Rule-driven functional zoning index prediction for sustainable agricultural landscapes design based on multimodal fusion deep learning

方法

多模态融合网络MMLF-Net，融合遥感、地形、作物结构与土地覆盖数据。

发现

MMLF-Net总体精度87.34%、Kappa 0.84，集约生产与自然休耕区F1超0.90。

机会点

可探索规则驱动指数与可解释深度学习的耦合，并迁移到不同农业景观区验证泛化性。

摘要 本研究构建了一套基于规则的农业景观功能分区指标体系，该体系整合了多源变量，包括遥感光谱信息、景观结构、地形条件、作物配置和土地覆盖。为实现对所提指标体系的自动化预测，本研究开发了多模态景观融合网络（MMLF-Net）模型。通过整合遥感影像、地形特征、作物结构和土地覆盖等多源数据，该模型构建了端到端的农业景观功能分区系统。实验验证在美国加利福尼亚州弗雷斯诺地区开展。结果表明，MMLF-Net有效提升了功能识别的精度和分区的稳定性，总体精度达到87.34%，Kappa系数为0.84。在所有功能类型中，集约生产区和自然休耕区的F1分数均超过0.90，证明了多模态特征融合在功能识别中的优势。进一步的景观格局分析揭示了若干关键结构特征，包括生产-生态界面过度延伸、生态斑块破碎化以及复合管理区内形态复杂等。这些发现为生态修复布局和农业污染防治提供了定量依据。本研究旨在为区域农业可持续发展提供实用的空间决策工具。