基于年内季节组成与多模态遥感时间序列的跨区域水稻种植制度分类研究

《Remote Sensing》:Cross-Regional Classification of Rice Cropping Systems Based on Within-Year Seasonal Composition Using Multimodal Remote-Sensing Time Series

【字体: 大 中 小 】 时间:2026年09月21日 来源:Remote Sensing 4.3

编辑推荐:

  水稻种植强度产品可指示一年内的水稻种植季数,但无法揭示界定水稻种植制度的季节组成。这一局限制约了对区域水稻生产格局的精细刻画。为弥补上述不足,本研究开发了一套基于早、中、晚稻种植组合的水稻种植制度分类框架。该框架整合了利用Sentinel-1观测对受云污染Se

  
水稻种植强度产品可指示一年内的水稻种植季数,但无法揭示界定水稻种植制度的季节组成。这一局限制约了对区域水稻生产格局的精细刻画。为弥补上述不足,本研究开发了一套基于早、中、晚稻种植组合的水稻种植制度分类框架。该框架整合了利用Sentinel-1观测对受云污染Sentinel-2时间序列进行合成孔径雷达辅助重建(SAR辅助重建)、用于构建代表性不足水稻种植制度类别样本的物候约束时间序列拼接(PTS)策略,以及有序循环查询Transformer(OCQT)模型。OCQT通过可学习的季节查询令牌(season-query tokens)编码年度全局表征与按时间顺序排列的循环表征,实现八类水稻种植制度分类。在空间分块验证集上,采用真实样本与PTS样本联合训练的OCQT模型总体精度(overall accuracy)达到0.9040,宏平均F1值(macro-F1)为0.8643,区域均衡宏平均F1值(region-balanced macro-F1)为0.8275,均优于仅使用真实样本训练的OCQT模型。在全部四个独立区域测试集上,该配置使加权F1值平均提升3.98个百分点,最大提升达9.88个百分点。本研究将水稻遥感监测从种植强度监测推进至对年内季节组成的显式刻画,并为利用多源遥感与有序循环表征学习开展精细化农业监测提供了框架支撑。

论文解读

一、研究背景与科学问题

水稻是全球最重要的粮食作物之一,准确的水稻生产信息对粮食安全评估、农业用水管理和温室气体排放估算至关重要。遥感技术已实现大尺度水稻分布与种植强度制图,其中种植强度描述一年内水稻种植季的数量。然而,种植强度无法区分构成水稻种植制度的季节组成——相同种植强度的田块在早、中、晚稻组合上可能存在显著差异(如早稻–晚稻双季与中稻–晚稻双季),这些水稻种植制度在种植历、物候轨迹、资源利用模式和农艺管理措施方面均不相同。因此,基于年内季节组成对水稻种植制度进行分类,已成为农业遥感领域的重要研究方向。

二、研究内容与主要结论

针对上述问题,本研究开发了一套集成的跨区域水稻种植制度分类框架,主要贡献包括:(1)利用SAR时间序列辅助重建不完整的Sentinel-2光学时间序列,提供时间连续的年光学序列用于物候特征构建与分类;(2)提出物候约束时间序列拼接(PTS)方法,为代表性不足的水稻种植制度类别构建样本,同时保持区域特征和物候一致性;(3)提出有序循环查询Transformer(OCQT)模型,联合编码年度全局和按时间顺序排列的循环表征,实现八类水稻种植制度的分类。
在空间分块验证集上,OCQT(PTS增强)达到总体精度0.9040、宏平均F1值0.8643和区域均衡宏平均F1值0.8275,较仅用真实样本训练的OCQT(Real-only)分别提升0.0112、0.0114和0.0168。在四个独立区域测试集上,PTS增强配置使加权F1平均提升约3.98个百分点,最大提升达9.88个百分点。该框架将水稻遥感监测从种植强度估算拓展至年内季节组成的显式刻画,为多云多雨且参考样本稀缺地区的可靠水稻种植制度制图提供了技术支撑。

三、关键技术方法

本研究主要采用以下关键技术方法:
1. SAR辅助光学时间序列重建:利用AnytimeFormer模型,以Sentinel-1 SAR时间序列为辅助信息,重建被云污染的Sentinel-2光学时间序列。AnytimeFormer通过时间对齐注意力模块自适应对齐非同步的多模态序列,低秩融合模块整合SAR与光学特征,在目标时间戳重建Sentinel-2地表反射率,生成完整的72步年度光学序列。
2. 物候约束时间序列拼接(PTS):针对真实训练集中缺失或代表性不足的水稻种植制度类别,PTS将观测到的季节特定水稻成分重新组合到真实年度背景序列中。供体样本仅从Real训练集中选择,以保持区域物候特征。通过自适应物候窗口确定源窗口与目标窗口,对成分进行时间重采样、光谱适配和边界融合,并经过多维度质量评估筛选合格样本。
3. 有序循环查询Transformer(OCQT):OCQT将每条年度时间序列归纳为一个年度全局特征向量和最多三个按峰值时间排列的有序循环特征向量,投影为一个年度全局令牌和三个有序循环令牌,与一个可学习分类令牌和三个与早、中、晚稻对应的可学习季节查询令牌共同编码。模型采用一个主分类头和两个辅助预测头(季节存在性预测和水稻种植强度预测)的多任务学习策略进行训练。
研究样本来源于中国广东省、湖北省和湖南省的七个模型开发区域和四个独立测试区域,参考标签来自实地调查。

四、研究结果

1. 空间分块验证结果:OCQT(PTS-augmented)在空间分块验证集上优于OCQT(Real-only),区域均衡宏平均F1值绝对提升0.0168,其中茂名提升最大(+0.0708),表明PTS增强配置在跨区域稳健性方面改善显著。
2. 跨区域泛化结果:在四个独立区域测试集中,OCQT(PTS-augmented)在总体精度、加权F1和宏平均F1上均一致优于OCQT(Real-only),其中黄梅提升最大,大悟绝对性能最高。加权F1平均提升约3.98个百分点,表明PTS增强配置改善了跨区域泛化能力。
3. 架构消融与分类器对比:移除有序循环令牌导致区域均衡宏平均F1下降最大(降至0.6892),表明有序循环表示是OCQT中最具影响力的架构组件。OCQT(0.8275)优于LightGBM(0.7985)和MLP(0.7752),说明显式建模有序物候循环间结构关系能提供额外增益。
4. 物候特征敏感性分析:在16个预定义特征组中,掩蔽循环内阶段相对光谱剖面产生最大真类边际下降(0.2520),其次是NDVI分布与振幅(0.1780)和循环内时间归一化光谱状态(0.0863),三者经FDR校正后均显著。表明模型对相对物候阶段的谱演化最为敏感。

五、讨论与结论

讨论部分指出,PTS的关键特征在于对代表性不足类别进行针对性增强而非无差别增加训练样本量,这有助于拓宽区域–类别覆盖范围并减小区域样本量差异。然而,PTS无法生成源观测中不存在的季节轨迹,且对季节间交互作用的刻画有限。特征敏感性分析表明,模型对循环内相对物候阶段的谱演化最为敏感,支持了有序循环表示的设计合理性。但未直接编码精确物候日期可能损失绝对时序信息,跨区域域差异仍然存在。
研究结论表明,将物候约束样本构建与有序循环表示学习相结合,可将水稻遥感从种植季数估算拓展至直接刻画水稻种植制度的季节组成,为理解区域水稻生产结构提供更精细的信息,并支持改进农业监测与管理。该框架在云污染严重和参考样本稀缺区域实现了可靠的水稻种植制度制图,具有重要的方法论意义和应用前景。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号