精確的農(nóng)作物種植結構信息對于評估和預測糧食產(chǎn)量及價格十分重要，精準農(nóng)業(yè)和作物管理也需要高精度農(nóng)作物種植結構信息。遙感技術已發(fā)展成為農(nóng)作物種植結構信息提取的主要手段，高分遙感衛(wèi)星進入商業(yè)化運作為農(nóng)作物分布精細制圖提供了機遇。然而，高分遙感影像上農(nóng)作物光譜變異性大，傳統(tǒng)遙感分類方法較難獲取高精度的農(nóng)作物種植結構信息，迫切需要發(fā)展智能化的技術方法。

　　中國科學院東北地理與農(nóng)業(yè)生態(tài)研究所地理信息系統(tǒng)學科組研究人員，針對高分影像復雜農(nóng)業(yè)區(qū)作物種植結構信息提取難題，提出了新穎的迭代深度學習方法(Iterative Deep Learning(IDL))，在國際上發(fā)現(xiàn)并利用不同作物層次之間相關關系提高農(nóng)作物遙感分類精度。IDL將作物按層級劃分為高層次作物(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的分類結果納入統(tǒng)一的深度學習遙感分類框架。LLC作為HLC分類的條件概率，而HLC聯(lián)合遙感影像作為LLC分類的條件概率，如此迭代策略構成馬爾科夫鏈，使得LLC和HLC分類在迭代過程中協(xié)同進化、彼此修正，實現(xiàn)了LLC和HLC分類精度的共同提高。

　　研究人員使用UAVSAR(S1)和Rapideye(S2)兩種高分遙感影像對研發(fā)的IDL有效性進行了驗證。研究表明，迭代深度學習IDL方法可同時提高LLC和HLC分類精度，且算法效率高，僅用四次迭代LLC和HLC同時達到了最高精度。DIL生產(chǎn)的LLC和HLC分類精度比面向對象分類方法等優(yōu)秀方法分別高4-7%和2-5%。研究為復雜地區(qū)農(nóng)作物種植結構信息的智能提取提供了新的解決思路。