基于 (3 + 2) D SAFPNPN 的多时间遥感图像的作物分类方法
Yicong Sun1, Tingting Zhao1, Yue Zhang1
1College of Computer and Information Engineering, Inner Mongolia Agricultural University, Hohhot, China.
Frontiers in plant science
|February 26, 2026
概括
一个新的 (3+2) D 分分注意力特征金字塔网络 ((3+2) D SAFPN) 使用遥感数据改进了作物分类. 这种先进的模型通过准确地绘制作物类型来增强农业监测和粮食安全.
科学领域:
- 农业遥感 农业遥感
- 计算机视觉用于农业.
- 地理空间数据分析.
背景情况:
- 准确的作物分类对于农业监测和全球粮食安全至关重要.
- 从多时间遥感数据中有效利用时空信息是作物绘图的一个重大挑战.
- 现有的方法往往难以整合多样化的数据源来进行全面的作物分析.
研究的目的:
- 提出一个改进的神经网络模型,即 (3+2) D 分分注意力特征金字塔网络 ((3+2) D SAFPN),用于增强作物分类.
- 为了有效地整合时空动态,多尺度的空间特征和通道间的信息,以进行强大的作物映射.
- 通过焦点损失函数来解决少数作物类的学习表现的挑战.
主要方法:
- 开发一个混合 (3+2) D特征金字塔网络 (FPN),集成空间时间动态的3D FPN和空间特征的2D FPN.
- 整合了分分注意力 (SA) 机制,以改善道间信息交互.
- 利用焦点损失函数来增强少数作物类的学习.
- 构建一个地图级的NDVI时间序列数据集从多时间的Sentinel-2图像 (2024) 中的内蒙古,中国.
主要成果:
- 提出的 (3+2) D SAFPN 模型实现了高准确度的 89.01% (测试组) 和 89.06% (验证组),卡帕系数为 0.82.82.
- 该模型的表现优于原来的 (3+2) D FPN基线,在作物分类中表现得更好.
- 在公开的慕尼黑数据集上的实验显示出强大的概括能力,精度提高了2.88% (测试) 和2.44% (验证).
结论:
- 该 (3+2) D SAFPN 模型有效地整合了空间,光谱和时间信息,以进行强大和高精度的作物分类.
- 这种方法为大规模农业监测提供了有希望的解决方案,并有助于确保粮食安全.
- 开发的模型显示了在精准农业和土地覆盖面的绘制中实际应用的巨大潜力.
