精确的农作物种植结构信息对于评估和预测粮食产量十分重要。精准农业和作物管理也需要高精度农作物种植结构信息，例如，不同作物需水量相差较大，需要根据作物种植分布情况指定科学的灌溉策略。遥感技术已发展成为农作物种植结构信息提取的主要手段。随着遥感技术的发展，一系列高分遥感卫星已进入商业化运作，为农作物分布精细制图提供了机遇。
然而，高分遥感影像上农作物光谱变异性大，传统遥感分类方法较难获取高精度的农作物种植结构信息。中国科学院东北地理与农业生态研究所地理信息系统学科组研究人员，针对高分影像农作物种植结构信息提取难题，提出一种新颖的尺度序列面向对象深度卷积网络方法（Scale Sequence Object-based Convolutional Neural Network (SS-OCNN)）。
其具有两方面独特优势：一是SS-OCNN作为一种面向对象分析方法（即建立在影像面向对象分割基础之上），避免了传统基于像元分类器的“椒盐噪音”问题；二是SS-OCNN在使用深度学习特征提取过程中，从小到大使用多个尺度窗口卷积影像并融合多尺度信息，可有效应对农田斑块面积变异性的难题，提高了农作物特征提取的观测维度。
研究人员使用UAVSAR（S1）和Rapideye（S2）两种高分遥感影像对提出的SS-OCNN有效性进行验证。研究表明，使用多个卷积窗口SS-OCNN方法比使用单一卷积窗口OCNN方法农作物分类精度提高3%-10%，极大改善了农作物种植结构信息遥感提取精度。
此外，一些传统方法难以区分的小生物量作物（例如饲草类），其分类精度也得到显著提高，进一步证实了多尺度观测信息对于深度学习农作物种植结构信息提取的必要性。
相关研究成果发表在International Journal of Digital Earth上。研究工作得到吉林省预算内基本建设资金项目、武汉大学测绘遥感信息工程国家重点实验室开发基金项目等的资助。