近日，地球科学与技术学院遥感与地理计算团队在土地覆盖分类研究方面取得重要进展，研究成果“Multi-view Graph Convolutional Network with Spectral Component Decompose for Remote Sensing Images Classification”在计算机领域Top期刊《IEEE Transactions on Circuits and Systems for Video Technology》发表。《IEEE Transactions on Circuits and Systems for Video Technology》是IEEE旗下图像与视频技术领域国际顶级学术期刊之一，在相关领域具有重要的影响力。该成果以郑州大学为第一作者单位，博士生程淅杰为第一作者，地球科学与技术学院赫晓慧教授为通信作者，田智慧教授为团队带头人。

基于高分辨率影像的土地覆盖分类在土地规划、城市管理和环境监测等领域具有重要的应用价值。近些年来深度学习技术的迅速发展为基于遥感影像的地物智能解译提供了强大的技术支撑。以深度学习理论为基础，该论文提出了一种基于图网络的土地覆盖分类模型。该模型首先以不规则超像素作为图节点，设计了基于超像素的光谱分解函数，用于增强图节点内的光谱同质性，以解决图节点的光谱失真问题。其次，论文从拓扑和光谱两个角度对超像素节点之间的相关关系进行建模构图，利用互学习策略和自监督机制挖掘多视角图之间的互补信息，以提高模型的特征辨别能力。最终，模型在河南省土地覆盖分类任务上进行了测试，结果表明该模型可以实现各类地物的精准识别。 该论文的成果能够扩展到任意区域的土地覆盖分类任务中，为国土资源规划、精准农业发展、洪涝灾害监测等提供科学的分析依据，有效促进了土地覆盖分类的自动化、智能化发展。

该论文依托河南省重大科技专项“面向超算的黄河模拟器构建与服务关键技术研究”（No.201400210900）和第二次青藏高原科学考察计划（No.2019QZKK0106）项目，是地球科学与技术学院遥感与地理计算方向重要成果之一。

文章链接：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9970571