Dual‐Branch Network With Enhanced Feature Fusion for Improved Rice Classification Accuracy
Rongfei Ma · Wenjiao Shi · Minglei Wang 等 7 人
提出双分支深度学习网络融合时序与辅助数据，提升亚热带水稻分类精度。
LSTM/Conv1d与MLP并行双分支网络，融合时序植被指数、纹理、DEM等辅
LSTM+MLP模型F1达95.5%，辅助变量使精度平均提升8.1%，能识别插秧期淹水信号。
可探索多源遥感与气象数据融合，解决多云雨地区时序缺失下的作物精细制图问题。
提出双分支深度学习网络融合时序与辅助数据，水稻识别F1达95.5%，方法新颖且结论可靠，对亚热带多云雨区作物遥感制图有实用价值。
准确绘制水稻这一全球最重要的粮食作物之一，对于监测其生长、估算产量以及保障全球粮食安全至关重要。大多数作物分类的深度学习方法依赖于多时相光学遥感数据。然而，通过开展大规模实地调查来获取足够的地面真值样本以用于时间序列深度学习模型十分困难，而且亚热带地区水稻生长季期间持续的云层和降雨往往限制了光学观测。因此，仅基于时间序列光学图像的水稻分类可能精度较低且可靠性不足。本研究开发了两种双分支深度学习网络以实现有效的水稻识别：一种将长短期记忆网络与多层感知机并行运行（LSTM + MLP），另一种则用一维卷积神经网络替代LSTM（Conv1d + MLP）。这些模型通过MLP将时间序列与辅助数据并行处理，使其能够自动提取物候信息，同时纳入纹理特征、数字高程模型（DEM）数据以及植被指数时间序列标准差等辅助变量。我们在中国亚热带地区一个代表性县对这些模型进行了评估，并将精度与单独的LSTM、Conv1d、MLP和随机森林（RF）模型进行了比较。结果表明，LSTM + MLP精度最高，F1分数达到95.5%，能够自动提取水稻生长模式，并成功识别水稻移栽期洪水信号的关键物候信息。通过纳入辅助变量，该模型相对于仅使用时间特征的模型平均精度提高了8.1%。所提出的方法为亚热带地区水稻制图提供了一种有效途径。