** 在农业生产的大舞台上，精准识别作物类型就像一把精准的 “手术刀”，对于农业监测、产量预估、资源合理分配以及经济发展战略的制定都至关重要。近年来，高光谱成像（HSI）技术凭借其能获取丰富光谱和空间信息的优势，成为遥感数据分析领域的 “新宠”，在作物精细分类、植物病害检测等多个方面展现出巨大潜力。
然而，传统的 HSI 分类方法却存在诸多 “短板”。早期的方法往往只关注光谱信息，忽视了像素间的空间关联，导致分类时丢失了重要的空间特征；后来一些利用空间特征的方法，又没能充分挖掘光谱维度的信息。深度学习方法的出现，虽然带来了新的希望，但也面临着各自的问题。比如，基于卷积神经网络（CNN）的方法受限于卷积核的感受野，难以捕捉长距离依赖关系；视觉 Transformer（ViT）虽能捕获长距离依赖，但在提取局部特征方面表现欠佳。而且，现有的结合 CNN 和 ViT 的方法，在特征融合上不够灵活，在复杂场景下的细粒度分类能力不足。在这样的背景下，为了突破这些困境，甘肃农业大学机电工程学院等研究机构的研究人员开展了深入研究。
研究人员提出了一种名为 CMTNet（Convolutional Meets Transformer Network）的创新深度学习框架，旨在实现基于无人机（UAV）的高光谱作物精准分类。相关研究成果发表在《Scientific Reports》上。
研究人员在这项研究中运用了多种关键技术方法。首先，采用公开的 HSI 数据集，如来自武汉大学的 WHU-Hi 系列数据集，包括 WHU-Hi-LongKou、WHU-Hi-HanChuan 和 WHU-Hi-HongHu 数据集，这些数据集包含不同地区、不同土地覆盖类型的高光谱影像数据。其次，构建了 CMTNet 网络模型，该模型由光谱 - 空间特征提取模块、局部 - 全局特征提取模块和多输出约束模块组成。在实验过程中，利用服务器配备的硬件资源和相关软件平台进行模型训练和测试，并通过多次重复实验取平均值来减少随机因素的影响。
下面来看具体的研究结果：
- 数据集与实验设置：使用的 WHU-Hi 系列数据集来自中国湖北省江汉平原，涵盖多种作物类型。每个数据集按一定比例划分为训练集和测试集。实验在特定服务器上进行，通过调整输入图像补丁大小、学习率、批大小以及网络层参数等，确定了最佳实验参数124。
- 对比实验结果：将 CMTNet 与多种先进方法对比，如随机森林（RF）、支持向量机（SVM）、2D-CNN、3D-CNN、Resnet、ViT、SSFTT 和 CTMixer 等。在三个数据集上，CMTNet 的总体准确率（OA）分别达到 99.58%、97.29% 和 98.31%，超越了当前最先进的方法 CTMixer，OA 值分别提高了 0.19%、1.75% 和 2.52%。在分类复杂场景下，CMTNet 能更好地整合高维信息，减少误分类，尤其在识别相似光谱特征的作物时表现出色356。
- 消融实验结果：通过消融实验验证了 CMTNet 各模块的有效性。结果表明，光谱 - 空间特征提取模块和多输出约束模块（MOCM）的加入显著提升了分类精度，MOCM 能有效增强模型的鲁棒性和稳定性7。
- 模型效率分析：对模型计算效率测试发现，传统机器学习模型运行速度快，但深度学习模型中，基于 Transformer 的方法比基于 CNN 的方法效率更高。CMTNet 虽然分类精度达到了最先进水平，但其计算成本高于传统机器学习方法8。
研究结论与讨论部分指出，CMTNet 在多种数据集上实现了最先进的分类性能，为精准农业中的作物分类提供了有力的技术支持，有效提升了高光谱作物分类的精度和可靠性。然而，该模型也存在一些局限性，如在阴影影响区域的分类准确性有待提高，小样本类别的过拟合风险仍需关注，计算成本较高限制了在资源受限设备上的部署。针对这些问题，研究人员提出了未来的研究方向，包括集成多模态数据（如 LiDAR 高程信息）增强模型在复杂环境下的鲁棒性，优化实时性能和探索模型压缩技术（如剪枝和量化）降低计算成本，以及结合边缘计算框架实现无人机平台的高效部署，推动精准农业的实时监测应用发展。这一系列研究成果和未来展望，为精准农业领域的发展开辟了新的道路，有望在实际农业生产中发挥重要作用，推动农业向着更加智能化、精准化的方向迈进。**
生物通微信公众号
