通过增加积温天数来提升作物分类的准确性：架起经典模型与区域泛化之间的桥梁

《Remote Sensing Letters》：Enhancing crop classification with growing Degree days: bridging classical models and regional generalization

作物分类在遥感中面临跨区域气候差异和生长周期不匹配的挑战，本文提出引入生长度日（GDD）提升模型泛化能力，基于土耳其两种气候区的2023-2024年数据验证，随机森林、梯度提升等5种模型分类准确率最高提升43%，F1分数显著提高，证实GDD的有效性和可扩展性。

　　

摘要

作物类型分类在遥感领域仍然是一个关键挑战，尤其是在不同气候区域的泛化能力方面。尽管分类模型取得了进步，但由于气候差异导致的作物生长时序的不确定性仍然阻碍了跨区域的性能提升。在本文中，我们证明了将生长积温（GDD）这一与生物学相关的热时间指标纳入作物模型中，能够显著提高不同区域和生长季节间的泛化能力。通过使用土耳其两个气候差异显著的区域在2023年和2024年生长季节的数据，我们的方法一致性地提升了分类性能。数值结果表明，整合生长积温后，随机森林（Random Forest）的准确率提高了43%，梯度提升（Gradient Boosting）提高了29%，XGBoost提高了32%，支持向量机（SVM）提高了12%，多层感知器（MLP）提高了40%。所有模型的F1分数也都有显著提升，某些作物的准确率提高了30%以上。这些发现凸显了生长积温在改善跨区域作物分类方面的鲁棒性和可扩展性。