近日，中国农业科学院农业资源与农业区划研究所在作物类型制图研究方面取得重要进展。相关成果以“MCDA: a novel domain adaptation with multiple classifiers for crop mapping”为题，发表在《Computers and Electronics in Agriculture》期刊上。

准确的作物制图对优化农业生产、提高资源利用效率以及支撑精准农业管理和环境监测具有重要意义。然而，作物制图通常依赖大量参考数据作为标签，这些标签获取成本高、耗时长，且容易受到人为主观因素的影响。与此同时，遥感影像的获取受地理位置、气候条件和作物特性等因素影响显著，不同区域的数据之间往往存在明显的分布差异，使得在某一地区训练好的分类模型难以直接迁移应用到其他地区。如何克服这种“域偏移”现象、提升模型在不同区域间的泛化能力，已成为作物分类研究中的关键问题。

为解决上述科学问题，研究团队创新性地提出了一种多分类器域自适应模型（Domain Adaptation with Multiple Classifiers，MCDA）。该模型无需目标区域的参考标签数据即可完成作物制图，为缺乏地面样本地区的作物分类提供了可行方案。与传统基于差异度量的方法不同，MCDA模型借助特征提取器与两个分类器之间的博弈，构建出类似对抗网络的"最大化—最小化"交替优化机制，以多分类器对抗学习替代常规的域判别器，引导特征提取器将目标域样本映射至源域的支撑空间，进而学习到更具鲁棒性的域不变特征。针对目标域缺乏标签、难以监督模型选择这一长期存在的难题，研究还引入深度嵌入验证（Deep Embedded Validation，DEV）风险，在没有目标域标签的情况下完成超参数优选。为验证模型的稳定性和泛化能力，团队在美国、捷克、中国和阿根廷四个国家选取了六个代表性研究区，利用Sentinel-2卫星影像计算的时序植被指数，针对玉米与冬小麦、水稻、大豆等典型作物开展了三组迁移实验。结果表明，MCDA模型在多数迁移场景中表现最优，尤其在跨南北半球的时空迁移中仍能保持稳定表现，充分验证了其在极端时空差异条件下的适应能力。该研究成果为田间样本难以获取的地区提供了切实可行的技术路径，可为相关场景下的作物制图提供数据与技术支撑，这种空间化作物模型有望在全球范围内得到推广应用，为应对气候变化和保障粮食安全提供强有力的技术支持。

中国农业科学院农业资源与农业区划研究所徐昌宏为论文第一作者，高懋芳研究员为论文通讯作者，该研究得到国家重点研发计划项目等支持。

原文链接：https://doi.org/10.1016/j.compag.2026.111450

图1不同模型在捷克、黑龙江和阿根廷研究区的可视化预测结果对比图