图1.小麦‑玉米轮作与小麦‑水稻轮作体系下收割后的农田地表状况示例。
图2.江苏省地理位置。(a) 2023 年车载相机实地采样路线，粉色、绿色、蓝色分别代表 3 条采样路线；(b) 2024 年基于智能手机众包方式的实地采样点分布。
图3.2023‑2024 年小麦收割季研究所用实地样本与 PlanetScope、Sentinel‑2、MODIS 卫星数据分布。符号代表数据源，符号大小代表当日获取数量；竖直虚线代表 MODIS、Sentinel‑2、PlanetScope 与实地数据同步观测日期；PlanetScope 影像仅选取与 Sentinel‑2 轨道日期相匹配的数据。
图4.整体技术流程图。(a) 数据采集；(b) 利用 ResNet18 对实地影像进行自动标注；(c) 知识引导机器学习实现样本增广；(d) 基于增广样本训练 HCTL 模型开展收割动态监测。
图5.HCTL 模型整体架构。Conv Block 为卷积模块；Transformer 模块包含多头注意力、GELU 激活与归一化层；BiLSTM Block 为双向长短期记忆模块；箭头代表数据流向。Sentinel‑2 分类任务采用 Softmax 输出，MODIS 回归任务采用线性输出。
图6.基于 PlanetScope 影像的知识引导机器学习模型精度。(a)(d) 分别为 2023、2024 年 KGML 框架精度；(b)(e) 分别为 2023、2024 年原始模型与知识规则引导后模型精度对比；(c)(f) 分别为 2023、2024 年参与知识引导机器学习的影像占比，initial 代表初始模型分类精度，KGML 代表知识规则校正后精度。
图7.基于 PlanetScope 影像生成的 Sentinel‑2 分类增广样本与 MODIS 收割占比增广样本空间分布。
图8.基于 Sentinel‑2 得到的江苏省 2023 年 (a) 与 2024 年 (b) 小麦收割进程。注：收割占比指 Sentinel‑2 影像中已收割像元占总像元的比例；红色曲线为逻辑斯蒂函数拟合，L 为最大收割占比，k 为收割速率，x0为收割 50% 面积对应的日期。
图9.基于 MODIS 得到的江苏省 2023 年 (a) 与 2024 年 (b) 小麦收割进程。红线代表中位数。
图10.卫星反演收割积日与实地观测收割积日对比。(a‑b) 2023、2024 年 Sentinel‑2 结果；(c‑d) 2023、2024 年 MODIS 结果。
图11.MODIS 反演得到的江苏省 2023 年 (a)、2024 年 (b) 小麦收割积日空间分布图。
图12.知识规则在 73 景 PlanetScope 影像上的精度（用户精度、生产者精度）。
图13.知识规则得到的江苏省收割后分类结果空间分布。
图14.不同地块破碎程度区域下 PlanetScope 与 Sentinel‑2 收割监测结果对比。A‑C 样区分别代表低破碎、中等破碎、高度破碎地块场景。
图15.样本量与特征选择对 HCTL 模型性能的影响。(a) 样本量对分类精度的影响（数据集 4）；(b) 特征维度对分类精度的影响；(c) 样本量对回归性能的影响（数据集 3）；(d) 特征维度对回归性能的影响。
