2021年以来，国家统计局江苏调查总队探索通过多源遥感数据提高农作物识别精度，并取得了一些成效。
遥感技术具有快速、客观、探测面积大等特点，为及时准确识别农作物提供了重要技术支撑。但由于卫星重访周期、云雾干扰等因素影响，单一遥感数据源难以获取较高时间序列影像数据，需要通过多组遥感卫星获得多源遥感数据，构建高时间序列、高空间分辨率的遥感影像数据集，提高农作物种类识别精度。对此，江苏总队进行了探索。
建立模型
目前农作物面积空间分布测量(简称“空分”)是基于时间序列的农作物遥感识别，输入的时间序列一般是人工预处理的密集时间序列，且通常需要专业人员凭借经验对输入特征进行构建，这带来了较高的数据预处理成本和不稳定的人为误差。
为降低数据处理成本和人为误差，江苏总队通过实验研究，构建了一种基于UNet模型和多源遥感数据的稀疏时间序列冬小麦提取框架，利用历史存档的冬小麦识别结果作为训练标签数据进行模型训练，使用遥感卫星数据开展冬小麦种植范围提取工作。
UNet是一个语义分割模型。其主要执行过程与其它语义分割模型类似，首先利用卷积进行下采样，然后提取出一层又一层的特征;利用这一层又一层的特征，再进行上采样;最后得出一个每个像素点对应其种类的图像。
江苏总队使用卷积压缩、扩展编码、解码结构和跳级连接，构建UNet模型，对2020年11个县冬小麦1月和4月两期空分数据进行学习，经过100次不同参数的UNet模型训练，选择验证精度最优模型为最终运用模型。
三个优势
一是最终结果精度更优。江苏总队借助2020年野外调查所得的200米样方结果对当年11个县冬小麦UNet识别结果和传统空分结果进行精度检验，总体精度分别为88.65%、86.96%，UNet数据精度优于传统空分，考虑到UNet数据并未通过耕地边界数据进行预处理操作，说明其识别精度明显较高。
二是可直接跨年使用。江苏总队用2020年数据集建立的UNet模型无需任何调整，可直接用于对2021年测试数据集进行识别，而传统空分需要每年重新投入大量人力。在后续对2021年6个县冬小麦的UNet识别、传统空分测量结果精度分别为85.79%、84.09%，UNet精度仍高于传统空分。
三是时间效率量级提升。江苏总队通过对2021年6个县的冬小麦进行UNet模型识别耗时测算，其中耗时最长为8.47秒，最短为3.37秒，平均耗时为6.52秒。与传统空分一个县一般投入3-4人花费一天才能够完成相比较，UNet模型提升了时间效率，减少了人工误差，节约了人力成本。(记者 金茂恩)
