基于 CropSTGAN 的跨域早期作物制图

在丰富卫星图像的驱动下，基于机器学习的方法近来被推广用于生成高分辨率作物种植图，以支持众多农业应用。这些方法面临的主要挑战之一是地面真值标签的有限可用性。在缺乏地面真值的情况下，现有工作通常采用“直接迁移策略”，即使用从其他区域收集的历史标签训练分类器，然后将训练好的模型应用于目标区域。不幸的是，由于土壤成分、气候条件和作物进程的变化，作物的光谱特征表现出区域间和年际间的变异性，导致所得模型在新的、未见过的区域或年份表现不佳。尽管最近已有努力，如在深度自适应作物分类网络（DACCN）中应用深度自适应神经网络（DANN）模型结构来应对上述跨域挑战，但当源域和目标域之间存在较大差异时，其有效性会显著下降。本文提出了作物制图光谱-时序生成对抗神经网络（CropSTGAN），这是一种无需目标域标签的跨域挑战新解决方案。CropSTGAN 学习将目标域的光谱特征转换为源域的光谱特征，从而有效弥合巨大差异。此外，它还采用身份损失来保持数据固有的局部结构。跨不同区域和年份的综合实验证明了所提方法的优势和有效性。在实验中，CropSTGAN 与各种最先进（SOTA）方法进行了基准比较。值得注意的是，在目标域和源域之间存在大数据分布差异的场景下，CropSTGAN 显著优于这些方法。