大范围遥感区域制图关键问题探讨

大范围农业遥感的制图机理：

以可见光、雷达等卫星遥感数据为基础，反演出物候特征、极化特征、指数特征等分类特征，使用机器学习、深度学习等模型算法，解决光学影像获取难、地块破碎、同期作物混淆等问题，进行大范围高精度的作物分类制图。

目前所遇到的关键问题：

（1）缺乏作物生长季高分辨率多光谱无云时间序列影像。需要发展多模态时间序列重构技术。

（2）缺乏高质量的地面样本。需要发展高质量作物样本构建技术。

（3）缺乏全自动大尺度制图方法。需要发展大尺度全自动高精度不同作物制图技术。

关键问题探讨：

（1）作物生长季时间序列遥感数据重建。

研究时空融合算法，进行超分数据的构建。目前主要使用机理模型和深度学习模型。在有充分样本的情况下，深度模型的精度及鲁棒性明显要优于机理模型。评价融合效果主要看地物的空间信息和光谱信息，空间信息包括道路或地块是否连续、是否无变形等，光谱信息包括是否光谱值和原始影像差异较小等。包括中分辨率数据重构，例如根据modis数据，完成10米Sentinel2数据的重构。考虑到中国地块的破碎性，作物分类的算法所使用的影像在2米左右更加准确，优于2米可能存在阴影难以区分问题，因此需要研究高分辨率影像的重构方案，该算法对算力要求较高，目前的方法主要有以下集中，存在问题及优势如下：

• 基于CNN的重建，算力要求低、重建能力弱。
• 基于GAN的重建，有一定的算例需求，预测不稳定。
• 基于Transformer重建，使用不同尺度的图像超分重建，图像纹理和细节恢复欠缺。
• 基于Diffusion的重建。训练困难，算力需求高，实用超高分数据。

（2）高精度耕地提取与地块划分问题。

耕地提取可使用三调等人工勾绘的耕地数据为基础，进行遥感大模型的训练，进行耕地的提取，模型精度可达到90%以上。

地块划分目前有三种方法：特征值分割、边缘监测算法以及深度学习模型。仅依靠单模型往往不能取得较好的效果，采用深度学习+边缘监测算法等组合，可充分利用各种方法的优势，获取精度较高的效果。

（3）大尺度制图。

大尺度制图目前有三种方法，机器学习的方法使用于有少量样本、深度学习需要大量的样本、不使用样本，寻找关键特征，进行区域制图。各种方法都要优劣和适用条件，其中基于机器学习或关键特征的方法，可为深度学习提供样本。