基于历史数据的作物样本预测与早期制图：可解释性FKAN框架的创新探索

为解决作物分类模型可解释性不足和特征贡献量化难题，福州大学团队提出融合自适应加权特征注意力模块(AWFA)与可解释Kolmogorov-Arnold网络(KAN)的FKAN框架。该模型通过可视化特征与作物的复杂关联，实现光学/雷达/地形特征的最优融合，在冬小麦制图中总体精度达0.90以上，并构建首个全球10米分辨率冬小麦数据集GlobalWinterWheat10m，为粮食安全评估提供高效可扩展的技术方案。

　　

在全球气候变化与粮食安全压力加剧的背景下，准确获取作物空间分布信息成为农业管理的核心需求。传统遥感分类方法面临两大瓶颈：一方面，深度学习模型虽精度较高，但其"黑箱"特性难以解释特征贡献（如光学指数NDVI与雷达后向散射系数的协同机制）；另一方面，跨年度作物识别受物候期变异和时空数据偏移影响显著。福州大学研究团队在《Computers and Electronics in Agriculture》发表的研究，通过构建可解释的FKAN框架，为这一领域带来突破性进展。

该研究创新性地整合自适应加权特征注意力模块(AWFA)与Kolmogorov-Arnold网络(KAN)，关键技术包括：1)基于GEE平台融合Sentinel-1/2等多源遥感数据；2)通过物候知识构建伪样本标签解决训练数据短缺；3)利用AWFA模块动态筛选关键时空特征；4)通过KAN网络可视化特征-作物非线性关系。实验以中国河南省为研究区，涵盖187个光谱/雷达/地形特征。

特征选择结果
分析显示光学特征（如B₂/B₃波段）与雷达极化参数（σ⁰_VV）存在强协同效应，经AWFA筛选后特征维度降低60%，关键物候期（如冬小麦抽穗期）的NDVI与RVI指数贡献度超25%。

模型优势与扩展性
FKAN在跨区域验证中保持85%以上精度，显著优于传统机器学习（SVM、RF等）。通过GEE平台部署的全球冬小麦制图系统，首次生成10米分辨率数据集GlobalWinterWheat10m，代码已开源。

结论与意义
该研究证实：1)光学-雷达特征组合可提升分类精度1.63%；2)地形数据通过补偿阴影效应增强模型鲁棒性；3)抽穗期至灌浆期是最佳识别窗口。FKAN框架兼具可解释性与工程化潜力，为联合国SDG 2（零饥饿）目标提供了创新技术路径。研究获得国家重点研发计划（2022YFD2001101）等基金支持，相关成果已应用于中国主要麦区产能评估。