一直以來，人們很難從衛(wèi)星影像上較好地區(qū)分玉米田和大豆田，但近日，美國科學(xué)家已經(jīng)證實，利用時間序列的短波紅外衛(wèi)星數(shù)據(jù)和機器學(xué)習(xí)算法，可以有效的區(qū)分兩種作物，準(zhǔn)確率高達95%，也因此，對作物面積的預(yù)測足足提前了幾個月。

　　衛(wèi)星告訴你：大豆是大豆，玉米是玉米

　　伊利諾伊州是美國有名的玉米和大豆之鄉(xiāng)，兩種作物的產(chǎn)量均居美國首位，因此，如何有效的區(qū)分兩種作物、進而估算其面積和產(chǎn)量，顯得尤為重要。

　　該項目的主要研究人員之一Kaiyu Guan說：“如果我們想要預(yù)測伊利諾伊州、甚至整個美國的玉米或大豆產(chǎn)量，就必須要了解它們種植在哪里。” Kaiyu Guan也是伊利諾斯大學(xué)自然資源與環(huán)境科學(xué)系助理教授、美國國家超級計算應(yīng)用中心藍海(Blue Waters)教授。

　　這項研究成果在農(nóng)業(yè)遙感領(lǐng)域可謂是一項重要突破，相關(guān)內(nèi)容已經(jīng)發(fā)表在遙感頂級國際期刊《環(huán)境遙感》上，文章得到了美國國家超級計算應(yīng)用中心、美國航天局和國家科學(xué)基金會的支持。

　　此項研究前，美國農(nóng)業(yè)部只能在作物收獲后的4-6個月，才會向公眾公布全國玉米和大豆種植面積數(shù)據(jù)，長時間的數(shù)據(jù)滯后導(dǎo)致各種相關(guān)決策只能依據(jù)陳舊的數(shù)據(jù)。如今利用新技術(shù)，不但能以95%的準(zhǔn)確率區(qū)分出兩種作物，且獲得數(shù)據(jù)時間大幅提前，在每年的7月底，也就是在種植后2-3個月，就可以得到面積數(shù)據(jù)。這就意味著在收獲之前，就能很好的預(yù)估產(chǎn)量，提前安排后續(xù)工作。

　　研究人員表示，及時的作物面積估算，可應(yīng)用于各種監(jiān)測和決策制定，包括作物保險、土地租賃、供應(yīng)鏈物流、商品市場等。

　　然而，對于Kaiyu Guan而言，這項工作的科學(xué)價值與其實用價值同樣重要。

　　短波紅外和機器學(xué)習(xí)走入農(nóng)業(yè)遙感

　　一組名為Landsat的衛(wèi)星，已經(jīng)繞地球連續(xù)運轉(zhuǎn)40年，使用多種波段電磁頻譜的傳感器采集圖像。Kaiyu Guan說，以前多數(shù)是試圖使用可見光和近紅外遙感影像來區(qū)分玉米和大豆，但他和他的團隊決定嘗試一些不同的東西。

　　論文的第一作者在讀博士生Yaping Cai說，“我們研究發(fā)現(xiàn)，利用一個特殊的光譜，可以很好的鑒別玉米和大豆，這個特殊的光譜帶即為短波紅外(SWIR)。”

　　事實證明，在大多數(shù)年份的7月，玉米和大豆的葉片水分狀況不同。該研究小組在伊利諾斯州香檳縣進行了概念驗證，在2000-2015年共15年的時間內(nèi)，使用了三顆Landsat衛(wèi)星的短波紅外和其他5個光譜帶、共1322張影像數(shù)據(jù)，持續(xù)提取了葉片水分指標(biāo)。

　　“短波紅外波段對葉片含水量更敏感，而在傳統(tǒng)的可見光或近紅外波段難以區(qū)分這一點，因此短波紅外可以有效的區(qū)分玉米和大豆”，Kaiyu Guan總結(jié)到。

　　此外，研究人員還使用了一種稱為深度神經(jīng)網(wǎng)絡(luò)的機器學(xué)習(xí)方法來分析數(shù)據(jù)。

　　伊利諾斯大學(xué)計算機科學(xué)系助理教授Jian Peng說：“深度學(xué)習(xí)方法剛剛開始應(yīng)用于農(nóng)業(yè)領(lǐng)域，未來這項技術(shù)在農(nóng)業(yè)領(lǐng)域?qū)l(fā)揮其巨大的潛力，” Jian Peng也是這項新研究的主要研究人員和論文的共同作者。

　　別看香檳縣面積相對較小，但要對15年的、30米分辨率的衛(wèi)星數(shù)據(jù)進行分析，仍然需要超級計算機來處理這幾十個TB級的數(shù)據(jù)。

　　KaiyuGuan說：“我們使用了美國國家超級計算應(yīng)用中心的藍海(Blue Waters)和羅杰(ROGER)超級計算機，來處理這些海量的衛(wèi)星數(shù)據(jù)，并從中提取有用的信息。技術(shù)的進步讓我們實現(xiàn)了突破，在過去，我們無法處理如此龐大的數(shù)據(jù)量，也沒有先進的機器學(xué)習(xí)算法，但如今有了超級計算機和機器學(xué)習(xí)，我們處理數(shù)據(jù)的能力大大提升了。”

　　該小組正在努力將研究區(qū)域擴大到整個玉米帶，并探索數(shù)據(jù)的進一步應(yīng)用，例如產(chǎn)量估算和作物質(zhì)量預(yù)估等。

　　注：該項研究論文發(fā)表在《環(huán)境遙感》(《Remote Sensing of Environment》)期刊上，標(biāo)題為《利用時間序列的陸地衛(wèi)星數(shù)據(jù)和機器學(xué)習(xí)方法，建立了一個高性能的、應(yīng)時的區(qū)域級作物類型分類系統(tǒng)》，原英文標(biāo)題為《A high-performance and in-season classificationsystem of field-level crop types using time-series Landsat data and a machinelearning approach》。