홍수림은 가장 다양한 생물 종과 높은 생산성을 가진 해양 생태계 중 하나로, 고해상도 원격 감지 이미지와 심층 학슷을 접목하여 홍수림 군집의 세분화 분류는 현재 연구의 핫스팟과 어려운 부분이 되고 있다. 본 논문에서는 홍수림 군집의 상세한 분류를 위한 새로운 딥 러닝 분류 신경망 모델인 SSAFormer(Swin-Segmentation-Atrous-Transformer)을 제안한다.본 모델은 시각 변환기의 변형인 Swin Transformer를 주요 네트워크로 사용하여, CNN(Convolutional Neural Network) 및 ASPP(Atrous Spatial Pyramid Pooling)을 주요 네트워크에 통합하여 다양한 스케일 특징 정보를 추출하고, 경량형 디코더에 FPN(Feature Pyramid Network) 구조를 내장하여 저계와 고계의 풍부한 의미적 특징 정보를 통합한다. 본 연구에서는 GF-7 다중 스펙트럴 위성과 UAV-LiDAR 포인트 클라우드를 사용하여 활성 및 비활성 원격 감지 데이터 세트 3 개를 구축하였으며, SegFormer 및 본 연구에서 개선된 Swin Transformer 알고리즘의 분류 결과를 비교 분석하여 SSAFormer 알고리즘의 홍수림 군집 분류 성능을 더욱 증명하였다. 결과는 다음과 같다: (1) SegFormer에 비해 SSAFormer는 홍수림의 세분화 분류를 달성하여, 전체 정확성(OA)이 1.77% - 5.30% 향상되었으며, 카파 계수는 최대 0.8952로, 평균 교차 유니온(MIoU)은 최대 7.68% 향상되었다; (2) GF-7 다중 스펙트럴 데이터 세트에서 SSAFormer 알고리즘은 91% 최대 전체 정확도(OA)를 달성했으며, UAV-LiDAR 데이터 세트에서 SSAFormer 알고리즘의 MIoU는 57.68%로 증가했으며, 스펙트럼 특성을 포함한 UAV-LiDAR 데이터 세트에서 SSAFormer 알고리즘 MIoU 평균값은 1.48% 증가했다; (3) GF-7 다중 스펙트럴 데이터와 비교하여, UAV-LiDAR 데이터의 평균 유저 교차 유니온(MIoU)은 최대 5.35% 향상되었으며, 전체 정확도(OA)의 평균 값은 1.81% 증가했으며, 스펙트럼 특성을 포함한 UAV-LiDAR 데이터의 분류 정확도(F1-score)는 2.6% 증가했다; (4) 본 연구에서 제안된 SSAFormer 알고리즘은 망개나무의 분류 정확도(F1-score)가 최대 97.07%를 달성하며, 물매화목의 분류 정확도(F1-score)는 91.99%에 달하며, 변방풀의 F1-score는 93.64%에 달했으며, SSAFormer 모델에서 망개나무의 F1-score 평균값은 86.91%에 달한다. 본 연구에서 제안된 SSAFormer 알고리즘은 홍수림 군집의 분류 정확도를 효과적으로 높일 수 있다.

원격 감지;홍수림;GF-7 다중 스펙트럴;UAV-LiDAR 포인트 클라우드;SSAFormer;심층 학습;활성 및 비활성 이미지 통합;특징 선택;세분화 분류