摘要：為了實現(xiàn)在目標域僅有無標注樣本的條件下對異構遙感影像上的水稻提取模型進行高質(zhì)量構建和復用，構建了一種基于時空約束的深度異構特征遷移學習模型。首先，基于空間位置構建源域和目標域無標簽樣本組，并提取其深度特征；其次，構建異構特征遷移模型，創(chuàng)建同名樣本特征轉換、同名樣本特征正則、樣本重建損失函數(shù)，減少特征負遷移影響，實現(xiàn)異構特征的精準遷移；最后，建立半監(jiān)督分類模型，通過引入HingLoss損失來消除錯誤偽標簽的影響，實現(xiàn)分類精度的提高。結果表明，本研究方法能夠?qū)崿F(xiàn)不同分辨率下影像間的樣本特征遷移，相較于未經(jīng)過特征遷移的情況，準確率提升了27.68個百分點，F(xiàn)1分數(shù)提升了17.3個百分點。

關鍵詞：無標注樣本； 水稻提取； 高分辨率遙感影像； 深度異構遷移學習

中圖分類號：P237" " " " "文獻標識碼：A

文章編號：0439-8114（2024）08-0236-07

DOI：10.14088/j.cnki.issn0439-8114.2024.08.039 開放科學（資源服務）標識碼（OSID）：

Extraction of rice from remote sensing images based on deep heterogeneous transfer learning

QIU Ru-qiong1，2， HE Li-hua3， LI Meng-fan2

（1. National Engineering Research Center of Geographic Information System，China University of Geosciences（Wuhan）， Wuhan" 430074，China；

2. Hubei Development Planning Research Institute Co.， Ltd.， Wuhan" 430071，China；3. Hubei Geography National Condition Monitoring Center， Wuhan" 430071，China）

Abstract： In order to achieve high-quality construction and reuse of rice extraction models from remote sensing images based on heterogeneous with only unlabeled samples in the target domain， a deep heterogeneous feature transfer learning model based on temporal and spatial constraints was constructed. Firstly， unlabeled sample groups in the source domains and target domains were constructed based on spatial location， and their deep features were extracted； secondly， in order to reduce the negative transfer impact of features and realize precise transfer of heterogeneous features， a heterogeneous feature transferring model was constructed by using a composite loss function including corresponding sample feature conversion loss， corresponding sample feature regular loss， and sample reconstruction loss； finally， in order to improve the accuracy of classification， a semi-supervised classification model was established， and HingLoss was introduced to eliminate the impact of wrong pseudo labels. The results showed that the research method could realize sample feature transfer between images at different resolutions. Compared with the case without feature transfer， the accuracy rate was improved by 27.68 percentage points， and the F1 score was improved by 17.3 percentage points.

Key words： unlabeled sample； extraction of rice； high resolution remote sensing images； deep heterogeneous transfer learning

高分辨率衛(wèi)星影像已經(jīng)被廣泛應用到水稻提取中。目前高分辨率的水稻遙感提取方法主要包括傳統(tǒng)機器學習方法［1-8］以及深度學習方法［9-13］。然而無論是傳統(tǒng)機器學習還是深度學習方法在使用無標注樣本進行模型訓練時，因?qū)W習到的特征表達能力有限，模型效果急劇下降。同時，由于衛(wèi)星傳感器、拍攝角度、光照、背景等因素的影響，導致衛(wèi)星影像間的數(shù)據(jù)特征和分布存在較大差異，也會導致即使使用大量已標注樣本得到的模型，其魯棒性也不太理想。

因此，如何在無標注樣本的條件下，實現(xiàn)異構衛(wèi)星影像上的模型高質(zhì)量構建和復用，是一個極具挑戰(zhàn)的技術問題，同時具有良好的應用價值。

異構遷移學習是一種機器學習范式，它通過將一個或多個異構場景（源域）中的樣本、特征以及模型等知識遷移到目標場景（目標域）以提高目標場景（目標域）的學習性能。異構遷移學習可以分為對稱型異構遷移學習和非對稱型異構遷移學習，對稱型異構遷移方法有SCL算法［14］、CLSCL算法［15］等，非對稱型異構遷移方法有HDP算法［16］、HHTL算法［17］等。在遙感應用領域，基于同構的特征遷移或模型遷移［18-22］研究較多，異構遷移學習及在水稻遙感提取上的研究較為鮮見。一景遙感影像通常會同相鄰的另外一景遙感影像存在空間交集，因此作為目標域的遙感影像可以通過影像和影像的交集，同源域影像建立相應的映射關系，從而可以進行異構的特征遷移。

基于這樣的思路，本研究選取江漢平原為研究區(qū)域，以水稻為研究對象，以源域和目標域的無標簽樣本為基礎，通過構建包含樣本重建損失的綜合性異構遷移損失函數(shù)，構建一種基于時空約束的無監(jiān)督深度異構特征遷移學習模型，對源影像（GF2）上的水稻樣本特征和分類模型進行學習和遷移，實現(xiàn)目標影像（GF1）上水稻的精確提取。

1 研究區(qū)域與數(shù)據(jù)源

研究區(qū)域如圖1所示，在江漢平原潛江市和江陵縣交界處，面積481.41 km2，地理坐標介于北緯29°26′—31°37′，東經(jīng)111°14′—114°36′，是重要的水稻產(chǎn)地之一。

選擇2019年7月28日的GF2數(shù)據(jù)（圖1左下影像）、2019年8月2日的GF1數(shù)據(jù)（圖1右上影像）為數(shù)據(jù)源。其中GF2數(shù)據(jù)為源影像，GF1數(shù)據(jù)為目標影像，對兩景影像分別進行了正射校正、幾何配準、圖像融合、輻射定標和大氣校正等數(shù)據(jù)處理。

對于源影像（GF2），于2019年8月18—24日使用無人機+集思寶UG 905對研究區(qū)范圍內(nèi)的水稻等地物樣本邊界軌跡進行實地采集。各地類樣本數(shù)量如表1所示。對目標影像（GF1）在研究區(qū)域通過內(nèi)業(yè)勾畫了約1 000個無標注樣本，其中在源影像和目標影像交叉區(qū)域的無標注樣本為498個。

2 方法

2.1 模型總體框架

本研究的目標是建立一個遷移模型，將源影像（GF2）的判別能力遷移到目標影像（GF1）上去，實現(xiàn)對目標影像的判別。由于源影像特征和目標影像特征由不同的過程產(chǎn)生，同時只有源影像上有標注樣本，而目標域上并沒有標簽樣本，因此需要采用無監(jiān)督的異構遷移學習方法來實現(xiàn)。

針對上述目標，本研究給出如下形式化描述。

定義1：給定源影像（GF2）上有標注樣本數(shù)據(jù)集XS′=｛xs1，xs2，…，xsn｝，其標注集YS′=｛ys1，ys2，…，ysn｝；給定目標影像（GF1）的無標注樣本數(shù)據(jù)集XT=｛xt1，xt2，…，xtm｝。

定義2：假設高分辨率遙感影像受傳感器、大氣條件等影響的對應過程為[f]。源影像圖斑特征可以表達為[Fs=f（Xs）]，目標影像圖斑特征可以表示為[Ft=f（XT）]。

定義3：為了能夠?qū)W習源影像和目標影像的特征遷移關系，本研究在目標影像和源影像的交集區(qū)域，利用XT的空間信息構建一組同名無標注樣本組。首先，在目標影像和源影像的交集區(qū)域，從XT中選定k個樣本[XTj={xtj1，xtj2，…，xtjk}]，其中，[j1，…，jk∈] [{1，…，m}]。由于XTj和XS可能會有交集，為了研究目標域無標注樣本下的異構特征遷移的通用性，選定XTj和XS無交集，即[XTj?XS=?]。然后，基于XTj的空間位置在源影像（GF2）構建同名樣本集[XSj={xsj1，xsj2，] […，xsjk}]，XTj和XSj構建同名樣本組[{（xsj1，xtj1），（xsj2，xtj2），…，] [（xsjk，xtjk）}]。

基于XTj和XSj構建的無標注樣本組，構建基于時空約束的無監(jiān)督深度異構特征遷移學習模型，其總體框架如圖2所示，包括深度特征提取模塊、異構特征遷移模塊、分類模型模塊。

2.2 深度特征提取模塊

多項研究表明，采用卷積神經(jīng)網(wǎng)絡能夠從遙感圖像中學到很好的特征信息［23-27］。經(jīng)典卷積神經(jīng)網(wǎng)絡主要包括卷積層、池化層和全連接層，其中卷積層通過計算輸入影像中的局部區(qū)域與濾波器的點積輸出特征。本研究利用Krizhevsky等［28］提出的AlexNet模型對同名樣本集進行深度特征提取。AlexNet網(wǎng)絡結構如圖3所示，包括5個卷積層和3個全連接層，使用Dropout層和局部響應歸一化層（LRN）提高神經(jīng)網(wǎng)絡的性能，增強模型的泛化能力，AlexNet的5個卷積層用于圖像特征的提取。

由于GF2和GF1的樣本數(shù)據(jù)為四通道數(shù)據(jù)，同時樣本大小不一致，因此基于AlexNet進行深度特征提取時，需對樣本數(shù)據(jù)進行預處理，即采用AlexNet Conv1-conv5的默認設置，將樣本大小調(diào)整為224×224×4。

2.3 異構特征遷移模塊

2.3.1 損失函數(shù)

1）同名樣本特征轉換損失函數(shù)構建。對于[Hsj=?Fsj=?f（Xsj），Htj=?Ftj]=[?f（Xtj）]，為使得[Hsj=Htj]，構建同名樣本特征轉換損失函數(shù)。

[Lco-occurance（?）=1ku=1k?sju-?tju2=1ku=1k?（f（xsju））-?（f（xtju））2] " （1）

其中，k為無標注樣本組的數(shù)量；[?sju]∈[Hsj]，[?tju]∈[Htj]；[xsju]∈[Xsj]，[xtju]∈[Xtj]。

2）同名樣本重建損失函數(shù)構建。在進行異構特征遷移中，不是所有遷移的特征是有益的，部分相關性低的特征會對遷移效果產(chǎn)生負面影響，導致負遷移，因此需要對遷移特征的合理性進行評估。本研究通過將公共特征空間的特征恢復為原始樣本數(shù)據(jù)來實現(xiàn)對遷移特征的評估，保證對重要、正確的特征進行遷移，減少負遷移。

同名樣本特征重建的損失函數(shù)如下。

[Lreconstruction?，w，ψ=1ku=1kxsju-xsju2+1ku=1Mxtju-xtju2=1ku=1kxsju-w1（xsju）ψ1?sju-w2（xsju）ψ2?sju2+1ku=1kxtju-w1（xtju）ψ1?tju-w2（xtju）ψ2xtju2=1ku=1Nxsju-w1（xsju）ψ1?（xsju）-w2（xsju）ψ2?（xsju）2+1ku=1kxtju-w1（xtju）ψ1?（xtju）-w2（xtju）ψ2?（xtju）2]（2）

式中，k為無標注樣本組的數(shù)量；[xsju∈Xsj]，[xtju∈Xtj]；[xsju]為[xsju]的重構，[xtju]為[xtju]的重構；[ψ1、ψ2]為公共特征恢復成原始樣本的恢復映射；[w1]、[w2為]權重向量，其中[w1（x）+w2（x）=1]，且[w1（x），w2（x）≥0]。

3）同名樣本特征正則損失函數(shù)構建。由于一些特征映射可以通過降低特征的幅度來減少特征的差異而不是降低同名樣本的特征差異，本研究通過引入一些正則項來限制公共特征的分布，使其與多元單位高斯盡可能接近。本研究構建的同名樣本特征正則損失函數(shù)如式（3）所示。

[Lregularizationσ2，?=1Ku=1kDKL（N（?sju，diag（σ2fsju））||N（0，Id））+1ku=1kDKL（N（?tju，diag（σ2ftju））||N（0，Id））=1ku=1kDKL（N（?（xsju），diag（σ2fsju））||N（0，Id））+1ku=1kDKL（N（?（xtju），diag（σ2xtju））||N（0，Id））] " （3）

式中，k為無標注樣本組的數(shù)量；[fsju∈Fsj]，[ftju∈Ftj]；[Id]是d維對角元為1的單位陣，[diagσ2=diag（σ21，…，σ2d）]為對角元為[σ21，…，σ2d]的對角陣；[DKL]為KL散度用于計算概率分布之間的散度；[N]為正態(tài)分布。

4）總體遷移損失函數(shù)?？傮w遷移損失為同名樣本特征損失、同名樣本重建損失、同名樣本特征正則化損失之和。

2.3.2 網(wǎng)絡結構 異構特征遷移模型的網(wǎng)絡結構如圖4所示，包括源域和目標域2個分支。源域分支輸入為Fsj，目標域分支輸入為Ftj。由于Fsj、Ftj作為特征向量本身不具有空間和時間特性，因此模型采用全連接網(wǎng)絡。

在源域和目標域2個分支上，F(xiàn)sj、Ftj經(jīng)過fc1、fc2、fc3共3個全連接層進行特征輸出。fc1、fc2、fc3的激活函數(shù)為Relu函數(shù)，通過增加網(wǎng)絡稀疏性來降低梯度消失風險。fc3層輸出方差（[σ2]）、特征轉換（[φ]）、權值（W）3類特征數(shù)據(jù)。

對于方差和特征轉換數(shù)據(jù)，源域和目標域根據(jù)同名樣本關聯(lián)，通過特征轉換損失和同名樣本特征正則損失進行后向傳遞。

對于特征轉換結果，源域和目標域建立結構相同的樣本重建網(wǎng)絡，包括4層孿生全連接網(wǎng)絡（fc4、fc5、fc6、fc7），其輸出數(shù)據(jù)（[ψ]）同權值（W）構建樣本重建損失進行后向傳遞。

2.4 分類模型模塊

為了充分利用無標注樣本數(shù)據(jù)，本研究采用半監(jiān)督學習的方法進行分類模型構建和訓練。由于分類器的輸入為特征向量，因此分類器的網(wǎng)絡結構由4個全連接層（fc1、fc2、fc3、fc4）組成，其中fc1、fc2、fc3采用ReLu作為激活函數(shù)，fc4采用Softmax進行分類。

分類模型所對應的半監(jiān)督損失函數(shù)見式（4）。

[Lclassification（Y，H）=12ku=12k（-F（L（y′ju，f（hju）））+d）+1nu=1nL（ysu，f（hsu））]" " " " （4）

式中，Y為分類器標簽集；H為輸入的特征集合，H=｛Hsj，Htj，Hs｝；[y′ju]為Hsj、 Htj輸入分類器得到的偽標簽，u=1，2，3，…，2k；ysu∈YS，即源域標注集XS的樣本標簽；[f（hju）]為Hsj、Htj輸入分類器后得到的概率，[f（hsu）]為Hs輸入分類器后得到的概率；[L（ysu，f（hsu））]和[L（y′ju，f（hju））]為交叉熵函數(shù)；F（）為HingLoss損失函數(shù)；d為HingLoss損失函數(shù)的偏置，設置d=1。

本研究在無標簽樣本特征上引入HingLoss損失函數(shù)，其原因為若無標注樣本特征｛Hsj，Htj ｝經(jīng)分類器得到的偽標簽不正確，則[L（y′ju，f（hju））]損失將很大。為了抑制該損失，消除錯誤的偽標簽，取[-F（L（y′ju，] [f（hju）））+d=-HingLoss（L（y′ju，f（hju）））+1]來實現(xiàn)，即[L（y′ju，f（hju））]損失越大，[-F（L（y′ju，f（hju）））]則越小。

3 結果與分析

3.1 異構特征遷移學習結果及分析

3.1.1 試驗環(huán)境和超參數(shù)

1）軟件環(huán)境。操作系統(tǒng)為內(nèi)存64 GB的CentOS7.2；深度學習框架為TensorFlow2.0；編程環(huán)境為Python3.7。

2）硬件環(huán)境。CPU型號為 Intel（R） Xeon（R） E5-2650 v4 @2.20GHz，GPU為Tesla P100 16G。

3）參數(shù)設置。重建損失batchsize設定為30，特征損失batchsize設定為20，學習率初始設置為0.001，通過貝葉斯自動化調(diào)參框架進行學習率調(diào)整。

3.1.2 總體遷移損失情況 總體遷移損失經(jīng)過20次迭代后迅速收斂到0.020 00左右，經(jīng)過360次迭代收斂到0.002 00左右，經(jīng)過530次迭代后收斂到0.001 44左右。

3.1.3 基于同名圖斑的異構特征遷移變化分析 為了定量化描述異構特征到公共特征空間后的變化，本研究基于同名樣本分別計算原始特征空間上同名樣本特征距離（Dx）和公共特征空間上同名樣本特征距離（Dh）。

[Dx=1Ωu∈Ωxsiu-stju2]" " " " " " "（5）

[Dh=1Ωu∈Ωhsiu-htju2]" " " " "（6）

式中，[Ω]為訓練集和測試集對應元素指標集。

通過plotly軟件繪制的原始特征空間和公共特征空間上的特征低維可視化結果如圖5所示?？梢钥闯?，通過遷移學習，公共特征空間比原始特征空間要小，這意味著遷移學習將源影像樣本特征和目標影像樣本特征的公共特征進行學習并遷移，遷移后的樣本特征相對于源樣本特征會丟失部分信息。

3.2 分類試驗結果對比分析

采用準確率（Accuracy，Acc）、精確率（Precision，P）、召回率（Recall，R）、F1分數(shù)（F1-score，F(xiàn)1）4項評價指標進行方法評價。

為了對異構特征遷移學習結果進行細致分析，做了2組試驗，即：①不做特征遷移學習時，模型在源影像和目標影像的分類結果；②進行異構遷移學習后，模型在源影像和目標影像的分類結果。試驗結果如表2所示。

3.2.1 異構特征遷移學習對源影像上分類結果的影響 對于源影像進行異構特征遷移學習，分類的準確率從96.82%下降到92.91%，F(xiàn)1-score從95.94%下降到86.67%。從表2可以看出，召回率下降明顯，導致準確率和F1-score的下降，而召回率下降明顯是因為相對于原始空間的特征信息，遷移后特征信息為公共的特征信息，相對于原始的特征信息有所降低（圖5）。

3.2.2 異構特征遷移學習對目標影像上分類結果的影響 對于目標影像不進行異構特征遷移學習，相對源影像的分類結果，準確率、F1-score等精度評價指標下降十分明顯，準確率從96.82%下降到60.78%，F(xiàn)1-score從95.94%下降到68.97%。特征遷移前在GF1影像上進行水稻分類的測試結果如圖6所示，許多實際為水稻的地塊被錯誤地分為非水稻，表明直接使用基于源影像（GF2）上的分類模型進行水稻分類，很難實現(xiàn)對水稻的準確提取。特征遷移后在GF1影像上進行水稻分類的測試結果如圖7所示，當進行異構特征遷移學習后，在目標影像上的分類準確率提升明顯，水稻分類的準確率從60.78%上升到88.46%，F(xiàn)1-score從68.97%上升到86.27%。

為了進一步驗證本研究所提出的異構遷移模型的性能，將其與CLSCL、HHTL這2類典型異構特征遷移方法進行對比，結果如表3所示。從表3可以看出，本研究方法相對CLSCL方法有很大優(yōu)勢，其原因為CLSCL方法僅進行公共特征遷移，缺少基于特征對樣本的重建，因此所遷移特征的精確性較差。本研究方法相對HHTL方法有一定的優(yōu)勢，表明其不僅可以有效地提取代表性的異構特征，同時對特征間轉化具有較好的可控性，能夠減少變換后的未標記目標域與已標記源域之間的分布偏差，進而得到比HHTL更好的遷移效果。

4 小結

為了實現(xiàn)在目標域無標注樣本條件下對異構遙感影像上的水稻提取模型進行高質(zhì)量構建和復用，本研究基于目標域無標簽樣本的空間位置在源域上生成同名的無標簽樣本數(shù)據(jù)，并建立了包含樣本重建損失在內(nèi)的綜合性異構遷移損失函數(shù)，從而構建了一種基于時空約束的無監(jiān)督深度異構特征遷移學習模型，實現(xiàn)目標域無標簽樣本的情況下異構特征的精確性遷移，進而在異構目標域影像上對水稻進行精確提取。

本研究在對試驗結果進行分析后，得到如下結論：①異構特征遷移學習能夠?qū)崿F(xiàn)對源樣本特征和模型的學習和遷移，與不使用特征遷移進行對比，分類準確率可提升27.68個百分點。②異構特征遷移學習后得到的公共特征空間保留了樣本特征的公共信息，通過特征-樣本重構可以實現(xiàn)特征的精確遷移。

本研究方法存在的不足主要是依賴影像和影像的重疊區(qū)，因此如何擺脫這種空間依賴性，實現(xiàn)目標域無標注樣本的異構特征遷移有待進一步研究。

參考文獻：

［1］ 謝登峰，張錦水，潘耀忠，等.Landsat 8和MODIS融合構建高時空分辨率數(shù)據(jù)識別秋糧作物［J］.遙感學報，2015，19（5）：791-805.

［2］ 陳安旭，李月臣.基于Sentinel-2影像的西南山區(qū)不同生長期水稻識別［J］.農(nóng)業(yè)工程學報，2020，36（7）：192-199.

［3］ 高永康，王臘紅，陳家贏，等.一種利用形態(tài)相似性的水稻信息提取算法［J］.遙感信息，2020，35（2）：76-86.

［4］ 許童羽，胡開越，周云成，等.基于CART決策樹和BP神經(jīng)網(wǎng)絡的landsat 8影像粳稻提取方法［J］.沈陽農(nóng)業(yè)大學學報，2020，" "51（2）：169-176.

［5］ 王建勛，華 麗，鄧世超，等.基于GF-1與MODIS時空融合的南方丘陵區(qū)水稻提取研究［J］.中國農(nóng)業(yè)資源與區(qū)劃，2019，40（5）：37-46.

［6］ 趙亞杰，黃進良，王立輝，等.基于時空融合NDVI及物候特征的江漢平原水稻種植區(qū)提取研究［J］.長江流域資源與環(huán)境，2020，29（2）：424-432.

［7］ 賴格英，楊星衛(wèi).南方丘陵地區(qū)水稻種植面積遙感信息提取的試驗［J］.應用氣象學報，2000，11（1）：47-56.

［8］ 李 石，宋曉巍，張 菁，等.基于遙感數(shù)據(jù)的沈陽水稻種植面積提取及精度分析［J］.大麥與谷類科學，2016，33（4）：63-66.

［9］ KUSSUL N，LAVRENIUK M，SKAKUN S，et al. Deep learning classification of land cover and crop types using remote sensing data［J］.IEEE geoscience and remote sensing letters，2017，14（5）：778-782.

［10］ WEI S，ZHANG H，WANG C，et al. Multi-temporal SAR data large-scale crop mapping based on U-Net model［J］.Remote sensing，2019，11（1）：68.

［11］ YANG X，YE Y，LI X，et al. Hyperspectral image classification with deep learning models［J］.IEEE transactions on geoscience and remote sensing，2018，56（99）：5408-5423.

［12］ ZHONG L，HU L，ZHOU H. Deep learning based multi-temporal crop classification［J］.Remote sensing of environment，2019，221：430-443.

［13］ HUETE A，DIDAN K，MIURA T，et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices［J］.Remote sensing of environment，2002，83（1-2）：195-213.

［14］ BLITZER J C，MCDONALD R T，PEREIRA F C N. Domain adaptation with structural correspondence learning［A］.Proceedings of conference on empirical methods in natural language processing［C］.Sydney，Australia，2006.120-128.

［15］ PRETTENHOFER P，STEIN B B. Cross-language text classification using structural correspondence learning［A］.Proceedings of 48th annual meeting of the association for computational linguistics［C］. Uppsala，Sweden，2010.1118-1127.

［16］ NAM J，F(xiàn)U W，KIM S，et al. Heterogeneous defect prediction［J］.IEEE transactions on software engineering，2017，44（9）：874-896.

［17］ ZHOU J T，PAN S J，TSANG I W，et al. Hybrid heterogeneous transfer learning through deep learning［A］. Proceedings of AAAI conference on artificial intelligence［C］.Québec，Canada，2014.2213-2219.

［18］ 趙 亮，吳立宗，彭紅春，等.基于遷移學習的高分辨率遙感影像道路信息提?。跩］.江蘇海洋大學學報（自然科學版），2020，29（2）：69-72.

［19］ 周紹光，吳 昊，趙嬋娟，等.利用同質(zhì)區(qū)特性的高光譜圖像遷移學習分類［J］.計算機工程與應用，2021，57（21）：224-233.

［20］ MEI S，JI J，HOU J，et al. Learning sensor-specific spatial-spectral features of hyperspectral images via convolutional neural networks［J］.IEEE transactions on geoscience and remote sensing，2017，55（8）：4520-4533.

［21］ WANG Z，DU B，SHI Q，et al. Domain adaptation with discriminative distribution and manifold embedding for hyperspectral image classification［J］.IEEE transactions on geoscience and remote sensing，2019，16（7）：1155-1159.

［22］ 施慧慧，徐雁南，滕文秀，等.高分辨率遙感影像深度遷移可變形卷積的場景分類法［J］.測繪學報，2021，50（5）：652-663.

［23］ 張 帆.面向高分辨率遙感影像分析的深度學習方法研究［D］.武漢：武漢大學，2017.

［24］ 周 瑜.基于卷積神經(jīng)網(wǎng)絡的高分辨率遙感圖像分類方法研究［D］.重慶：重慶郵電大學，2018.

［25］ 王海軍.深度卷積神經(jīng)網(wǎng)絡在遙感影像分類的應用研究［D］.北京：中國地質(zhì)大學（北京），2018.

［26］ 許慧敏.基于深度學習U-Net模型的高分辨率遙感影像分類方法研究［D］.成都：西南交通大學，2018.

［27］ 閆 苗，趙紅東，李宇海，等.基于卷積神經(jīng)網(wǎng)絡的高光譜遙感地物多分類識別［J］.激光與光電子學進展，2019，56（2）：191-198.

［28］ KRIZHEVSKY A，SUTSKEVER I，HINTON G E. ImageNet classification with deep convolutional neural networks［J］.Communications of the ACM， 2017，60（6）：84-90.

基金項目：湖北省自然資源廳科研項目（ZRZY2021KJ03）

作者簡介：邱儒瓊（1977-），女，湖北公安人，正高級工程師，在讀博士研究生，主要從事遙感數(shù)據(jù)智能處理的理論和應用研究，（電話）13871363256（電子信箱）404251392@qq.com。