PhenoStitch：来自卫星图像时间序列的 无需训练 全景作物绘图

全景农作物测绘需要描绘各个农业地块，并根据卫星图像时间序列为每个地块分配农作物类型。现有方法通常依赖于密集的地块级注释和特定于任务的 模型训练，这限制了它们对新区域和生长季节的适用性。我们推出了 PhenoStitch，这是一种全景作物绘图管道，不需要特定于任务的基于梯度的训练。冻结的 Segment Anything 模型首先将每个补丁过度分割为与类无关的区域。对于每个区域，光学 NDVI 和 Sentinel-1 反向散射系列通过分析双谐波物候特征进行总结。然后通过最小化 Potts 图能量将相邻区域合并为地块，并且每个地块通过最近原型匹配仅使用每类 (k) 个标记地块进行分类。最后的拓扑闭合步骤生成全景图。在每类 (k=20) 个地块的匹配预算下（相当于不到 1% 的可用标签），PhenoStitch 在 5 倍、3 种子评估下在 PASTIS-R 上实现了 20.0 裁剪 mIoU、76.2 分割质量和 6.2 全景质量。它的性能优于在相同协议下评估的冻结基础模型、少样本和匹配预算监督基线，并且在 ZueriCrop 上也观察到了一致的排名。消融研究表明，雷达观测贡献了最大的性能增益，而图能量合并和紧凑的物候特征提供了进一步的改进。这些结果证明了将无标签地块划分与少样本物候识别相结合以在有限监督下进行全景作物制图的有效性。