在未进行调查的地区，利用基于合成数据训练的网络来监测当季作物的生长情况

《Remote Sensing of Environment》：In-season crop progress in unsurveyed regions using networks trained on synthetic data

本研究提出了一种结合实地调查数据和合成数据生成器的神经网络方法，用于无地面调查区域的作物生长阶段估算。通过整合空间随机天气生成器、DSSAT IXIM作物模型和SPART光学辐射传输模型，生成了包含阿根廷双季玉米种植特性的合成NDVI和生长阶段数据。训练双向LSTM神经网络时，采用加权分歧损失函数平衡不同数据源的影响，结果表明在双季种植区（如阿根廷 zones III, IX, X, XII）的Silking和Mature阶段，合成数据提升的F1分数达8.7%，整体性能较单季种植区（如美国中西部）低21%。验证了合成数据在缓解实地数据稀缺问题中的有效性。

　　在这项研究中，科学家们探讨了如何利用卫星遥感技术在没有地面调查数据的地区进行作物生长阶段的实时监测。传统的方法依赖于实地调查数据，这些数据通常来自田间试验或调查，但它们限制了方法的应用范围，只能用于已调查的区域。为了克服这一限制，研究人员开发了一种新的方法，该方法结合了已调查区域的数据和为未调查区域生成的合成作物生长数据，以提高作物生长阶段估算（CPE）的准确性。

研究使用了阿根廷的玉米种植区作为未调查区域的代表，因为这些区域的气候和双季种植系统与美国中西部的单季种植系统不同。阿根廷的玉米种植区分为13个区域，其中11个区域进行了实地调查。这些区域中，9个区域同时种植早季和晚季玉米，形成了玉米生长的双峰模式。这种双季种植模式使得玉米生长阶段的估算更加复杂，也更具挑战性。为了生成合成数据，研究人员整合了天气生成模型、作物生长模型和光学辐射传输模型（RTM）。这些模型可以模拟天气、作物生长和植被反射率的变化，从而生成与实际农业生产和光学特征相似的合成数据。

合成数据的生成过程包括三个主要模型：空间型Richardson型随机天气生成器（SWG）、CSM-IXIM玉米模型和SPART光学辐射传输模型。SWG用于生成空间相关的天气数据，如降水、最大和最小温度以及太阳辐射。CSM-IXIM模型用于模拟玉米的生长和发育，包括生长阶段的过渡和成熟时间。SPART模型则用于模拟植被和土壤的光学反射率，以生成与MODIS卫星数据相匹配的合成植被指数（NDVI）。

为了评估合成数据对作物生长阶段估算的影响，研究人员采用了四种不同的训练数据组合。其中一种组合仅使用美国中西部的实地数据，另一种组合仅使用合成数据，第三种组合将实地数据与单个阿根廷种植区的合成数据结合，第四种组合则将实地数据与所有阿根廷种植区的合成数据结合。训练过程中，研究人员使用了Kullback-Leibler散度（KLD）作为停止标准，以衡量网络在实地和合成数据上的表现是否趋于一致。最终，网络的损失函数被平均，以防止网络对合成数据的过度拟合。

研究结果表明，合成数据的加入显著提高了网络在阿根廷种植区的作物生长阶段估算性能。对于9个种植区中的8个，合成数据的加入提升了F1分数，而总体的F1分数提高了8.7%。这表明合成数据在提高模型泛化能力方面发挥了重要作用，尤其是在双季种植区。此外，合成数据的加入还帮助网络更好地处理NDVI数据中的噪声，例如由覆盖作物或双季种植引起的噪声。

研究还探讨了如何进一步提高作物生长阶段估算的准确性。首先，可以通过增加合成数据的多样性和数量来提升估算性能。例如，可以使用不同的玉米品种和种植模式来生成更广泛的合成数据，以提高模型的泛化能力。其次，可以改进遥感数据的处理方法，例如使用更复杂的滤波器（如Savitzky-Golay方法）来平滑NDVI数据，从而减少噪声对估算的影响。最后，可以利用多种遥感系统（如光学和微波数据）来获取互补的信息，以更准确地区分作物生长阶段。

研究的结论是，传统的作物生长阶段估算方法受限于实地调查数据，而通过合成数据的生成和使用，可以在未调查区域进行更准确的实时估算。这一方法不仅适用于作物生长阶段的估算，还可以推广到其他农业遥感应用，如作物地图绘制和产量估算。研究还指出，通过结合实地数据和合成数据，可以显著提高作物生长阶段估算的准确性，尤其是在双季种植区。此外，合成数据的加入有助于网络更好地处理NDVI数据中的噪声，从而提高估算的鲁棒性。

总之，这项研究为在未调查区域进行作物生长阶段的实时估算提供了一种新的方法，通过合成数据的生成和使用，克服了传统方法对实地调查数据的依赖。研究结果表明，合成数据在提高模型性能方面具有显著作用，尤其是在双季种植区。此外，研究还提出了进一步改进估算性能的潜在方向，包括增加合成数据的多样性和数量、改进遥感数据的处理方法以及利用多种遥感系统获取互补信息。这些方法和思路可以为未来的农业遥感研究提供重要的参考和启示。