精确的农作物种植结构信息对于评估和预测粮食产量十分重要。此外，精准农业和作物管理也需要高精度农作物种植结构信息，例如不同作物需水量相差很大，需要根据作物种植分布情况指定科学的灌溉策略。遥感技术已发展成为农作物种植结构信息提取的主要手段。随着遥感技术的发展，一系列高分遥感卫星已进入商业化运作，为农作物分布精细制图提供了巨大的机遇。然而，高分遥感影像上农作物光谱变异性很大，传统遥感分类方法很难获取高精度的农作物种植结构信息。 

　　东北地理所地理信息系统学科组研究人员，针对高分影像农作物种植结构信息提取难题，提出了一种新颖的尺度序列面向对象深度卷积网络方法（Scale Sequence Object-based Convolutional Neural Network (SS-OCNN)）。SS-OCNN有以下两方面独特优势：1）SS-OCNN是一种面向对象分析方法（即建立在影像面向对象分割基础之上），因此避免了传统基于像元分类器的“椒盐噪音”问题；2）SS-OCNN在使用深度学习特征提取过程中，从小到大使用多个尺度窗口卷积影像并融合多尺度信息，可有效应对农田斑块面积变异性的难题，提高了农作物特征提取的观测维度。 

　　图1.SS-OCNN方法的基本流程

　　研究人员使用UAVSAR（S1）和Rapideye（S2）两种高分遥感影像对提出的SS-OCNN有效性进行了验证。研究结果表明，使用多个卷积窗口SS-OCNN方法比使用单一卷积窗口OCNN方法农作物分类精度提高3%-10%，极大地改善了农作物种植结构信息遥感提取精度。此外，一些传统方法难以区分的小生物量作物（例如饲草类），其分类精度也得到了显著的提高，进一步证实了多尺度观测信息对于深度学习农作物种植结构信息提取的必要性。 

　　图2. CNN卷积窗口尺寸对于OCNN（红色线段）和SS-OCNN（紫色虚线段）的影响 

　　图3.不同方法农作物遥感分类图对比 

　　相关成果发表于地学领域主流SCI期刊International Journal of Digital Earth上，主要工作由东北地理所地理信息系统课题组李华朋副研究员、张树清研究员以及英国兰卡斯特大学张策博士、PeterAtkinson教授共同完成，相关工作得到吉林省预算内基本建设资金项目（2021C045-2）、武汉大学测绘遥感信息工程国家重点实验室开发基金项目（20R04）等资助。 

　　　论文信息： 

　　 Li Huapeng*; Zhang Ce, Zhang Yong, Zhang Shuqing, Ding Xiaohui, Atkinson Peter; A Scale Sequence Object-based Convolutional Neural Network (SS-OCNN) for crop classification from fine spatial resolution remotely sensed imagery, International Journal of Digital Earth, 2021, DOI: 10.1080/17538947.2021.1950853 

　　网络链接:www.tandfonline.com/doi/abs/10.1080/17538947.2021.1950853?journalCode=tjde20