10

针对森林复杂冠层结构和林分高密度下遥感树种识别精度不高问题，将能够提取高维数据立体特征的三维卷积神经网络（3D-CNN）引入到遥感影像树种识别中，并利用残差网络（ResNets）对其进行改进，提出三维残差卷积神经网络（3D-RCNN），以减少网络深度带来的误差，降低退化现象的影响。联合高分五号高光谱数据（GF-5 AHIS）和高分六号高空间分辨率数据（GF-6 PMS），辅以森林资源数据和外业调查数据构建样本集。结合3D-RCNN思想构建树种识别模型，利用模型进行树种识别和精度验证。实验结果表明，相较于传统3D-CNN，3D-RCNN算法将模型网络从12层增加到18层，能够深化网络结构，缓解网络退化；联合GF-5 AHIS和GF-6 PMS能够有效地识别北亚热带森林树种，且3D-RCNN算法识别精度（91.72%）要优于传统3D-CNN（85.65%）和SVM（85.22%）。

栗旭升, 陈冬花, 刘赛赛, 李虎, 张乃明. 基于改进3D-CNN的多源遥感数据树种识别研究[J]. 激光与光电子学进展, 2020, 57(24): 4.  复制并引用该论文