基于時序光譜重構(gòu)的卷積神經(jīng)網(wǎng)絡遙感農(nóng)作物分類*

馮齊心，楊遼，王偉勝，陳桃，黃雙燕

(1 中國科學院新疆生態(tài)與地理研究所，烏魯木齊 830011； 2 中國科學院大學，北京 100049)

精準農(nóng)業(yè)是世界各國農(nóng)業(yè)現(xiàn)代化的共同選擇[1-2]，及時、準確地對農(nóng)作物進行分類與制圖，獲取農(nóng)作物種植結(jié)構(gòu)和類型分布信息，可為國家宏觀調(diào)控農(nóng)作物種植結(jié)構(gòu)、估計農(nóng)作物產(chǎn)量、制定糧食政策等提供重要的數(shù)據(jù)參考[3-4]。遙感是一種對地綜合性觀測技術(shù)，能對地表進行大尺度的動態(tài)觀測，相比傳統(tǒng)基于人工調(diào)查的作物分類方法，可節(jié)省大量人力物力，是目前進行農(nóng)作物種植結(jié)構(gòu)調(diào)查的主要方法[5-8]。

根據(jù)遙感影像時相數(shù)的不同，遙感農(nóng)作物分類方法可分為以下兩種：1)基于單期影像的快速分類法。該方法通過選取一期農(nóng)作物光譜特征差異最為明顯的“關(guān)鍵物候期”影像來實現(xiàn)農(nóng)作物的快速分類[9]。如劉佳等[10]在綜合考慮作物的生長發(fā)育時期后，選擇2014年7月27日的一期RapidEye數(shù)據(jù)，進行短波紅外波段對玉米和大豆分類精度影響的試驗，結(jié)果表明，短波紅外波段的引入能顯著提高玉米和大豆的分離能力；Chauhan和Mohan[11]以位于印度中西部的羅那鎮(zhèn)為研究區(qū)，采用EO-1高光譜數(shù)據(jù)，提取研究區(qū)內(nèi)的小麥、高粱與鷹嘴豆等作物。單期影像分類法雖然能實現(xiàn)農(nóng)作物的快速解譯，但由于實際應用中作物類型復雜多樣，單期遙感影像中作物的“異物同譜”現(xiàn)象明顯，分類結(jié)果往往存在缺陷[12]。2)時間序列分類法。時間序列數(shù)據(jù)中包含豐富的農(nóng)作物光譜與光譜變化信息，利用這些信息進行農(nóng)作物分類的精度一般高于單期影像分類法[7,12-13]，但由于時間序列數(shù)據(jù)具有較高的數(shù)據(jù)維度，數(shù)據(jù)之間存在較高的相關(guān)性與數(shù)據(jù)冗余，不利于常用遙感分類算法直接進行分類[14-15]，因此，研究者們一般先從時間序列數(shù)據(jù)中提取相關(guān)特征，再利用這些特征進行分類。歸一化植被指數(shù) (normalized differential vegetation index, NDVI) 是時間序列分類法中應用最多的特征[16-17]，常以決策樹 (decision tree, DT)、支持向量機 (support vector machine, SVM)、隨機森林 (random forest, RF) 等機器學習算法為組合來進行分類。郭昱杉等[18]應用該方法，提取黃河三角洲地區(qū)的主要農(nóng)作物；Belgiu和Csillik[19]以Sentinel-2 A的時間序列NDVI為特征，提取多種農(nóng)作物的種植結(jié)構(gòu)信息。基于特征提取的時間序列分類法是進行遙感農(nóng)作物分類的有效方法，但特征提取仍然需要豐富而全面的專家知識，否則容易忽略相關(guān)的有效特征[9,13,20-21]，同時，特征提取過程中涉及復雜的數(shù)據(jù)重建工作，不利于農(nóng)作物遙感的快速與自動化分類[21]。

卷積神經(jīng)網(wǎng)絡是深度學習方法中的一種，它的主要結(jié)構(gòu)單元包括卷積層與全連接層，卷積層的局部連接與參數(shù)共享結(jié)構(gòu)可自動從圖像中提取特征[22]，相比基于人工提取的特征更加深層[16,23]，且魯棒性更好[24]，可避免人工特征提取過程中相關(guān)特征的丟失以及復雜的數(shù)據(jù)重建；全連接層在卷積神經(jīng)網(wǎng)絡中是完成具體分類的模塊，它能基于卷積層所提取的特征完成高精度的圖片分類。2012年ImageNet圖像分類大賽中，AlexNet卷積神經(jīng)網(wǎng)絡模型[25]取得冠軍，將top-5錯誤率從25%降低至17%，之后相繼提出的GoogleNet、VGGNet、ResNet、SE-Net等網(wǎng)絡模型通過對卷積神經(jīng)網(wǎng)絡的改進[26]，不斷刷新ImageNet圖像分類的精度，目前錯誤率已經(jīng)降到2.25%。鑒于卷積神經(jīng)網(wǎng)絡具有自動提取特征與高精度圖像分類與識別的能力，許多遙感領(lǐng)域的學者展開了基于卷積神經(jīng)網(wǎng)絡的遙感圖像分類與識別研究。Xu等[27]采用具有雙卷積結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡分別從高光譜與雷達數(shù)據(jù)中自動提取光譜與空間特征，然后利用卷積網(wǎng)絡的全連接結(jié)構(gòu)進行分類，在Houston與Trento數(shù)據(jù)集中分別達到87.98%與97.92%的總體精度。Ma等[20]采用跳躍型卷積神經(jīng)網(wǎng)絡分別對Indian Pines，Pavia center和Salinas 3個數(shù)據(jù)集進行土地利用類型的分類，各數(shù)據(jù)集總體精度均高于以往的研究。

然而，以上基于卷積神經(jīng)網(wǎng)絡的遙感研究多集中在特定目標識別與土地利用類型的提取，針對時間序列多光譜數(shù)據(jù)的農(nóng)作物遙感分類方法的研究較少。因此，本文針對單時相農(nóng)作物分類法難以滿足精度要求，傳統(tǒng)的時間序列分類法面臨手動提取特征等問題，考慮到卷積神經(jīng)網(wǎng)絡的自動特征提取與分類優(yōu)勢，采取卷積神經(jīng)網(wǎng)絡分類方法，以新疆沙灣縣為實驗區(qū)，開展基于時間序列多光譜的農(nóng)作物遙感分類研究。

1 實驗區(qū)概況與數(shù)據(jù)

1.1 實驗區(qū)概況

沙灣縣 (84°57′E～86°09′E, 43°29′N°～45°20′N) 位于新疆伊犁哈薩克自治州的塔城地區(qū)，面積約1.31 萬km2，南連天山，北接古爾班通古特沙漠，年平均氣溫6.3～6.9 ℃，年降水140～350 mm，年蒸發(fā)量1 500～2 000 mm，日內(nèi)溫差大，氣候干燥，是典型的溫帶大陸性干旱氣候。沙灣縣境內(nèi)共有6條河流，其中有5條發(fā)源于其南部的天山山脈，是全縣主要的農(nóng)業(yè)灌溉水源。該區(qū)耕地主要分布在北部的沖積平原區(qū)、中部的洪積沖積扇區(qū)和南部的山前丘陵區(qū)，作物種植類型包括棉花、小麥、玉米、番茄等，是新疆農(nóng)業(yè)大縣之一。

1.2 數(shù)據(jù)獲取

從歐空局 (https:∥scihub.copernicus.eu/) 獲得沙灣縣2016年4—10月期間6期(31景)Sentinel-2A遙感數(shù)據(jù)。Sentinel-2A是歐空局于2015年6月23日發(fā)射的一顆重訪周期為10 d的衛(wèi)星，其攜帶的多光譜成像儀共覆蓋13個波段，除可見光及近紅外、短波紅外等常用波段外，還包括3個對植被生長與變化敏感的紅邊波段(表1)，可為遙感農(nóng)作物分類提供更為豐富的農(nóng)作物生長狀態(tài)信息[28]。樣本數(shù)據(jù)是2016年用手持GPS在野外實地調(diào)查的數(shù)據(jù)，共169個采樣地塊(圖1)。其中包括91個地塊作為分類的訓練樣本，含27塊棉花地、15塊冬小麥地、13塊春小麥地、14塊春玉米地、12塊番茄地以及10個其他類型;78個地塊作為驗證樣本用于后期精度檢驗，含23塊棉花地、13塊冬小麥地、12塊春小麥地、11塊春玉米地、10塊番茄地以及9個其他類型。

表1 Sentinel-2A 波段信息Table 1 Band information of Sentinel-2A

1.3 數(shù)據(jù)預處理

采用歐空局提供的SNAP(sentinel application platform，版本5.0)軟件中的Sen2Cor、Sen2Three、Mosaicking等模塊對原始的31景SAFE格式Sentinel-2A數(shù)據(jù)分別進行大氣校正、去云與拼接鑲嵌等處理，得到6期可反映研究區(qū)主要農(nóng)作物生長變化的時間序列多光譜數(shù)據(jù)(表2)。本文選擇Sentinel-2A數(shù)據(jù)的紅、綠、藍、紅邊、近紅外、短波紅外等波段進行農(nóng)作物的分類，由于藍、綠、紅、第二近紅外等波段分辨率為10 m，其他波段分辨率為20 m，為對分辨率進行統(tǒng)一，采用最鄰近法將各20 m分辨率的波段重采樣至10 m[29-30]。

表2 影像日期與實驗區(qū)主要農(nóng)作物物候Table 2 Imaging dates and phonological phases of the main corns in experimental area

2 研究方法

2.1 時序光譜圖構(gòu)建

時間序列多光譜數(shù)據(jù)具有時間與光譜兩個維度的特征，為讓卷積神經(jīng)網(wǎng)絡充分利用這些特征信息，對時間序列多光譜進行時序光譜重構(gòu)。具體構(gòu)建過程如下：圖2(a)為具有n期遙感影像的時間序列數(shù)據(jù)集，p1、p2、p3、…、pn分別為各期遙感影像在i行、j列的影像像元，它們的集合P稱為時間序列數(shù)據(jù)集在i行、j列的像元基元。其中p1在各波段的反射率分別為p11、p12、…、p1 m，p2在各波段的反射率分別為p21、p22、…、p2 m，…，pn在各波段的反射率分別為pn1、pn2、…、pnm，在圖2(b)中，以時間維為縱軸，光譜維為橫軸，對各像元在各波段的反射率值進行重組，得到一張具有n行m列的圖片，此圖被稱為像元基元P的時序光譜圖 (time series multispectral image，TSMI)。

本研究中的時序光譜圖的尺寸大小為6×10，從上至下分別是04-22、05-22、06-11、08-10、09-19、10-09等6個時間維度，從左至右分別為藍波段、綠波段、紅波段、3個紅邊波段、2個近紅外波段、2個短波紅外波段等10個光譜維度。圖2(c)為樣本中各作物類型的時序光譜圖，其表現(xiàn)為同種農(nóng)作物的時序光譜圖具有較高相似度，不同種農(nóng)作物的時序光譜圖差異明顯。

圖2 基于像元基元的時序光譜圖構(gòu)建及樣本中各農(nóng)作物的時序光譜圖Fig.2 TSMI construction based on pixel elements and TSMIs of crops in sample

2.2 CNN模型構(gòu)建

以Anaconda軟件下的Python3.6為編譯環(huán)境，采用TensorFlow深度學習框架，基于GPU+CPU的硬件平臺搭建卷積神經(jīng)網(wǎng)絡。卷積神經(jīng)網(wǎng)絡的輸入數(shù)據(jù)為6×10的時序光譜圖，由于圖片尺寸較小，過深層的復雜卷積網(wǎng)絡結(jié)構(gòu)在本研究中并不適用[31]?；谠撛颍疚拇罱烁m用于時序光譜圖分類的輕量級卷積神經(jīng)網(wǎng)絡。該網(wǎng)絡中，除輸入層 (input layer) 與輸出層 (output layer)，共包括2個卷積層 (convolution layer)、1個池化層 (pooling layer)與1個全連接層 (full connection layer)。第1卷積層先從時序光譜圖中提取8個維度的特征，第2卷積層在第1卷積層的基礎上再提取16個維度的特征，經(jīng)最大池化，全連接層基于16維度的特征對時序光譜圖進行分類。

2.3 CNN模型優(yōu)化

2.3.1 梯度下降法優(yōu)化

為加強CNN模型在本研究中的適用性，需結(jié)合本研究數(shù)據(jù)對卷積神經(jīng)網(wǎng)絡進行優(yōu)化。梯度下降法是常用的神經(jīng)網(wǎng)絡優(yōu)化算法，本文分別采用Momentum、AdaGrad、Adam、RMSProp等常用梯度下降法對數(shù)據(jù)進行訓練，如圖3(a)所示。在模型趨于穩(wěn)定后，基于Adam梯度下降的卷積神經(jīng)網(wǎng)絡在保持更小波動的同時，可達到更高精度，因此本研究采用Adam作為卷積神經(jīng)網(wǎng)絡的梯度下降優(yōu)化算法。

2.3.2 Dropout優(yōu)化

在神經(jīng)網(wǎng)絡的訓練過程中，Dropout可通過隨機屏蔽部分神經(jīng)元，只允許部分神經(jīng)元參與神經(jīng)元連接來降低網(wǎng)絡復雜度，具有提高模型泛化能力的功能[32-33]。為尋求最適合于本文的最佳Dropout神經(jīng)元連接比例參數(shù)，本研究分別采用不同的連接比例參數(shù)對數(shù)據(jù)進行了訓練，如圖3(b)所示。40%的Dropout連接比例參數(shù)在保持精度上升曲線穩(wěn)定的同時，可達到更高精度，因此采用40%的連接比例參數(shù)對卷積神經(jīng)網(wǎng)絡進行Dropout優(yōu)化。

圖3 CNN模型優(yōu)化Fig.3 Optimization of CNN

2.4 評價方法

本文采用多個指標對模型及其分類結(jié)果進行評價，包括總體精度 (overall accuracy, OA)、Kappa系數(shù) (Kappa coefficient, KC)、F1-score、制圖精度 (mapping accuracy, MA)、用戶精度 (user accuracy, UA)。其中，總體精度與Kappa系數(shù)是衡量分類方法總體性能的精度指標；F1-score、制圖精度與用戶精度是檢驗各農(nóng)作物分類精度的指標。Kappa系數(shù)是一種一致性評估方法，在類別不均衡的情況下更能反映實際分類精度。制圖精度與用戶精度可從不同的角度反映各農(nóng)作物分類精度，若某作物的制圖精度較低，說明該作物容易被分為其他類型；若某農(nóng)作物的用戶精度較低，說明有較多其他類型作物被錯分為該作物。F1-score精度是制圖精度與用戶精度的綜合性指標，可更全面地反映各農(nóng)作物的分類精度。以上各分類評價指標的計算公式如下:

(1)

(2)

MA=(ti/vi)×100%，

(3)

UA=(ti/mi)×100%，

(4)

(5)

各式中：n為待分種類數(shù)；ti為第i類農(nóng)作物在驗證樣本中被正確分類的數(shù)量；V為驗證樣本總數(shù)；vi為第i類農(nóng)作物的驗證樣本數(shù)量；mi為驗證樣本中被分類為i類農(nóng)作物的數(shù)量；MAi為第i類農(nóng)作物制圖精度，UAi為第i類農(nóng)作物用戶精度。

為進一步評價與比較本研究中基于時間序列光譜圖的卷積神經(jīng)網(wǎng)絡分類法 (TSMI+CNN) 在分類精度上的表現(xiàn)，采用時間序列NDVI、時間序列多光譜、隨機森林算法與卷積神經(jīng)網(wǎng)絡，建立了3個對照組，分別為：基于時間序列多光譜數(shù)據(jù)的隨機森林分類 (TSM+RF)；基于時間序列NDVI數(shù)據(jù)的隨機森林分類 (TSNDVI+RF)；基于時間序列NDVI數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡分類 (TSNDVI+CNN)。其中，NDVI的計算公式為

NDVI=(ρNIR-ρR)/(ρNIR+ρR)，

(6)

式中：ρNIR為近紅外段的反射率，ρR為紅波段的反射率。Sentinel-2A有2個分辨率分別為10與20 m的近紅外波段，其中，參與NDVI計算的是與紅波段分辨率一致的第一近紅外波段。

3 結(jié)果與分析

3.1 精度對比分析

3.1.1 總體精度對比分析

如表3所示，在所有的分類組中，TSMI+CNN分類法的總體精度與Kappa系數(shù)均最高，總體精度達到95.12%，相比TSM+RF、TSNDVI+RF、TSNDVI+CNN等對照組的88.58%、90.25%、91.79%，分別提高6.54%、4.87%、3.33%；Kappa系數(shù)達到0.940 5，相比各對照組的0.881 9、0.862 1、0.900 4，分別提升0.058 6、0.078 4、0.040 1，結(jié)果表明TSMI+CNN的分類法不僅可有效提高農(nóng)作物分類精度，其分類一致性也最好，有利于小樣本作物的分類。時序光譜圖在縱向上包含作物的生長物候信息、橫向上包含各物候期農(nóng)作物的多光譜信息，借鑒卷積神經(jīng)網(wǎng)絡的高精度圖片識別能力，TSMI+CNN分類法基于時序光譜圖與卷積神經(jīng)網(wǎng)絡完成了高精度的農(nóng)作物分類。

表3 總體分類精度Table 3 Overall classification accuracy statistics

TSM+RF與TSMI+CNN分類法均基于時間序列多光譜進行了分類，然而，TSMI+CNN分類法的總體精度比TSM+RF分類法高6.54%，有較大的精度優(yōu)勢，表明對于高維度的時間序列多光譜，TSMI+CNN分類法的數(shù)據(jù)擬合能力優(yōu)于TSM+RF分類法。隨機森林等傳統(tǒng)機器學習算法只能根據(jù)分類對象的具體屬性值來區(qū)分目標，屬于一維“線”狀的識別；卷積神經(jīng)網(wǎng)絡是一種模擬動物視覺神經(jīng)系統(tǒng)設計的人工神經(jīng)網(wǎng)絡，對目標具有“面”狀的把握能力，可更全面地考慮分類目標的各個特征要素，完成更高精度的圖片識別。

TSNDVI+RF與TSNDVI+CNN對照組雖然分別取得90.25%與91.79%的高分類精度，但其錯分率分別達到9.75%與8.21%，比TSMI+CNN分類法的錯分率(4.87%) 高出近1倍，表明TSMI+CNN分類法可有效降低農(nóng)作物被錯分的概率。基于NDVI提取的TSNDVI+RF分類法雖然有利于算法對數(shù)據(jù)的擬合，但NDVI提取過程所舍棄的綠波段、藍波段、紅邊波段與短波紅外波段中仍然存在對農(nóng)作物分類有效的特征，TSMI+CNN分類法可有效利用這些特征來降低作物被錯分的概率。

3.1.2 各農(nóng)作物精度對比分析

TSMI+CNN分類法的F1-score精度均高于其他方法(圖4)，分別達到97.5%、97.4%、97.0%、95.9%、89.9%，表明TSMI+CNN分類法對各農(nóng)作物均有較好的識別能力。其中，春玉米與番茄在各對照組中的最高精度分別為87.7%、81.6%，分別與TSMI+CNN分類法有8.2%、8.3%的精度差距，表明TSMI+CNN分類法可顯著提高對春玉米與番茄的識別能力。

圖4 各農(nóng)作物在各分類法中的F1-score精度Fig.4 F1-scores of crops using different classification methods

表4為各農(nóng)作物的制圖精度與用戶精度。其中，TSM+RF與TSNDVI+RF對照組的棉花用戶精度均顯著低于制圖精度，說明這兩種分類方法易將其他類作物歸為棉花，而不易將棉花歸為其他類作物。TSM+RF、TSNDVI+RF與TSNDVI+CNN對照組的番茄與春玉米制圖與用戶精度均較低，結(jié)合分類混淆矩陣(圖5)可知，分別約有9%、12%與7%的春玉米被錯分為番茄，約10%、17%與15%的番茄被錯分為春玉米，春玉米與番茄之間的混淆嚴重。TSMI+CNN分類法對于棉花、冬小麥、春小麥、春玉米的制圖與用戶精度均達到95%以上，證明該方法對這些作物均具有極強的分辨能力。

表4 各農(nóng)作物的制圖與用戶精度Table 4 Mapping accuracies and user accuracies of specific crops

圖5 各分類組的混淆矩陣Fig.5 Confusion matrix of every classification method

圖6為春玉米與番茄的時間序列多光譜與時間序列NDVI，從中可見，春玉米與番茄“異物同譜”現(xiàn)象明顯，難以直接進行區(qū)分。TSMI+CNN分類法對于春玉米和番茄的制圖與用戶精度分別達到95.45%、96.33%和93.11%、86.91%，比各對照組中的最高精度分別有約7.2%、8.1%、11.2%、6.8%的提高(表4)，說明TSMI+CNN分類法能有效提高對“異物同譜”作物，如春玉米與番茄的識別能力。

圖6 春玉米與番茄的時間序列NDVI和時間序列多光譜Fig.6 Time series NDVI and time series multispectral of spring corn and tomato

3.2 制圖分析

對各分類方法的制圖結(jié)果進行對比分析(圖7)，結(jié)果表明，不同分類組的制圖存在較大差異。基于時間序列光譜與隨機森林算法的TSM+RF組“椒鹽”噪聲最多，地塊內(nèi)部不均勻，且邊界輪廓線模糊。TSNDVI+RF與TSNDVI+CNN組相比TSM+RF組“椒鹽”噪聲明顯減少，地塊內(nèi)部均勻，但邊界輪廓線仍較為模糊。相比各對照組，TSMI+CNN分類方法制圖結(jié)果最好，地塊內(nèi)部均勻，邊界輪廓線清晰，幾乎沒有“椒鹽”噪聲，有利于遙感農(nóng)作物的分類與制圖。

圖7 TSMI+CNN方法與其他方法的分類圖Fig.7 Crop classification maps using TSMI+CNN method and other methods

應用TSMI+CNN分類法對沙灣縣全境主要農(nóng)作物進行分類制圖(圖8)，從圖中可見，棉花是沙灣縣境內(nèi)最主要的農(nóng)作物，廣泛分布在地塊連續(xù)、土壤肥沃、農(nóng)業(yè)設施完備的北部平原地區(qū)。冬小麥、春小麥、春玉米與番茄等在全縣境內(nèi)都有種植，但主要集中在中部的洪積沖積扇區(qū)與南部的山前丘陵區(qū)。最后對分類圖中各農(nóng)作物像元數(shù)進行統(tǒng)計，結(jié)合Sentinel-2A數(shù)據(jù)分辨率，計算得到沙灣縣棉花、小麥、春玉米與番茄的種植面積，將該結(jié)果與沙灣縣2017年統(tǒng)計年鑒對比(表5)表明，棉花、小麥、春玉米的百分誤差分別為5.48%、6.04%、8.65%，差異較小，與實際統(tǒng)計結(jié)果相近，證明了TSMI+CNN分類法分類結(jié)果的可靠性，具有良好的實際應用價值。

表5 農(nóng)作物的面積統(tǒng)計對比Table 5 Comparison of crop area statistics

4 結(jié)論與討論

4.1 結(jié)論

深度學習中的卷積神經(jīng)網(wǎng)絡具有良好的圖片識別能力，基于該特點，本研究對時間序列多光譜進行基于像元的重構(gòu)，得到每個地面像元的時序光譜圖，采用TensorFlow深度學習框架，基于GPU+CPU的硬件平臺搭建卷積神經(jīng)網(wǎng)絡，并利用Adam梯度下降法與Dropout 40%連接率優(yōu)化后的卷積神經(jīng)網(wǎng)絡對時序光譜圖進行分類，成功提取研究區(qū)內(nèi)棉花、冬小麥、春小麥、春玉米和番茄等主要作物。主要結(jié)論如下：

1)本文所提出的TSMI+CNN分類法總體分類精度達到95.12%，相比TSM+RF、TSNDVI+RF、TSNDVI+CNN等對照組分別提高6.54%、4.87%、3.33%，說明該分類法可有效提高遙感農(nóng)作物分類精度。

2)對于“異物同譜”情況明顯，在各對照組中混淆相對嚴重的春玉米與番茄，TSMI+CNN分類法的F1-score綜合精度分別達到96.33%和90.73%，相比其他對比試驗組中的最高精度分別提高8.66%與9.73%。說明TSMI+CNN的分類法可有效區(qū)分光譜相似性高的作物。

3)TSMI+CNN分類法對沙灣縣各主要農(nóng)作物的制圖精度均超過93%，制圖結(jié)果邊界清晰，地塊內(nèi)部均勻，無明顯“椒鹽”噪聲，表明TSMI+CNN分類法可完成高精度的遙感農(nóng)作物制圖，具有良好的現(xiàn)實應用價值。

4)基于特征提取的傳統(tǒng)分類方法通常涉及復雜的特征提取與重建工作，通過對時間序列多光譜的時間維與光譜維的重新排列，本研究完成了實驗區(qū)內(nèi)各農(nóng)作物的提取，不涉及復雜特征提取與重建，可有效提高遙感農(nóng)作物分類的自動化水平。

4.2 討論

TSMI+CNN分類法通過時序光譜的重構(gòu)，將一維“線”型的時間序列多光譜重組為二維的“面”狀結(jié)構(gòu)化圖片，將農(nóng)作物的譜識別問題轉(zhuǎn)為圖識別問題，結(jié)合卷積神經(jīng)網(wǎng)絡對圖片的深層特征自動提取與分類能力，避免了時序法分類中手動提取特征的缺陷，實現(xiàn)了機器提取特征，進一步完成了高精度的農(nóng)作物遙感分類。該研究結(jié)果與Zhong等[34]、Kussul等[35]的相關(guān)研究結(jié)果同樣表明將卷積神經(jīng)網(wǎng)絡應用到農(nóng)作物分類中可以獲得高精度的分類結(jié)果，且證明了卷積神經(jīng)網(wǎng)絡在農(nóng)作物遙感分類中的良好應用價值，可為農(nóng)作物的自動化精細制圖提供一定借鑒。

盡管本文中提出的TSMI+CNN農(nóng)作物分類法較以往的主要分類方法具有諸多分類優(yōu)點，在本文的農(nóng)作物分類中取得了較好的分類成果，但該方法仍存在一定不足之處。本研究僅采用Sentinel-2A數(shù)據(jù)進行TSMI+CNN法的農(nóng)作物分類，數(shù)據(jù)源相對單一。目前，多源遙感數(shù)據(jù)的融合與綜合利用是遙感研究的重要內(nèi)容之一[36-37]，在未來的研究中，將進一步發(fā)展TSMI+CNN分類法，比如將不同數(shù)據(jù)源的時間序列多光譜構(gòu)造為圖片，再基于卷積神經(jīng)網(wǎng)絡進行分類。此外，開展基于卷積神經(jīng)網(wǎng)絡的有效特征可視化研究，確定各時相影像、各光譜波段的分類有效性也將是進一步開展研究的重點。