マングローブは、生物多様性が最も豊かで生産性が最も高い海洋生態系の一つであり、高分解能リモートセンシング画像と深層学習を統合したマングローブ群落の精密な分類は、現在の研究の焦点と難点となっています。 この論文では、新しい深層学習分類ネットワークモデルであるウィンドウアテンションメカニズムと空間アトラウス変換器SSAFormer（Swin-Segmentation-Atrous-Transformer）に基づくマングローブ群落の精密な分類を行います。 このモデルは、ビジュアルトランスフォーマーの変種であるSwin Transformerをバックボーンネットワークとして使用し、バックボーンネットワークに畳み込みニューラルネットワークCNN（Convolutional Neural Network）、空間アトラウスピラミッドプーリングASPP（Atrous Spatial Pyramid Pooling）を組み込んでより多くのスケール特徴情報を抽出し、軽量デコーダーに特徴ピラミッドFPN（Feature Pyramid Network）構造を組み込んで低層と高層の豊富な意味的特徴情報を統合します。 この論文では、高分光学7号（Gaofen-7、GF-7）衛星多波長画像とUAV-LiDARポイントクラウドを使用して3つのアクティブと被動リモートセンシングデータセットを構築し、SegFormerと本研究で改良されたSwin Transformerアルゴリズムの分類結果を比較分析し、SSAFormerアルゴリズムがマングローブ群落の分類性能を示した。 結果は次のとおりです：（1）SegFormerと比較して、SSAFormerはマングローブの精密な分類を実現し、総合精度OA（Overall Accuracy）が1.77％〜5.30％向上し、カッパ係数が最大0.8952になり、平均ユーザーの交差図IoU（Mean Intersection over Union）が最大7.68％向上しました。 （2）GF-7多波長データセットでは、SSAFormerアルゴリズムが最大91％の総合精度（OA）を達成し、UAV-LiDARデータセットでは、SSAFormerアルゴリズムのMIoUが57.68％に向上し、光学特徴を含むUAV-LiDARデータセットでは、SSAFormerアルゴリズムのMIoUの平均値が1.48％向上しました。 （3）UAV-LiDARデータは、GF-7多波長データに比べて、平均ユーザーの交差図IoU（MIoU）が最大5.35％向上し、総合精度（OA）の平均値が1.81％向上し、光学特徴を含むUAV-LiDARデータの分類精度（F1-score）が2.6％向上しました。 （4）SSAFormerアルゴリズムは、ホウランゼノウ分類精度（F1-score）が最大97.07％、トンザクラショウの分類精度（F1-score）が91.99％に達し、トウカシュウのF1-scoreが93.64％になり、トンザクラショウのF1-scoreの平均値はSSAFormerモデルで最大86.91％になりました。 この研究で提案されたSSAFormerアルゴリズムは、マングローブ群落の分類精度を効果的に向上させることができます。

リモートセンシング;マングローブ;GF-7マルチスペクトル;UAV-LiDARポイントクラウド;SSAFormer;深層学習;アクティブと被動の画像統合;特徴選択;群落の精密分類