【儀表網(wǎng) 研發(fā)快訊】近期，中國科學(xué)院合肥物質(zhì)院智能所智慧農(nóng)業(yè)研究中心胡宜敏、許桃勝、王儒敬研究團隊在針對小型分散農(nóng)業(yè)地塊的作物識別和制圖領(lǐng)域取得重要進展，提出一種雙分支網(wǎng)絡(luò)結(jié)構(gòu)時序遙感深度學(xué)習(xí)模型DBL，該模型針對亞洲部分代表性的散布不規(guī)則、邊界模糊的小型地塊作物類型識別具有顯著應(yīng)用價值。研究成果在遙感領(lǐng)域的國際頂級期刊Remote Sensing of Environment上發(fā)表。
 

　　該論文主要貢獻是：(1)構(gòu)建了2個亞洲部分代表性的散布不規(guī)則、邊界模糊的小型地塊時序數(shù)據(jù)集(CF dataset, JM dataset)，(2) 提出基于時序遙感特征實現(xiàn)地塊作物類型制圖和分析，(3)構(gòu)建雙分支的網(wǎng)絡(luò)模型，集成三維注意力模塊(時間注意力、空間注意力和通道注意力?？?，有效識別分散種植模式下的農(nóng)作物種植分布局部細節(jié)特征。
 

　　隨著大尺度遙感技術(shù)的快速發(fā)展，高分辨率衛(wèi)星影像數(shù)據(jù)為土地利用、農(nóng)業(yè)生產(chǎn)和環(huán)境監(jiān)測帶來了重大的技術(shù)變革和發(fā)展機遇。在人口稠密的亞洲大部分地區(qū)，特別是中國，農(nóng)田種植表現(xiàn)為不規(guī)則、離散種植模式，農(nóng)作物種植類型和種植模式交錯復(fù)雜，與歐美地區(qū)的農(nóng)業(yè)模式存在顯著的差異，目前的傳統(tǒng)遙感圖像識別方法主要是針對歐美規(guī)?；N植模式，在應(yīng)對亞洲等不規(guī)則、離散復(fù)雜地塊結(jié)構(gòu)時難以取得高精度效果。因此，針對這些不規(guī)則小地塊的作物類型識別一直是一個重要的技術(shù)難題。為解決這一難題，研究團隊設(shè)計了基于雙分支的DBL網(wǎng)絡(luò)。DBL網(wǎng)絡(luò)的主分支通過Pyramid Blend Module(PBM)擴展感受野，獲取地塊的全局信息；輔助分支則利用新設(shè)計的三維注意力卷積模塊(3DACM)在時間和空間維度上提煉局部特征，從而增強了模型對小地塊的識別能力。通過這種雙分支結(jié)構(gòu)，DBL在捕捉遙感圖像時序數(shù)據(jù)的動態(tài)變化方面表現(xiàn)出色。
 

　　研究團隊選取了中國長江流域兩個典型種植區(qū)域(安徽省長豐縣和湖北省荊門市)，構(gòu)建了具有分散、不規(guī)則地塊特征的CF和JM時序遙感數(shù)據(jù)集，以評估DBL模型的性能。實驗結(jié)果顯示，DBL模型在CF數(shù)據(jù)集上的整體準確率達到97.70%，相比現(xiàn)有方法，DBL在小型地塊的識別能力上實現(xiàn)了顯著提升，尤其是在分散、不規(guī)則的農(nóng)業(yè)地塊上展現(xiàn)出強大的魯棒性和精確性。此外，團隊進一步引入了小地塊識別指標，用于評估模型對330像素和165像素以下小地塊的識別效果，實驗結(jié)果證明該模型在復(fù)雜地塊環(huán)境中的識別優(yōu)勢。DBL模型在識別分散小型農(nóng)業(yè)地塊方面的突破，展現(xiàn)了其在亞洲復(fù)雜農(nóng)業(yè)環(huán)境中應(yīng)用的巨大潛力，有望應(yīng)用于作物健康監(jiān)測、種植模式分析以及農(nóng)業(yè)資源優(yōu)化等多個領(lǐng)域。
 

　　博士研究生武彥君、彭震岳為論文第一、第二作者。許桃勝副研究員和王儒敬研究員為論文通訊作者。該項工作得到了國家重點研發(fā)計劃項目、安徽省重大科技攻堅項目等項目的支持。
 

圖1 DBL模型的整體框架
 

圖2 論文研究區(qū)域的地理區(qū)位和時序數(shù)據(jù)
 

圖3研究區(qū)域的遙感影像概覽以及數(shù)據(jù)集樣本的統(tǒng)計分布情況
 

圖4 不同模型在CF數(shù)據(jù)集(安徽省長豐縣)下的對比可視化結(jié)果