基于SAR指数与Transformer的高迁移性水稻田识别模型研究

针对大时空尺度水稻田识别中样本稀缺与数据异质性难题，研究人员创新性地提出融合SAR指数(SPRI)与Transformer的迁移学习模型(Transferability-Index)。该模型通过将传统指数经验嵌入神经网络架构，仅需2021年单年样本训练即在2018-2021年测试中实现87.75%-92.50%的准确率，显著优于7种传统方法，为农业遥感中的小样本迁移学习提供了新范式。

　　

在粮食安全与气候变化背景下，准确获取水稻种植面积对农业管理至关重要。然而传统遥感识别方法面临两大困境：光学数据易受云层干扰，而合成孔径雷达(SAR)虽具全天候优势，但受限于样本稀缺与时空异质性，现有机器学习模型迁移能力不足。尤其当需跨年份、跨区域应用时，样本特征覆盖不全导致模型性能骤降，这严重制约了大范围水稻田监测的可行性。

为解决这一挑战，吉林创新人才计划支持的研究团队在《Computers and Electronics in Agriculture》发表研究，提出革命性的Transferability-Index模型。该工作创造性将SAR水稻指数(SPRI)作为神经网络预训练模块，与Transformer时序建模能力结合，仅用2021年吉林地区样本训练，便在2018-2021年跨期测试中实现平均89.1%的准确率，较传统方法提升6-15个百分点。

关键技术包括：1) 基于Google Earth Engine(GEE)获取吉林2018-2021年Sentinel-1时间序列数据；2) 构建SAR Paddy Rice Index(SPRI)作为神经网络嵌入层；3) 采用Transformer架构捕捉长程时序依赖；4) 设计迁移学习框架验证跨年份泛化能力。

【研究结果】
◆ 挑战分析：实验证实传统方法在跨年测试中准确率衰减达20%，主要因Sentinel-1重访周期导致时序特征偏移。
◆ 模型架构：SPRI模块将水稻"V"型后向散射特征编码为先验知识，使模型初始阶段即具备物理规律认知。
◆ 性能验证：2021年测试准确率92.50%，2018-2020年分别达87.75%、88.75%、89.38%，显著优于SVM、RF等基线模型。
◆ 机制解析：消融实验显示SPRI贡献35%的跨年性能提升，Transformer注意力机制有效捕捉关键物候期特征。

【结论与意义】
该研究突破性地实现指数经验与深度学习的有机融合：1) SPRI嵌入解决小样本下特征表示不足问题；2) Transformer架构赋予模型动态适应时序变异能力。相较于需数万样本的传统深度学习方法，Transferability-Index仅需千级样本即可实现省级尺度跨年识别，为农业遥感中的"样本荒"问题提供创新解决方案。研究团队特别指出，该框架可扩展至其他作物识别场景，未来将探索多源数据融合以进一步提升多云地区的适用性。