深度学习融合多源卫星影像：实现山区常绿针叶林30米高精度分布制图

论文介绍

QQ深度学习交流群：838795243

扫描下方二维码，加入深度学习论文指南星球！

加入即可获得，模块缝合、制作、写作技巧，学会“结构”创新、“创新点”创新，从三区到顶会，小论文大论文，毕业一站式服务

创新点

• 双源融合与双阶段深度学习框架：首次将双时相 WorldView 高分辨率影像（VHR）与Landsat 时间序列影像结合，通过两个深度学习模型分别处理空间与时间信息

• 3D U-Net + LSTM 组合：3D U-Net 用于从双时相 WorldView 图像中提取空间-光谱特征、生成高质量针叶林参考分布图；LSTM 网络基于 Landsat 时间序列学习时序依赖关系，实现 30 m 分辨率针叶树冠覆盖率回归预测

• 地形阴影消除：引入GS（Gram-Schmidt）双时相影像融合算法消除山区阴影干扰，显著提升 VHR 分类精度

• 可迁移性验证：在时空独立区域上测试，证明模型具备较强的空间与时间泛化能力（R² = 0.71，RMSE = 0.14）

• 应用创新：首次在大熊猫栖息地完成针叶林连续分布定量制图，为生态恢复与保护规划提供精细数据基础

方法

整体架构

该研究构建了一个融合多源影像与时空特征的深度学习框架：首先利用 Gram-Schmidt 算法对双时相 WorldView 影像进行融合以减弱地形阴影；随后采用 3D U-Net 从高分辨率影像中提取空间-光谱特征并生成针叶林分数参考图；最后将参考样本与 Landsat 时间序列输入 LSTM 网络进行回归，学习季节变化规律，从而在 30 m 尺度上精准预测常绿针叶林覆盖率

• 地形阴影校正模块

  

• 使用 WV-1 与 WV-2 双时相图像，通过 Gram-Schmidt 融合算法恢复阴影区域空间细节。

• 空间特征提取与参考图生成模块（3D U-Net）

• 输入：阴影校正后的双时相 WorldView 图像（8 光谱维度 × 256×256 patch）

• 输出：0.5 m 分辨率针叶林二值掩膜 → 下采样至 30 m 得到参考分数覆盖图

  

• 时间序列回归模块（LSTM 网络）

  

• 输入：Landsat 五年期月度中值复合影像（6 个波段 × 12 个月 = 时间序列）

• 网络结构：3 层 LSTM （hidden size = 100，dropout = 0.3） + 全连接层 + sigmoid 输出 → 预测针叶树冠分数

• 对比基线：随机森林回归（RF）

  
  

2025年之前开源免费即插即用模块地址

浏览打开网址:https://github.com/ai-dawang/PlugNPlay-Modules

更多分析可见原文