课题组硕士生王青芃论文“Simultaneous extracting area and quantity of agricultural greenhouses in large scale with deep learning method and high-resolution remote sensing images”被SCI Top期刊Science of the Total Environment 发表。我们基于深度学习的语义分割与目标检测，提出了一种温室大棚面积与数量双提取的框架- Area and Quantity Simultaneous Extraction Framework (AQSEF)。该框架分为两个分支，面积提取分支和数量提取分支，两分支相互独立互不影响。面积提取分支可以使用任意端到端的语义分割网络，而数量提取分支则可以使用任意端到端的目标检测网络。我们测试了几种简单易用的常见基线模型(UNet系列与YOLOv5系列)的性能，结果显示，结果显示，在面积提取分支中性能最佳模型的mean intersection over union (mIoU)、overall accuracy (OA)、Kappa、Recall、Precision分别可以达到0.931、0.987、0.867、0.91、0.914，在数量提取分支中性能最佳模型的Recall、Precision、AP@.5、mAP@.5:.95分别为0.781、0.891、0.812、0.509。最终以北京为例得到研究区内大棚覆盖面积约为85.443km²，大棚数量约155464个，整个过程中面积提取部分所消耗的时间为12.97 hours，数量提取部分所消耗的时间为6.73 hours。实验结果表明，AQSEF有助于克服温室大棚的时空多样性，快速准确地测绘出一份高空间分辨率的温室大棚分布产品，以用于研究区场景的监管与规划。