AMGFormer：基于多层级GNSS记录自编码器的农机轨迹作业模式识别模型

　　为解决农机轨迹数据中时空特征挖掘不足、特征间依赖关系忽略等问题，研究人员提出AMGFormer模型，通过统计分布数据增强（DES）、多层级GNSS记录自编码器（MGRA）和动态交互模块（DIM）实现农机作业模式精准识别，准确率达91.30%，较现有方法提升4.57%，为智慧农业时空轨迹分析提供新范式。

　　

在智慧农业领域，农机作业轨迹的时空特征挖掘是优化生产流程的关键。然而，现有方法面临两大瓶颈：一是传统模型依赖人工标注的田块边界（如Kortenbruck等2017年方法），难以适应无边界信息的复杂场景；二是深度学习模型（如STGCN、BiLSTM）虽能自动提取特征，但忽略轨迹点内部特征调控与跨区域拓扑异质性，导致识别准确率受限。更棘手的是，GNSS信号受天气、地形等因素干扰，造成轨迹数据噪声大、空间异构性显著，形成“同类轨迹不同分布”的识别难题。

针对上述挑战，中国农业大学的研究团队在《Computers and Electronics in Agriculture》发表研究，提出AMGFormer模型。该研究通过三阶段技术路线实现突破：首先采用统计分布数据增强（DES）从原始GNSS属性衍生21维特征；随后设计并行双分支结构——信息感知上下文模块（IAC）捕捉轨迹点内部细粒度关联，半自适应空间聚合模块（SASAC）通过图注意力矩阵动态学习轨迹点拓扑关系；最后通过动态交互模块（DIM）融合多模态特征，过滤无关上下文。实验数据来自农业农村部农业机械化作业监测与大数据应用重点实验室的样本库。

主要研究结果

1. 数据增强方案验证：DES提取的衍生特征（如滑动窗口内速度标准差）使特征维度扩展至原始数据的3倍，显著提升模型对噪声的鲁棒性。
2. 多层级特征提取：IAC模块通过多头注意力机制生成8组子空间注意力图，捕获轨迹点内部转速、航向角等特征的微观关联；SASAC模块构建的掩膜邻接矩阵成功识别出农田作业“同质区域”，其边界轮廓与实际田块匹配度达89.2%。
3. 动态交互优化：DIM模块使模型在潜在层计算量减少37%的同时，F1分数提升2.4%，证明跨分支信息互补的有效性。
4. 性能对比：在跨区域作业数据集上，AMGFormer以91.28%的F1分数超越GAN-BiLSTM（86.65%）、STGCN（84.91%）等基线模型，对“田间-道路”混合轨迹的识别误差降低62%。

结论与意义
该研究首次实现农机轨迹“点内特征-点间拓扑”的双维度建模：DES增强策略突破传统特征工程局限；MGRA架构通过并行双分支解决时空特征割裂问题；DIM模块开创性地引入计算机视觉中的特征交互思想。实际应用中，模型可支持农机跨区调度（如小麦收割机从低纬向高纬迁移时的路径规划），其开源代码（GitHub/Amariscape/AMGFormer）已应用于黑龙江农垦系统的作业效率评估。未来研究可探索多模态数据（如遥感影像）与轨迹的联合建模，进一步应对复杂农情下的识别挑战。