摘要: 湿地植被是湿地生态系统的重要组成部分，利用无人机遥感技术快速准确地实现湿地植被识别和分类，对于湿地保护与恢复具有重要意义。本研究以无锡长广溪湿地公园植被为研究对象，基于无人机高光谱数据、影像点云数据和地面实测数据，采用深度学习方法，通过三维卷积层提取高光谱特征，并通过二维卷积层提取点云特征，构建双分支卷积神经网络（3D-2D-CNN）模型。将该模型与3D-CNN、2D-CNN及传统机器学习方法（K最邻近算法（k-NN）、随机森林（RF）和支持向量机（SVM））进行对照试验，选择最优分类算法实现湿地植被空间制图。此外，还分析了输入窗口大小和训练样本比例对于湿地植被分类精度的影响。结果表明：当输入窗口大小为11×11，训练样本比例为8:1:1时，3D-2D-CNN模型取得最佳的分类效果，总体精度（OA）为88.17%，Kappa系数为0.85，与k-NN（OA=78.74%）、SVM（OA=72.95%）和RF（OA=82.26%）相比，总体分类精度提高了5%以上。在一定范围内，模型分类精度与训练时间均随输入窗口大小和训练样本比例的增大而增加。本研究充分验证了多源遥感数据协同3D-2D-CNN模型在湿地物种识别中的有效性，为湿地生物多样性保护与可持续发展提供了理论参考与技术支持。