近日，我校计算机与信息工程学院遥感与智慧农业团队在农业遥感与智能信息处理领域期刊《Frontiers in Plant Science》（2025版中科院二区期刊）发表题为“Crop classification method for multi-temporal remote sensing imagery based on a (3 + 2)D SAFPN”的研究论文。我校计算机与信息工程学院白云莉教授为通讯作者，硕士研究生孙溢聪为第一作者，内蒙古农业大学为第一完成单位。
在复杂种植结构与多时相遥感条件下，作物光谱特征相似、生长周期重叠及类别不均衡等问题，严重影响分类精度。针对这一关键技术难题，研究团队基于多时相遥感+AI技术，提出了一种融合时空特征与多尺度信息的(3+2)D Split-Attention Feature Pyramid Network（(3+2)D SAFPN）模型，实现了复杂农业场景下农作物的高精度识别。
研究以内蒙古自治区巴彦淖尔市五原县塔尔湖镇为研究区域，利用Sentinel-2多时相遥感影像，构建了覆盖全年生育期的NDVI时间序列数据集。通过引入Split-Attention注意力机制与Focal Loss损失函数，模型在增强时空特征表达能力的同时，有效缓解了作物类别分布不均衡问题。
实验结果表明，在德国慕尼黑Munich公开数据集上，模型测试集总体精度达到95.82%；在塔尔湖镇自建数据集上，总体精度提升至89.01%，显著优于基线模型。尤其在易混淆作物及小类别作物识别方面，模型表现出更强的判别能力和稳定性。
研究还基于分类结果对2024年塔尔湖镇主要农作物种植面积进行了估算，并结合历史影像开展对比验证。结果显示，分类制图与实际种植格局高度一致，能够准确反映区域轮作制度与规模化种植特征。通过类别激活区间（CAI）分析，研究揭示了模型在作物关键生育阶段对时序特征的关注规律，验证了模型在农作物动态监测中的可解释性与稳定性。
该研究不仅为多时相遥感数据驱动的农作物精细分类提供了有效技术路径，也为区域种植结构监测、产量评估与智慧农业决策提供了重要技术支撑，对推动农业数字化与精准化管理具有积极意义。研究得到内蒙古自治区直属高校基本科研业务费项目（BR220145）和内蒙古自治区自然科学基金项目（2025MS06007）等项目资助。
