基于Sentinel数据的时空信息深度学习方法提取的Euphratica杨树提取物

《International Journal of Remote Sensing》：Populus Euphratica extraction based on deep learning of spatiotemporal Information using Sentinel data

胡杨林遥感提取面临光谱混淆与空间分布复杂挑战，STP-Net方法通过整合多源时空遥感数据实现高效精准提取，并构建验证数据集证明其优于现有算法且制图速度快。

　　

摘要

欧亚杨（Populus Euphratica）一直是沙漠地区最重要的植被类型之一，在维持沙漠生态系统的平衡中发挥着关键作用。随着遥感技术的发展，通过遥感手段对欧亚杨森林进行大规模监测已成为可能。然而，在提取欧亚杨森林的数据过程中面临两个主要挑战：光谱混淆和复杂的空间分布。尽管现有的提取方法考虑了时间特征，但它们并未充分利用时空信息。为了解决这些问题，我们提出了一种基于时空信息的多源遥感方法来提取欧亚杨森林，该方法被称为STP-Net（时空欧亚杨提取网络）。该方法充分利用了多源遥感卫星图像的时空信息，从而能够准确识别欧亚杨森林的位置。此外，为了验证和评估该算法的性能，我们基于多源时空卫星图像构建了一个用于欧亚杨森林提取的数据集。实验结果表明，我们的算法在提取欧亚杨森林方面优于现有的最先进方法，并且具有快速的映射速度，适用于欧亚杨森林的大规模测绘。