《Sensors》：Sparse-Temporal Crop Mapping with Confidence-Weighted Multi-Source Supervision in Jilin Province During 2019
编辑推荐：
在季节观测不完整条件下，可靠的作物制图具有难度，因为时间证据稀疏，且公共作物图在地块边界和类别分配上可能不一致。研究人员利用2019年6月至9月吉林省的月度Sentinel 1和Sentinel 2特征开展稀疏时序作物制图研究，并将三幅公共作物图视为互补监督来
在季节观测不完整条件下，可靠的作物制图具有难度，因为时间证据稀疏，且公共作物图在地块边界和类别分配上可能不一致。研究人员利用2019年6月至9月吉林省的月度Sentinel 1和Sentinel 2特征开展稀疏时序作物制图研究，并将三幅公共作物图视为互补监督来源而非独立真值。其标签被统一为四个地图派生类别，并转换为硬伪目标、启发式像元权重、软标签分布以及一致/冲突区域编码。随后，全时相教师通过置信度加权损失、logit蒸馏与特征蒸馏以及原型正则化引导稀疏时相学生模型，使得同一四个月接口能够支持不同的观测子集。在固定的7月和8月设置下，STLRNet学生模型达到0.792的总体精度（overall accuracy, OA）、0.742的宏平均F1（Macro F1）和0.596的平均交并比（mean intersection over union, mIoU），而完整的6月至9月观测达到0.821的OA。与未加权硬标签相比，软伪标签将OA从0.721提升至0.751；此外，学生模型比全时相教师需要更少的参数、运算量、推理时间和内存。所有指标均量化了与所构建伪参考的一致性，因此这些发现确立的是该吉林省2019案例研究的方法可行性，而非独立田间精度或跨区域迁移能力。
作物制图可为农业监测、作物结构分析和土地管理提供地理空间信息。卫星影像时间序列能够表达季节物候动态，光学影像与合成孔径雷达（synthetic aperture radar, SAR）分别对光谱信号和冠层结构、湿度敏感，两者互补可提升作物区分能力。然而，云污染和获取缺口会造成生长季光学时间序列中断；公共作物产品在传感器输入、生产方法、空间分辨率和类别定义上存在差异，导致边界和类别不一致。已有研究多利用密集时间序列或单一参考数据，较少针对稀疏观测与多源地图不一致并存的情况。为此，研究人员以吉林省2019年为案例，探讨当可用月份预算变化时，稀疏时序观测如何与多源地图监督之间的不一致相互作用，并建立可解释的模型比较协议。
研究人员使用2019年6—9月每月Sentinel 1和Sentinel 2特征，将三幅公共作物图Majorcrop、Crop10m和NEcrops30m视为互补监督来源而非独立真值。标签被统一为四类，并转换为硬伪目标、启发式像元权重、软标签分布和一致/冲突区域编码。研究人员设计了稀疏时序标签鲁棒网络（Sparse-Temporal Label-Robust Network, STLRNet），固定四个月输入轴，通过共享空间编码器、可学习月份嵌入、掩码时间注意力和U型解码器处理不同观测子集；全时相教师通过置信度加权损失、logit蒸馏、特征蒸馏和原型紧凑性正则化引导学生模型。结果表明，在固定7—8月设置下，STLRNet学生模型达到0.792总体精度（OA）、0.772平均精度（average accuracy, AA）、0.647 Kappa、0.742宏平均F1（Macro F1）和0.596平均交并比（mIoU），优于U-Net、DeepLabV3+、TempCNN和Transformer基线；完整6—9月观测达到0.821 OA。其重要意义在于方法上证明了稀疏观测与多源地图不一致可在统一工作流中协同处理，但所有指标仅为与构造伪参考的一致性，不能视为独立田间精度或跨区域迁移能力。
主要关键技术方法包括：基于Google Earth Engine的Sentinel 2 Level 2A和Sentinel 1 GRD月度合成，每月生成16通道特征（7个Sentinel 2波段、5个植被指数、4个Sentinel 1雷达描述符）；将Majorcrop、Crop10m、NEcrops30m三幅公共图通过加权投票和启发式权重构造硬伪标签、软标签分布与区域编码；STLRNet采用共享空间编码器加掩码时间注意力与U型解码器；师生训练使用置信度加权分割损失、logit蒸馏、特征蒸馏和原型紧凑性正则化；样本来源为吉林省2019年固定网格划分的训练21,952、验证5,421、测试5,603个256×256像元块，按验证Macro F1选择检查点。
3.1 主模型比较
在固定7—8月输入下，STLRNet学生模型取得OA 0.792、AA 0.772、Kappa 0.647、Macro F1 0.742、mIoU 0.596，为稀疏模型中最强；Transformer为最佳基线，U-Net、DeepLabV3+和TempCNN在所有指标上更低。月份敏感性分析显示，仅7月OA为0.682，仅8月为0.697，6—8月为0.807，7—9月为0.813，完整6—9月为0.821；该模式与更丰富的物候背景解释相容，但仅限一区一年。类别分析中水稻召回最高（0.941），玉米精度、F1和IoU最高（0.896、0.816、0.689），大豆各项最低。这些指标均相对于构造伪参考。
3.2 监督与标签消融
为分离来源选择、评估范围和监督形式的影响，研究人员比较了单一来源、高置信区域、硬/加权/软伪标签以及完整系统。Majorcrop单一来源在自身评估范围内OA为0.821，高置信区域为0.824，但因排除歧义像素而不可直接比较；在完整构造参考上，未加权硬标签OA为0.721，加权后为0.732，软伪标签为0.751，冲突区域OA从0.617升至0.638。组件消融显示，去除特征蒸馏导致最大下降（OA降至0.712），去除logit蒸馏次之（0.741），去除原型紧凑性影响较小（0.748），匹配教师宽度为0.763；因此完整系统的增益来自组件集成而非单一操作。
3.3 计算效率与评估范围
资源测量显示，学生相对教师将参数从780,549降至443,141，GFLOPs从19.106降至11.309，推理时间从5.82毫秒降至4.61毫秒，内存从5091.5 MB降至3946.3 MB，但OA从0.883降至0.792、Macro F1从0.875降至0.742。t-SNE特征可视化和空间差异图展示了特征组织与师生分歧，但不能量化校准或独立田间精度。所有指标都只反映与构造伪参考的一致性。
讨论部分指出，该结果支持固定四个月接口结合多源监督、教师-学生蒸馏的方法可行性；STLRNet不重建缺失观测，也不学习自适应决策时间，而是通过显式月份掩码、冲突信息和完整时序教师集成工作流。外部研究在不同协议下显示不完整序列可支持作物制图，但其区域、时期、观测密度、类别系统和参考来源不同，不能与本研究直接数值比较。局限包括：仅吉林省2019年一年、三幅公共图构成所有监督、网格划分允许多个子集共享同一瓦片标识符、主要比较使用单一随机种子、源权重为启发式。补充多种子评估显示学生模型OA、Macro F1和mIoU的均值和标准差有限，但未对基线和消融进行多种子检验，因此不能确立改进的统计显著性、稳定性或跨区域泛化。
结论：研究人员开发了一种置信度加权的稀疏时序作物制图框架，用于应对不完整季节观测和多幅公共作物图不一致的问题。统一后的源标签提供硬目标、启发式权重、软分布和冲突区域编码，掩码月度聚合、教师-学生蒸馏和紧凑学生架构整合了时间与监督不确定性。在吉林省2019案例的固定7—8月比较中，STLRNet学生达到0.792 OA、0.772 AA、0.647 Kappa、0.742 Macro F1和0.596 mIoU；OA从7月单月的0.682升至完整6—9月序列的0.821。软伪标签相对未加权硬标签使OA从0.721提升至0.751，冲突区域OA从0.617提升至0.638；组件分析显示去除特征或logit蒸馏时降幅最大。这些观察描述完整测试系统，不孤立架构优势，也不确立跨运行稳定效应。相对于全时相教师，学生以较低一致性为代价减少了参数、导出计算、推理时间和内存。
