基于无人机高光谱与轻量化深度学习的草地退化空间-光谱特征优化监测研究

为解决草地退化监测中传统方法的局限性和高光谱数据标注难题，研究人员构建了3D-2D轻量化混合卷积网络模型(LH-CNN)。通过主成分分析筛选特征波段，创新性提出空间-光谱邻近筛选算法优化像素关系，在8%训练样本下实现97.25%总体分类精度，参数量仅0.15M，为草地退化评估提供了高效技术方案。

　　

这项突破性研究开创性地将无人机(UAV)高光谱遥感系统与深度学习相结合，针对荒漠草原建群种、优势种和伴生种的监测难题展开攻关。科研团队巧妙设计了三步走技术路线：首先采用主成分分析(PCA)算法筛选高光谱影像的特征波段，随后自主研发空间-光谱邻近筛选算法(Spatial-Spectral Proximity Screening)优化关键像素选择，最终构建的轻量化混合卷积网络(LH-CNN)模型展现出惊人性能——在训练样本仅8%的条件下，整体分类精度达97.25%，Kappa系数96.32，模型参数量仅0.15×10⁶，计算量108.97×10⁶FLOPs。该模型显著优于ResNet34、Densenet121等传统架构，也超越了HybridSN等新型网络，为草原生态系统的"把脉问诊"提供了精准高效的AI解决方案。这项技术不仅实现了荒漠草原植被种群的高精度"指纹识别"，更为草地退化过程的动态监测装上了智能"预警雷达"。