東北地理所在農(nóng)作物種植結(jié)構(gòu)信息遙感提取研究領(lǐng)域取得重要進展
精確的農(nóng)作物種植結(jié)構(gòu)信息對于評估和預(yù)測糧食產(chǎn)量十分重要。此外，精準農(nóng)業(yè)和作物管理也需要高精度農(nóng)作物種植結(jié)構(gòu)信息，例如不同作物需水量相差很大，需要根據(jù)作物種植分布情況指定科學的灌溉策略。遙感技術(shù)已發(fā)展成為農(nóng)作物種植結(jié)構(gòu)信息提取的主要手段。隨著遙感技術(shù)的發(fā)展，一系列高分遙感衛(wèi)星已進入商業(yè)化運作，為農(nóng)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(nóng)作物光譜變異性很大，傳統(tǒng)遙感分類方法很難獲取高精度的農(nóng)作物種植結(jié)構(gòu)信息。
東北地理所地理信息系統(tǒng)學科組研究人員，針對高分影像農(nóng)作物種植結(jié)構(gòu)信息提取難題，提出了一種新穎的尺度序列面向?qū)ο笊疃染矸e網(wǎng)絡(luò)方法（Scale Sequence Object-based Convolutional Neural Network (SS-OCNN)）。SS-OCNN有以下兩方面獨特優(yōu)勢：1）SS-OCNN是一種面向?qū)ο蠓治龇椒ǎ唇⒃谟跋衩嫦驅(qū)ο蠓指罨A(chǔ)之上），因此避免了傳統(tǒng)基于像元分類器的“椒鹽噪音”問題；2）SS-OCNN在使用深度學習特征提取過程中，從小到大使用多個尺度窗口卷積影像并融合多尺度信息，可有效應(yīng)對農(nóng)田斑塊面積變異性的難題，提高了農(nóng)作物特征提取的觀測維度。
圖1.SS-OCNN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提出的SS-OCNN有效性進行了驗證。研究結(jié)果表明，使用多個卷積窗口SS-OCNN方法比使用單一卷積窗口OCNN方法農(nóng)作物分類精度提高3%-10%，極大地改善了農(nóng)作物種植結(jié)構(gòu)信息遙感提取精度。此外，一些傳統(tǒng)方法難以區(qū)分的小生物量作物（例如飼草類），其分類精度也得到了顯著的提高，進一步證實了多尺度觀測信息對于深度學習農(nóng)作物種植結(jié)構(gòu)信息提取的必要性。
圖2. CNN卷積窗口尺寸對于OCNN（紅色線段）和SS-OCNN（紫色虛線段）的影響
圖3.不同方法農(nóng)作物遙感分類圖對比
相關(guān)成果發(fā)表于地學領(lǐng)域主流SCI期刊International Journal of Digital Earth上，主要工作由東北地理所地理信息系統(tǒng)課題組李華朋副研究員、張樹清研究員以及英國蘭卡斯特大學張策博士、PeterAtkinson教授共同完成，相關(guān)工作得到吉林省預(yù)算內(nèi)基本建設(shè)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)基金項目（20R04）等資助。
論文信息：
Li Huapeng*; Zhang Ce, Zhang Yong, Zhang Shuqing, Ding Xiaohui, Atkinson Peter; A Scale Sequence Object-based Convolutional Neural Network (SS-OCNN) for crop classification from fine spatial resolution remotely sensed imagery, International Journal of Digital Earth, 2021, DOI: 10.1080/17538947.2021.1950853
網(wǎng)絡(luò)鏈接:www.tandfonline.com/doi/abs/10.1080/17538947.2021.1950853?journalCode=tjde20
附件下載：
吉公網(wǎng)安備22017302000214號
