摘要
准确且可迁移的大豆映射对于农业监测和面积验证至关重要，然而传统的Transformer模型在模拟复杂的非线性物候关系和保持训练稳定性方面可能存在局限性。本研究提出了一个改进的Transformer-KAN模型，用于处理多时相的Sentinel-2数据。该模型引入了时间位置编码、具有相对位置偏置的多头自注意力机制以及Pre-LayerNorm残差结构，以增强物候序列的建模能力；同时，FastKAN取代了传统的基于MLP的前馈网络，以提高非线性特征的表达能力。该模型使用来自海伦市的2023年样本进行了训练，并直接在博州、麦克莱恩和卡斯进行了评估，无需重新训练或微调。通过将海伦市训练得到的模型应用于2021年至2025年博州和麦克莱恩的数据，进一步评估了模型的跨年份迁移能力。结果表明，该模型在海伦市、博州、麦克莱恩和卡斯的准确率分别为0.975、0.983、0.958和0.966，相应的Kappa系数分别为0.895、0.887、0.883和0.916。复杂性分析显示，Transformer-KAN模型需要0.8142亿个参数和119.67百万次浮点运算（FLOPs），平均每个样本的推理时间为3.0191毫秒；而传统Transformer模型则需要0.6130亿个参数和79.71百万次FLOPs，平均每个样本的推理时间为1.4009毫秒。这表明改进的特征表达能力带来了计算复杂性的增加。尽管由于作物生长条件、物候时序和图像采集质量的差异，年际间的分类性能存在波动，但从2021年到2025年，模型的分类性能总体仍然保持较高水平。遥感数据与官方报告的大豆种植面积之间的差异主要与统计定义的差异以及残差分类的不确定性有关，而非模型本身的迁移能力。总体而言，Transformer-KAN模型提供了准确且可迁移的大豆映射方法，可以作为一种空间上精确的补充工具，用于补充官方农业统计数据。
