精确的作物分布信息对于作物产量估算、农田管理和作物相关的环境影响评估十分必要。遥感技术由于其覆盖范围广及数据获取一致性高等优势，已发展成为作物种植结构监测的主要技术手段。由于不同作物在不同生长阶段光谱特征差异明显，因此使用多时相遥感影像是提高作物分类制图精度的主要手段。目前常用的多时相影像的使用方法即简单空间叠加，这导致多时相影像蕴含的丰富信息远远未能充分挖掘。深度学习的快速发展，为多时相遥感影像作物种植结构信息的精确提取提供了全新的机遇和契机，然而针对多时相遥感作物分类的深度学习框架还未见报道。 

　　近日，中国科学院东北地理与农业生态研究所地理信息系统学科组研究人员构建了一种新颖的时间序列深度学习遥感分类框架TS-OCNN（图1），充分挖掘了多时相遥感影像蕴藏的丰富信息，提高了多时相遥感农作物分类精度。研究者将时间序列影像作为一个随机过程，利用马尔可夫过程模型将时间序列影像贯序连接，在多时相联合信息挖掘利用基础上，利用信息传导的方式将不同时相影像的分类信息逐步传递汇合，从而实现了多时相影像联合信息和单景信息的共同发掘和利用。 

　　图1 TS-OCNN遥感分类框架图 

　　研究人员在复杂农作物分布区域对方法的有效性进行了验证，研究结果表明，随着单时相遥感影像逐步输入模型，TS-OCNN的分类精度逐步提高（图2），这表明了每景单时相影像蕴含的作物分类信息得以充分挖掘和利用。相比于目前先进的深度学习方法（OCNN），TS-OCNN可将农作物分类精度提高1-3%，特别是对于矮小作物（例如饲草类别）分类精度的提高幅度更加明显（4%左右）。本研究提出的TS-OCNN框架不但能用于农作物分类，还能应用于其他景观（例如林地）的遥感分类识别，具有巨大的应用潜力和广泛的应用前景。 

　　图2 TS-OCNN作物分类精度变化图

　　相关成果发表于农业信息领域SCI期刊The Crop Journal（中科院一区Top），主要工作由东北地理所地理信息系统课题组李华朋博士等研究人员完成，相关工作得到中科院战略性先导科技专项项目（XDA28010500）、国家重点研发计划项目（2021YFD1500100）等资助。  

　　　论文信息： 

　　  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 

　　网络链接: https://www.sciencedirect.com/science/article/pii/S2214514122001751