由浙江农林大学与浙江大学的科研团队共同完成的一项题为《A 3D-2DCNN-CA approach for enhanced classi fication of hickory tree species using UAV-based hyperspectral imaging》的研究,于国际权威期刊《Microchemical Journal》（IF: 4.9）上发表。该研究在树种精细分类领域取得显著进展，成功实现了在单一树冠尺度上对山核桃（Carya cathayensis Sarg.）及其同属近缘树种的高精度、自动化识别。其整体分类精度高达99.38%，即使是同一属内不同品种的山核桃，分类精度也达到了93.97%。

攻克同属树种光谱可分性低的难题：该研究由浙江农林大学与浙江大学的科研团队共同完成，旨在解决精准林业中“同物异谱，同谱异物”的核心挑战。针对山核桃同属树种在形态及反射光谱上高度同质化、传统遥感方法难以区分的痛点，研究团队创新性地构建了一种融合三维-二维卷积与通道注意力机制（3D-2DCNN-CA）的混合深度学习模型。

该模型能够协同提取并优化高光谱图像中的空间-光谱联合特征。其中，3D-CNN模块有效捕捉光谱维的细微差异，2D-CNN模块强化空间上下文信息提取，而通道注意力（CA）机制的引入，则实现了对关键判别性光谱通道的自适应权重分配，从而显著提升了模型的特征选择与分类能力。最终，模型在对不同树种分类中取得了99.38%的总体精度，在对光谱特征极为相似的不同山核桃品种分类中，精度亦高达93.97%。此项成果为经济林种质资源普查、精细化经营管理及生物多样性监测提供了重要的方法论创新与技术范式。

与研究常用的RGB三波段影像相比，高光谱相机所获取的400-1000nm范围内共300个波段的高光谱数据，形成了连续的高维光谱信息。每个图像像元均包含一条完整且精细的反射光谱曲线，这为深度学习方法挖掘与利用不同树种间内在的、人眼不可见的生化属性差异（如叶绿素、水分、氮素含量等）提供了至关重要的数据基础。研究数据明确表明，基于高光谱数据的分类效果全面优于RGB影像，尤其在处理高度同质化目标时，其技术优势具有决定性意义。

原文链接：https://linkinghub.elsevier.com/retrieve/pii/S0026265X24000936