東北地理所在多時相遙感農作物分類方法研發方面取得重要進展
精確的作物分布信息對于作物產量估算、農田管理和作物相關的環境影響評估十分必要。遙感技術由于其覆蓋范圍廣及數據獲取一致性高等優勢，已發展成為作物種植結構監測的主要技術手段。由于不同作物在不同生長階段光譜特征差異明顯，因此使用多時相遙感影像是提高作物分類制圖精度的主要手段。目前常用的多時相影像的使用方法即簡單空間疊加，這導致多時相影像蘊含的豐富信息遠遠未能充分挖掘。深度學習的快速發展，為多時相遙感影像作物種植結構信息的精確提取提供了全新的機遇和契機，然而針對多時相遙感作物分類的深度學習框架還未見報道。
近日，中國科學院東北地理與農業生態研究所地理信息系統學科組研究人員構建了一種新穎的時間序列深度學習遙感分類框架TS-OCNN（圖1），充分挖掘了多時相遙感影像蘊藏的豐富信息，提高了多時相遙感農作物分類精度。研究者將時間序列影像作為一個隨機過程，利用馬爾可夫過程模型將時間序列影像貫序連接，在多時相聯合信息挖掘利用基礎上，利用信息傳導的方式將不同時相影像的分類信息逐步傳遞匯合，從而實現了多時相影像聯合信息和單景信息的共同發掘和利用。
圖1 TS-OCNN遙感分類框架圖
研究人員在復雜農作物分布區域對方法的有效性進行了驗證，研究結果表明，隨著單時相遙感影像逐步輸入模型，TS-OCNN的分類精度逐步提高（圖2），這表明了每景單時相影像蘊含的作物分類信息得以充分挖掘和利用。相比于目前先進的深度學習方法（OCNN），TS-OCNN可將農作物分類精度提高1-3%，特別是對于矮小作物（例如飼草類別）分類精度的提高幅度更加明顯（4%左右）。本研究提出的TS-OCNN框架不但能用于農作物分類，還能應用于其他景觀（例如林地）的遙感分類識別，具有巨大的應用潛力和廣泛的應用前景。
圖2 TS-OCNN作物分類精度變化圖
相關成果發表于農業信息領域SCI期刊The Crop Journal（中科院一區Top），主要工作由東北地理所地理信息系統課題組李華朋博士等研究人員完成，相關工作得到中科院戰略性先導科技專項項目（XDA28010500）、國家重點研發計劃項目（2021YFD1500100）等資助。
論文信息：
Huapeng Li *, Yajun Tian, Ce Zhang, Shuqing Zhang, Peter Atkinson. Temporal sequence Object-based CNN (TS-OCNN) for crop classification from fine resolution remote sensing image time-series. The Crop Journal, 2022, DOI: 10.1016/j.cj.2022.07.005
網絡鏈接: https://www.sciencedirect.com/science/article/pii/S2214514122001751
附件下載：
吉公網安備22017302000214號
