基于迁移学习和可解释AI的芒果叶部病害检测技术研究进展

本研究针对咖啡种植监测成本高、技术复杂的问题，创新性地利用SATVeg平台的NDVI（归一化植被指数）时间序列数据，采用TiDE等6种模型进行咖啡园识别。研究首次实现100%分类准确率，证明中等分辨率数据即可精准分类作物，为农业可持续发展提供了高性价比技术方案。

　　

在全球气候变化和粮食安全压力下，精准农业技术成为保障作物产量的关键。咖啡作为巴西最重要的经济作物之一，传统监测依赖高分辨率卫星或无人机影像，成本高昂且难以大规模推广。SATVeg平台提供的免费NDVI（Normalized Difference Vegetation Index，归一化植被指数）数据虽具潜力，但此前从未有研究证明其单独使用能达到实用级精度。

研究团队选取巴西米纳斯吉拉斯州Patrocínio地区的60个地理参考样本，采集2016-2021年共6年的NDVI时间序列数据。创新性地对比了6种算法：逻辑回归、动态时间规整K近邻(KNN-DTW)、支持向量机(SVM)、随机森林(RF)、XGBoost和时序深度学习模型TiDE。实验设计严格区分训练集与验证集，首次实现SATVeg数据100%分类准确率。

关键技术方法

研究采用SATVeg平台的中等分辨率NDVI时间序列（250米），通过Python进行数据预处理和特征工程。6种模型中，TiDE作为新型注意力机制时序网络表现最优，其架构包含多层感知机和时序特征提取模块。验证阶段采用独立地理样本和统计学分析（均值概率0.996±0.001）。

主要研究结果

1. 1.

   模型性能比较：TiDE、SVM、RF和逻辑回归均达100%准确率，XGBoost召回率优异但稳定性不足（标准差0.03），KNN-DTW准确率最低（78%）。

2. 2.

   时序特征重要性：TiDE成功捕捉到咖啡树年际生长周期特征，其双月NDVI波动模式与物候期高度吻合。

3. 3.

   成本效益分析：相比Sentinel-2等高分数据，SATVeg方案使处理成本降低90%，且无需专业光谱分析设备。

结论与意义

该研究突破性地证明中等分辨率NDVI时序数据单独使用即可实现作物精准分类，TiDE模型展现出极强的时序特征提取能力。这一发现为发展中国家农业监测提供了可扩展的技术路径，尤其适合咖啡、芒果等经济作物的病害早期预警系统构建。论文成果被《Smart Agricultural Technology》收录，技术方案已应用于巴西农业部作物估产系统。未来研究可探索多源数据融合，进一步提升复杂种植区的分类鲁棒性。