基于高光谱影像的长三角一体化示范化典型区域植被类型分类

潘琛， 顾建祥，岳照溪

上海市测绘院，上海 200063

摘  要：长三角一体化示范区植被具有类型多样、分布格局破碎等特征，给植被空间实地调查带来了一定的困难。本文基于资源一号02D（ZY1E）高光谱卫星影像，建立植被类型光谱库，不仅包含不同季节的植被光谱特征，还充分考虑植被类型的多样性和空间分布的破碎性。基于ShuffleNet轻量级深度学习网络，结合空谱注意力机制，构建高光谱植被分类深度学习网络，利用遥感影像的光谱、空间特征，实现不同季节研究区域植被分类；并与常用方法卷积神经网络（convolution neural network，CNN）、支持向量机（support vector machine，SVM）进行比较分析。结果表明：较常规的CNN和SVM方法，本方法在精确率、召回率、F1和总体精度四项评价指标均有较大提升，能够较好地刻画地物轮廓和保持斑块完整性，且多期分类结果总体精度均能够达到0.85以上；水田作物（以水稻为主）是研究区夏季主要的基本农作物，以茭白为代表的水生植被、林地也有大量分布。

关键词：高光谱影像；植被分类提取；空谱注意力机制；植被光谱库；深度学习；资源一号遥感影像；光谱曲线

引用格式：潘琛, 顾建祥, 岳照溪. 2024. 基于高光谱影像的长三角一体化示范区典型区域植被类型分类. 时空信息学报, 31(6): 698-709

Pan C, Gu J X, Yue Z X. 2024. Vegetation classification in typical areas of the demonstration zone of integrated regional development of Yangtze River Delta based on hyperspectral satellite images. Journal of Spatio-temporal Information, 31(6): 698-709, doi: 10.20117/j.jsti. 202406008

1  引  言

植被空间格局监测是生态环境监测重要的工作内容之一。传统现场调查方式可以按照植物物种调查植被状况，但耗时费力、不适合大范围作业，且对长时序、动态监测方面远不够。遥感技术作为获取空间地理信息的重要方式，有效弥补了传统调查方式的局限，能够为植被分类和生态环境监测提供较为丰富的信息来源（刘宇承等，2023）。在众多遥感数据中，高光谱遥感数据以其丰富的光谱信息优于其他遥感数据，能够更好地反映出地物的光谱特征（杜培军等，2016）。同时，图谱合一的优势能够更好地适用于植被类型精细分类（肖斌等，2024）、植被图谱信息提取（邓守奇等，2024）及植被制图（Du等，2021）等多种应用。

植被遥感分类方法早期以目视解译为主，解译精度不仅受限于影像质量，而且与判读者经验息息相关，部分相似性地物难以区分（杨超等，2018）。高光谱遥感影像丰富的光谱特征借助深度学习算法，能够提取有代表性的植被特征，使得高精度、智能化植被遥感分类研究成为可能。全卷积网络（fully convolutional network，FCN）将卷积神经网络（convolution neural network，CNN）末端的全连接层替换为卷积层，然后配合反卷积对上层卷积结果进行上采样，使之还原到与输入数据相同的尺寸，以此完成像素类别和在图像中位置的判断，因此图像处理效率和精度都得到较大提升（Shelhamer等，2017；任慧群等，2020）。在高光谱分类中，FCN能够同时利用光谱信息和空间信息，提高分类精度，在高光谱分类任务中表现出了更高的分类性能和更强的泛化能力。但是由于高光谱卫星遥感影像数据量较大，空间分辨率较低，FCN等深度学习方法在处理高光谱遥感数据时往往存在计算量过大、耗时较长的问题（王克奇等，2022）。有研究对FCN进行优化，采用深度可分离卷积，减少网络的参数量以提高特征提取的效率（程镕杰等，2023）。ShuffleNet是一种轻量级神经网络，通过引入深度可分离卷积和通道混洗，能够高效提取多层次特征，在保持良好分类性能的同时，显著减少了模型的参数数量和计算复杂度，已被应用于高光谱遥感分类任务中，特别是在植被分类方面，能够有效地提取高光谱数据中的特征，实现对植被类型的准确分类（Zhang等，2018；Gomes等，2021；王慧赢等，2023）。

长三角一体化示范区坚持生态绿色可持续发展，一直重视生态文明建设，因此需要全方位认识示范区生态环境现状，特别是精准刻画植被空间分布格局。但是示范区植被类型多样、分布格局破碎的特征，给实地调查植被空间带来了一定的困难，鲜有利用高光谱卫星遥感影像开展植被分类调查和监测的研究。本文选取长三角一体化示范区中一个典型区域作为研究区，利用不同季节国产高光谱卫星资源一号02D（ZY1E）遥感影像结合实地调查，提取植被类型在不同季节高光谱遥感影像的光谱曲线，建立植被类型光谱库；采用FCN思想，基于ShuffleNet结合空谱注意力机制、空洞卷积及通道混洗模块，构建高光谱植被分类深度学习网络，开展不同季节主要植被类型分类提取与分析；并与常用方法CNN、支持向量机（support vector machine，SVM）进行比较分析。

2  研究区及数据处理

研究区域位于长三角一体化示范区内，面积约1197 km²，包括上海市青浦区、江苏省苏州市吴江区、浙江省嘉兴市嘉善县部分区域，如图1所示。研究区植被类型多样，主要包括耕地、林地、草地等多种水生植被和陆生植被，具有典型的江南水乡特色；属于亚热带季风气候，四季分明，雨量充沛，夏季温暖湿润，冬季温和干燥。

ZY1E影像携带的高光谱数据在400～2500 nm 谱段内包含166个波段，光谱分辨率在可见光近红外部分为10 nm，在短波红外部分为20 nm，影像空间分辨率均为30 m，具有丰富且精细的光谱特性。考虑到植被类型监测覆盖多个季节，以及卫星影像云量指标等综合因素，实验选取2020年5月13日、2020年12月31日和2021年11月9日三期ZY1E高光谱数据作为植被类型分类的数据源（图2），来自于上海市自然资源卫星应用技术中心。研究区影像大小为1300个像素×1023个像素，面积约1196.91 km²。

实验针对高光谱卫星影像开展了几何校正、辐射定标和大气校正预处理工作。其中，辐射定标是建立遥感影像像素亮度数值（digital number，DN）与对应的实际地物辐射亮度之间的定量关系，是开展定量遥感研究的重要前提（Tan等，2014；张过等，2019）。根据国产高光谱遥感卫星精细定标系数（Tan等，2020；Niu等，2021），实验对2020～2021年三期ZY1E高光谱影像进行辐射定标，真实地反映地物辐亮度物理值，获取准确的地物光谱信息。大气校正是消除大气影响造成的辐射误差，从而获得地面真实反射率的过程（孙微等，2021）。

实验采用FLAASH大气校正模型（陈玲等，2019），结合卫星影像基本信息，完成研究区高光谱卫星遥感影像的大气校正。以树木为例，研究区ZY1E夏季影像辐射定标前亮度DN、辐射定标后辐亮度，以及经大气校正的反射率，如图3所示。

3  基于高光谱卫星数据的植被类型分类方法

通过实地调查分析植被类型，基于ZY1E影像建立了研究区域典型植被光谱库，并构建植被分类深度学习网络，实现主要植被类型的精细分类提取，具体技术路线如图4所示。

利用高光谱影像提取到的光谱特征，选取其中敏感性较高的波段特征，作为植被类型的分类依据。首先，在2020年7月、2021年11月进行两次实地调研以获取多种植被类型及分布情况。通过实地检验的方法进行混合像素的检校，结合调研点定位信息和研究区高分辨率影像在室内完成样本的确定。其次，通过去除高光谱原始波段数据中的信息冗余，在30 m空间分辨率的高光谱影像上优先选择样本分布范围较大的均质区域，同时选择具有较高纯度的像素，避免那些位于不同地物边界附近的像素，以减少混合像素的影响。同时，从ENVI光谱库中提取相关植被种类的标准波谱曲线，结合提取的较高纯度像素光谱，采用相似度测量方法比较提取的波谱曲线与ENVI光谱库中的标准波谱曲线。最后，将相似度较高的波谱归类为相应的植被类型，实现对植被种类的鉴定。因此，建立了研究区植被类型光谱数据库。

通过实地调研，综合样本类别属性、空间分布均衡性等因素，实验将基于高光谱卫星影像划分的覆被类型定义如下：①水生植被（茭白、荷花等），该区域种植茭白、荷花等植物，因其生长在水中并与水体交织分布，将茭白、荷花类别合并；②水田作物主要为水稻等粮食作物，受限于影像的空间分辨率无法准确地提取种植作物类型的空间分布，因此水田作物类型未以种植作物来划分；③该区域存在大量的农业用地和生态用地，因此增加了旱田作物、农业大棚、林地、草地类别；④设置水体、建筑物、裸土三个背景类。因此，设置了水生植被（茭白、荷花等）、水田作物（以水稻为主）、旱田作物、农业大棚、林地、草地、水体、建筑物、裸土共九个类别。

结合预处理结果，去除水气影响波段后，剩余147个波段，因此基于高光谱卫星影像构建的光谱曲线会出现不连续的情况，但是避免了异常值在分析地物特征时对结果造成的影响。不同季节不同植被类型和背景类型样本光谱曲线如图5所示。

高光谱影像通常具有高维特征，ShuffleNet的轻量级设计和高效特征提取能力，能够更快速地处理高光谱数据，解决通道间不互通的缺陷，减少对GPU和内存的依赖，降低运行成本，适合快速应用。高光谱植被分类深度学习网络结构示意图如图6所示。基于FCN（Shelhamer等，2017；任慧群等，2020），实验引入基于ShuffleNet的轻量级深度学习网络（Zhang等，2018；Gomes等，2021），结合空谱注意力机制（Li等，2021；Zhang等，2021）、空洞卷积（唐振超等，2023）、通道混洗（胡帅等，2024）等模块，构建具有光谱空间尺度适应能力的高光谱植被分类深度学习网络，实现研究区域植被分类。

空洞卷积在标准卷积操作的基础上引入了一个膨胀率，决定了卷积核元素之间的间隔，在不增加计算成本的情况下扩大感受野，同时通过调整膨胀率捕获多尺度上下文信息，有助于提高模型的泛化能力。空间金字塔池化（任月娟和葛小三，2022）将输入特征图划分为不同大小的区域（1个像素×1个像素、2个像素×2个像素、4个像素×4个像素），对每个划分区域进行池化，最后将不同尺度池化后的特征向量拼接，形成固定长度的输出向量，通过不同尺度的池化窗口，可以捕获全局和局部的多尺度信息，提升模型的表达能力。因此，实验引入空洞卷积（唐振超等，2023）和空间金字塔池化（任月娟和葛小三，2022），在模型训练过程中采用动态调整学习率的策略（徐建业等，2020），使模型更稳定地收敛到全局或局部最优，捕捉不同尺度信息，有效提取植被类型关注的空谱特征信息。此外，实验利用ShuffleNet组卷积和通道混洗等操作，构建高光谱植被分类深度学习网络，减少冗余参数的数量。组卷积将输入特征划分为多个子组，每组独立进行卷积操作，减少参数和计算量。通道混洗操作提升不同通道间的信息交互效率，减少参数的同时维持网络的表达能力。

4  实验结果分析

实验对2020～2021年三期ZY1E高光谱影像开展植被类型分类提取。每个地物类型选取约150个样本，经过1000次迭代训练构建的分类网络，取得了较好的训练集结果。因此，输入1300个像素×1023个像素，即面积约1196.91 km²的测试影像，得到研究区不同季节高光谱影像植被分类结果如图7所示。

不同季节高光谱影像分类OA如表1所示。不同季节的分类结果OA均能够达到0.85以上，说明不同土地覆被类型的类别内部的聚类效果较好，碎片化程度较低。

由于冬季原始影像数据有缺失，将不同季节的影像裁剪为相同的空间范围，以确保统计分析的一致性，相同的空间范围面积约1101.49 km²， 占原始影像总面积的92.03%，不同季节高光谱影像分类统计如图8所示。

研究区中植被具有明显的季节周期性变化，根据图7～8，分析得到地物分布特征如下。

（1）研究区主要基本农作物反映在水田作物（以水稻为主）类型，种植一季水稻，在秋冬季水稻收割后，有一部分水田作物会种植冬季农作物，呈现旱田作物的特征。夏季，水田作物（以水稻为主）的光谱特征受到混合像素影响，通过本方法在夏季影像上能够较好地区分水田作物（以水稻为主）和其他植被类型。

（2）研究区主要经济农作物反映在水生植被（茭白、荷花等）类型，主要是茭白、荷花和莲藕等，分布聚集，且有明显的空间分布规律，集中在湖泊、河流等水域附近。其中，茭白等经济作物一年可两季或三季种植，在不同时期的外业采样时均有不同生长阶段的茭白种植。

（3）研究区林地类型分布集中，成片的树木能够较好地被识别出来，限于ZY1E影像的空间分辨率，未成片的树木（如行道树等）无法识别，在夏季影像上会给建筑物带来较严重的混合像素，但在秋冬季节不明显。

（4）研究区内草地植被类型较少，通过选取少数人工草地、长草的荒地作为训练样本，其与旱田作物的情况较为一致，因此易混杂。

（5）由于农业大棚有薄膜覆盖，不同的覆盖材料会对分类精度造成影响。因此农业大棚在分类结果中有一定的虚高，易与建筑物产生混淆。

为验证方法的可行性，选用常用的深度学习分类方法CNN（贺敏慧等，2023）、SVM（Chandra和Bedi，2021）进行对比分析。以研究区夏季影像局部范围750个像素×550个像素为例，选用相同的实验样本进行模型训练，得到基于不同方法的夏季ZY1E影像植被分类结果如图9所示。可以看出，CNN能够更好地捕捉影像的空间特征，提高分类结果的可用性，但同时明显存在农业大棚错误提取的问题，这与CNN挖掘遥感影像空间、光谱特征仍不够充分有关；SVM的分类效果较差，破碎程度较高，无法形成完整斑块的分类结果，究其原因SVM是基于像素的分类方法，未能充分利用影像的空间信息。本方法能够提取更多细节特征，较好地刻画物体的细微轮廓，能够实现地物较精确分类提取。

选用精确率（precision，Pre）、召回率（recall，Re）、F1，以及总体精度（overall accuracy，OA）（张方泽等，2023）作为精度评定指标。任选4668个非训练样本的像素作为检验样本，其中旱田作物495个像素，水田作物（以水稻为主）525个像素，水生植被（茭白、荷花等）471个像素，农业大棚495个像素，林地592个像素，草地570个像素，水体476个像素，建筑物542个像素，裸土502个像素，基于不同方法的植被分类结果精度评定如表2所示。本方法在九个类别统计出的Pre、Re和F1三项指标值整体优于CNN、SVM分类方法，尤其是F1值在每个类别上均优于其他两种分类方法。此外， OA值超过0.86，也明显高于其他两种方法。

5  结  论

长三角一体化示范区植被类型多样、分布格局破碎给实地调查植被空间带来了一定的困难。本文基于三期资源一号02D（ZY1E）高光谱遥感影像，结合实地植被类型调查，对长三角一体化示范区典型区域的植被类型进行了分类研究。通过实地调查和高光谱影像分析，建立了研究区域的植被光谱库，光谱库中不仅包含了不同季节的植被光谱特征，还充分考虑了植被类型的多样性和空间分布的破碎性，为植被分类提供了重要数据基础。基于ShuffleNet轻量级深度学习网络，构建了高光谱植被分类深度学习网络，针对植被类型多样且光谱特征不同的特性，可以捕捉不同尺度信息，有效提取植被类型关注的空谱特征信息。

与常用的深度学习方法CNN、SVM分类方法相比，本方法在精确率、召回率、F1和总体精度四项精度评定指标上均表现出色。不同季节的植被类型分类结果OA均能够达到0.85以上，说明能够较好地刻画地物轮廓和保持斑块完整性。水田作物（以水稻为主）是研究区夏季主要的基本农作物，部分水田作物区域在冬季时会种植其他植被；以茭白为代表的水生植被、林地在研究区内也有大量分布。研究成果能够为示范区全面掌握植被空间分布现状，以及开展生态空间规划、生态系统监控工作提供技术支撑。

参考文献

陈玲, 陈理, 李伟, 刘建宇. 2019. 基于FLAASH模型的Worldview3大气校正. 国土资源遥感, 31(4): 26-31[Chen L, Chen L, Li W, Liu J Y. 2019. Atmospheric correction of Worldview3 image based on FLAASH model. Remote Sensing for Land & Resources, 31(4): 26-31 (in Chinese)

程镕杰, 杨耘, 李龙威, 王燕婷, 王家禹. 2023. 基于深度可分离卷积的轻量化残差网络高光谱影像分类. 光学学报, 43(12): 311-320[Cheng R J, Yang Y, Li L W, Wang Y T, Wang J Y. 2023. Lightweight residual network based on depthwise separable convolution for hyperspectral image classification. Acta Optica Sinica, 43(12): 311-320 (in Chinese)

邓守奇, 李晓强,梁立恒, 董炜华, 程彬, 马友利, 韦森超. 2024. 高光谱遥感植被图谱信息提取研究进展. 长春师范大学学报, 43(2): 124-127, 148 [Deng S Q, Li X Q, Liang L H, Dong W H, Cheng B, Ma Y L, Wei S C. 2024. Progress on information extraction of hyperspectral remote sensing vegetation map. Journal of Changchun Normal University, 43(2): 124-127, 148 (in Chinese)]

杜培军, 夏俊士, 薛朝辉, 谭琨, 苏红军, 鲍蕊. 2016. 高光谱遥感影像分类研究进展. 遥感学报, 20(2): 236-256[Du P J, Xia J S, Xue Z H, Tan K, Su H J, Bao R. 2016. Review of hyperspectral remote sensing image classification. Journal of Remote Sensing, 20(2): 236-256 (in Chinese)

贺敏慧, 何敬, 刘刚. 2023. 改进的混合2D-3D卷积神经网络高光谱图像分类研究. 时空信息学报, 30(2): 184-192[He M H, He J, Liu G. 2023. Improved hybrid 2D-3D convolutional neural network for hyperspectral image classification. Journal of Spatio-temporal Information, 30(2): 184-192 (in Chinese)]

胡帅, 高峰, 龚卓然, 陶盛恩, 上官心语, 董军宇. 2024. 基于Transformer和通道混合并行卷积的高光谱图像去噪. 中国图象图形学报, 29(7): 2063-2074[Hu S, Gao F, Gong Z R, Tao S E, Shangguan X Y, Dong J Y. 2024. Parallel channel shuffling and Transformer-based denoising for hyperspectral images. Journal of Image and Graphics, 29(7): 2063-2074 (in Chinese)]

刘宇承, 罗芳, 杜清运, 黄文丽, 石仪玮. 2023. 深圳市宝安区土地利用遥感分类方法对比分析. 时空信息学报, 30(4): 491-499[Liu Y C, Luo F, Du Q Y, Huang W L, Shi Y W. 2023. Comparative analysis of remote sensing classification methods for land use in Bao’an District, Shenzhen. Journal of Spatio-temporal Information, 30(4): 491-499 (in Chinese)]

任慧群, 蔡国印, 李志强. 2020. 基于深度学习的城市建筑物阴影提取方法. 地理信息世界, 27(2): 81-86[Ren H Q, Cai G Y, Li Z Q. 2020. An approach for urban building shadow extraction based on deep learning. Geomatics World, 27(2): 81-86 (in Chinese)]

任月娟, 葛小三. 2022. 改进DeepLab V3+网络的遥感影像道路综合提取方法. 测绘通报, 6: 55-61[Ren Y J, Ge X S. 2022. An road synthesis extraction method of remote sensing image based on improved DeepLab V3+ network. Bulletin of Surveying and Mapping, 6: 55-61 (in Chinese)]

孙微, 曹宇佳, 马新文, 魏丹. 2021. 基于Sentinel-2和ZH-1遥感影像的松北区水质监测. 地理信息世界, 28(1): 118-123[Sun W, Cao Y J, Ma X W, Wei D. Monitoring of water quality in Songbei district based on Sentinel-2 and ZH-1 remote sensing images. Geomatics World,28(1): 118-123 (in Chinese)]

唐振超, 韦蔚, 罗蔚然, 胡洁, 张东映. 2023. 融合余弦退火与空洞卷积的遥感影像语义分割. 遥感学报, 27(11): 2579-2592[Tang Z C, Wei W, Luo W R, Hu J, Zhang D Y. 2023. Remote sensing image semantic segmentation method combining cosine annealing with atrous convolution. National Remote Sensing Bulletin, 27(11): 2579-2592 (in Chinese)]

王慧赢, 王春平, 付强, 韩子硕, 张冬冬. 2023. 面向嵌入式平台的轻量级光学遥感图像舰船检测. 光学学报, 43(12): 121-134 [Wang H Y, Wang C P, Fu Q, Han Z S, Zhang D D. 2023. Lightweight ship detection based on optical remote sensing images for embedded platform. Acta Optica Sinica, 43(12): 121-134 (in Chinese)]

王克奇, 彭熙雯, 张怡卓, 罗泽, 蒋大鹏. 2022. 基于改进U-Net的高光谱农林植被分类方法. 森林工程, 38(1): 58-66[Wang K Q, Peng X W, Zhang Y Z, Luo Z, Jiang D P. 2022. A hyperspectral classification method for agroforestry vegetation based on improved U-Net. Forest Engineering, 38(1): 58-66 (in Chinese)]

肖斌, 何宏昌, 窦世卿, 范冬林, 付波霖, 张洁, 熊远康, 史今科. 2024. UAV高光谱影像联合SULOV_XGBoost算法的柑橘果树精细分类方法. 光谱学与光谱分析, 44(2): 548-557[Xiao B, He H C, Dou S Q, Fan D L, Fu B L, Zhang J, Xiong Y K, Shi J K. 2024. A fine classification method of citrus fruit trees based on UAV hyperspectral images and SULOV_XGBoost algorithm. Spectroscopy and Spectral Analysis, 44(2): 548-557 (in Chinese)]

徐建业, 杨霄鹏, 李伟, 王泓霖. 2020. 基于动态学习率深度神经网络的抗干扰信道编码算法. 计算机应用研究, 37(7): 2171-2174 [Xu J Y, Yang X P, Li W, Wang H L. 2020. Anti-interference channel coding algorithm based on dynamic learning rate deep neural network. Application Research of Computers, 37(7): 2171-2174 (in Chinese)]

杨超, 邬国锋, 李清泉, 王金亮, 渠立权, 丁凯. 2018. 植被遥感分类方法研究进展. 地理与地理信息科学, 34(4): 24-32[Yang C, Wu G F, Li Q Q, Wang J L, Qu L Q, Ding K. 2018. Research progress on remote sensing classification of vegetation. Geography and Geo-Information Science, 34(4): 24-32 (in Chinese)]

张方泽, 龚循强, 周秀芳, 刘卓涛. 2023. 基于自训练卷积神经网络的遥感场景图像异常探测方法. 时空信息学报, 30(4): 482-490 [Zhang F Z, Gong X Q, Zhou X F, Liu Z T. 2023. Remote sensing scene image anomaly detection method based on self-training convolutional neural network. Journal of Spatio-temporal Information, 30(4): 482-490 (in Chinese)]

张过, 蒋永华, 李立涛, 邓明军, 赵瑞山. 2019. 高分辨率光学/SAR卫星几何辐射定标研究进展. 测绘学报, 48(12): 1604-1623 [Zhang G, Jiang Y H, Li L T, Deng M J, Zhao R S. 2019. Research progress of high-resolution optical/SAR satellite geometric radiometric calibration. Acta Geodaetica et Cartographica Sinica, 48(12): 1604-1623 (in Chinese)]

Chandra M A, Bedi S S. 2021. Survey on SVM and their application in image classification. International Journal of Information Technology, 13(5): 1-11

Du B J, Mao D H, Wang Z M, Qiu Z Q, Yan H Q, Feng K D, Zhang Z B. 2021. Mapping wetland plant communities using unmanned aerial vehicle hyperspectral imagery by comparing object/pixel- based classifications combining multiple machine-learning algorithms. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14: 8249-8258

Gomes R, Rozario P, Adhikari N. 2021. Deep learning optimization in remote sensing image segmentation using dilated convolutions and ShuffleNet//2021 IEEE International Conference on Electro Information Technology (EIT). Mt, Pleasant, MI, USA.244-249

Li R, Zheng S Y, Zhang C, Duan C X, Wang L B, Atkinson P M. 2021. ABCNet: Attentive bilateral contextual network for efficient semantic segmentation of fine-resolution remotely sensed imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 181: 84-98

Niu C, Tan K, Wang X, Han B, Ge S L, Du P J, Wang F. 2021. Radiometric cross-calibration of the ZY1-02D hyperspectral imager using the GF-5 AHSI imager. IEEE Transactions on Geoscience and Remote Sensing, 60: 5519612

Shelhamer E, Long J, Darrell T. 2017. Fully convolutional networks for semantic segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(4): 640-651

Tan K, Wang X, Niu C, Wang F, Du P J, Sun D X, Yuan J, Zhang J. 2020. Vicarious calibration for the AHSI instrument of Gaofen-5 with reference to the CRCS Dunhuang test site. IEEE Transactions on Geoscience and Remote Sensing, 59(4): 3409-3419

Tan K, Ye Y Y, Du P J, Zhang Q Q. 2014. Estimation of heavy metal concentrations in reclaimed mining soils using reflectance spectroscopy. Spectroscopy and Spectral Analysis, 34(12): 3317-3322

Zhang X M, Sun G Y, Jia X P, Wu L X, Zhang A Z, Ren J C, Fu H, Yao Y J. 2021. Spectral-spatial self-attention networks for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 60: 5512115

Zhang X Y, Zhou X Y, Lin M X, Sun J. 2018. ShuffleNet: An extremely efficient convolutional neural network for mobile devices//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City, UT, USA. 6848-6856