精確的農作物種植結構資訊對於評估和預測糧食產量及價格十分重要，精準農業和作物管理也需要高精度農作物種植結構資訊。遙感技術已發展成為農作物種植結構資訊提取的主要手段，高分遙感衛星進入商業化運作為農作物分佈精細製圖提供了機遇。然而，高分遙感影像上農作物光譜變異性大，傳統遙感分類方法較難獲取高精度的農作物種植結構資訊，迫切需要發展智慧化的技術方法。
中國科學院東北地理與農業生態研究所地理資訊系統學科組研究人員，針對高分影像複雜農業區作物種植結構資訊提取難題，提出了新穎的迭代深度學習方法（Iterative Deep Learning (IDL)），在國際上首次發現並利用不同作物層次之間相關關係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），並將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分類的條件機率，而HLC聯合遙感影像作為LLC分類的條件機率，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，實現了LLC和HLC分類精度的共同提高。
研究人員使用UAVSAR（S1）和Rapideye（S2）兩種高分遙感影像對研發的IDL有效性進行了驗證。研究表明，迭代深度學習IDL方法可同時提高LLC和HLC分類精度，且演算法效率高，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分類精度比面向物件分類方法等優秀方法分別高4-7%和2-5%。研究為複雜地區農作物種植結構資訊的智慧提取提供了新的解決思路。
相關成果發表在International Journal of Applied Earth Observation and Geoinformation上。研究工作得到吉林省預算內基本建設資金專案、武漢大學測繪遙感資訊工程國家重點實驗室開發研究基金等的資助。
圖1.迭代深度學習IDL方法的基本流程
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
來源：中國科學院東北地理與農業生態研究所
