红树林生境独特,物种多样,生态功能明显,社会效益良好,具有很高的生态保护价值。近年来由于土地的过度开发,红树林面积也日益减少,红树林的保护变得极其迫切且重要。研究一种高效的方法对红树林监测,为红树林的保护提供理论依据具有非常重要意义。目前,在红树林物种分类上的常规研究方法大多需要人工提取特征,特征的分析提取工作操作复杂,并且存在一定的人为误差;此外,也有学者采用全连接神经网络的方法识别监测红树林,但是,全连接神经网络因网络各层神经元以全连接方式连接,需要训练大量的参数,学习时间过长,而且还有可能达不到收敛目的。近年来,深度学习发展迅猛,在图像识别领域取重要进展。卷积神经网络作为一种主要的深度学习方法,因其在网络模型中加入卷积层,在图像特征提取和训练效果上较全连接神经网络有了显著的提升。目前,查阅红树林物种监测相关文献,暂时没有发现研究人员运用卷积神经网络方法对红树林物种进行识别研究。因此,运用卷积神经网络方法对红树林物种进行识别研究具有重要意义。主要研究过程如下:一、图片的采集本文选择深圳湾红树林保护区为研究区域,以大疆精灵4Pro无人机作为红树林图像采集平台,采集研究区域内高质量红树林图像。图片采集方案为:图片采集高度设定100m,无人机飞行路线设置为s型,飞行速度为3m/s,每隔1秒拍摄一张图片,拍摄图片重合大概在 1/3。二、数据集制作和网络模型设计将无人机采集到的红树林图像拼接成一张完整的研究区域红树林监测图,并将拼接后的图像切割成尺寸为28×28图片,从中选出白骨壤3200张、红海榄1900张、木榄3200张、秋茄3200张、背景图片3200张进行标记。从红海榄中挑选出1300张图片对其进行翻转扩充数据使红海榄标记的数据达到3200条。对五类标记的16000条样本数据随机打乱制作数据集,按训练集、验证集、测试集3:1:1的比例划分用于模型的训练、验证和测试。分析LeNet-5网络模型和AlexNet网络模型结构和特点,针对红树林物种识别问题对LeNet-5做适当的改进得到网络模型LeNet-5（1）、LeNet-5（2）和对AlexNet网络模型参数做适当调整得到模型AlexNet（1）。三、模型训练和测试结果分析设置模型训练参数,其中,将学习率设置为0.001、0.0001和0.00001训练各模型。分析模型测试效果,主要分析指标为红树林物种整体测试准确率、各物种测试准确率和各物种测试准确的波动性。分析各指标数据,选出最优模型用于红树林物种的预测。四、红树林物种面积计算和物种分布显示将所有红树林样本图片输入预测模型进行种类预测,统计各类红树林预测数量,根据相机成像原理和相关参数计算各类预测红树林物种面积,对预测的红树林物种进行颜色转换,并拼接显示各类红树林物种的分布信息。基于上述研究方法,得出采用Leaky-ReLU激活函数,学习率设置为0.0001的LeNet-5（1）对红树林物种的测试效果最好,物种总体测试准确率最高,达到了 0.91,白骨壤、红海榄、木榄、秋茄的测试准确率分别达到了:0.92、0.95、0.91、0.85。计算他们的面积分别为1058m~2、300m~2、72m~2、910m~2。对预测的红树林物种图片进行颜色转换、拼接显示红树林物种分布信息。本研究方法实现了高分辨率的红树林物种识别,为红树林生态系统的信息监测和物种保护提供了重要的理论依据。