
Cheng, F., Qiu, B., Yang, P., Wu, W., Yu, Q., Qian, J., Wu, B., Chen, J., Chen, X., Tubiello, F.N., Tryjanowski, P., Takacs, V., Duan, Y., Lin, L., Wang, L., Zhang, J., Dong, Z., 2025. Crop sample prediction and early mapping based on historical data: Exploration of an explainable FKAN framework. Computers and Electronics in Agriculture 237, 110689.
近日,福州大学数研院邱炳文团队构建了一种可解释性的自适应特征注意力柯尔莫哥洛夫-阿诺德网络(FKAN),用于遥感作物样本预测与精准制图。
该模型创新性地设计了自适应加权特征注意力模块(AWFA)与可解释性KAN网络结构,能够可视化作物与识别特征之间的复杂关系,自动筛选并利用关键时空特征,从而显著增强了模型的可解释性与泛化能力。研究团队基于FKAN模型构建了全球冬小麦识别系统,创建并公开发布了全球首张10米分辨率的冬小麦分布图(GlobalWinterWheat10m)。
研究成果发表在在农林科学领域国际顶级期刊《Computers and Electronics in Agriculture》(中科院SCI一区TOP,IF:8.9)。该论文第一作者为福州大学博士生成飞飞,福州大学数字中国研究院(福建)教师邱炳文研究员为通讯作者。该研究获得国家重点研发计划子课题(2022YFD2001101)、国家自然科学基金(42171325,41771468)等项目资助。该研究团队将持续创新多层次协同作物识别理论和技术方法,应对加快农业强国建设对高时效农情数据的迫切需求。
论文链接:https://www.sciencedirect.com/science/article/abs/pii/S0168169925007951
代码链接:https://github.com/FZUcheng123/FKAN
论文引用:Cheng, F., Qiu, B., Yang, P., Wu, W., Yu, Q., Qian, J., Wu, B., Chen, J., Chen, X., Tubiello, F.N., Tryjanowski, P., Takacs, V., Duan, Y., Lin, L., Wang, L., Zhang, J., Dong, Z., 2025. Crop sample prediction and early mapping based on historical data: Exploration of an explainable FKAN framework. Computers and Electronics in Agriculture 237, 110689.
全球冬小麦动态监测系统:https://ee-cff520520.projects.earthengine.app/view/chinafkanwheat
2024年全球冬小麦数据集下载链接:https://code.earthengine.google.com/?asset=projects/ee-globalwheat123/assets/GlobalWinterWheat10m_2024

图1. 论文整体研究框架

图2. 不同时期的特征重要性排序与可视化

图3. 基于时间序列遥感影像的冬小麦全生育期分类精度评估与实地验证图像示例

图4. 2024年全球10m分辨率冬小麦空间分布图(图中展示为500m重采样结果)

图5.全球冬小麦动态监测系统
数研院农业遥感团队成果介绍及链接:
http://adcfj.cn/sirc/door/team/TeacherList/Detail?personId=431
https://www.researchgate.net/profile/Bingwen-Qiu(ResearchGate)
https://doi.org/10.6084/m9.figshare.28804472.v1