高光谱遥感数据包含丰富的光谱信息，被广泛应用于作物分布和动态变化的监测。特征选择在高光谱遥感分类系统中起着至关重要的作用。目前，特征的利用主要包括专家知识参与的传统特征选择和与卷积神经网络紧密结合的自动特征选取。CNN自动特征选取可从输入数据中自动提取面向领域的高级特征，从而达到更高的分类精度。然而，这种方式有以下缺点：为了更好的提取光谱和空间特征，网络设计更复杂，样本需求量更大，训练参数更多，普通用户使用困难，计算负担大。目前，传统特征选择已被相关研究证明可提高包含CNN在内多类分类器的精度，将传统特征选择方法与CNN高级空间特征自动提取相结合是一种逐渐流行的分类策略。但是，现在的结合方法并未综合利用空间特征与光谱信息，也未在作物分类中体现高光谱影像的丰富光谱信息。同时利用传统特征选择挖掘光谱特征，并与CNN结合自动提取面向领域的高级特征的方法还有待进一步研究。

近日，北京师范大学联合中国农业科学院作物科学研究所在《作物学报》（The Crop Journal）在线发表研究论文，提出了一种新颖的光谱特征——堆叠光谱特征空间图（stacked spectral feature space patch，SSFSP），用于基于CNN的高光谱遥感影像作物分类。该特征将原隐性的光谱特征转换为显性的空间特征，可与二维CNN相结合以同时挖掘光谱和空间特征。多个高空间分辨率高光谱数据集的比较研究表明，SSFSP相较于原始光谱的输入，可获得更高的分类精度。

相关论文信息：https://doi.org/10.1016/j.cj.2021.12.011