近日，我院“测绘科学技术”学科何立恒副教授课题组在地球科学与遥感领域国际著名期刊 《IEEE Transactions on Geoscience and Remote Sensing》（中科院一区，影响因子8.2）发表了题为 “STRD-Net: A Dual-Encoder Semantic Segmentation Network for Urban Green Space Extraction” 的研究论文（链接：https://ieeexplore.ieee.org/document/10671599）。该论文的第一作者为2024年度研究生国家奖学金获得者、22级研究生于谋哲，通讯作者为何立恒副教授，我校为论文第一完成单位。本研究工作得到了自然资源部遥感导航一体化应用工程技术创新中心开放基金课题（编号：TICIARSN-2023-04）和自然资源部国土卫星遥感应用重点实验室开放基金（编号：KLSMNR-G202315）的资助。
城市绿地对人们的生产生活方式具有重要影响。然而，以CNN作为编码器的深度学习方法在全局特征提取能力方面存在不足，容易遗漏某些非优势树种或低矮植被的特征。针对这一问题，团队提出了一种双编码器语义分割模型 STRD-Net（图1），该模型结合了并联的 Swin Transformer (ST) 框架和卷积神经网络 (Convolutional Neural Network, CNN) 框架，并能够接受两种不同通道配比的影像作为输入，从而兼顾全局与局部特征的表征能力。在 ST 编码器 中，团队在头部引入了卷积块注意力模块 (Convolutional Block Attention Module, CBAM)，以减轻提取结果中的“椒盐”现象。此外，在每个 Swin Transformer 模块后添加了一个新型补丁合并模块 (New Patch Merging, NPM)，进一步增强了对城市绿地局部特征的提取能力。对于 CNN 编码器，团队在 ResNet50 主干网络之后引入了增强空洞空间金字塔池化模块 (Enhanced Atrous Spatial Pyramid Pooling, EASPP)，从而扩大感受野，提升对城市绿地全局特征的提取效果。此外，模型设计中加入了一次跳跃连接，不仅提高了特征提取的精度，还有效降低了计算资源的消耗。
图1 STRD-Net架构
研究成果在提升特征提取精度的同时，实现了模型预测速度的加速和资源消耗的减少，能够快速、准确地提取城市绿地。这一进展为利用遥感影像提取城市绿地的技术推广应用提供了有力支持，有助于推动城市绿地管理和规划工作的数字化与智能化进程。
供稿：何立恒、陈动；供图：何立恒；初审：李强；终审：柳任飞；编辑：许历隆
