融合区域先验的混合PCA与一维卷积神经网络方法实现精准农业监测：基于EuroCropsML的案例研究

《Precision Agriculture》：A hybrid PCA and 1D-CNN approach with regional priors for accurate agricultural monitoring: a case study with EuroCropsML

　　**摘要****目的** 准确的作物类型制图对于农业监测、粮食安全评估和决策制定至关重要。尽管遥感技术提供了丰富的多时相数据，但分类精度往往受到多重挑战的制约，包括行政区域间的地理变异性、类别不平衡以及时序特征的高维性。本文提出了一种新颖的方法来克服这些挑战，将逐作物主成分分析（Per-Crop PCA）与一维卷积神经网络（1D-CNN）相结合，以实现精确的农业分类。据作者所知，这也是首次利用Sentinel-2时间序列数据对作物进行分类的三方系统性对比研究，即分别对原始光谱波段的统计特征、植被指数以及通过逐作物PCA获得的PCA指数进行分类。区域背景信息被作为辅助特征纳入模型，而非将地理变异性简单地视为域偏移问题。**方法** 我们提出了一个逐作物PCA框架，在该框架中，主成分分析分别应用于每种作物类型的多时相Sentinel-2光谱特征，生成具有类别特异时间特征的作物专属PCA指数。这些指数随后与一维卷积神经网络（1D-CNN）集成，用于分类任务。**结果** 结果表明，采用PCA分析后分类精度有显著提升，精度提升幅度超过20%。**结论** 将逐作物PCA与1D-CNN及区域辅助特征相结合，有效改善了在地理变异性条件下、面对高维时序数据时的作物类型分类精度，为更准确的农业监测与决策制定提供了有力支持。