一直以来，人们很难从卫星影像上较好地区分玉米田和大豆田，但近日，美国科学家已经证实，利用时间序列的短波红外卫星数据和机器学习算法，可以有效的区分两种作物，准确率高达95%，也因此，对作物面积的预测足足提前了几个月。

　　卫星告诉你：大豆是大豆，玉米是玉米

　　伊利诺伊州是美国有名的玉米和大豆之乡，两种作物的产量均居美国首位，因此，如何有效的区分两种作物、进而估算其面积和产量，显得尤为重要。

　　该项目的主要研究人员之一Kaiyu Guan说：“如果我们想要预测伊利诺伊州、甚至整个美国的玉米或大豆产量，就必须要了解它们种植在哪里。” Kaiyu Guan也是伊利诺斯大学自然资源与环境科学系助理教授、美国国家超级计算应用中心蓝海(Blue Waters)教授。

　　这项研究成果在农业遥感领域可谓是一项重要突破，相关内容已经发表在遥感顶级国际期刊《环境遥感》上，文章得到了美国国家超级计算应用中心、美国航天局和国家科学基金会的支持。

　　此项研究前，美国农业部只能在作物收获后的4-6个月，才会向公众公布全国玉米和大豆种植面积数据，长时间的数据滞后导致各种相关决策只能依据陈旧的数据。如今利用新技术，不但能以95%的准确率区分出两种作物，且获得数据时间大幅提前，在每年的7月底，也就是在种植后2-3个月，就可以得到面积数据。这就意味着在收获之前，就能很好的预估产量，提前安排后续工作。

　　研究人员表示，及时的作物面积估算，可应用于各种监测和决策制定，包括作物保险、土地租赁、供应链物流、商品市场等。

　　然而，对于Kaiyu Guan而言，这项工作的科学价值与其实用价值同样重要。

　　短波红外和机器学习走入农业遥感

　　一组名为Landsat的卫星，已经绕地球连续运转40年，使用多种波段电磁频谱的传感器采集图像。Kaiyu Guan说，以前多数是试图使用可见光和近红外遥感影像来区分玉米和大豆，但他和他的团队决定尝试一些不同的东西。

åä¸é¥æææ¯çªç ´ï¼å©ç¨çæ³¢çº¢å¤åºåçç±³åå¤§è±

　　论文的第一作者在读博士生Yaping Cai说，“我们研究发现，利用一个特殊的光谱，可以很好的鉴别玉米和大豆，这个特殊的光谱带即为短波红外(SWIR)。”

　　事实证明，在大多数年份的7月，玉米和大豆的叶片水分状况不同。该研究小组在伊利诺斯州香槟县进行了概念验证，在2000-2015年共15年的时间内，使用了三颗Landsat卫星的短波红外和其他5个光谱带、共1322张影像数据，持续提取了叶片水分指标。

　　“短波红外波段对叶片含水量更敏感，而在传统的可见光或近红外波段难以区分这一点，因此短波红外可以有效的区分玉米和大豆”，Kaiyu Guan总结到。

　　此外，研究人员还使用了一种称为深度神经网络的机器学习方法来分析数据。

　　伊利诺斯大学计算机科学系助理教授Jian Peng说：“深度学习方法刚刚开始应用于农业领域，未来这项技术在农业领域将发挥其巨大的潜力，” Jian Peng也是这项新研究的主要研究人员和论文的共同作者。

　　别看香槟县面积相对较小，但要对15年的、30米分辨率的卫星数据进行分析，仍然需要超级计算机来处理这几十个TB级的数据。

　　KaiyuGuan说：“我们使用了美国国家超级计算应用中心的蓝海(Blue Waters)和罗杰(ROGER)超级计算机，来处理这些海量的卫星数据，并从中提取有用的信息。技术的进步让我们实现了突破，在过去，我们无法处理如此庞大的数据量，也没有先进的机器学习算法，但如今有了超级计算机和机器学习，我们处理数据的能力大大提升了。”

　　该小组正在努力将研究区域扩大到整个玉米带，并探索数据的进一步应用，例如产量估算和作物质量预估等。

　　注：该项研究论文发表在《环境遥感》(《Remote Sensing of Environment》)期刊上，标题为《利用时间序列的陆地卫星数据和机器学习方法，建立了一个高性能的、应时的区域级作物类型分类系统》，原英文标题为《A high-performance and in-season classificationsystem of field-level crop types using time-series Landsat data and a machinelearning approach》。

新闻中心

联系我们

新闻中心

友情链接

联系我们