ISPRS重磅成果|武汉大学王心宇团队提出FineCrop新框架 ，破解精细作物制图难题

主要观点总结

本文提出了一种新型精细作物制图框架FineCrop，通过类别感知特征解耦（CFD）和地块感知类别重平衡（PCR）分支，解决了作物子类物候相似性和分类数据不平衡的双重挑战。基于Sentinel-2数据构建FineCropSet数据集（含138种作物类型），实验表明FineCrop使三个研究区的深度学习模型精度分别提升5.83%、1.42%、0.89%。消融实验证明框架可降低类别不平衡度5-18倍，并有效提取地块级细节特征，展现出在大规模作物制图中的应用前景。

关键观点总结

关键观点1: 核心挑战

精细作物制图面临作物子类物候相似性导致特征提取困难，及数据分布不平衡引发模型偏向主导类别的双重挑战。

关键观点2: 创新框架

提出FineCrop双分支框架：CFD通过特征解耦增强子类区分度，PCR通过地块尺度类别重平衡缓解数据不平衡问题。

关键观点3: 数据与验证

构建覆盖德国、斯洛伐克和荷兰的FineCropSet数据集（138种作物类型），配对t检验显示模型精度提升显著（p<0.05）。

关键观点4: 应用价值

实验证明框架可降低类别不平衡5-18倍，提取地块级特征差异，特别适用于处理物候相似且分布不平衡的作物分类任务。