Cross-Regional Classification of Rice Cropping Systems Based on Within-Year Seasonal Composition Using Multimodal Remote-Sensing Time Series
Jingrou Wang · Tingting Lu · Beibei Xue 等 6 人
提出多模态遥感时序框架，实现跨区域水稻种植制度八分类。
Sentinel-1/2融合重建、PTS样本拼接与OCQT有序周期Transfo
结合PTS样本的OCQT精度达0.904，跨区加权F1平均提升3.98个百分点。
可将有序周期表示学习扩展至其他多季作物制度识别与跨区域泛化研究。
提出融合SAR与光学时序及有序周期Transformer的水稻种植制度分类框架，方法新颖、精度可靠，对农业遥感监测有实质参考价值。
水稻种植强度产品能够指示一年内的水稻种植季数，但无法揭示界定水稻种植系统的季节组成。这一局限制约了对区域水稻生产格局的精细刻画。为弥补这一不足，本研究构建了一个基于早稻、中稻和晚稻种植组合的水稻种植系统分类框架。该框架集成了以下三个部分：利用Sentinel-1观测对受云污染的Sentinel-2时间序列进行SAR辅助重建；采用物候约束时间序列拼接（Phenology-Constrained Time-Series Splicing, PTS）为样本不足的水稻种植系统类别构建PTS样本；以及有序循环查询Transformer（Ordered-Cycle Query Transformer, OCQT），该模型通过可学习的季节查询令牌编码年度全局表示和时间有序循环表示，以实现八类分类。在空间分块验证集上，使用真实样本与PTS样本共同训练的OCQT达到了0.9040的总体精度、0.8643的宏F1和0.8275的区域均衡宏F1，优于仅使用真实样本训练的OCQT。在全部四个独立区域测试集上，该配置将加权F1平均提升了3.98个百分点，最大提升达9.88个百分点。本研究推动了水稻监测从种植强度向年内季节组成的显式刻画迈进，并为利用多源遥感和有序循环表示学习开展精细农业监测提供了框架。