利用空間-光譜雙分支特征和動態選擇的高光譜影像農作物分類

戴佩玉，張 欣，毛 星，任 妮 ，李衛國

（1. 江蘇省農業科學院，南京，210014；2. 農業農村部長三角智慧農業技術重點實驗室，南京，210014）

0 引言

隨著科學技術、硬件設備以及航天航空技術的快速發展，遙感技術以其不需要接觸被測目標即可遠距離獲得光譜幾何信息，不受惡劣地面條件限制等優勢得廣泛應用[1]。高光譜影像由于記錄了連續的窄光譜波段，不僅能夠表征地物的結構、紋理信息，還可以反演大量的光譜信息，在資源環境監測、地質勘測、農業產業分析和估產等方面獲得廣泛應用[2-4]。

高光譜影像農作物分類（hyperspectral image classification，HSIC）通過判別影像中每個像素對應的農作物及其他混淆地物類型標簽獲得地表結構分布，近年來受到越來越多的關注。如何從高維度的光譜通道中針對性地提取最具判別性的地物目標本征特征是高光譜影像分類的關鍵。傳統的高光譜影像分類算法為了捕捉豐富的光譜信息，引入邏輯回歸[5]、K鄰近分類器[6]、距離分類器[7]、最大似然分類器[8]等進行相似性檢測和分類，但是，由于忽略了對于空間信息的探索，隨著影像的光譜維度不斷增高，分類結果的Hughes 現象[9]明顯。

考慮到高光譜數據“圖譜合一”的特性，即不僅僅記錄了豐富的光譜信息，也蘊含著大量的空間特征，光譜降維和空間、光譜聯合特征提取技術相結合的高光譜分類算法逐漸發展起來，主成分分析（principal component analysis，PCA）、獨立成分分析（independent components analysis，ICA）、線性判別分析（linear discriminant analysis，LDA）等[10-13]是最常用的光譜降維技術，空間特征提取過程中則多采用拓展形態學剖面[14]（extended morphological profiles，EMP）、局部二值模式[15]（local binary patterns，LBP）等技術，由于加入了空間特征[16]，如Garbor 特征、差異形態學特征（differential morphological profile，DMP）、灰度共生矩陣（grey-level co-occurrence matrix，GLCM）等，這類算法的分類精度遠高于傳統方法，但“同物異譜，異物同譜”問題[17]仍然沒有得到有效解決。

機器學習的發展使得支持向量機（support vector machine，SVM）、極限學習機（extreme learning machine，ELM）、隨機森林（random forest，RF）、貝葉斯理論等逐漸在高光譜分類[18-21]領域嶄露頭角。然而這類算法中經驗設計特征耗時耗力，參數閾值的選擇依賴于多次試驗和經驗，算法的魯棒性不強。能夠自動提取經驗設計特征中缺乏的淺、中、高層抽象語義特征的深度學習技術發展迅猛，深度置信網絡（deep belief networks，DBN）、循環神經網絡（recurrent neural network，RNN）、一維卷積神經網絡（1D convolutional neural network，1D CNN）等[22-24]最先被引入高光譜分類領域，雖然分類結果較傳統方法有很大的提升，但是這類方法在訓練之前需要將高維高光譜影像處理成一維向量，導致空間、光譜結構性信息丟失?；诙S卷積神經網絡（2D convolutional neural network，2D CNN）、三維卷積神經網絡（3D convolutional neural network，3D CNN）[25-27]的分類算法由于可以捕捉目標豐富的高維特征，是近幾年的研究熱點。此外，空間特征和光譜特征的分別提取并融合的策略[28]被證明可以有效提升分類精度，成為目前基于深度學習的高光譜分類算法中主流的特征提取模塊。

雖然基于深度學習的高光譜影像分類方法不斷發展，分類精度不斷提升，但仍存在以下問題亟待解決：1）在特征提取過程中，傳統深度學習算法對于輸入特征鄰域內的所有像素點等權計算，特征鄰域內的空間關聯性和局部相似性缺乏探索，對于顏色、結構和紋理等不同類別特征進行了融合處理，缺乏對于空間尺度上不同位置特征重要性的探究；2）雖然之前算法針對高光譜影像中的空間特征和光譜特征分別進行捕捉，但是高維特征的提取往往會產生較多冗余，缺乏對特征的有效篩選；3）在特征約束的過程中，傳統深度學習算法往往將時空特征融合，采用單一的特征約束方式進行損失計算，缺乏在空間、光譜不同角度進行分類結果的反饋，融合特征的全面性有待商榷。

針對上述問題，本文提出一種空間-光譜特征動態選擇的高光譜影像農作物分類算法（hyperspectral images classification based on spatial-spectral dual branches and dynamic feature selection strategy，DBDS），設計了空間、光譜雙分支結構，分別進行空間、光譜特征的提取，以減少2 類特征之間的相互干擾，并且在對應分支中結合空間注意力機制、通道注意力機制模塊，進行更具代表性特征的篩選；利用可以進行空間特征交互的門控卷積替換傳統卷積層，捕捉不同位置特征之間的差異性進行加權計算，從空間維度對有效位置特征進行篩選；從不同的特征角度，對空間、光譜特征以及聯合特征進行多輸出損失計算和交叉約束。

1 試驗數據

1.1 WHU-HI 開源數據集

本文選取開源高光譜分類數據集WHU-HI 數據集中的Longkou、Hanchuan（http://rsidea.whu.edu.cn/resource_sharing.htm）開展試驗。影像均為中國湖北省包含不同作物類型的農業區，由無人機搭載的Headwall Nano-Hyperspec 傳感器獲取。與星載和機載高光譜平臺相比，無人機高光譜系統可以獲取高空間分辨率的高光譜圖像，避免由于空間分辨率不足造成的混合像元現象對分類精度的影響。

HanChuan 數據集影像由Leica Aibot X6 無人機搭載傳感器在距離地面250 m 處拍攝獲得，大小為1 217×303，光譜范圍400～1 000 nm，劃分為274 個波段，共包含16 種地物類別：草莓、豇豆、大豆、水芹菜、西瓜、高粱以及混淆地物草坪、綠地等，空間分辨率約0.109 m；LongKou 數據集由大疆DJI Matrice 600 Pro 無人機搭載傳感器在距離地面500 m 處拍攝獲得，影像尺寸550×400 像素，光譜范圍為400～1 000 nm，劃分為270 個波段，共包含9 種地物類別：玉米、棉花、芝麻、大豆、水稻以及混淆目標等，空間分辨率約0.463 m。類別具體情況如表1 所示，其中樣本點數量為該數據集高光譜影像中歸屬于不同地物類型的像素點數。

表1 WHU-HI 數據集標簽及樣本數量Table 1 Number of labels and samples on WHU-HI dataset

1.2 JAAS 高光譜農作物分類數據集

為驗證本文算法的穩定性，構建了一套JAAS（Jiangsu academy of agricultural sciences，江蘇省農業科學院）高光譜農作物分類數據集，數據于2023 年6 月12 日在江蘇省南京市六合區江蘇省農業科學院蔬菜示范基地，由大疆DJI Matrice 600 Pro 無人機搭載Pika L 傳感器，在距離地面100 m 處采集，航拍區域及部分數據采集對象見圖1。

圖1 航拍區域及部分作物Fig.1 Aerial photography area and partial crop situation

經POS 數據解析、航線數據分割邊界確立、幾何校正、地理配準、拼接、高光譜超立方體、輻射校正、反射率影像生成等預處理后，高光譜影像像素尺寸為1 746×1 772 像素，光譜范圍為400～1 000 nm，劃為150個波段，空間分辨率為0.1 m，共包含花生、苘麻、西瓜、冬瓜、苦瓜、毛豆、裸土、道路和雜草9 種地物類別。

2 模型構建

2.1 基于空間-光譜特征動態選擇的高光譜農作物分類框架

基于空間-光譜特征動態選擇的高光譜影像分類流程見圖2。整個流程包括4 個階段：數據預處理、空間-光譜特征聯合提取、高層語義特征融合、多尺度輸出約束。

圖2 基于空間-光譜特征動態選擇的高光譜影像農作物分類流程Fig.2 Hyperspectral image crop classification process based on dynamic selection of spatial and spectral features

首先，由于高光譜影像數據量較大，在進行模型訓練的過程中，考慮到計算機的算力性能，一般需要先進行分塊操作。因此在數據預處理部分，本文首先設定好窗口大小，通過zero-padding 操作進行原始高光譜影像尺寸調整，利用滑窗完成塊的分割，生成基于塊的數據集（如圖3 所示）。同時由于高光譜影像數據量級和覆蓋范圍之間相互限制，成像范圍相對較小，為了防止訓練過程中出現由于訓練樣本不夠而導致的過擬合現象，對分塊得到的數據進行數據增強，包括隨機尺度縮放、裁剪、翻轉和隨機旋轉等。

圖3 高光譜影像分塊操作示例Fig.3 Example of slice operation for hyperspectral images

其次，為了有效提取空間和光譜特征，避免兩者之間的相互干擾，采用獨立對稱的雙分支特征提取結構，同時進行空間和光譜的特征提取，每個分支包含4 個特征提取模塊。為了提取特征的多尺度信息，設計了多尺度特征提取分支，對空間特征和光譜特征進行有效融合后，利用不同步長實現多尺度特征提取。

最后，從空間、光譜和多尺度聯合特征3 個角度，利用softmax 激活函數分別進行分類結果的預測，結合categorical cross-entropy 多類交叉熵損失函數計算與標簽之間的差異，實現多輸出特征交叉驗證和有效的反向傳播訓練。

2.2 空間特征動態選擇策略

普通卷積層在進行特征提取時認為感受野內每個位置的像素重要性相同，進行等權重操作。但是在分類任務中，由于地物類別的差異，局部鄰域每個位置的特征相似性和差異性需要考慮，當鄰域內某個位置的地物類型和中心像素的地物類型差異很大時，它的特征對于最后的分類判別作用很小，因此為了防止下一層特征之間的計算干擾，給無用特征賦值一個較小的權重進行抑制是有必要的。

為了對提取到的特征進行空間上的位置篩選，本文選取門控卷積[29]替代傳統卷積層，在特征提取之后，針對每個通道和空間位置，自適應學習動態特征選擇機制，有效區分顏色、結構和紋理等不同種類特征的同時，抑制特征提取過程中的噪聲。具體計算式如下：

式中I為輸入特征，Wg和Wf分別是門控特征和圖像特征所對應卷積的權重，bg和bf是相應的偏置，·表示卷積操作，⊙為特征間的逐點相乘運算。φ為sigmoid 函數，?是類似ReLU、Leaky ReLU和ELU 等的任意激活函數，本研究選取ReLU激活函數。?計算每個感受野內的非線性特征，φ在學習到的門控特征基礎上通過Sigmoid 激活函數計算 ?所對應的值域為[0,1]的特征位置編碼信息，也就是非線性特征空間位置上的權重，?和 φ相乘得到經過篩選的特征。

針對不同感受野內迥異的地物信息，無論是特征提取還是空間上位置權重信息的學習，該過程無需任何特征經驗設計和判別，僅通過卷積層及對應的激活函數，利用網絡的正饋-反饋傳播機制，結合標簽進行損失計算和反向傳播，進行參數的學習，不斷優化提取到信息的準確性及不同感受野內每個點位對于最后分類的重要性，從而自適應地實現特征的空間上的有效動態篩選。

2.3 雙分支特征提取結構

針對傳統深度學習高光譜分類算法提取特征冗余的問題，本文提出一種獨立對稱的特征提取結構，分別進行空間特征和光譜特征的學習，在每個特征提取模塊中，分別加入空間注意力機制和通道注意力機制[30]，同時為了探究聯合特征的多尺度信息，在進行空間特征和光譜特征的有效融合后，設計了多尺度特征網絡。網絡結構如圖4 所示。

圖4 雙分支特征提取結構Fig.4 Double branch feature extraction structure

其中，空間特征提取分支由4 組連續堆疊的門控卷積空間特征提取模塊（gated convolution block based spatial feature extraction module，GSA）構成，如圖5 所示，每個GSA 模塊內部由2 個門控卷積模塊和一個空間注意力機制構成?？臻g注意力機制的引入主要為了從空間維度進行特征篩選，使得網絡在特征提取過程中聚焦更有價值的局部信息，抑制無效位置信息，但是在空間注意力機制的實現過程中，空間尺寸為H×W的輸入特征被列化為K×1（K為H與W的乘積）大小，鄰域內像素間的空間相關性被忽略，門控卷積層則能很好地描述鄰域內部的空間位置相關性進行特征篩選，有效彌補了空間注意力機制中出現的空間位置相關性模糊的問題。每個門控卷積模塊由1 個卷積核大小為3×3、步長為1的門控卷積層（convolution layer）和1 個BN 層（batch normalization layer）組成。光譜特征提取分支由對稱的4 組連續堆疊的門控卷積光譜特征提取模塊（gated convolution block based spectral feature extraction module，GSE）構成，對應位置利用通道注意力機制進行光譜維度特征權重計算，使得光譜特征提取過程中注意力更多的集中在有意義的通道上，一定程度上抑制了無用通道的特征。多尺度特征提取分支中，在對空間特征和光譜特征利用串聯層（concatenate）融合后，采用3 個由卷積核大小為3×3、步長為2 的門控卷積層和BN 層串聯組成的門控卷積模塊（gated convolution block，GB）進行多尺度特征的提取。

圖5 特征提取模塊Fig.5 Feature extraction module

2.4 多輸出交叉驗證約束模塊

在損失計算過程中，單一的特征約束僅在網絡提取的最高層特征上進行了處理，在高光譜分類任務中，高層空間語義特征和光譜語義特征中也蘊含了豐富的信息，為了防止后續多尺度特征融合后丟失部分重要信息，探究不同特征對于分類結果的影響，本文設計了多輸出交叉驗證模塊，將空間特征分支、光譜特征分支和多尺度特征分支的高層語義特征分別輸入softmax 激活函數中進行分類，結合多類交叉熵損失函數（categorical cross-entropy）納入損失計算，參與反向傳播約束（如圖6 所示）。

圖6 多輸出交叉約束模塊Fig.6 Multi-output cross constraint module

2.5 模型訓練

算法在Ubuntu 環境下基于python 語言和深度學習框架Keras 實現，顯卡為NVIDIA tesla A100 40 G。在本文算法及對比算法的模型訓練過程中，epoch 統一設置為100，batch_size 為256，經過分塊操作后按照訓練集：驗證集：測試集=3:1:6 的比例進行試驗數據的劃分（如表2 所示）。測試模型選取訓練過程中經過驗證集交叉驗證得到的最優模型。

表2 試驗數據分布Table 2 Distribution of experimental data

在試驗結果精度評價部分，除了目視評價之外，選取準確率（precision）、召回率（recall）、f1 指數（f1-score）和總體精度（overall accuracy，OA）、Kappa 系數對分類結果進行定量評價。其中，準確率、召回率、f1 指數針對每一類地物的分類結果進行精度評價，準確率也稱查準率，指分類為該類別的樣本中真正為該類別的比例；召回率也稱查全率，表示真正為該類別的樣本中被正確分類為該類別的比例；f1 指數是綜合考慮準確率和召回率的指標；OA 和Kappa 系數是從所有類別的角度進行分類精度評價的指標，驗證多類別分類模型的穩定性，OA 指被正確分類的像元數占所有類別總像元的比例，Kappa 系數是基于混淆矩陣計算的分類結果一致性評價指標，同時對在測試集上測試時長進行了統計，以對比算法的效率。

對比算法選取基于二維卷積神經網絡的高光譜分類算法CDCNN[31]、DCNN[32]、WCRN[33]以及基于三維卷積神經網絡的高光譜分類算法DBDA[28]。

3 結果與分析

3.1 WHU-Hi-Hanchuan 數據集試驗結果與分析

表3 給出了基于深度學習的不同高光譜分類算法在WHU-Hi-Hanchuan 數據集上的定量評價結果。WCRN與CDCNN 由于僅利用連續堆疊的卷積層捕捉高光譜影像的空間特征及局部高層語義特征，缺乏對不同層級特征的有效利用，對于光照陰影扭曲的地物信息識別困難，精度較低，OA 和Kappa 系數分別為96.38%、95.77%和97.86%、97.50%；DBDA 綜合利用3D 卷積層和注意力機制模塊實現空間-光譜聯合特征的抽象提取，有效緩解了“同物異譜，異物同譜”造成的分類誤差，但由于其對于空間-光譜特征進行了串聯提取，缺乏有效篩選，在小樣本目標的分類上仍然存在性能驟降的問題，例如西瓜、裸土（第6、13 類）等的f1 指數只有86.30%、91.07%，同時3D 卷積的引入增加了模型的計算量，使得其時間效率降低，測試集的預測時間為14 s；DCNN設計了一種雙通道卷積網絡，結合全局特征學習模塊、多尺度特征融合模塊有效捕捉融合高光譜影像中的抽象局部、非局部特征，不同樣本量類別的分類結果顯著提升，OA、Kappa 系數分別為98.41%、98.14%；與上述四種方法相比，本文提出的DBDS 算法具有更為優異的分類效果，在訓練樣本稀少的水芹菜和西瓜上，f1 指數分別可達98.91%和96.65%，其他訓練樣本充足的作物類別上，f1 指數達99%以上（草莓：99.60%，豇豆：99.10%，大豆：99.41%，高粱：99.71%），OA、Kappa系數分別為99.49%和99.41%，比DCNN 算法分別提升1.10%和1.29%，與利用3D 卷積層提取光譜特征的DBDA 相比，DBDS 中基于2D 卷積進行光譜特征提取的模塊效果不遑多讓，值得注意的是，DBDS 能夠有效區分樣本量稀少的復雜難區分地物，從而提高了影像的總體分類精度，證明了模型的穩健性與魯棒性。

表3 不同算法在WHU-Hi-Hanchuan 數據集上的評價指標統計結果Table 3 Statistics of evaluation metrics for different algorithms on WHU-Hi-Hanchuan dataset（%）

圖7 為WHU-Hi-Hanchuan 數據集上高光譜影像分類結果，直觀展示了各類地物的分布信息?？梢园l現，CDCNN、WCRN、DBDA 的分類結果中存在明顯的錯分現象，DCNN 算法椒鹽噪聲嚴重，DBDS 的分類結果與真實標簽最為接近，錯檢最少。

圖7 不同算法在Hanchuan 數據集上的分類結果Fig.7 Classification results of different hyperspectral algorithms on Hanchuan dataset

3.2 WHU-Hi-Longkou 數據集試驗結果與分析

表4 給出了在WHU-Hi-Longkou 數據集上的客觀評價結果。DBDS 由于能夠分別捕捉空間、光譜特征，并對高維信息進行有效篩選和融合，效果最佳，在各類地物目標的分類上均有較為優異的效果，玉米、棉花、芝麻、闊葉大豆、窄葉大豆、水稻的f1 指數可達99.94%、99.79%、99.65%、99.79%、98.55%、98.84%，總體的OA 和Kappa 系數分別為99.80%和99.74%；DCNN 注重對于全局、局部多尺度特征的有效利用，在多類地物混淆區域，能夠獲得較好的結果，但OA 和Kappa 系數較之DBDS 下降0.57%和0.76%；DBDA 中空間-光譜聯合特征的捕捉和篩選使其分類精度尚可，但是時間效率較差，需要11 s，CDCNN 與WCRN 的效果最差，尤其是訓練樣本較少的窄葉大豆的分類上，f1 指數僅有90.19%和91.94%。

圖8 為WHU-Hi-Longkou 數據及上的高光譜影像分類結果。

圖8 不同算法在Longkou 數據集上的分類結果Fig.8 Classification results of different hyperspectral algorithms on WHU-Hi-Longkou dataset

可以發現，一味強調通過加深網絡層來提取高維特征的方法CDCNN、WCRN 缺乏對于高光譜數據本質特征的有效利用，分類結果中存在較多的錯分區域，DBDA與DCNN 通過不同的側重點對于空間-光譜聯合特征進行了有益的探索，分類效果明顯提升，錯分點明顯減少，同時DCNN 中的局部/非局部特征的捕捉有效區分了復雜目標，分類邊緣完整，DBDS 由于引入對于特征提取與篩選研究，效果最佳。

3.3 JAAS 數據集試驗結果與分析

表5 給出了JAAS 數據集上不同算法分類結果的客觀評價。由于研究范圍較之前兩個數據集較大，在JAAS 數據集上各算法之間的精度差異明顯，WCRN 和CDCNN 在對花生的判別中，f1 指數分別只有88.65%和86.06%，WCRN 在訓練樣本充足的苦瓜的提取中，f1 指數僅83.29%；結合3D 卷積實現光譜維度特征補充的DBDA 效果提升明顯，OA 和Kappa 較之CDCNN 分別提升了2.73%和3.40%，但是由于計算量增大，其分類時間也增加了6 s；DBDS 無論是在時間效率還是在分類精度上優勢明顯，OA 和Kappa 系數分別為99.35%和99.20%，且各類地物f1 指數均在98%以上。

表5 不同算法在JAAS 數據集上的評價指標統計結果Table 5 Statistics of evaluation metrics for different algorithms on JAAS dataset（%）

圖9 為JAAS 數據集上各算法的分類結果圖。CDCNN、WCRN 的分類結果椒鹽噪聲明顯。

圖9 不同算法在JAAS 數據集上的分類結果Fig.9 Classification results of different hyperspectral algorithms on JAAS dataset

WCRN 中冬瓜錯分為西瓜的現象明顯，DCNN 與DBDA 的分類結果較好，地物類型復雜區域的誤分現象仍然存在，DBDS 分類結果完整，與標簽數據最為接近。

3.4 網絡消融試驗分析

為進一步研究DBDS 中空間特征動態選擇策略、雙分支特征提取結構、多輸出交叉驗證約束模塊的作用，在WHU-Hi-Hanchuan 數據集上開展消融試驗。表6 給出了不同模塊下高光譜分類結果的客觀評價，DBDS_w/o_MO 表示在DBDS 的基礎上去除多輸出交叉驗證模塊，DBDS_w/o_gated 為整個網絡僅使用普通卷積層進行特征提取的算法，DBDS_w/o_spatial、DBDS_w/o_spectral分別代表只提取光譜特征和空間特征的網絡結構。

表6 不同改進的高光譜分類算法在WHU-Hi-Hanchuan 數據集上的評價指標統計結果Table 6 Statistics of evaluation metrics for different improved hyperspectral classification algorithms on WHU-Hi-Hanchuan dataset %

結果顯示：1）多輸出交叉驗證模塊通過在空間、光譜、聯合結果上的有效約束，對高光譜分類任務的影響最大，在同等網絡參數量級的情況下OA 和Kappa 分別提升了3.16%和3.74%；2）空間特征的有效提取對于分類任務而言也是至關重要的，對比DBDS_w/o_spatial 的結果，DBDS 的OA 和Kappa 分別有著1.66%和1.95%的提升；3）利用2D 卷積模塊提取得到的光譜特征對于分類結果也有不俗的正向促進作用，對比僅著重提取高光譜數據空間特征的DBDS_w/o_spectral，DBDS 的OA和Kappa 有著2.80%、3.29%的提升；4）無論從各類地物的精度還是總體OA、Kappa 指標上來看，引入的門控卷積通過對特征的空間維度有效篩選實現了高光譜分類任務的精度提升。

圖10 為不同改進的網絡結構的目視評價結果。從目視效果上看，雖然每種方法均能大致將各類農作物有效區分，但多特征聯合約束模塊的缺失導致分類結果的椒鹽噪聲現象嚴重，門控卷積的引入可以有效緩解冗余特征造成的錯分問題，空間-光譜聯合特征的有效提取可以大幅提升分類精度，尤其是光譜特征。

圖10 不同改進網絡在WHU-Hi-Hanchuan 數據集上的分類結果Fig.10 Cassification results of different improved networks on WHU-Hi-Hanchuan dataset

4 結論

為了解決傳統高光譜分類算法中空間-光譜聯合特征提取不夠有效、冗余特征篩選能力不足、模型約束過于單一等問題，本研究設計了一種基于空間-光譜特征動態選擇的高光譜影像分類算法（DBDS）。對于空間維度的特征冗余，選取門控卷積及GSA 模塊中的空間注意力模塊實現逐像素重要特征的篩選；門控卷積利用卷積層與不同的激活函數，分別學習感受野下的特征及其對應的位置權重信息（門信息），很好的從鄰域內部空間位置相關性的角度出發進行空間特征的篩選；空間注意力機制則從特征整體的角度出發，結合最大池化和平均池化操作，逐點計算實現像素級的權重計算；兩者相結合，在網絡反向傳播機制的基礎上，不斷更新卷積層及池化層中的參數，自適應學習最優解，實現特征在空間位置上的有效篩選。針對光譜維度的特征冗余，選取GSE 模塊中的通道注意力模塊，將特征的空間信息作為一個整體，僅關注通道維度的差異，通過計算每個通道的平均值和最大值，進行通道上特征的加權計算，增加有效特征層的權重，降低相關性較低的特征權重。整個空間-光譜特征篩選過程完全通過網絡反饋的損失進行權重調整計算，無需任何人工干預，從而有效實現空間-光譜特征的動態選擇。在JAAS 高光譜數據集和開源數據集WHUHi 的LongKou、HanChuan 上進行試驗，得出如下結論：

1）與主流基于高光譜影像的作物分類方法相比，本文提出的DBDS 算法無論在時間效率還是精度上均有明顯優勢。在JAAS 數據集上，檢測時間為21 s，各類作物的分類精度均在98%以上，總體精度達99.35%，Kappa 系數達 99.20%，分別比 CDCNN、WCRN、DBDA、DCNN 高4.91%和6.12%、6.82%和8.53%、2.12%和2.63%、2.04%和2.54%。

2）空間-光譜特征的有效提取及篩選較好的解決了小樣本復雜難區分地物分類中模型退化的問題。在WHUHi-Hanchuan 數據集中，著重光譜信息提取的DBDA 算法在樣本充足的作物分類任務中有著不錯的效果，草莓、豇豆、大豆、高粱的f1 指數分別為99.60%、99.10%、99.41%、99.71%，但在小樣本目標的分類上模型退化問題嚴重，西瓜、裸土的f1 指數僅86.30%、91.07%，通過空間和光譜特征的有效提取和利用，本文提出的DBDS 算法在有效提升各類作物的識別精度的同時，西瓜、裸土的f1 指數達96.65%和98.23%。

本文提出的DBDS 算法實現了在樣本不均衡、地物類型復雜多樣區域的高精度、高時效農作物精細分類，基于2D 卷積的空間-光譜特征有效提取與利用可以在較少參數計算量的基礎上，達到與基于3D 卷積高光譜分類算法相媲美的精度，對于更高精度、效率的農作物精細分類研究具有一定的指導意義，也為其他基于高光譜數據的目標識別任務提供了參考。