東北地理所在農作物種植結構信息智能提取方法研發(fā)取得重要進展
精確的農作物種植結構信息對于評估和預測糧食產量及價格十分重要。此外，精準農業(yè)和作物管理也需要高精度農作物種植結構信息。遙感技術已發(fā)展成為農作物種植結構信息提取的主要手段，隨著一系列高分遙感衛(wèi)星進入商業(yè)化運作，為農作物分布精細制圖提供了巨大的機遇。然而，高分遙感影像上農作物光譜變異性很大，傳統遙感分類方法很難獲取高精度的農作物種植結構信息，迫切需要發(fā)展智能化的技術方法。
東北地理所地理信息系統學科組研究人員，針對高分影像復雜農業(yè)區(qū)作物種植結構信息提取難題，提出了一種新穎的迭代深度學習方法（Iterative Deep Learning (IDL)），在國際上首次發(fā)現并利用不同作物層次之間相關關系提高農作物遙感分類精度。IDL將作物按層級劃分為高層次作物（HLC，例如糧食作物、蔬菜作物等）和低層次作物（LLC，例如玉米、大豆等），并將HLC和LLC的分類結果納入統一的深度學習遙感分類框架。LLC作為HLC分類的條件概率，而HLC聯合遙感影像作為LLC分類的條件概率，如此迭代策略構成馬爾科夫鏈，使得LLC和HLC分類在迭代過程中協同進化、彼此修正，最終實現了LLC和HLC分類精度的共同提高。
圖1.迭代深度學習IDL方法的基本流程
研究人員使用UAVSAR（S1）和Rapideye（S2）兩種高分遙感影像對研發(fā)的IDL有效性進行了驗證。研究結果表明，迭代深度學習IDL方法可同時提高LLC和HLC分類精度，且算法效率極高，僅用四次迭代LLC和HLC同時達到了最高精度。DIL生產的LLC和HLC分類精度比面向對象分類方法等優(yōu)秀方法分別高4-7%和2-5%。本研究為復雜地區(qū)農作物種植結構信息的智能提取提供了全新的解決思路。
圖2. 迭代深度學習中LLC和HLC分類精度隨模型迭代次數增加的變化圖
圖3.迭代深度學習方法不同迭代次數農作物遙感分類圖對比
相關成果發(fā)表于地學領域權威SCI期刊International Journal of Applied Earth Observation and Geoinformation（中科院一區(qū)，IF=5.993），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，相關工作得到吉林省預算內基本建設資金項目（2021C045-2）、武漢大學測繪遙感信息工程國家重點實驗室開發(fā)基金（20R04）等資助。
論文信息：
Huapeng Li *, Ce Zhang, Shuqing Zhang, et al. Iterative Deep Learning (IDL) for agricultural landscape classification using fine spatial resolution remotely sensed imagery. International Journal of Applied Earth Observation and Geoinformation, 2021, Volume 102, 102437, DOI: 10.1016/j.jag.2021.102437
網絡鏈接: https://www.sciencedirect.com/science/article/pii/S0303243421001446
附件下載：
吉公網安備22017302000214號
