文章标题：A knowledge-guided machine learning framework for cross-scale wheat harvest monitoring via sample augmentation期刊名称：Remote Sensing of Environment影响因子：12.3第一作者：邵明超通讯作者：江冲亚、朱艳第一单位：南京农业大学发表时间：2026年9月15日
文章链接：https://doi.org/10.1016/j.rse.2026.115671

1. 论文摘要 

准确监测小麦收获对于精准农业和保障粮食安全至关重要。然而，集约化农业区域在收获期地表组成变化迅速，难以获取充足的高置信度地面样本，限制了数据驱动遥感方法的性能和泛化能力。因此，本研究提出知识引导机器学习（KGML）框架，整合PlanetScope、Sentinel-2和MODIS多卫星地球观测数据，实现从田块到区域尺度的收获监测。研究在2023年和2024年小麦收获期利用车载相机与智能手机采集地面数据。结果表明，将光谱知识规则与随机森林模型相结合，能够从PlanetScope影像中生成大量高置信度增强样本，区域精度超过0.80。利用增强数据集训练混合CNN–Transformer–LSTM模型（HCTL），构建两条任务路径：基于Sentinel-2分类开展田块尺度收获制图，总体精度为0.93；基于MODIS回归估算亚像元收获比例，与PlanetScope衍生收获比例具有较高一致性，R²为0.97、RMSE为0.07、rRMSE为0.15。由MODIS收获比例时间序列提取的收获日期与地面观测高度一致，R²为0.82、RMSE为1.30天。该框架连接了有限地面实测数据与多尺度卫星观测，为小麦收获监测提供了有效方案，可支持粮食安全评估和农业管理决策。

2. 数据与方法

研究区：江苏省冬小麦种植区，覆盖小麦—水稻和小麦—玉米轮作体系，研究时段为2023—2024年小麦收获季。

卫星遥感数据：

1. PlanetScope SuperDove地表反射率（利用8波段影像开展收获分类、知识规则校正及跨尺度样本增强）

2. Sentinel-2 L2A（利用反射率和植被指数共34个特征，开展田块尺度已收获/未收获分类）

3. MODIS MOD09GA V6.1（利用7个反射率波段及派生指数共24个特征，估算像元内小麦已收获比例并提取收获日期）

辅助数据：

1. 冬小麦分布图（引用Yang等2023年的产品，剔除非小麦区域，并汇总至MODIS网格确定小麦面积）

2. 地面照片位置与方位信息（用于定位照片对应农田、构建观测范围并与卫星匹配）

样本数据：

1. 2023年车载照片（使用GoPro Hero 9，5月20日至6月23日沿约1400 km路线分批调查，调查间隔3—4天，共约50万张照片）

2. 2024年手机众包照片（通过微信小程序记录照片、位置、方位及农田信息，共约3万张地理定位照片）

3. 照片人工标注样本（收获前、收获后和其他各2000张，共6000张；训练3360张、验证840张、测试1800张，用于训练ResNet-18自动标注模型）

4. PlanetScope匹配地面样本（照片分类、置信度筛选和小麦掩膜处理后，2023年314098个、2024年27425个；其中7000个用于初始模型训练与验证，分别为5000个和2000个）

5. Sentinel-2地面参考样本（2023年17395个、2024年7385个，共24780个，用于收获状态评价等试验）

6. 收获日期参考样本（根据同一位置连续地面观测识别首次收获后状态；Sentinel-2匹配样本为2023年471个、2024年306个，MODIS对应1220个和777个）

7. 最终增强样本（PlanetScope分类结果经跨尺度匹配及质量过滤，形成139627个Sentinel-2分类样本和2130985个MODIS收获比例样本；属于模型生成标签，不是新增实测样本）

8. MODIS人工解译独立验证样本（人工判读粗像元内收获比例，用于检查衍生标签评价可能产生的偏差）

研究方法：

研究先用少量人工标注照片训练ResNet-18，对车载影像自动分类并筛选高置信度地面标签，再结合手机众包观测训练PlanetScope随机森林收获分类模型；对区域表现不足的模型，利用PSRI和黄光波段反射率规则提取高纯度收获后样本，进行区域校正。随后，以PlanetScope为中间尺度，生成Sentinel-2均质分类样本，并按MODIS像元内小麦面积汇总收获比例标签，经聚类过滤后分别训练HCTL分类与回归路径。最终利用多期收获结果识别连续两次收获后观测中的首次日期，MODIS路径以像元内小麦收获比例超过60%判定收获状态，并通过地面样本、跨年试验、人工解译及样本量和特征敏感性分析评价方法表现。

1. 利用KGML框架开展样本增强

知识规则校正主要改善了初始随机森林表现较差的区域。2023年低精度区域平均准确率由0.68提高至0.94，2024年由0.45提高至0.78；校正后仍未达到0.80标准的区域不用于增强样本生成。PlanetScope初步生成了覆盖不同轮作及收获后地表类型的大量样本，扩大了地面调查的空间代表性。需要注意，2024年的0.78是低精度区域校正后的平均表现，不能写成所有区域均超过0.80。

2. HCTL模型的收获监测表现

经过匹配和过滤，Sentinel-2最终增强样本为139627个，约为地面参考样本的5.63倍。HCTL在三个分类试验配置中总体精度达到0.93，但以2024年训练、2023年测试时降至0.82，说明跨年迁移存在方向差异。MODIS回归路径在三种配置中与PlanetScope衍生标签的R²均为0.97，RMSE为0.07—0.08。两类卫星均刻画了收获初期缓慢、中期快速推进、后期趋稳的过程，但两者统计对象不同：Sentinel-2描述分类后的已收获像元比例，MODIS描述粗像元内的小麦收获比例分布，不能直接比较为同一种全省收获完成率。

3. 收获日期制图表现

MODIS的收获日期监测优于Sentinel-2，MODIS的R²为0.82、RMSE低于2天；Sentinel-2的R²低于0.65、RMSE低于5.5天。主要原因是MODIS每日观测更有利于捕捉集中收获过程，而Sentinel-2受重访间隔和云污染影响较大。江苏小麦收获日期主要集中在年积日150—170，即5月末至6月中旬，总体呈南早北晚。

1. KGML框架在收获监测中的优势

框架利用PlanetScope连接地面调查和区域卫星监测，通过少量高纯度规则样本修正区域分类偏差，再为深度学习提供更丰富的训练数据。知识规则的目的不是独立完成所有收获识别，而是尽量避免将未收获区域误标为收获后样本。PSRI与黄色波段联合规则虽然总体精度并非最高，但收获后类别的误分污染较少，更适合用于校正样本生成。不过，其阈值由江苏冬小麦条件确定，不能无校准地用于所有作物和地区。

2. PlanetScope在跨尺度样本增强中的作用

PlanetScope的3 m空间分辨率和较高时间频率有助于减轻地面样本与卫星像元不匹配的问题。针对江苏破碎化农田，研究没有将两类卫星强行用于同一任务，而是让Sentinel-2识别田块收获状态，让MODIS估算亚像元收获比例。不同破碎程度区域的对比显示，两种高分辨率影像的收获格局较一致，支持PlanetScope作为中间尺度样本来源的可行性，但这种一致性不等同于完全独立的地面验证。

3. 样本量与特征选择对HCTL表现的影响

Sentinel-2分类约需25000个训练样本后性能趋稳，MODIS回归则约需200000个。将较高样本需求与收获后裸土、秸秆、水面等地表差异、粗像元混合效应及模型复杂度联系起来。增加植被指数总体有助于补充原始波段信息，但超过一定样本规模后收益递减。因此，样本数量应与地表异质性、任务和计算成本共同考虑，较简单的CNN、LSTM或RF仍可作为资源受限时的备选。

5. 结论

研究通过知识规则与机器学习结合，以PlanetScope为中间尺度扩充训练样本，再利用HCTL分别支持Sentinel-2田块收获分类和MODIS区域收获比例、日期监测，为地面调查覆盖有限且农田破碎化的地区提供了跨尺度方案。其优势在于区域校正、样本增强和不同传感器任务的互补，而不是完全摆脱地面观测。方法在江苏两年试验中表现较好，但仍受光学观测缺口、伪标签误差、混合像元和经验阈值影响，跨区域应用需要进一步验证及适当校准。

免责声明：文章所引图文来自农业遥感监测及应用公众号，仅供学习参考，若涉及侵犯版权请告知，我们将及时删除。