《Information Processing in Agriculture》：DCST-Encoder: A dual-context encoder with spatiotemporal feature enhancement for identifying agricultural machinery trajectory operation modes in multivariate time series
编辑推荐：
本研究针对农机轨迹作业模式识别中轨迹特征表达不足、多尺度依赖关系建模不全面以及依赖有限标注数据等问题，提出了一种融合时空特征增强的双上下文编码器（DCST-Encoder）。该模型通过STFE模块挖掘农机瞬时与整体运动状态特征，利用DC-Encoder协同建模轨迹的全局与局部依赖关系，并采用DSCP策略从海量轨迹数据中学习通用时空表征。在稻、麦、玉米收割机轨迹数据集上的实验表明，DCST-Encoder的准确率分别达到91.00%、90.32%和90.12%，较现有最优模型提升最高达6.52%，为精准农业中的轨迹数据分析提供了高效解决方案。
随着全球导航卫星系统（GNSS）终端在农业机械上的广泛应用，农机在作业过程中形成的轨迹数据已成为反映其作业行为的重要时空序列。准确识别农机轨迹点的作业模式（如“田间”或“道路”），对于优化农机调度、减少非作业时间、提升作业效率具有重要意义，也是实现精准农业的关键技术之一。然而，由于农机轨迹受地域差异、作物类型、天气条件等多种因素影响，其数据具有高度复杂性，传统方法往往难以充分挖掘其深层特征，导致识别精度受限。现有研究多聚焦于局部时空关联，未能全面建模多尺度依赖关系，且模型严重依赖人工标注数据，限制了其在实际场景中的泛化能力。
为突破上述瓶颈，中国农业大学的研究团队在《Information Processing in Agriculture》上发表题为“DCST-Encoder: A dual-context encoder with spatiotemporal feature enhancement for identifying agricultural machinery trajectory operation modes in multivariate time series”的论文，提出了一种融合时空特征增强的双上下文编码器（DCST-Encoder）。该研究通过系统增强轨迹特征表达、协同建模全局与局部依赖、以及引入自监督预训练策略，显著提升了农机轨迹作业模式识别的准确性与鲁棒性。
在研究过程中，作者主要采用了以下关键技术方法：首先，设计时空特征增强（STFE）模块，通过运动学公式计算瞬时运动特征（如速度差、加速度、角速度等），并利用滑动时间窗口统计特征（如均值、标准差、偏度等）以描述农机在时序窗口内的整体运动状态；其次，构建双上下文编码器（DC-Encoder），其全局上下文提取模块（GCEM）采用多头窗口注意力（MHWA）机制捕获轨迹特征的长期依赖，并结合动态注意力调节机制（DARM）防止过拟合；局部上下文聚合模块（LCAM）则通过构建时空图并利用可学习的聚合函数融合邻域特征；最后，提出双流协同预训练（DSCP）策略，通过随机掩码轨迹点与特征并联合优化重建损失，使模型能够从海量无标注轨迹中学习通用时空表征。实验数据来源于农业农村部农业机械作业监测与大数据应用重点实验室提供的真实农机轨迹数据集，涵盖水稻、小麦和玉米收割机在不同区域的作业轨迹。
研究结果部分通过系统实验验证了DCST-Encoder的有效性：
在模型对比实验中，DCST-Encoder在稻、麦、玉米收割机轨迹数据集上均取得最优性能，准确率分别达到91.00%、90.32%和90.12%，F1分数分别为90.99%、90.02%和72.53%，较现有最优模型提升最高达6.52%（准确率）和7.17%（F1分数）。特别是在识别稀疏且拓扑复杂的“道路”点时，该模型表现出显著优势，如在玉米数据集上“道路”类别的F1分数达到51.54%，优于对比模型8.13%。
消融实验进一步揭示了各模块的贡献：移除STFE导致三数据集F1分数平均下降3.15%，表明轨迹特征增强对提升特征表达能力至关重要；移除GCEM或LCAM分别引起F1分数下降4.81%和4.36%，证实全局与局部依赖建模具有互补性；而移除DARM或DSCP也分别造成1.82%和1.91%的性能损失，说明正则化与预训练策略对模型泛化能力具有重要支撑作用。
视觉对比结果直观展示了DCST-Encoder在复杂场景（如边界模糊区域、密集转弯路段）中的优越性，其能够准确区分田间往返作业与道路运输模式，显著降低误判率。
研究结论与讨论部分指出，DCST-Encoder通过STFE模块丰富了轨迹特征表达，通过DC-Encoder实现了多尺度依赖的协同建模，并通过DSCP策略降低了对标注数据的依赖。该框架有效解决了现有方法在特征挖掘、依赖建模和泛化能力方面的不足，为农机轨迹分析提供了全面且可推广的解决方案。研究成果对精准农业中的作业效率评估、资源调度优化、自主路径规划等应用具有重要推动意义。未来工作将聚焦于动态特征选择与类别不平衡处理，进一步提升模型在复杂农业环境中的实用性。
