摘要
为了解决累积伪标签噪声以及在作物结构映射中不同地区存在的显著物候差异问题，本研究开发了一个基于物候知识的弱监督语义分割框架，称为PhenoStruct-WSF。该框架首先为主要的年度作物种植模式构建典型的物候曲线，并使用TWDTW来测量样本与模板之间的物候相似性。然后提出了一种双类边界指标?i，并通过概率校准方法得出物候置信度，之后在 posterior-FDR 控制下选择高置信度样本作为锚点。随后，这些锚点被嵌入到具有结构感知能力的弱监督分割网络 PhenoStruct-Net 中，形成“先保证准确性、再扩展”的两阶段训练策略。通过物候置信度门控和自适应加权机制实现了伪标签的稳健扩展。实验在三个具有代表性的研究区域进行：河北省邯郸市、湖北省荆州市和吉林省四平市。使用 posterior-FDR 选择的锚点样本在所有三个区域的准确率均超过了94%。PhenoStruct-WSF 在三个区域的整体准确率（OA）、平均交并比（mIoU）和宏观F1分数（mF1）分别达到了89%、81%和89%，平均准确率比对比方法提高了4.52个百分点。样本敏感性实验表明，该方法在不同训练样本量下保持稳定的准确率提升趋势，显示出对有限样本的良好适应性。消融实验进一步证明，物候置信度锚点、 posterior-FDR 控制和置信度加权机制可以有效抑制伪标签噪声的传播，并提高复杂农业景观中作物映射的稳健性。
