一种通过样本增强实现跨尺度小麦收获监测的知识引导机器学习框架

《Remote Sensing of Environment》：A knowledge-guided machine learning framework for cross-scale wheat harvest monitoring via sample augmentation

　　

•知识引导的机器学习方法解决了小麦收获测绘中样本稀缺的问题。
•该框架整合了地面、PlanetScope、Sentinel-2和MODIS数据。
•PlanetScope架起了稀疏地面调查与粗分辨率卫星传感器之间的桥梁。
•知识规则（PSRI和第5波段）提高了模型的区域性收获表现。
•双路径深度学习模型实现了田块尺度和区域尺度的监测。

引言

监测作物收获对于优化农业资源配置和保障粮食安全至关重要（Jiang等，2024；Wei等，2023）。收获是标志着农业生态系统碳封存结束的关键物候阶段，收获日期直接影响作物产量估算的准确性（Feigenwinter等，2023；Singh等，1996）。传统上，收获信息通过农户自报和实地调查收集，例如美国农业部的年度路边调查（CTIC，2025）和中国农业普查（NBS，2016）。然而，这些方法受限于调查人员的主观判断和昂贵的实地作业成本，导致数据在准确性、空间覆盖和时序分辨率方面存在局限。这一局限在机械化集中收获区域尤为突出问题（例如，黄淮海平原，日收获面积超过113万公顷）（AMMS，2022），传统调查方法无法准确捕捉田块级别收获的动态变化。因此，需要开发高效、准确的作物收获监测方法，以支持精准农业管理、粮食安全预警系统和农田碳汇核算。

卫星对地观测数据通过广泛的空间覆盖和成本效益高的数据采集，实现了大规模作物收获监测（Li等，2025；Vance等，2024）。这些平台包括具有高时间分辨率的中分辨率成像光谱仪（MODIS，1-2天）和Himawari-8/9（10分钟），具有高空间分辨率的Sentinel-2（10-20米）和PlanetScope（3米），以及具有全天候观测能力的合成孔径雷达（SAR），如Sentinel-1（C波段）和Land Observation-1（L波段）（Bessho等，2016；Drusch等，2012；Justice等，2002；Roy等，2014；Roy等，2021）。SAR数据被广泛用于通过捕捉地表粗糙度和土壤湿度条件的变化来检测收获日期（Cauba等，2025；Schlund和Erasmi，2020；Shang等，2020）。收获后的作物移除降低了地表粗糙度并减少了冠层体散射，导致VH后向散射值降低，而裸露土壤的VV后向散射增加（Cauba等，2025；Schlund和Erasmi，2020）。利用收获后的VH/VV特征，Schlund和Erasmi（2020）实现了准确的收获日期检测，均方根误差低于11天。与Sentinel-1等SAR传感器相比（You和Dong，2020），具有更短重访间隔和更丰富光谱信息的光学传感器为作物收获检测提供了潜力（Claverie等，2018；Zhou等，2021）。为增强对衰老植被和作物残茬的敏感性，已开发了多种光谱指数，如光学波段亮度收获指数（OBHI）、植物衰老反射指数（PSRI）和归一化收获物候指数（NHPI），应用于基于阈值时间序列模型的区域尺度收获面积测绘（Liu等，2025；Ren等，2017；Yue等，2025）。尽管取得了这些进展，但收获后的管理措施在各地区存在差异，包括残茬处理、耕作和灌水（图1），导致地表组成的空间异质性。此外，收获期间的光学观测经常受到云层污染，导致观测缺失。因此，经验阈值方法缺乏跨区域的适应性，限制了模型的泛化能力和迁移性。

深度学习方法是作物收获监测中传统方法的新兴替代方案，因其强大的自动特征提取能力而备受瞩目（Mullissa等，2023；Xiong等，2024）。通过学习收获前后样本数据的高维非线性特征，神经网络模型可以有效减少对专业知识的依赖，减轻收获识别中的主观偏差。卷积神经网络（CNN）、Transformer和长短期记忆网络（LSTM）分别在空间特征提取、全局关系建模和时序信息处理方面具有各自优势（Kirillov等，2023；Vance等，2024；Xiong等，2024），融合多种架构的优势已成为提高收获监测准确性的有效途径。然而，深度学习模型的性能依赖于大规模高质量真值样本的可用性，这对冬小麦收获监测提出了两大挑战。首先，获取高质量光学影像——近期收获监测研究依赖的数据（Lobert等，2023；Holtgrave等，2023；Liu等，2025）——受到5月至6月收获窗口期间频繁的云层和降雨的制约（Whitcraft等，2015；Yang等，2023）。同时，收获信号往往迅速被后续田间管理活动所掩盖，导致地面观测与卫星数据之间存在时空不匹配。此外，不同耕作制度下收获后的农田地表覆盖类型存在明显差异：保护性耕作区域的作物残茬覆盖率超过70%（CTIC，2025），表现出独特的短波红外反射特征（Biard和Baret，1997；Daughtry等，2004），而集约化耕作区域收获后的地表覆盖则随后续农业管理措施而变化（Martins等，2021）。这些收获后的管理措施（翻耕、平整、灌水和移栽）改变了地表属性（土壤暴露、残茬覆盖和含水量），并在已收获的样本中产生了类内光谱变异性（图1）。为应对这些问题，需要有效的样本增强策略来收集充分、多样且高质量的收获样本，以支持深度学习模型对收获动态的稳健监测。

人们已探索了多种策略来获取足够数量的样本。目视解译在作物生长季节被广泛应用（Yang等，2023）。然而，由于土壤与作物残茬之间光谱相似性以及镶嵌像素效应，成熟地块与已收地块之间的目视区分容易产生混淆。人们也通过基于先验知识规则设置决策边界来生成样本，例如使用NDTI识别收获后的地表覆盖类型（Deventer等，1997），或使用LSWI和NDVI检测水稻淹水事件（Jeong等，2012）。然而，这些方法在表征复杂耕作系统景观多样性方面的能力有限。将训练好的模型迁移到目标区域通常需要专业知识（Yang等，2023），因为当目标区域样本与训练区域样本存在差异时，模型性能会下降。此外，车载路边成像和无人机航空成像方法可以提高样本采集效率（Jiang等，2024；Pilger等，2020；Wang等，2023）。Jiang等（2024）利用车载摄像头沿指定路线获取密集的地面观测数据，并采用PlanetScope影像在县一级监测收获动态。然而，这些方法在省级/州级尺度上仍面临挑战。覆盖省级/州级尺度（例如江苏省，约107,200平方公里）需要多日多路线调查，成本高。有限的路线设计和狭窄的视场降低了样本的空间代表性，而云层和降雨污染阻碍了卫星-地面样本匹配。尽管如此，将采样策略从点状观测扩展到线状采集为提高大规模遥感监测中样本生成的效率提供了一个有前景的方向。

知识引导的机器学习（KGML）框架将基于规则的知识与机器学习方法相结合（Karpatne等，2024；Liu等，2024），为克服上述样本生成瓶颈提供了新的技术途径。KGML框架已被证明在作物物候监测、叶面积指数反演和产量估算方面有效（Cao和Weng，2024）。PlanetScope影像以其高时空分辨率，在收获监测中展现出潜力（Jiang等，2024），是地面真值与区域监测之间的理想桥梁。与车载或无人机的线性观测相比，PlanetScope影像具有广泛的单景覆盖（约633平方公里）、日重访能力和3米空间分辨率（Roy等，2021）。然而，鲜有研究探索将KGML方法与高分辨率遥感数据集相结合以增强样本，从而支持从田块到区域尺度的收获监测。

为应对现有研究中的上述挑战，本研究的目标是提出一种基于知识引导机器学习的样本增强框架，以PlanetScope影像作为地面观测与卫星数据之间的桥梁，并采用深度学习方法准确监测从田块到区域尺度的小麦收获。具体目标包括：第一，基于收获后的光谱动态建立KGML框架，在PlanetScope数据集中生成大量增强样本。第二，提出混合CNN-Transformer-LSTM（HCTL）模型，利用Sentinel-2监测田块尺度收获动态，并利用MODIS估算区域尺度收获比例和收获日期。第三，在江苏省2023-2024年开展省级尺度实验，验证该框架在小麦-水稻和小麦-玉米轮作系统的有效性。

研究区

江苏省位于中国东部沿海（30°45′-35°08′N，116°21′-121°56′E）（图2）。该地区气候类型以亚热带季风气候为主，2023-2024年平均气温为16.15-16.51°C，年降水量在1161.4至1183.2毫米之间（NBSC，2023）。该地区实行两年两熟制，冬小麦（约2389.52平方公里）之后种植夏稻和玉米（约2669.33平方公里），收获期从5月下旬至……

方法论

为实现从田块到区域尺度的小麦收获精确动态监测，本研究提出了一种整合多源遥感数据与知识引导机器学习的样本生成框架（图4）。具体而言，首先，针对标签不足问题，利用ResNet-18自动分类地面调查照片，生成高质量的已收/未收标签（图4b）。其次，针对有限空间样本代表性不足的问题……

基于KGML框架的样本增强

与初始随机森林模型相比，区域自适应的KGML框架显著提高了PlanetScope影像上收获分类的准确性（图6）。2023年，81.7%的影像初始精度超过0.80。对于其余低精度区域，经知识规则派生校正样本重新训练后，平均精度从0.68提升至0.94（图6b）。2024年也观察到类似模式：91.1%的影像初始精度……

KGML框架在收获监测中的优势

集约化农业地区分散耕地分布中真值样本不足已成为监测收获动态的关键制约因素（Hu等，2024；Jiang等，2024）。为克服这一局限，本研究提出了一种KGML框架来增强收获样本，利用高分辨率PlanetScope影像作为地面观测与卫星观测之间的桥梁。HCTL模型利用增强样本监测从……的收获动态。

结论

在集约化农业实践中，由于收获期间频繁的云层污染，获取足够的训练样本颇具挑战性。本研究提出了一种知识引导的机器学习样本增强框架，利用PlanetScope高分辨率卫星影像作为桥梁，实现了训练样本从地面观测到卫星数据的跨尺度扩展。HCTL模型融合了CNN、LSTM和Transformer架构，实现了……

AI写作过程声明

在本工作的撰写过程中，作者使用了ChatGPT和DeepSeek等AI语言工具来提高手稿的可读性和语言质量。在使用这些工具后，作者对内容进行了仔细审阅和编辑，并对已发表文章的内容承担全部责任。

作者贡献声明

Mingchao Shao：论文原创撰写、软件、方法论、调查、数据整理、概念构思。Chongya Jiang：论文原创撰写、资源、方法论、经费获取、概念构思。Jingwei An：方法论、调查、数据整理。Haokai Zhu：方法论、调查、数据整理。Yue Li：形式分析、数据整理。Xia Yao：形式分析、概念构思。Tao Cheng：形式分析、概念构思。Hengbiao Zheng：形式分析。

利益冲突声明

作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。

致谢

本工作得到中央高校基本科研业务费（QTPY2025010）和国家重点研发计划（2022YFD2001104）资助。

Mingchao Shao|Chongya Jiang|Jingwei An|Haokai Zhu|Yue Li|Xia Yao|Tao Cheng|Hengbiao Zheng|Weixing Cao|Yan Zhu