作物制图中的两次偏移：利用聚合作物统计改进新区域基于卫星的制图

地块尺度的作物类型制图对农业监测的多种应用至关重要，卫星影像正成为创建作物类型图日益丰富且有用的原始输入。然而，在许多区域，利用卫星数据进行作物类型制图仍受限于训练监督分类模型所需的地块尺度作物标签稀缺。当某区域无训练数据时，可迁移相似区域训练的分类器，但区域间作物类型分布偏移及特征变换会导致分类精度下降。我们提出一种利用聚合尺度作物统计通过考量这两类偏移来校正分类器的方法。为调整作物类型构成的偏移，我们给出一种对分类器输出的各类后验概率进行恰当重加权的方案。为调整特征偏移，我们提出一种估计并去除均值特征向量中线性偏移的方法。我们证明，在法国奥克西塔尼和肯尼亚西部省使用线性判别分析（LDA）制图作物类型时，该方法使总体分类精度大幅提升。以 LDA 为基础分类器，我们发现，在法国十一个不同训练部门中，相较原方法误分类率降低百分比介于 2.8% 至 42.2%（均值 = 21.9%）；在肯尼亚三个训练区域误分类率降低百分比分别为 6.6%、28.4% 和 42.7%。尽管我们的方法在统计上由 LDA 分类器驱动，但其可应用于任意类型分类器。作为示例，我们展示了其成功应用于改进随机森林（Random Forest）分类器。