近期，中國科學院合肥物質院智能所智慧農業研究中心胡宜敏、許桃勝、王儒敬研究團隊在針對小型分散農業地塊的作物識別和制圖領域取得重要進展，提出一種雙分支網絡結構時序遙感深度學習模型DBL，該模型針對亞洲部分代表性的散布不規則、邊界模糊的小型地塊作物類型識別具有顯著應用價值。研究成果在遙感領域的國際頂級期刊Remote Sensing of Environment上發表。

該論文主要貢獻是：（1）構建了2個亞洲部分代表性的散布不規則、邊界模糊的小型地塊時序數據集（CF dataset, JM dataset），(2) 提出基于時序遙感特征實現地塊作物類型制圖和分析，（3）構建雙分支的網絡模型，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模快），有效識別分散種植模式下的農作物種植分布局部細節特征。

隨著大尺度遙感技術的快速發展，高分辨率衛星影像數據為土地利用、農業生產和環境監測帶來了重大的技術變革和發展機遇。在人口稠密的亞洲大部分地區，特別是中國，農田種植表現為不規則、離散種植模式，農作物種植類型和種植模式交錯復雜，與歐美地區的農業模式存在顯著的差異，目前的傳統遙感圖像識別方法主要是針對歐美規模化種植模式，在應對亞洲等不規則、離散復雜地塊結構時難以取得高精度效果。因此，針對這些不規則小地塊的作物類型識別一直是一個重要的技術難題。為解決這一難題，研究團隊設計了基于雙分支的DBL網絡。DBL網絡的主分支通過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。通過這種雙分支結構，DBL在捕捉遙感圖像時序數據的動態變化方面表現出色。

研究團隊選取了中國長江流域兩個典型種植區域（安徽省長豐縣和湖北省荊門市），構建了具有分散、不規則地塊特征的CF和JM時序遙感數據集，以評估DBL模型的性能。實驗結果顯示，DBL模型在CF數據集上的整體準確率達到97.70%，相比現有方法，DBL在小型地塊的識別能力上實現了顯著提升，尤其是在分散、不規則的農業地塊上展現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，實驗結果證明該模型在復雜地塊環境中的識別優勢。DBL模型在識別分散小型農業地塊方面的突破，展現了其在亞洲復雜農業環境中應用的巨大潛力，有望應用于作物健康監測、種植模式分析以及農業資源優化等多個領域。

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計劃項目、安徽省重大科技攻堅項目等項目的支持。

文章鏈接：https://doi.org/10.1016/j.rse.2024.114497

圖1 DBL模型的整體框架

圖2 論文研究區域的地理區位和時序數據

圖3研究區域的遙感影像概覽以及數據集樣本的統計分布情況

圖4 不同模型在CF數據集（安徽省長豐縣）下的對比可視化結果