当前位置: 学院首页 > 科学研究 > 学术动态 > 正文

我院龚建周教授团队在林地和红树林遥感智能制图方向取得系列研究进展

作者:王时宽、龚建周 编辑:曾娟 发布时间:2026-10-13

在国家自然科学基金面上项目《红树林变化背景下鸟类生态适宜性的多模态深度学习评估与优化》的资助下,广州大学龚建周教授团队围绕复杂林地遥感影像的语义分割问题持续攻关,连续取得进展,相关成果先后发表于 WACV 2026(CORE/ICORE 会议排名 A 类)、Expert Systems with Applications(ESWA 2026,中科院一区 TOP期刊)、Computers and Electronics in Agriculture(COMPAG 2026,中科院一区 TOP 期刊)以及 IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing(JSTARS 2026,中科院二区期刊)。四篇工作覆盖卫星与无人机两类平台,涵盖林分边界与树冠制图、红树林分布提取与细粒度物种识别等多种任务,逐步形成了一套面向复杂林地的遥感智能制图技术体系。

森林与红树林是陆地与海洋两大关键碳库,其高精度遥感制图是森林资源调查、海岸带生态保护修复与碳汇估算共同的技术底座。然而,林地影像结构复杂、地物尺度悬殊、背景高度异质,主流卷积神经网络(CNN)往往受制于固定感受野、下采样导致的细节流失以及全局—局部特征难以兼顾等固有短板,制图精度长期难以突破。围绕这些“卡点”,团队分别从卷积核的适应机制、下采样过程中的信息保全、网络架构的全局—局部协同三条路径切入,逐一给出针对性的解决方案。

一、让卷积核随特征自适应伸缩:SIMNet 与相似卷积(WACV 2026)

标准卷积的感受野固定,难以适配林地中尺度差异悬殊的地物,对背景信息的挖掘也不够充分;已有的自适应卷积方法多只在采样位置或权重上做调整,无法真正改变卷积核的尺寸。与此同时,解码器常规的上采样操作容易带入伪影,深层与浅层特征之间的语义落差也会拖累地物边界的刻画。

团队提出相似卷积(SimConv):以局部窗口内的特征相关性为依据,动态挑选合适的卷积核尺寸,并用余弦相似度对输出特征加以校验,使感受野随内容自适应伸缩。编码端将 SimConv 与小波下采样组合成 SimBlock,在降低分辨率的同时保住多尺度上下文信息;解码端设计小波特征融合模块(WFFM),用二维离散小波变换拆解深层特征,将高、低频分量与浅层细节重新融合,既抑制上采样伪影,又弥合深浅特征之间的语义鸿沟。

在红树林制图任务上,SIMNet 取得 97.56% 的整体精度(OA)、89.80% 的平均交并比(mIoU)与 94.47% 的 F1 值,并在 WHDLD、LoveDA 两个开源数据集上得到验证。

图 1: SIMNet 与其他方法在红树林细节制图上的对比。红色为红树林,黑色为背景。SIMNet在细小斑块上制图效果显著。

上述成果以“Remote Sensing Forestry Similarity Convolution”为题被应用计算机视觉国际会议 WACV 2026 录用并收入会议论文集,该会议在 CORE/ICORE 会议排名中为 A 类。我院 2024 级硕士研究生王时宽为第一作者,龚建周为通信作者。


二、面向无人机树冠的梯度自适应卷积与小波值域下采样:GMNet(COMPAG 2026)

密集林分的树冠轮廓走向复杂,现有卷积(含 DyConv、LDConv、SimConv 等)缺少对树冠梯度方向信息的显式刻画,树冠交叠处边界容易发虚;池化、步长卷积、HWD 等常规下采样又会抹去树冠边缘的高频细节;无人机野外影像还常受阴影、过曝、欠曝的干扰,使模型表现起伏不定。此外,密林树冠大量交叠,实例分割标注代价高昂,难以支撑大范围业务化应用。

团队提出梯度自适应动态卷积(GADConv),借助正交滤波器提取树冠的梯度方向信息,据此生成与树冠轮廓走向相适配的卷积核,强化边界特征提取;设计多尺度小波值域下采样模块(MSWRD),在小波分解的基础上引入高频极值统计,于下采样阶段保留并增强边缘细节;再以多尺度融合块(MFBlock)聚合多层级特征,恢复空间细节。研究还专门设置了光照扰动评测,量化模型的抗干扰能力。

图 2: 卷积特征提取的热力图可视化。每个子块对应一个卷积特征提取阶段,其空间维度逐步缩小;GADConv 生成的冠层特征表示更为聚焦。

全部实验基于 BAMFORESTS 无人机林冠数据集开展。GMNet 在整体精度上优于多种先进分割方法,并在光照扰动(低照)条件下保持了稳定的性能。

图 3: 用于下采样的特征图可视化。MSWRD 在下采样阶段保留了更丰富的细微特征,并增强了冠层特征的辨识度。

该成果以“Adaptive feature learning and wavelet preservation for forest canopy mapping from UAV imagery”为题发表于中科院一区 TOP 期刊 COMPAG(IF 10.3)。我院 2024 级硕士研究生王时宽为第一作者,龚建周为通信作者。


三、双路径状态空间架构:DPSSNet 兼顾红树林全局结构与边界细节(ESWA 2026)

CNN 的感受野受限,连片红树林的分割结果容易碎片化,潮沟旁的狭长红树林还存在漏检风险;视觉 Transformer(ViT)擅长全局建模,却常丢失局部细节,红树林边界刻画欠佳;现有的视觉 Mamba(ViM)以数据驱动的扫描为主,缺少遥感影像的频率先验,特征容易被过度平滑,对细碎斑块、潮沟等精细结构处理乏力。单路径网络往往顾此失彼,难以同时处理好大面积连片红树林与零散小斑块;加之不同地域红树林存在光谱偏移,模型的跨域泛化能力也有待提升。

团队构建双路径网络 DPSSNet:空间细节路径(SCP)以高分辨率特征图提取局部纹理特征;全局上下文路径(GCP)依靠双Mamba 块(DMB)完成长距离依赖建模,并嵌入频率感知的视觉 Mamba 模块(FAVMamba),增强对结构与边缘信息的响应;再以可学习多尺度特征融合模块(LMFFM)自适应聚合两路的多尺度特征。团队还整合既有红树林分布产品,结合野外核查与像元级精修重标注,构建了高精度红树林遥感基准数据集,并搭建湛江、深圳地区的 GF-2 红树林数据集,采用海南数据开展跨域测试。

图 4: 不同深度学习架构的红树林遥感制图结果对比:(a) 基于 CNN 的 ABCNet;(b) 基于 ViT 的 UNetFormer;(c) 基于视觉状态空间模型(ViM)的 PyramidMamba;(d) 本文提出的 DPSSNet。DPSSNet 在全局结构连贯性与细节纹理完整性上均表现更优。

在该数据集上,DPSSNet 显著优于当前主流的 CNN、ViT 与 ViM 模型;消融实验、可视化评估与跨域泛化测试进一步验证了其在边界保全与破碎斑块识别上的优势。

该成果以“DPSSNet: a dual-path state space architecture for resolving the context-detail dilemma in high-resolution mangrove mapping”为题发表于中科院一区 TOP 期刊 ESWA(IF 9.4)。我院 2024 级硕士研究生王时宽为第一作者,龚建周为通信作者。


四、三通路多模态网络:MSMNet 实现细粒度红树林物种分类(JSTARS 2026)

红树林物种组成复杂,种间光谱特征高度重叠,类别极易混淆。既有研究多依赖单一的光谱信息,未能充分挖掘纹理结构与红边波段所反映的植被生理特征,限制了分类精度的提升;传统 Mamba 模块也未针对多光谱多模态数据加以适配,多类型特征难以高效融合;在大区域卫星影像场景下,小面积树种斑块的精准识别更是难点。

为此,团队搭建了三通路多模态网络 MSMNet:三个独立通路分别提取形态纹理、光谱反射与植被生理特征,并以小波变换对Mamba 模块进行增强,再配合多模态动态融合与增强多尺度集成模块,实现不同模态权重的自适应分配。尤为值得一提的是,团队基于 Sentinel-2 影像构建了一套包含 7 种红树林物种的专业数据集,既为 MSMNet 的验证提供了基准,也为大区域红树林生物多样性调查提供了重要参考。

图 5: 结果可视化。MSMNet 在多类别红树林识别上优于其他方法。

实验显示,MSMNet 在多类别红树林数据集上展现出明显优势,取得 73.80% 的 mIoU、84.47% 的 F1 值与 99.37% 的整体精度,并在红树属(Rhizophora stylosa)等关键物种的识别上提高了精度、降低了物种级误分率,为复杂湿地生态系统的精准监测提供了新的思路。

该成果以“A Multimodal Remote Sensing Method for Mangrove Species Classification Based on Sentinel-2 Imagery”为题发表于中科院二区期刊 JSTARS(IF 5.3)。我院 2023 级硕士研究生袁海威为第一作者,龚建周为通信作者。


五、研究脉络与展望

这四篇工作虽然面向不同的传感器(卫星与无人机)和不同的任务(林分边界、树冠制图、红树林分布与物种识别),却共同指向复杂林地语义分割的三条技术主线。

在自适应卷积方向,SimConv 与 GADConv 分别以特征相似度和图像梯度为依据,让卷积核的尺寸或方向随内容变化,突破了固定卷积核的束缚——前者适配卫星影像中的多尺度森林目标,后者则专注于无人机树冠轮廓的提取。

在小波增强方向,SIMNet 的 WFFM 与 GMNet 的 MSWRD 把二维离散小波变换引入编码与解码环节,在下采样与上采样过程中守住高频边缘信息,改善遥感地物的边界分割效果。

在 CNN 与 Mamba 混合架构方向,DPSSNet 与 MSMNet 把 CNN 擅长局部细节建模的能力与 Mamba 的长距离建模优势结合起来,缓解了全局与局部特征难以平衡的矛盾。

值得一提的是,这些研究并非停留在公开数据集上的指标比拼,而是面向真实的生态监测业务开展设计:除常规的模型精度对比之外,部分研究还开展了光照扰动、跨域泛化等针对性测试,能够为森林资源调查、碳汇评估、红树林保护修复等实际工程应用提供算法支撑。


六、通讯作者简介

龚建周,女,博士/博士后,教授,硕士生导师。2007 年毕业于中山大学环境科学与工程学院,获“环境科学”专业博士学位,同年起任教于广州大学;2008—2011 年在中国科学院地理科学与资源研究所区域农业与农村发展研究中心从事博士后研究,2014 年赴美国亚利桑那州立大学景观生态学暨可持续性科学实验室访学一年。主要从事遥感与 GIS、人工智能及其地理学应用、自然资源与环境生态领域的教学与科研工作。主持国家自然科学基金面上项目 4 项、教育部人文社科项目 1 项、博士后项目 2 项,以及建设部项目等省部级和市级项目 10 余项;在WACV 2026(CORE/ICORE 会议排名 A 类)、Expert Systems with Applications(SCI)、Computers and Electronics in Agriculture(SCI)、《Land Use Policy》(SSCI)、《Ecological Modelling》(SCI)、《Journal of Geographical Science》(SCI)、《Arid Land Research and Management》(SCI)、《Ecological Informatics》《Acta Oceanologica Sinica》《应用基础与工程科学学报》(EI)以及《地理学报》《生态学报》《中国图象图形学报》《应用生态学报》等核心刊物发表论文 100 余篇。现受聘为中国生态学会生态系统服务专业委员会、中国景观生态学会专业委员会、中国地理学会自然地理专业委员会、中国自然资源学会土地资源研究专业委员会、中国农业地理与乡村发展规划专业委员会委员,并担任《自然资源学报》青年编委、《经济地理》青年编委及中国土壤学会会员。