近日，IBE团队林涛研究员团队在遥感领域国际顶级期刊《Remote Sensing of Environment》上发表题为“DeepCropMapping: A multi-temporal deep learning approach with improved spatial generalizability for dynamic corn and soybean mapping”的研究论文。该研究开发了一种基于深度学习的玉米大豆分类模型，利用长短期记忆网络和注意力机制，充分提取多时相多光谱卫星遥感数据中的作物生长信息，实现了美国玉米带30m像元级别的高精度动态作物制图。该深度学习模型在空间泛化和季中预测任务中较传统模型有了明显的性能提升。

可靠和及时的作物制图对于监测动态作物生长和评估农业资源以实现粮食安全至关重要。准确的作物分布地图能为政府决策支持系统和农业相关应用提供关键信息，包括作物保险、土地管理和供应链物流等。该研究充分利用深度学习技术，开发了一种基于遥感时间序列分析的多时相动态作物制图模型。该模型结构基于长短期记忆（LSTM）单元，并整合了双向数据流和注意力机制，具备从遥感数据中自动高效地捕捉长期时序特征的能力，可以充分利用作物生长过程中的累积效应实现对作物类别的判定。该研究以美国玉米带中六个地区2015-2018年五千多万条像元级样本为数据集，将生长季内相邻间隔7天的23个时间点的LandsatARD多波段卫星遥感观测值作为模型输入。研究使用历年的美国作物分布地图作为地面参考数据，验证了所提出的多时相深度学习模型比Transformer、多层感知器和随机森林模型具有明显更高的分类精度和空间泛化能力。该研究工作为在缺乏可靠地面参考标签的农业地区进行近实时的大规模作物制图提供了一种遥感大数据驱动的解决方案。

该研究的前期工作以题为“Efficient Multi-temporal and In-season Crop Mapping with Landsat Analysis Ready Data via Long Short-term Memory Networks”的长摘要被2019年国际机器学习大会（ICML）的研讨会“Climate Change: How Can AI Help?”录用。ICML是由国际机器学习学会（IMLS）主办的年度机器学习国际顶级会议，与CVPR，NeurIPS等同属于中国计算机学会（CCF）推荐的七大A类国际学术会议之一。该研讨会由2018年图灵奖得主YoshuaBengi等组织，旨在讨论如何利用人工智能技术帮助社会适应气候变化。人工智能领域著名学者斯坦福大学教授Andrew Ng等多名研究人员发表报告。该研讨会是ICML第一次面向气候变化举行的研讨会，受到了参会人员的广泛关注。

课题组在读硕士生徐金凡为论文第一作者。论文通讯作者为浙江大学生工食品学院林涛研究员和中南大学地球科学与信息物理学院李海峰教授。合作单位包括浙江大学农业遥感与信息技术应用研究所和中南大学地球科学与信息物理学院。本研究受到国家自然科学基金和浙江大学的资助。

转载自浙大生工食品公众号