RS DL
论文介绍
题目：PhenoCropNet: A Phenology-Aware-Based SAR Crop Mapping Network for Cloudy and Rainy Areas
期刊：IEEE Transactions on Geoscience and Remote Sensing
论文：https://ieeexplore.ieee.org/document/10720850
创新点
引入物候信息：PhenoCropNet在模型中明确融合了作物物候知识，包括关键生长期和关键日期，提升了对物候特性相似作物的区分能力。 层次化注意力网络：采用双层BiGRUA和自注意力机制，分别提取关键日期和关键生长期的特征，兼顾局部与全局的物候特性。 快速大规模制图：结合Google Earth Engine (GEE)平台实现快速大规模作物制图，适用于湖北省以及类似地区的冬季作物分类。 早期作物识别能力：通过时间序列SAR数据的动态信息提取，实现了作物在早期生长期的识别。
数据
区域：湖北省，中国中部地区，面积约185,933 km²。 特点：湖北省是典型的多云多雨地区，具有复杂的地形条件和小农种植模式，为作物分类带来挑战。 作物分布：
冬小麦：湖北省冬小麦种植面积位居中国第十二位。 冬油菜：湖北省冬油菜种植面积位居中国第三位。
数据源：Sentinel-1卫星时间序列SAR影像。 观测周期：2020年10月22日至2021年6月7日，共17次观测。 极化模式：VV和VH双极化。 分辨率：10米。 数据预处理：
在Google Earth Engine (GEE)平台上完成，包括热噪声去除、辐射校准、地形校正和重采样。 自定义处理：采用散斑滤波和辐射地形归一化，总数据量达到600 GB。
采样时间：2021年4月24日至26日。 采样方法：
冬小麦：在抽穗期采集。 冬油菜：在结荚期采集。 实地调查过程中使用GPS工具记录作物类型、位置和照片。
覆盖范围：湖北省11个县，路线总长959公里。 样本分布：
作物类型样本：冬小麦、冬油菜。 非作物类型样本：包括水体、休耕地、人工建筑等，通过高分辨率影像视觉解译获取。
数据划分：样本按地理区域分为训练集、验证集和测试集。 样本数量：
作物样本数量根据种植面积分布不均衡，尽量保留全部标注样本。 非作物样本数量保持平衡，但不同类型的标注像素数可能存在差异。
物候期划分：
冬小麦：分蘖期、拔节期、抽穗期、开花期、成熟期。 冬油菜：发芽期、抽苔期、开花期、结荚期、成熟期。
关键物候信息：
每个物候期中最重要的日期和生长期由物候注入模块（PAI）自动提取。
方法
总体框架
物候注入模块 (PAI)：引入作物生长日历信息，将时间序列数据划分为若干物候阶段。 层次化注意力网络：分两个层次提取关键日期和关键生长期的特征。
物候注入模块 (PAI)
目标：通过将时间序列数据与作物生长日历相结合，增强模型对关键物候阶段的关注。
实现：
将SAR时间序列按作物物候期划分为多个不重叠的子序列（如发芽、抽穗、开花期）。
注入先验物候知识，使网络能够利用不同物候期的重要特性。
作用：帮助模型理解作物在不同生长期的特性变化，从而区分物候相似的作物。
层次化注意力网络
(1) 关键日期注意力层：
输入：每个物候阶段对应的时间序列数据。
处理：通过独立的双向GRU模块提取时间序列中特定日期的重要特征。
输出：每个物候阶段的日期特征权重。
目的：虽然SAR影像能够连续监测作物生长，但不同日期的分辨力不同。该层集中提取区分度高的日期特征。 双向GRU模块：
作用：处理时间序列数据的长时依赖关系，捕捉时间上下文信息。
特点：双向设计确保既关注时间序列的过去特征，也关注未来趋势。
输入：整合所有物候阶段的输出特征。
处理：通过一个全局的GRU模块提取关键生长期的重要特征。
输出：综合的生长期特征权重。
目的：作物在不同生长期的形态特征变化显著，通过关注关键生长期提高分类精度。
快速处理与大规模制图
平台：借助Google Earth Engine (GEE)和Google Colab平台，处理大规模SAR数据。
流程： 在GEE上完成数据预处理，如去噪、校准和重采样。
使用Google Colab训练PhenoCropNet模型。
输出大规模作物分布图。
优势：该方法结合云计算，适用于不同地区的快速作物制图。
实验与分析
本文通过引入物候信息和层次化注意力机制，在作物分类中表现优异，相较传统方法和其他深度学习模型展现了更高的准确性。特别是在区分物候特性相似的作物时，PhenoCropNet的分类效果更加显著。
精度对比
可视化对比
特征可视化
更多图表分析可见原文
公众号欢迎优秀作者投稿！可加入优秀论文作者群：欢迎加入AI遥感优秀论文作者群！
欢迎关注
分享遥感与深度学习领域的技术、论文、书籍、新鲜事。
欢迎加入遥感与深度学习交流群(点此加入)。
