基于人工智能算法的水稻空间分布智能识别研究——以浙江省台州市所辖两县级市为例.pdfVIP

统计科学与实践

STATISTICALTHEORYANDPRACTICE

基于人工智能算法的水稻空间分布智能

识别研究——以浙江省台州市所辖两县级市为例

□国家统计局浙江调查总队课题组

摘要：本文基于历史作物空间分布数据，提出了一种融合时空谱和物候信息的高效样本纯化策略，自动

生成水稻样本数据，从而支持使用机器学习算法识别水稻。在台州两个县级市范围内，基于2019—2022年

水稻空间分布历史数据，按以上策略自动生成样本，之后按所生成样本使用随机森林算法对2023年多期卫

星影像提取水稻分布，识别结果精度达到85%以上。该算法提高了作物分布结果的准确性和精度，减少了漏

分，并避免了手动分类的不稳定性，提升了工作效率和精度。建议后续可在扩大遥感影像类型、投入实战试用、

扩大识别品种、尝试旱粮识别等方面进一步推广应用。

关键词：人工智能算法；水稻空间分布；智能识别

自2016年第三次全国农业普查起，利用中分辨导致地块边界变形，造成部分区域无法识别。其次，

率遥感影像数据，结合支撑数据，测量主要农作物种雨多，台州属中亚热带季风区，雨水充沛，梅雨和台

植空间分布，是粮食产量遥感监测的关键。目前，该风雨期两期总计降水约占全年降水的43%。最后，雾

工作主要依赖人工分步处理，操作繁琐，精度受人员多靠近海边，雨多盐雾多导致卫星影像被遮盖，难以

专业知识影响，识别不稳定，效率低下。因此，建立找到合适的影像用于识别。

符合当地实际的农作物空间分布自动化智能识别模型（二）传统识别方法需人工选择训练样本费时费力

及流程至关重要。不充分样本是监督分类误差主因。大区域作物识

卫星影像上准确识别水稻对面积估算、长势监测别样本采集困难且昂贵。美国农田数据层（CDL）具

和产量预测至关重要。传统方法依赖人工样本，灵活备高精度，可通过拓扑信息生成训练标签，实现多年

性不足。大数据模型能挖掘图像规律，但需海量高精作物分类。利用作物物候信息如时序Landsat8数据，

度标签。本文旨在消除深度学习对人工标记的依赖，结合改良的光谱距离指数，在GEE云平台自动化分

实现灵活、易行、鲁棒的作物类型自动识别。类黑龙江省土地覆盖，但数据质量限制难以产生高置

信度样本。机器学习高质量作物分类需适合遥感影像、

|水稻空间分布识别面临的难点训练集和算法。GEE平台支持多种主流算法，但均依

赖真实样本。传统样本获取方法耗时耗力，解决样本

水稻是全球主要作物之一，为半数以上人口提供数据稀缺是重大挑战。

食物。了解水稻种植分布及变化对粮食安全和环境可

持续发展至关重要。遥感技术因其大范围可重复观测|基于人工智能算法的台州两县水稻空间分布解

的优势，已成为识别水稻空间分布、种植面积和农情决方法

产量的主要手段。目前研究的重点是使用机器学习的

方法进行水稻的有效识别，存在以下的识别难点：本研究针对识别难点，结合水稻识别应用，开发

（一）多山多雨造成遥感影像质量不高了样本纯化流程和自动化识别方案。基于历史作物空

台州地貌为七山一水两分田，存在“三多”现象。间分布图，提出融合时空谱和物候信息的样本纯化策

首先，山多，占陆域面积的70.4%，平原占26.8%，略，自动生成水稻样本数据。结合GEE云平台训练

水域占2.8%。山多造成卫星影像有阴影，倾斜拍摄水稻分类模型，实现自动化识别和模型迁移应用。

322024年第7期

研究探索|

（一）原始数据来源本文原计划基于DCNN和PSPNet构建农作物深

1.现势（近期）卫星影像。哨兵2号（Sentinel-2）度学习分类模型，需大量手动处理训练样本。水稻样

卫星是欧洲航天局“哥白尼计划”（原名“全球环境本来源于历史作物空间分布，经