TSP-Former：基于物候引导Transformer和卫星时序影像的烟草精准制图方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：TSP-Former: A Phenology-Guided Transformer for Tobacco Mapping Using Satellite Image Time Series

本研究针对烟草种植空间分布精准监测中存在的作物间光谱相似性高、区域种植制度差异大导致模型泛化能力不足的问题，提出了一种融合物候先验知识的深度学习框架TSP-Former。该研究创新性地构建了烟草光谱物候变量（TSP），开发了中心先验注意力模块（CPAM）和NDVI增强时序解码器（NDTD），在四个主要烟草产区实现了平均加权F1分数87.1%和总体精度85.9%的优异性能，显著提升了跨区域烟草识别的稳健性，为农业规划与公共健康监管提供了可靠技术支撑。

　　

在全球范围内，烟草作为一种重要的经济作物，既为种植区带来可观收益，又因其消费对公共健康造成严重威胁。准确掌握烟草种植的空间分布，对科学管理种植结构、制定区域管控政策至关重要。然而，传统遥感方法在烟草识别上面临着严峻挑战：不同作物在单一时相上光谱特征相似，而各产区种植制度差异显著，导致现有模型尤其是深度学习方法的泛化能力受限。

针对这一难题，由高华明、白永清等研究人员组成的团队在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》上发表了创新性研究成果。他们发现烟草在生长旺盛期具有独特的"红边突增"现象，特别是在Red Edge-2波段的变化速率显著高于玉米等相似作物。基于这一发现，研究团队开创性地提出了TSP-Former物候引导Transformer模型，将专业知识与深度学习有机融合，实现了跨区域的稳健烟草制图。

关键技术方法主要包括：首先构建烟草光谱物候变量（TSP）作为先验知识，该变量综合了非生长期NDVI、旺盛期NDVI和Red Edge-2波段变化率；其次设计中心先验注意力模块（CPAM），通过可学习注意力权重动态融合光谱特征与先验知识；最后开发NDVI增强时序解码器（NDTD），利用NDVI加权机制保留物候关键期的时序特征。研究使用中国四个典型烟草产区（威宁、赫章、习水、宣威）的Sentinel-2时序数据，样本来源包括实地调查、GF-2/GF-7影像和无人机数据。

研究结果

烟草光谱物候特征分析

通过系统分析威宁和襄城地区主要地物类型的NDVI时间序列曲线，发现烟草作为单季作物具有严格的种植日程，在非生长期其NDVI值显著低于其他作物。进一步对Red Edge-2、Red Edge-3、近红外和窄近红外四个波段进行可分离性量化，采用重叠面积（S）、峰值反射率差（D_X）和斜率差（D_φ）三个指标，证实Red Edge-2波段在烟草旺盛生长期（T₁到T₂）具有最佳的区分能力（S=0.4570，D_X=561，D_φ=10.08）。

TSP-Former模型性能优越

在四个独立测试区域的实验结果表明，TSP-Former在最具挑战性的襄城地区（与训练区物候差异最大）达到了80.5%的总体精度和79.7%的加权F1分数，显著优于随机森林（提升9.5%）和当前最先进的STNet模型（提升12.9%）。与新兴遥感基础模型AlphaEarth相比，在襄城地区精度优势超过15%。模型在邻近区域也保持稳定性能，在宣威地区达到95.8%的精度。

模块贡献验证

消融实验证实了CPAM和NDTD模块的协同作用。在襄城地区，单独使用CPAM可将基线模型的总体精度从60.8%提升至76.6%，而完整TSP-Former进一步达到80.5%。NDTD模块特别在提升分类精度方面发挥关键作用，将CPAM的58.3%精度提升至67.9%，有效过滤了光谱相似作物产生的假阳性。

物候先验的普适性

将TSP变量集成到随机森林和STNet等基准模型中，在跨区域测试中普遍提升了模型性能。在习水地区，TSP使随机森林的加权F1分数从69.3%提升至72.3%，STNet从78.0%提升至81.3%，证明了TSP作为物候先验知识的模型无关价值。

特征空间可视化分析

通过t-SNE降维可视化显示，TSP-Former能够将烟草样本投影为紧凑、分离良好的特征流形，而AlphaEarth基础模型的特征空间中烟草与背景植被存在严重纠缠。这揭示了通用基础模型在细粒度作物识别任务中的局限性，强调了领域特定先验知识的重要性。

研究结论与意义

该研究成功将物候先验知识融入深度学习模型，解决了烟草制图中的跨区域泛化难题。TSP-Former通过Red Edge-2波段的物候敏感特性，有效捕捉了烟草特有的生长动态，在复杂农业景观中实现了高精度烟草识别。方法论层面，研究展示了如何将领域专业知识（物候学）与数据驱动方法（深度学习）有机结合，为类似作物识别任务提供了可借鉴的范式。

实践应用方面，该方法为烟草种植面积统计、轮作监测以及相关公共卫生政策制定提供了可靠的技术工具。特别是在中国西南部地形复杂、田块破碎的山区，TSP-Former展现出了传统方法难以企及的稳健性能。研究结果也启示，未来遥感基础模型的发展需要更好地融入领域知识，才能实现从宏观地物识别到精细农业应用的跨越。

最终，这项研究不仅推动了作物遥感制图的技术前沿，更重要的是建立了一种可迁移的方法论框架，即通过物候先验引导的时序深度学习，解决农业遥感中的共性挑战。随着卫星遥感数据的日益丰富，这种融合物理机制与数据智能的方法有望在全球农业监测、粮食安全预警等领域发挥更大价值。