIDIA RTX A4000(16 GB显存)。所有深度神经网络模型均使用统一的批处理大小、损失函数以及优化器进行训练,SVM和AdaBoost模型使用单核程序计算,RF则使用全部40核心进行计算。最终统计所有模型在训练集上完成1轮训练及预测所需的平均时间(其中深度学习网络模型时间为训练及预测200轮的平均时间),结果如表6所示。
表6 训练1轮所需时间

Tab.6 Training time of each epoch(s)

网络 时间 网络 时间 网络 时间
SVM 63.36 SSTN(Pixel) 14.76±0.15 SSRN 35.19±3.02
RF 1.01(多核),7.11(单核) RNN 14.93±0.50 ViT 35.02±5.78
AdaBoost 98.26 ResNet 21.74±0.38 SSTN 21.29±0.40
CNN1D 14.17±0.17 CNN2D1D 21.72±0.49
ViT(Pixel) 14.76±0.17 CNN3D 20.72±0.31
对比可得,SVM和AdaBoost模型效率最低,主要原因是这2个模型仅能使用单核心进行计算,无法充分利用CPU多核心并行计算能力,导致整体计算效率低。RF模型具有最高的执行效率,而且可以利用多线程并行进行加速,进一步提高效率。因此RF模型在硬件计算能力较低或者任务时间紧张时是最优模型选择。
对于深度学习模型而言,单点光谱的分类网络(除SVM,AdaBoost和RF外)运行效率相当,且均优于邻域范围光谱的分类网络,这是由于单点光谱的分类网络输入数据简单,且参数较少。在邻域范围光谱的分类网络中,SSRN和ViT这2个基于神网络的效率最低,平均单轮训练和预测时间比其他网络多出约2/3。SSTN是基于Transformer的深度神经网络,其网络结构和参数优化较好,整体效率远高于上述2个网络,达到了与CNN相近的效率。

3.5 模型收敛速度和稳定性分析

对于基于深度学习的分类算法,一般都需要多轮训练才能收敛到最优点附近,因此模型收敛效率对于训练所需总时间有重要影响。本文统计了深度学习模型达到不同OA值所需的训练轮次,结果如图6所示。CNN1D和ViT模型收敛最快,仅需约100轮训练即可收敛到最优值,ResNet收敛较慢,需要134轮才能收敛,而其他模型均需要150轮以上才能收敛到最优结果,特别是精度最高的SSTN和SSRN模型,均需要训练190轮左右才能收敛到最优结果。另一方面,若只是需要模型达到一个较好的精度(例如达到模型最高精度的95%),则CNN2D1D,CNN3D,SSRN,SSTN和ViT模型均只需要不到10轮即可达到,这些模型均是基于邻域范围光谱进行分类的模型。因此,使用邻域光谱不仅能够有效提高分类精度,还能加快模型收敛效率,代价是需要更大的显存,单轮所需时间也更长。
图6 模型最高准确率与训练轮次的关系

Fig.6 Epoch required to reach the highest overall accuracy

影响训练总体时间的另一个因素是模型准确率的波动。在训练过程中,模型准确率并不是一直升高,而是会出现波动,如果准确率波动较大,难以判断模型是否已经收敛,就需要更多训练轮次,也会增加训练所需时间。图7对比了不同模型OA随训练轮次的变化。其中基于CNN的模型(ResNet模型除外)收敛稳定性更高,而基于Transformer的神经网络其收敛波动更大。因此在模型训练过程中,基于CNN网络的模型可以直接使用最后一轮的训练结果作为最终结果,无需在训练过程中逐轮验证精度,可进一步缩短每一轮训练所需时间;而其他类型的网络,则应该在每一轮次的训练中均计算模型在测试集上的精度,并据此选出作为最终结果的网络参数。
图7 模型准确率随训练轮次的变化

Fig.7 Training overall accuracy per epoch

4 结论

本研究利用ZY1-02D高光谱图像对白洋淀湿地水体进行分类研究,对比3种机器学习方法和10种深度学习方法的分类精度、噪声波段鲁棒性、计算效率以及训练稳定性等多项指标。主要结论如下:
1)就分类准确率角度而言,基于邻域范围光谱的SSTN网络和SSRN网络这2类方法能够取得最高的准确率(99%以上),传统的机器学习方法准确率普遍较低。建议在计算机硬件条件允许的情况下逐渐使用深度学习方法替代机器学习方法,同时使用邻域范围光谱构建训练样本,以获得最高的分类准确率。
2)对于湿地分类任务而言,大气水汽吸收波段虽然信噪比较低,但仍包含重要信息,且无论是深度学习方法还是机器学习方法对噪声均有较强的鲁棒性,能够利用该信息提高分类精度,建议在训练和预测中保留对应波段数据。
3)在效率敏感的任务中,基于单点光谱的RF分类算法仍存在显著的效率优势,相对其他算法能够节省十几倍甚至几十倍的时间,可依据任务需求灵活选择使用。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
李丹, 吴保生, 陈博伟, 等. 基于卫星遥感的水体信息提取研究进展与展望[J]. 清华大学学报(自然科学版), 2020, 60(2):147-161.

Li D, Wu B S, Chen B W, et al. Review of water body information extraction based on satellite remote sensing[J]. Journal of Tsinghua University (Science and Technology), 2020, 60(2):147-161.

[2]
朱金峰, 周艺, 王世新, 等. 1975—2018年白洋淀湿地变化分析[J]. 遥感学报, 2019, 23(5):971-986.

Zhu J F, Zhou Y, Wang S X, et al. Analysis of changes of Baiyangdian wetland from 1975 to 2018 based on remote sensing[J]. Journal of Remote Sensing, 2019, 23(5):971-986.

[3]
韦嫦, 付波霖, 覃娇玲, 等. 基于多时相Sentinel-1A的沼泽湿地水面时空动态变化监测[J]. 自然资源遥感, 2022, 34(2):251-260.doi:10.6046/zrzyyg.2021205.

Wei C, Fu B L, Qin J L. et al. Monitoring of spatial-temporal dynamic changes in water surface in marshes based on multi-temporal Sentinel-1A data[J]. Remote Sensing for Natural Resources, 2022, 34(2):251-260.doi:10.6046/zrzyyg.2021205.

[4]
伊力哈穆江·艾尼弯, 孔翠翠, 马利刚, 等. 基于中分辨率影像湿地离散水体提取研究——以新疆阿勒泰科克苏湿地为例[J]. 安徽农业科学, 2022, 50(11):50-55.

Elhamjan· A, Kong C C, Ma L G, et al. Research on the extraction of discrete water body in wetland based on medium-resolution image:Taking Altay Kekesu wetland in Xinjiang as an example[J]. Journal of Anhui Agricultural Sciences, 2022, 50(11):50-55.

[5]
崔囤月, 王世东, 张学军. 1991—2021年雄安新区土地利用与植被覆盖变化遥感研究[J]. 自然资源遥感, 2023, 35(4):214-225.doi:10.6046/zizyyg.2022311.

Cui D Y, Wang S D, Zhang X J. A remote sensing-based study on change in land use and vegetation cover in Xiong’an New Area from 1991 to 2021[J]. Remote Sensing for Natural Resources, 2023, 35(4):214-225.doi:10.6046/zizyyg.2022311.

[6]
梁爽, 宫兆宁, 赵文吉, 等. 基于多季相Sentinel-2影像的白洋淀湿地信息提取[J]. 遥感技术与应用, 2021, 36(4):777-790.

DOI

Liang S, Gong Z N, Zhao W J, et al. Information extraction of Baiyangdian wetland based on multi-season sentinel-2 images[J]. Remote Sensing Technology and Application, 2021, 36(4):777-790.

[7]
Liu C, Tao R, Li W, et al. Joint classification of hyperspectral and multispectral images for mapping coastal wetlands[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020,14:982-996.

[8]
孙伟伟, 任凯, 肖晨超, 等. 资源一号02D卫星高光谱与多光谱融合数据滨海湿地分类应用[J]. 航天器工程, 2020, 29(6):162-168.

Sun W W,, Ren K, Xiao C C, et al. Classification of coastal wetlands based on hyperspectral and multispectral fusion data of ZY-1-02D satellite[J]. Spacecraft Engineering, 2020, 29(6):162-168.

[9]
河北省生态环境厅. 2022河北省生态环境状况公报[R/OL]. (2022-05)[2023-11-06]. http://hbepb.hebei.gov.cn/res/hbhjt/upload/file/20230602/bd9d635a2555484786a9891052dbfa49.pdf.

Department of ecological environment of Hebei Province. 2022 Report on the State of the Ecology and Environment in HeBei Province[R/OL]. (2022-05)[2023-11-06]. http://hbepb.hebei.gov.cn/res/hbhjt/upload/file/20230602/bd9d635a2555484786a9891052dbfa49.pdf.

[10]
资源一号02D卫星总体概况及影像产品[J]. 航天器工程, 2020, 29(6):3-14.

General situation and image products of ZY-1 02D satellite[J]. Spacecraft Engineering, 2020, 29(6):3-14.

[11]
刘银年, 孙德新, 梁建, 等. 资源一号02D卫星高光谱相机在轨性能及稳定性评估[J]. 航天器工程, 2020, 29(6):93-97.

Liu Y N, Sun D X, Liang J, et al. Overview of ZY-1-02D satellite AHSI on-orbit performance and stability[J]. Spacecraft Engineering, 2020, 29(6):93-97.

[12]
Hu W, Huang Y, Wei L, et al. Deep convolutional neural networks for hyperspectral image classification[J]. Journal of Sensors, 2015, 2015(1):258619.

[13]
Mou L, Ghamisi P, Zhu X X. Deep recurrent neural networks for hyperspectral image classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(7):3639-3655.

[14]
He K, Zhang X, Ren S, et al. Deep residual learning for image re-cognition[C]// 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).Las Vegas,NV,USA.IEEE, 2016:770-778.

[15]
Ben HamidaA, Benoit A, Lambert P, et al. 3-D deep learning approach for remote sensing image classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(8):4420-4434.

[16]
Li Y, Zhang H, Shen Q. Spectral-spatial classification of hyperspectral imagery with 3D convolutional neural network[J]. Remote Sensing, 2017, 9(1):67.

[17]
Zhong Z, Li J, Luo Z, et al. Spectral-spatial residual network for hyperspectral image classification:A 3-D deep learning framework[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(2):847-858.

[18]
Paoletti M E, Haut J M, Plaza J, et al. A new deep convolutional neural network for fast hyperspectral image classification[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018,145:120-147.

[19]
Dosovitskiy A, Beyer L, Kolesnikov A, et al. An image is worth 16×16 words:Transformers for image recognition at scale[J/OL]. 2020(2020-10-22). https://arxiv.org/abs/2010.11929.

[20]
Zhong Z, Li Y, Ma L, et al. Spectral-spatial transformer network for hyperspectral image classification:A factorized architecture search framework[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022,60:1-15.

Options
Outlines

/

〈 〉