粮食安全与人民生活和国家稳定紧密相关。及时、准确地掌握大范围农作物种植面积和空间分布信息对于保障粮食安全具有重要意义。目前不少学者将深度学习与遥感数据结合，在农作物识别方面取得了优于传统方法的农作物识别精度。但是，绝大部分研究采用的是监督式模型，一方面需要大量的标签样本来支持模型构建，另一方面训练好的模型在跨地域应用中表现较差，难以在其他地区取得可靠的识别结果。
本研究主要目的是基于迁移学习中的领域自适应方法，结合遥感时序数据蕴含的丰富特征，实现农作物跨地域自适应识别。首先，本研究构建了一种单源域领域自适应农作物识别模型（DACCN），选择美国4个州和中国2个省作为研究区，设计跨空间、跨时间和跨时空三个维度的迁移实验，并以监督式深度学习和传统机器学习作为对比模型，结果显示DACCN在各种迁移场景均优于监督式模型，在目标域的农作物识别精度为0.835到 0.922之间，在实际制图中DACCN也取得了与真实地图更接近的结果。此外，源域和目标域存在农作物物候、地理气候条件和耕作管理方式的差异，这种差异会影响知识迁移的效果，一般要寻找与目标域差异小的源域来进行迁移，但由于目标域的标签样本缺失，难以开展最佳源域的筛选。因此，本研究设计了一种多源领域自适应农作物识别模型（MUCCM），通过不同源域的知识互补，实现目标域农作物的非监督精准识别。本研究选择了美国11个州为多源域，分别选择中国3个省为目标域，以单源域领域自适应模型和监督式深度模型作为对比模型，结果显示，与其他方法相比，MUCCM在目标域识别效果最佳，识别精度均大于85%，在实际制图和提前预测中也取得了最佳精度。
本研究探索了领域自适应方法在农作物遥感识别应用中的潜力，通过提出的DACCN模型和MUCCM模型，实现了在标签样本缺失情况下的非监督农作物精准分类，有效缓解了深度学习模型对大量标签样本的依赖，节省了标签搜集需要的人力物力，为大范围农作物制图研究提供了新思路。

农作物分类,遥感