面向公平性的作物类型遥感制图优化：基于深度学习的类别与地块尺寸不平衡双重校正方法研究

针对遥感作物分类中存在的类别不平衡和敏感属性（地块尺寸）公平性问题，研究人员系统评估了随机过采样(RO)、加权交叉熵(WCE)和焦点损失(FL)等传统方法，并创新性提出双重目标加权交叉熵(DOWCE)和重采样随机过采样(RO-R)两种新方法。通过在法国布列塔尼地区10个异构数据集上的实验验证，发现RO-DOWCE方法在提升宏观F1值(Macro F1)方面表现最优，但所有方法对缩小大小地块间性能差异(MFD)的效果有限。该研究为农业遥感中的负责任AI实践提供了重要方法论参考。

　　

在精准农业和粮食安全监测领域，基于遥感的作物类型制图(Crop Type Mapping)发挥着关键作用。然而当前研究存在两大痛点：一是普遍关注的类别不平衡问题(Class Imbalance)，二是长期被忽视的社会公平维度——特别是地块尺寸(Parcel Size)差异导致的分类性能偏差。这种偏差可能对小型农户造成系统性不利影响，例如在欧洲共同农业政策(Common Agricultural Policy)合规性检查中，小地块作物更易被误判为违规，导致补贴延迟发放。这种"算法歧视"现象与负责任AI(Responsible AI)原则相悖，但现有研究多聚焦像素级或对象级分类精度提升，鲜少从公平性(Fairness)角度进行方法优化。

针对这一研究空白，来自荷兰特文特大学的研究团队在《International Journal of Applied Earth Observation and Geoinformation》发表创新研究。该工作首次将机器学习公平性理论与遥感作物分类相结合，系统评估了六种方法在法国布列塔尼地区Sentinel-2时序数据集(BreizhCrops)上的表现。研究创新性地提出双重优化框架：既解决传统类别不平衡，又针对小地块(面积<6,170 m²)这一敏感属性进行专项优化。通过构建10个具有不同复杂度(0.623-0.855)和失衡度(2.340-7.600)的子数据集，采用Transformer分类器进行严格验证。

关键技术方法包括：(1)基于核密度估计(Kernel Density Estimation)确定各地类面积阈值；(2)开发双重目标加权交叉熵损失函数(DOWCE)，对小地块样本施加最高达4倍的误分类惩罚权重；(3)设计重采样随机过采样(RO-R)策略，将小地块在训练集中的占比提升至35%-40%；(4)采用几何平均数(GMean)和宏观F1差异(MFD)双指标评估体系；(5)通过Friedman检验和Nemenyi事后检验进行统计显著性分析。

【2.6.1. Metrics】
研究建立了双维度评估体系：宏观F1(Macro F1)反映整体分类性能，宏观F1差异(MFD=Macro F1_small-Macro F1_large)量化大小地块性能差距。基线实验显示，小地块平均性能比大地块低0.10-0.23个F1点，且该差距与数据集复杂度(r=0.09)无关，但与地块薄度(面积周长比)显著相关(R²=0.18)。

【3.2. Evaluation results】
RO-DOWCE方法表现最为亮眼，在13类数据集上实现0.17的Macro F1最大提升，平均排名第一。统计检验表明其显著优于纯代价敏感方法(FL/WCE/DOWCE)，但与RO-R(p=0.47)和RO-FL(p=0.39)无显著差异。值得注意的是，所有方法均同步提升大小地块性能，但未能显著缩小二者差距——最佳表现的DOWCE仅将MFD从-0.21改善至-0.18。

【4. Discussion】
研究揭示了两个重要发现：其一，边缘像素(Edge Pixels)占比可能是限制小地块性能提升的关键瓶颈，这通过面积周长比与MFD的强相关性得到佐证；其二，传统认为的"公平性-准确性权衡"在本研究中并不成立，RO-DOWCE通过联合优化既提升整体精度又改善小地块表现。作者建议未来研究应：(1)排除边缘像素验证噪声影响；(2)探索小地块特有的农艺管理特征；(3)优化DOWCE的权重函数参数。

这项研究的意义在于：方法学上，首次将敏感属性公平性纳入作物分类优化框架，开发的RO-DOWCE方法具有跨领域推广价值；实践层面，为欧盟农业补贴审计等政策应用提供了减少算法偏见的解决方案；理论上，证实了Transformer架构在噪声数据下的稳健性，为后续研究指明方向。随着AI伦理在遥感领域日益受重视，该研究开创的"公平性制图"(Fair Mapping)范式将对土地覆盖分类、灾害评估等应用产生深远影响。