近期，中国科学院合肥物质院智能所智慧农业研究中心胡宜敏、许桃胜、王儒敬研究团队在针对小型分散农业地块的作物识别和制图领域取得重要进展，提出一种双分支网络结构时序遥感深度学习模型DBL，该模型针对亚洲部分代表性的散布不规则、边界模糊的小型地块作物类型识别具有显著应用价值。研究成果在遥感领域的国际顶级期刊Remote Sensing of Environment上发表。
该论文主要贡献是：(1)构建了2个亚洲部分代表性的散布不规则、边界模糊的小型地块时序数据集(CF dataset, JM dataset)，(2) 提出基于时序遥感特征实现地块作物类型制图和分析，(3)构建双分支的网络模型，集成三维注意力模块(时间注意力、空间注意力和通道注意力模快)，有效识别分散种植模式下的农作物种植分布局部细节特征。
随着大尺度遥感技术的快速发展，高分辨率卫星影像数据为土地利用、农业生产和环境监测带来了重大的技术变革和发展机遇。在人口稠密的亚洲大部分地区，特别是中国，农田种植表现为不规则、离散种植模式，农作物种植类型和种植模式交错复杂，与欧美地区的农业模式存在显著的差异，目前的传统遥感图像识别方法主要是针对欧美规模化种植模式，在应对亚洲等不规则、离散复杂地块结构时难以取得高精度效果。因此，针对这些不规则小地块的作物类型识别一直是一个重要的技术难题。为解决这一难题，研究团队设计了基于双分支的DBL网络。DBL网络的主分支通过Pyramid Blend Module(PBM)扩展感受野，获取地块的全局信息；辅助分支则利用新设计的三维注意力卷积模块(3DACM)在时间和空间维度上提炼局部特征，从而增强了模型对小地块的识别能力。通过这种双分支结构，DBL在捕捉遥感图像时序数据的动态变化方面表现出色。
研究团队选取了中国长江流域两个典型种植区域(安徽省长丰县和湖北省荆门市)，构建了具有分散、不规则地块特征的CF和JM时序遥感数据集，以评估DBL模型的性能。实验结果显示，DBL模型在CF数据集上的整体准确率达到97.70%，相比现有方法，DBL在小型地块的识别能力上实现了显著提升，尤其是在分散、不规则的农业地块上展现出强大的鲁棒性和精确性。此外，团队进一步引入了小地块识别指标，用于评估模型对330像素和165像素以下小地块的识别效果，实验结果证明该模型在复杂地块环境中的识别优势。DBL模型在识别分散小型农业地块方面的突破，展现了其在亚洲复杂农业环境中应用的巨大潜力，有望应用于作物健康监测、种植模式分析以及农业资源优化等多个领域。
博士研究生武彦君、彭震岳为论文第一、第二作者。许桃胜副研究员和王儒敬研究员为论文通讯作者。该项工作得到了国家重点研发计划项目、安徽省重大科技攻坚项目等项目的支持。
图1 DBL模型的整体框架
图2 论文研究区域的地理区位和时序数据
图3研究区域的遥感影像概览以及数据集样本的统计分布情况
图4 不同模型在CF数据集(安徽省长丰县)下的对比可视化结果
