标题：
Subfield-level crop yield mapping without ground truth data: A scale transfer framework
第一作者/通讯作者 ：Yuchi Ma
美国斯坦福大学
第二作者 ：Sang-Zi Liang
科迪华农业科技公司
通讯作者：David B. Lobell
美国斯坦福大学
🛰️🛩️🌱🌱🌱🌱🌱🌱🌱🌱🌱🧠💻
研究目标：
开发一个能够在没有田块级别产量数据的情况下进行细尺度作物产量估算的方法。
利用县级的作物产量数据，结合卫星遥感影像，进行细尺度作物产量映射。
对该方法进行评估，并与传统方法进行对比，测试其在玉米、大豆和冬小麦田地中的应用效果。
研究方法：
无监督领域自适应：通过量化损失域对抗神经网络（QDANN）框架，该方法结合县级标注数据和田块级未标注数据，进行跨尺度知识迁移。
卫星遥感数据：使用Landsat影像和Gridmet天气数据作为输入，结合植被指数（GCVI）等特征。
量化损失：引入量化损失函数，根据不同分位数调整模型，捕捉作物产量预测中的偏差，增强模型的鲁棒性。
变分自编码器（VAE）：用于过滤异常数据，减少负迁移的风险，提升模型在不同年份及不同地区间的泛化能力
主要发现：
QDANN模型表现优异：QDANN在玉米、大豆和冬小麦的产量预测中均表现优于传统方法（如随机森林和深度神经网络），细尺度预测的R²分别为48%、32%和39%。
县级聚合精度提升显著：当将结果聚合到县级别时，QDANN的精度显著提升，R²分别达到78%、62%和53%，显示出该框架在跨尺度产量估算中的潜力。
与基准模型的比较：QDANN不仅在无监督条件下取得了较好的效果，且其表现接近于使用田块级别标注数据训练的模型。
总结：论文提出的QDANN模型巧妙结合了无监督领域自适应和量化损失函数，在没有细尺度地面数据的情况下实现了较为精确的作物产量映射。尤其是在跨尺度迁移的背景下，该方法表现出较强的泛化能力和鲁棒性，显著提升了细尺度产量预测的精度。论文的亮点在于：无监督学习与领域对抗神经网络的结合使得模型在缺乏地面数据时依然能够较好地执行任务。
推荐指数：⭐⭐⭐⭐⭐
链接
—
https://doi.org/10.1016/j.rse.2024.114427【权责声明】
