基于Sentinel-1A影像和一维CNN的中国南方生长季早期作物种类识别

来源：农业工程学报杂志2020年第3期北京时间：

作者：赵红伟,陈仲新,姜浩,刘佳,

摘要：作物的早期识别对粮食安全至关重要。在以往的研究中，中国南方作物早期识别面临的主要挑战包括：1）云层覆盖时间长、地块尺寸小且作物类型丰富；2）缺少高时空分辨率合成孔径雷达（synthetic aperture radar，SAR）数据。欧洲航天局Sentinel-1A（S1A）卫星提供的SAR图像具有12 d的重访周期，空间分辨率达10 m，为中国南方作物早期识别提供了新的机遇。为在作物早期识别中充分利用S1A影像的时间特征，本研究提出一维卷积神经网络（one-dimensional convolutional neural network, 1D CNN）的增量训练方法：首先利用生长季内全时间序列数据来训练1D CNN的超参数，称为分类器；然后从生长季内第一次S1A影像获取开始，在每个数据获取时间点输入该点之前（包括该点）生长季内所有数据训练分类器在该点的其他参数。以中国湛江地区2017年生长季为研究实例，分别基于VV、VH和VH+VV，评估不同极化数据在该地区的作物分类效果。为验证该方法的有效性，本研究同时应用经典的随机森林（random forest, RF）模型对研究区进行试验。结果表明：1）基于VH+VV、VH和VV极化数据的分类精度依次降低，其中，基于VH+VV后向散射系数时间序列1D CNN 和RF测试结果的Kappa系数最大值分别为0.924和0.916，说明S1A时间序列数据在该地区作物分类任务中有效；2）在研究区域内2017年生长季早期，基于1D CNN和RF 的5种作物的F-measure均达到0.85及以上，说明本文所构建的1D CNN在该地区主要作物早期分类任务中有效。研究结果证明，针对中国南方作物早期分类，本研究提出的1D CNN训练方案可行。研究结果可为深度学习在作物早期分类任务中的应用提供参考。

关键词：作物, 遥感, 识别, 早期, 一维卷积神经网络（1D CNN）, 深度学习, 合成孔径雷达, Sentinel-1