第七届青年地学论坛

地表覆盖是自然资源监测、地理国情普查、宏观调控分析等的重要基础地理信息。卷积神经网络在遥感影像分类任务上具有极大的优势，为生成高精度的地表覆盖提供了新的有效途径。针对传统卷积神经网络易忽略细节特征的问题，本文提出一种二维和三维混合卷积神经网络（2D-3DCNN）的分类方法，实现高分二号影像的高精度分类。高分二号影像多光谱信息和空间信息丰富，然而，二维卷积神经网络（2DCNN）难以学习光谱特征，三维卷积神经网络（3DCNN）不能充分学习高分影像空间特征。有鉴于此，本文通过降维的方法连接2DCNN和3DCNN，联合两者的互补优势充分学习高分影像的空谱特征。在2D-3DCNN中，本文添加多个残差和注意力模块，在不降低网络计算效率的同时，实现影像深层次的空谱特征提取。本文的注意力模块包括卷积块的注意机制（CBAM）和全局上下文网络（GCNet）两个子模块。CBAM结合通道注意力机制和空间注意力机制，分别兼顾通道和空间的重要性，实现空谱特征的定位与提取；GCNet则顾及上下文信息，描述并融合影像深层次的空谱特征，实现高分影像的高精度地表覆盖分类。以长江中下游平原的高分二号空谱融合影像（分辨率为1m）进行实验，结果表明，所提出方法的分类总体精度达到85%以上，相对于传统3DCNN或者2DCNN，提高了约6%。因此，本方法能精准提取高分影像的特征，提高遥感影像分类精度和效率，在高分辨率地表覆盖分类研究中具有较大的优势。

高分辨率、遥感影像、地表覆盖分类、卷积神经网络、注意力机制