東北地理所在農作物種植結構信息遙感提取研究領域取得重要進展
精確的農作物種植結構信息對于評估和預測糧食產量十分重要。此外，精準農業和作物管理也需要高精度農作物種植結構信息，例如不同作物需水量相差很大，需要根據作物種植分布情況指定科學的灌溉策略。遙感技術已發展成為農作物種植結構信息提取的主要手段。隨著遙感技術的發展，一系列高分遙感衛星已進入商業化運作，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。
東北地理所地理信息系統學科組研究人員，針對高分影像農作物種植結構信息提取難題，提出了一種新穎的尺度序列面向對象深度卷積網絡方法（Scale Sequence Object-based Convolutional Neural Network (SS-OCNN)）。SS-OCNN有以下兩方面獨特優勢：1）SS-OCNN是一種面向對象分析方法（即建立在影像面向對象分割基礎之上），因此避免了傳統基于像元分類器的“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，可有效應對農田斑塊面積變異性的難題，提高了農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方法農作物分類精度提高3%-10%，極大地改善了農作物種植結構信息遙感提取精度。此外，一些傳統方法難以區分的小生物量作物（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作物種植結構信息提取的必要性。
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.不同方法農作物遙感分類圖對比
相關成果發表于地學領域主流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
網絡鏈接:www.tandfonline.com/doi/abs/10.1080/17538947.2021.1950853?journalCode=tjde20
附件下載：
吉公網安備22017302000214號
