用于全球作物类型分类的不变特征

准确的全球作物类型制图支持农业监测和粮食安全，但在许多地区仍受到标注数据稀缺的限制。一个关键挑战是使在一个地理区域训练的模型能够可靠地泛化到其他区域，尽管存在气候、物候和光谱特征的差异。在这项工作中，我们表明作物分类中的地理迁移主要受学习多光谱时间序列中不变结构的能力所支配。为了系统地研究这一点，我们引入了 CropGlobe，这是一个包含 300,000 个样本的全球分布基准数据集，跨越八个国家和五大洲，并定义了从跨国到跨半球的逐步更难的迁移设置。在所有设置中，我们发现简单的光谱-时间表示优于手工特征和现代地理空间基础模型嵌入。我们提出了 CropNet，一种轻量级卷积架构，它在光谱和时间维度上进行联合卷积以学习不变的作物特征。尽管很简单，但在地理域偏移下，CropNet 始终优于更大的基于 Transformer 和基础模型的方法。为了进一步提高对地理变化的鲁棒性，我们引入了模拟作物物候和反射率偏移的数据增强。结合 CropNet，这在大的域偏移下产生了显著的增益。我们的结果表明，对联合光谱-时间结构的归纳偏置比模型规模或预训练对迁移更为关键，指向了一种可扩展且数据高效的全球农业制图范式。数据和代码可在 https://github.com/x-ytong/CropNet/ 获取。