陈诗扬，刘 佳

基于GF-6时序数据的农作物识别深度学习算法评估

陈诗扬，刘 佳※

（中国农业科学院农业资源与农业区划研究所，北京 100081）

农作物类型制图是农情遥感的重要内容。该研究利用GF-6时序数据，在黑龙江省对基于卷积、递归和注意力3种机制的6个深度学习模型在农作物类型制图中的性能进行了定性和定量的评估。结果表明：所有模型对大豆、玉米和水稻3类主要农作物的1值不低于89%、84%和97%，总体分类精度达到了93%～95%。将模型异地迁移后，各模型的总体分类精度下降7.2%～41.0%，基于卷积或递归的深度学习模型仍保持了较强的农作物识别能力，优于基于注意力的深度学习模型和随机森林模型。在时间消耗上，各深度学习模型相比于随机森林模型，训练与推理时间不超过6.2倍。GF-6时序数据结合深度学习模型在分类精度和运行效率上满足高精度大范围农作物制图的需要，且迁移性优于传统模型。研究结果可为深度学习在黑龙江农作物遥感分类任务中的应用提供参考。

农作物；遥感；识别；深度学习；GF-6；时间序列；黑龙江

0 引 言

基于中高空间分辨率遥感数据的农作物类型制图是农业监测业务中最重要的管理工具之一。黑龙江省是中国粮食主产区，在粮食安全中占有重要地位，及时准确地掌握黑龙江农作物种植分布及面积，对农作物估产和农业生产政策的制定具有重要意义。近年来，GF-6卫星稳定在轨运行并以4 d的重访周期不断提供优质的有效数据，包含更多农作物生育时期的时间序列数据在提高农作物识别精度[1]的同时也使数据处理量成倍增加，因此寻找高效高能的机器学习分类算法变得更为重要。……