近日，北京林业大学林学院张晓丽教授团队撰写的学术论文“A novel framework combining band selection algorithm and improved 3D prototypical network for tree species classification using airborne hyperspectral images”在工程技术领域一区TOP期刊《Computers and Electronics in Agriculture》（IF=8.3）在线发表，在深度学习树种分类模型上取得新进展。
研究以机载高光谱影像为数据源，发展了3D原型网络树种分类框架（ FAST 3D-CNN P-Net），该框架利用卷积神经网络进行波段选择，增强了高光谱数据细粒度识别过程，并将优化的 FAST 3D-CNN 集成到 P-Net 分类器中，在标记样本数量有限的情况下，也能快速准确地实现复杂林分中高精度的多树种分类与制图，为新形势下森林资源调查和可视化经营提供技术和数据支撑，助力森林质量精准提升。
高精度的树种分类和制图对于森林可持续经营管理、生物多样性评估等具有重要意义。高光谱成像技术能够在空间-光谱维度上细粒度描绘森林精细特征，在树种分类中应用广泛。高空间-光谱分辨率意味着大数据量、特征冗余和光谱可变性，易导致分类准确性和运行效率降低。因此，如何降低机载高光谱影像分类的训练数据冗余、增强特征稳健性，充分提取有效特征，是实现机载高光谱图像精细树种自动分类的关键课题。
林学院硕士研究生吴晶为论文第一作者，张晓丽教授为通讯作者。
研究得到了国家自然科学基金项目“近地-地基主被动多模态遥感联合的单木参数高效提取研究”（32171779）、国家重点研发计划项目“人工林资源监测关键技术研究”（2017YFD0600900）和中欧科技合作 “龙计划”五期（59257）的资助。
