An adaptive deep learning framework for multi-temporal crop and drought stress monitoring in precision agriculture

精准农业日益依赖数据驱动方法来应对气候变化条件下作物胁迫与干旱监测的挑战。因此，需要一种基于深度学习（DL）的创新框架来评估作物胁迫动态，以提高农业生产力并保障区域粮食安全，因为传统模型往往难以捕捉细微的空间和光谱变化，导致精度和泛化能力有限。为克服这些挑战，提出了一种创新且自适应的基于深度学习的方法，利用在北方邦戈达县哈尔达毛村采集的多时相Sentinel-2卫星影像。该模型有效整合了局部光谱与空间细节以及更广泛的上下文特征，实现了作物分类和胁迫检测，以支持精准农业。作物胁迫和干旱地图借助CNN+ViT模型（即基于混合深度学习的分类模型）生成的分类影像，结合NDVI和NDWI影像，评估了2023年、2024年和2025年干旱引起的作物变异性。通过该过程得到的逐月（1月至6月）胁迫地图为作物暴露的时间格局提供了有价值的见解。所提出的框架为半干旱农业景观中作物脆弱性和恢复力的时空格局提供了定量认识。因此，该框架通过整合卫星影像、深度学习和物候分析，推进了精准农业建模，并可随时推广至具有类似作物系统的其他干旱易发地区。