结合卫星与气象数据的作物类型制图：一种逆向建模方法

准确且及时的作物制图对于产量估算、保险理赔和保护工作至关重要。多年来，人们开发了许多成功的作物制图机器学习模型，这些模型仅使用来自卫星的多光谱图像来预测感兴趣区域的作物类型。然而，这些传统方法没有考虑控制作物生长的物理过程。在宏观层面上，作物生长可以被视为气象和土壤类型等物理参数作用于植物并导致作物生长的过程，这一过程可以通过卫星观察到。在本文中，我们提出了基于气象的时空分割注意力网络（WSTATT），这是一种深度学习模型，它通过将作物生长表述为一个结合气象数据（Daymet）和卫星图像（Sentinel-2）以生成精确作物制图的逆向模型，利用了对作物生长的上述理解。我们通过比较分割图和 F1 分类分数表明，与仅依赖光谱图像的现有算法相比，我们的方法有显著改进。此外，在 WSTATT 架构中有效使用注意力机制使得能够在季初（提前至多 5 个月）检测作物类型，这对于改善粮食供应预测非常有用。最后，我们通过将结果与作物物候学相关联来讨论气象的影响，表明 WSTATT 能够捕捉作物生长的物理特性。