精確的農作物種植結構信息對于評估和預測糧食產(chǎn)量及價(jià)格十分重要，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(shù)已發(fā)展成為農作物種植結構信息提取的主要手段，高分遙感衛星進(jìn)入商業(yè)化運作為農作物分布精細制圖提供了機遇。然而，高分遙感影像上農作物光譜變異性大，傳統遙感分類(lèi)方法較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(shù)方法。
中國科學(xué)院東北地理與農業(yè)生態(tài)研究所地理信息系統學(xué)科組研究人員，針對高分影像復雜農業(yè)區作物種植結構信息提取難題，提出了新穎的迭代深度學(xué)習方法(Iterative Deep Learning(IDL))，在國際上發(fā)現并利用不同作物層次之間相關(guān)關(guān)系提高農作物遙感分類(lèi)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(lèi)結果納入統一的深度學(xué)習遙感分類(lèi)框架。LLC作為HLC分類(lèi)的條件概率，而HLC聯(lián)合遙感影像作為L(cháng)LC分類(lèi)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(lèi)在迭代過(guò)程中協(xié)同進(jìn)化、彼此修正，實(shí)現了LLC和HLC分類(lèi)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(fā)的IDL有效性進(jìn)行了驗證。研究表明，迭代深度學(xué)習IDL方法可同時(shí)提高LLC和HLC分類(lèi)精度，且算法效率高，僅用四次迭代LLC和HLC同時(shí)達到了最高精度。DIL生產(chǎn)的LLC和HLC分類(lèi)精度比面向對象分類(lèi)方法等優(yōu)秀方法分別高4-7%和2-5%。研究為復雜地區農作物種植結構信息的智能提取提供了新的解決思路。