耦合物候学特征和偏心贝叶斯深度学习的遥感作物分类方法
武永闯¹，吴艳兰^2*，杨辉³，宋彬彬¹
1. 安徽大学 资源与环境工程学院，合肥 230601；
2. 安徽大学 人工智能学院，合肥 230601；
3. 安徽大学 物质科学与信息技术研究院，合肥 230601


获得准确和及时的作物制图对于农业精细化管理和粮食安全至关重要。由于大多数现有基于遥感数据的作物制图方法适用能力较差，它们不能被快速部署到不同地区的作物识别任务中。因此，迫切需要设计一个可通用的、可扩展的作物分类模型，用于跨区域的大规模作物分类和识别。在本研究中，基于物候特征人工先验知识，设计了一种名为偏心贝叶斯深度学习（OCBDL）的作物图谱方法。在本研究中，利用高分辨率多光谱成像卫星Sentinel-2时间序列数据建立NDVI时间序列曲线，获得作物物候学这一先验信息，选择影响作物识别的关键时间窗口，采用Relief F（RF）算法，对光谱和植被指数进行特征优化，OCBDL深度学习模型用于融合物候学和光谱的先验知识，充分利用光谱和时间信息进行作物识别。以呼伦贝尔市两个农场的地面调查数据为训练数据，在呼伦贝尔市14个农场进行了局部精度验证，并在中国东北地区和山东省进行了模型泛化性测试。结果显示，在呼伦贝尔市14个农场的局部精度验证中，总体精度（OA）分别为92.4%，模型提取的山东省2020年玉米种植面积的总体分类精度约为98.2%。在市级层面上，模型提取的山东省玉米种植面积与各个市的统计数据有很好的相关性（R² = 0.935）。在这项研究中，通过结合深度学习和遥感时间序列设计的OCBDL模型具有融合先验知识和学习泛化性特征的能力，这为识别不同规模和跨区域的作物提供了一种可行的方法。

作物分类,遥感,贝叶斯深度学习,泛化性,物候特征