精確的農(nóng)作物種植結(jié)構(gòu)信息對(duì)于評(píng)估和預(yù)測(cè)糧食產(chǎn)量及價(jià)格十分重要，精準(zhǔn)農(nóng)業(yè)和作物管理也需要高精度農(nóng)作物種植結(jié)構(gòu)信息。遙感技術(shù)已發(fā)展成為農(nóng)作物種植結(jié)構(gòu)信息提取的主要手段，高分遙感衛(wèi)星進(jìn)入商業(yè)化運(yùn)作為農(nóng)作物分布精細(xì)制圖提供了機(jī)遇。然而，高分遙感影像上農(nóng)作物光譜變異性大，傳統(tǒng)遙感分類(lèi)方法較難獲取高精度的農(nóng)作物種植結(jié)構(gòu)信息，迫切需要發(fā)展智能化的技術(shù)方法。

　　中國(guó)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，針對(duì)高分影像復(fù)雜農(nóng)業(yè)區(qū)作物種植結(jié)構(gòu)信息提取難題，提出了新穎的迭代深度學(xué)習(xí)方法(Iterative Deep Learning(IDL))，在國(guó)際上發(fā)現(xiàn)并利用不同作物層次之間相關(guān)關(guān)系提高農(nóng)作物遙感分類(lèi)精度。IDL將作物按層級(jí)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(jié)果納入統(tǒng)一的深度學(xué)習(xí)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(zhǎng)LC分類(lèi)的條件概率，如此迭代策略構(gòu)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(xiàn)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(duì)研發(fā)的IDL有效性進(jìn)行了驗(yàn)證。研究表明，迭代深度學(xué)習(xí)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(dá)到了最高精度。DIL生產(chǎn)的LLC和HLC分類(lèi)精度比面向?qū)ο蠓诸?lèi)方法等優(yōu)秀方法分別高4-7%和2-5%。研究為復(fù)雜地區(qū)農(nóng)作物種植結(jié)構(gòu)信息的智能提取提供了新的解決思路。