具有时间编码和深度学习增强的可转移作物映射

关于作物空间和时间分布的详细地图对于更好地理解农业实践和食品安全管理至关重要。多时相遥感数据和深度学习（DL）已被广泛研究以推导出准确的作物地图。然而，解决作物分类模型随着时间转移的问题的策略，例如用最近年份的数据训练模型并映射回过去，尚未得到充分探索。这是因为缺乏一种通用方法来聚合光学数据，以应对年度晴空观测的不规则性，并且缺乏多年度作物参考数据来支持更加通用的DL模型。在本研究中，我们通过引入一种称为时间编码（TE）的方法来捕捉不规则的物候信息，从而应对这些挑战。随后，我们适应并整合了两种方法，即随机观测选择（ROS）和随机天数移动（RDS），以模拟时间稀疏性的变化以及不同年份作物物候的变化。我们用一维卷积神经网络（1D-CNN）和变压器网络模型测试了这种方法。我们对这两种分类器的结果表明，使用2018年作物参考数据和密集的Landsat 7/8及Sentinel-2 A/B数据的模型可以转移到2010年到2021年的12个连续年份，准确度下降很小。变压器网络略微更准确，而1D-CNN的速度快了近三倍。此外，所提出的模型在有和没有完全可用卫星信息的同一年份中表现相似。TE与ROS和RDS的结合似乎非常适合提高时间可转移性，以支持长期历史作物映射。