基于多尺度时空全局注意力的遥感影像时间序列农作物分类

作     者：张伟雄 唐娉 孟瑜 赵理君 赵智韬 张正 ZHANG Weixiong;TANG Ping;MENG Yu;ZHAO Lijun;ZHAO Zhitao;ZHANG Zheng

作者机构：中国科学院空天信息创新研究院北京100094 中国科学院大学电子电气与通信工程学院北京100049 

出 版 物：《遥感学报》 (NATIONAL REMOTE SENSING BULLETIN)

年 卷 期：2024年第28卷第11期

页      面：2865-2877页

核心收录：

学科分类：07[理学] 08[工学] 09[农学] 083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 070801[理学-固体地球物理学] 0708[理学-地球物理学] 0804[工学-仪器科学与技术] 0903[农学-农业资源与环境] 0816[工学-测绘科学与技术] 081602[工学-摄影测量与遥感] 081102[工学-检测技术与自动化装置] 0811[工学-控制科学与工程] 

基　　金：国家重点研发计划(编号:2021YFB3900503) 

主　　题：遥感影像时间序列 农作物分类 自注意力机制 全局注意力 时空多尺度 

摘      要：利用遥感影像时间序列进行自动化智能解译农作物精细类型,在农业资源调查、监管和规划等领域有着重要的作用。目前已有的深度学习方法通过卷积或循环网络获取遥感时序中局部的时序、空间信息,缺乏对遥感影像时间序列中时空信息的充分利用,导致分类精度不高。近年来,视觉自注意力机制在计算机视觉领域取得重要突破,自注意力机制是一种能够通过获取全局特征来充分挖掘数据信息的方法。基于此,本文提出了一种多尺度时空全局注意力模型MSSTGAM(Multi-Scale Spatial-Temporal Global-Attention Model),该模型采用空间自注意力机制和时序自注意力机制相结合以构建多尺度的时空全局注意力,从而充分挖掘遥感影像时间序列中的信息用于农作物精细分类。本研究将该模型在公开数据集PASTIS和自制Mississippi数据集上进行了检验和评估,实验结果表明:本文提出的MSSTGAM能够有效地进行遥感影像时间序列的农作物分类;与其他方法相比定量分类精度最优,分别取得83.4%和86.7%的总体分类精度,地块内的可视化结果在空间一致性上更好。本研究提出的多尺度时空全局注意力模型MSSTGAM对遥感影像时间序列的农作物精细分类具有重要的理论和应用价值。