東北地理所在多時(shí)相遙感農(nóng)作物分類方法研發(fā)方面取得重要進(jìn)展
精確的作物分布信息對(duì)于作物產(chǎn)量估算、農(nóng)田管理和作物相關(guān)的環(huán)境影響評(píng)估十分必要。遙感技術(shù)由于其覆蓋范圍廣及數(shù)據(jù)獲取一致性高等優(yōu)勢(shì)，已發(fā)展成為作物種植結(jié)構(gòu)監(jiān)測(cè)的主要技術(shù)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(shí)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(shí)相影像的使用方法即簡(jiǎn)單空間疊加，這導(dǎo)致多時(shí)相影像蘊(yùn)含的豐富信息遠(yuǎn)遠(yuǎn)未能充分挖掘。深度學(xué)習(xí)的快速發(fā)展，為多時(shí)相遙感影像作物種植結(jié)構(gòu)信息的精確提取提供了全新的機(jī)遇和契機(jī)，然而針對(duì)多時(shí)相遙感作物分類的深度學(xué)習(xí)框架還未見報(bào)道。
近日，中國科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所地理信息系統(tǒng)學(xué)科組研究人員構(gòu)建了一種新穎的時(shí)間序列深度學(xué)習(xí)遙感分類框架TS-OCNN（圖1），充分挖掘了多時(shí)相遙感影像蘊(yùn)藏的豐富信息，提高了多時(shí)相遙感農(nóng)作物分類精度。研究者將時(shí)間序列影像作為一個(gè)隨機(jī)過程，利用馬爾可夫過程模型將時(shí)間序列影像貫序連接，在多時(shí)相聯(lián)合信息挖掘利用基礎(chǔ)上，利用信息傳導(dǎo)的方式將不同時(shí)相影像的分類信息逐步傳遞匯合，從而實(shí)現(xiàn)了多時(shí)相影像聯(lián)合信息和單景信息的共同發(fā)掘和利用。
圖1 TS-OCNN遙感分類框架圖
研究人員在復(fù)雜農(nóng)作物分布區(qū)域?qū)Ψ椒ǖ挠行赃M(jìn)行了驗(yàn)證，研究結(jié)果表明，隨著單時(shí)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(shí)相影像蘊(yùn)含的作物分類信息得以充分挖掘和利用。相比于目前先進(jìn)的深度學(xué)習(xí)方法（OCNN），TS-OCNN可將農(nóng)作物分類精度提高1-3%，特別是對(duì)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(nóng)作物分類，還能應(yīng)用于其他景觀（例如林地）的遙感分類識(shí)別，具有巨大的應(yīng)用潛力和廣泛的應(yīng)用前景。
圖2 TS-OCNN作物分類精度變化圖
相關(guān)成果發(fā)表于農(nóng)業(yè)信息領(lǐng)域SCI期刊The Crop Journal（中科院一區(qū)Top），主要工作由東北地理所地理信息系統(tǒng)課題組李華朋博士等研究人員完成，相關(guān)工作得到中科院戰(zhàn)略性先導(dǎo)科技專項(xiàng)項(xiàng)目（XDA28010500）、國家重點(diǎn)研發(fā)計(jì)劃項(xiàng)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(wǎng)絡(luò)鏈接: https://www.sciencedirect.com/science/article/pii/S2214514122001751
附件下載：
吉公網(wǎng)安備22017302000214號(hào)
