精確的農作物種植結構信息對于評估和預測糧食產量及價格十分重要，精準農業和作物管理也需要高精度農作物種植結構信息。遙感技術已發展成為農作物種植結構信息提取的主要手段，高分遙感衛星進入商業化運作為農作物分布精細制圖提供了機遇。然而，高分遙感影像上農作物光譜變異性大，傳統遙感分類方法較難獲取高精度的農作物種植結構信息，迫切需要發展智能化的技術方法。
中國科學院東北地理與農業生態研究所地理信息系統學科組研究人員，針對高分影像復雜農業區作物種植結構信息提取難題，提出了新穎的迭代深度學習方法(Iterative Deep Learning(IDL))，在國際上發現并利用不同作物層次之間相關關系提高農作物遙感分類精度。IDL將作物按層級劃分為高層次作物(HLC，例如糧食作物、蔬菜作物等)和低層次作物(LLC，例如玉米、大豆等)，并將HLC和LLC的分類結果納入統一的深度學習遙感分類框架。LLC作為HLC分類的條件概率，而HLC聯合遙感影像作為LLC分類的條件概率，如此迭代策略構成馬爾科夫鏈，使得LLC和HLC分類在迭代過程中協同進化、彼此修正，實現了LLC和HLC分類精度的共同提高。
研究人員使用UAVSAR(S1)和Rapideye(S2)兩種高分遙感影像對研發的IDL有效性進行了驗證。研究表明，迭代深度學習IDL方法可同時提高LLC和HLC分類精度，且算法效率高，僅用四次迭代LLC和HLC同時達到了最高精度。DIL生產的LLC和HLC分類精度比面向對象分類方法等優秀方法分別高4-7%和2-5%。研究為復雜地區農作物種植結構信息的智能提取提供了新的解決思路。