学习笔记——农作物遥感识别与大范围农作物类别制图的若干关键问题

《农作物遥感识别与大范围农作物类别制图的若干关键问题》视频来自于B站，原视频为空天院李强子研究员分享，内容仅作为学习分享。

1、农业与农业遥感

中国农业发展的主线内容：粮食安全、农业现代化、乡村全面振兴

农业遥感为粮食安全提供创新方案：种植规模、粮食安全风险、粮食交易、农业保险；利用农业遥感信息为农业决策提供辅助，涉及农业资源状况、农作物生长发育状况、宏观产业活动、生产规模识别、防灾减灾等。

主要应用（1）量测：高程位置、耕地指标、土壤指标、气候等；（2）分类：分类制图，（3）估算，估算目标区域的数量规模等（4）目标识别：农田、沟渠、受灾区域识别等。

农业遥感主要监测内容：（1）资源：耕地水土肥、光温水等（2）作物（3）生产

2、农作物遥感识别与大范围制图的重要性

主要是面积估算，数据、模型、景观复杂性等造成的技术瓶颈。

3、大范围制图前沿问题

7个方面问题：作物组合、空间尺度、时间尺度、样本、地块、

作物组合问题

有的作物容易区分，比如玉米-大豆，玉米-水稻；有的作物难以区分，高粱-玉米、甘蔗-玉米，等组合。不同地区的作物种植结构不同，比如东北地区大豆与花生，华北平原花生、土豆、红薯的区分，南方地区不同播种期的水稻。

作物组合就决定了遥感识别的最佳时期与可能性，还要根据作物组合来选择其他的识别信息等。

针对小宗特定作物姚锁定主产区，调查样本，构建特征等。

空间尺度问题

选择标准：地块大小、作物的差异与成数、精度要求

时间尺度

不同作物在不同的时间，与其他作物的区分度不同，选择合适的时间能够更好的区分作物分布。所以要利用好多时相数据、时间序列数据。

样本问题

考虑样本的代表性、空间分布等，传统分类方法要求样本数量不能少于100，深度学习要求样本数更高。高效自动获取样本，可用的知识包括高光谱和时间序列分析，还包括专家知识解译、K均值分类。基于技术的方法：数据增强。

样本增扩：人工目视解译样本会有可能造成问题，解译的样本可能造成偏离，过度关注确定的类型，类别不一定全面；基于知识增扩样本可能也会因为知识局限性造成问题

地块问题

策略问题

技术提升，但是农作物识别复杂性还是存在，局限性：数据依赖性、算法偏差、解释性等

针对不同的制图目标，要采用不同的策略。

针对单个目标制图：

零散分布——地块尺度识别更合适；集中分布——像素与地块尺度分类均可

真实性检验

目视样本很容易出问题，所以还是要有地实地调查的样本

4、农业遥感产业化

把握好社会需求，挖掘科研技术的潜力，让成果能够服务社会发展；打造专业化的技术队伍，利用资本的推动等

样本库的建设；深度学习等发展提高了精度，但是可能忽视了地学或者农学知识的表达，