从时间序列生成、模型选择到迁移学习：像素级大规模作物图景测的比较综述

作物图景测量 involves 通过空间数据识别和分类作物类型，主要来源于遥感影像。本研究提出了大规模像素级作物图景测工作流程的首个综合综述，涵盖传统监督方法和新兴迁移学习方法。为识别最佳时间序列生成方法和监督作物图景测模型，我们进行了系统实验，比较了六种广泛采用的卫星图像预处理方法，以及十一种监督像素级分类模型。此外，我们评估了不同训练样本大小和变量组合的协同影响。我们识别了针对不同规模领域偏移的最佳迁移学习技术。对最佳方法的评估在五个多样化农业场所进行，Landsat 8 作为主要卫星数据源，标签来源于 CDL 可信像素和田野调查。我们的发现揭示了三个关键见解。首先，细化间隔预处理配合Transformer模型在监督和可迁移工作流程中始终提供最佳性能。随机森林（RF）在传统监督学习和直接迁移到类似领域方面提供快速训练和具竞争力的性能。其次，迁移学习技术提高了工作流程的适应性，其中无监督域适应（UDA）对均匀作物类别有效，而微调在多样化场景中保持稳健。最后，工作流程选择高度取决于标记样本的可用性。在有充足样本量时，监督训练通常提供更准确和更通用的结果。当样本量低于某个阈值时，匹配领域偏移程度的迁移学习是实现作物图景测的可行替代方案。所有代码均公开，以鼓励可重复性实践。