一种集成云计算和深度神经网络的水稻分类方法

来源：江苏农业科学杂志2026年第第11期北京时间：

作者：韩新星; 李大军; 聂泽栋; 储云志; 余美; 刘波

单位：1.安徽省地质测绘技术院，安徽合肥 230022； 2.东华理工大学测绘与空间信息工程学院，江西南昌 330013

摘要：针对传统水稻遥感分类依赖本地数据处理与单一机器学习算法，难以在大尺度范围兼顾分类精度与效率问题，提出一种依托云平台的随机森林(random frorest，RF)与深度神经网络(deep neural network，DNN)集成分类方法，以缓解光谱混淆与空间异质性对分类精度的影响，提升复杂与破碎化地块的水稻识别精度与处理效率。以安徽省肥东县为研究区，基于Google Earth Engine和Google Colab云平台获取并处理2023年6—10月哨兵1号VV/VH极化数据与哨兵2号多光谱数据，利用曲线曲率法进行物候分析选取关键时相，提取光谱特征、5种植被指数及雷达极化特征，构建多维特征空间。并结合随机森林特征筛选和深度神经网络模型，构建RF+DNN算法对研究区水稻信息进行精准提取。结果表明，RF+DNN的总体精度(OA)达92.26%，较RF、DNN、XGBoost和LSTM提升3.51~5.40百分点；kappa系数为0.90，较对比算法提升 0.04~0.07。此外，水稻用户精度达90.42%，高于对比算法3~9百分点。对于易混淆地物草地和其他作物，RF+DNN的生产者精度分别为81.55%、81.90%，均优于对比算法。与单独使用DNN算法相比，本研究算法的训练时间由25 min 10 s缩短至12 min 6 s(缩短约51%)，预测时间由34 s降至8 s(缩短约76%)。RF+DNN云端集成方法在多时相、多源数据条件下，能够显著提升复杂与破碎化地块的水稻分类精度与处理效率，具备推广应用潜力，可为精准农业和粮食安全监测提供技术借鉴。

关键词：水稻分类;遥感云计算;深度神经网络;随机森林;哨兵数据