综述：基于卫星遥感的欧洲作物覆盖分类：不同方法途径的准确性

本综述系统评述了欧洲范围内基于卫星遥感的作物分类研究，聚焦于不同遥感数据源（光学如Sentinel-2/Landsat与雷达如Sentinel-1）、分类算法（如随机森林RF、深度学习DL、支持向量机SVM）及预处理方法对分类精度的影响。文章指出，多源数据融合（光学+雷达）、多时相分析以及对象级分类能显著提升精度，而深度学习虽具优势，但随机森林因其较低计算成本仍是大规模应用的可行选择。该文为未来作物分类研究的方法选择和性能评估提供了重要参考。

　　

在欧洲农业监测领域，利用卫星遥感技术进行精确的作物覆盖分类，对于估算作物面积、预测产量以及分析农业环境相互作用至关重要。这篇综述系统性地回顾和比较了在欧洲背景下，不同方法论途径在作物分类准确性方面的表现。

摘要

作物地图在从计算作物面积、预测粮食产量到分析农业环境相互作用等多种应用中扮演着重要角色，凸显了对及时准确的农业土地利用信息的需求。遥感数据的可获得性催生了众多作物分类研究，这些研究探索了多种方法来提升分类性能，例如遥感源的选择、分类算法以及预处理方法。本文在欧洲背景下比较了这些方法在分类准确性方面的差异。研究还探讨了分类级别、研究区域划分和类别粒度等方面。综述表明，光学产品比雷达产品能提供更多的作物识别信息，然而，将光学数据与雷达后向散射结合能提高准确性。分类准确性受益于特定特征，例如光学产品的红边和光谱指数，以及雷达的哈拉利克纹理。与传统机器学习（ML）和基于距离的分类方法相比，深度学习（DL）算法被证明能实现更优的性能。尽管如此，随机森林（RF）在相对较低计算成本下可比的准确性使其成为大规模应用的一个可行替代方案。最后，预处理方法以及地形、气候和作物生长模式数据似乎也能提高准确性。

引言

及时、可靠和全面的农业土地利用信息对于促进可持续土地管理实践以及评估气候变化对农业的生态、经济和社会影响至关重要。本文旨在综述现有文献，并系统比较不同遥感源、分类算法和预处理技术在分类性能方面的表现。本综述仅限于为欧洲提供作物分类的研究。我们识别了方法和遥感源在过去二十年中的演变。此外，本研究强调了影响分类准确性的其他因素，如类别数量、研究区域定义和分类粒度。

方法

纳入综述的研究通过Google Scholar和Web of Science进行搜索。主要纳入标准包括：卫星遥感影像是分类数据的主要来源、研究区域位于欧洲（包括土耳其）、出版年份在2000年以后且出版语言为英语。最终，共有148篇相关论文被纳入分析，包括13篇会议论文和135篇期刊文章。对于每项研究，我们系统地记录了研究区域位置、面积、制图与出版年份、分类算法、分类准确性、预处理方法、后处理方法、分类级别、作物类别、地面真实数据以及所使用的卫星数据源。

作物覆盖分类图的类型

• •
  区域覆盖：尽管许多欧洲国家都存在作物分类研究，但在大多数地区，全面的国家级分类图仍然稀缺。大多数研究集中在法国和德国，其中德国在总体研究数量和国家级研究方面均处于领先地位。相比之下，东欧和北欧的研究明显缺乏。大范围的研究仍然相对有限。
• •
  地面真实数据：监督分类需要参考数据，通常称为“地面真实”数据来训练模型。这些数据可以通过实地调查、农民申报（如欧盟的共同农业政策CAP下的综合管理与控制系统IACS及其地理模块地块识别系统LPIS）、现有的土地利用图（如Corine Land Cover）或专门的基准数据集（如ZueriCrop, Sen4AgriNet）获取。
• •
  数据可用性：遵循开源科学的趋势，部分作者公开分享了他们的数据集、源代码或工作成果。然而，在136项研究中，只有14项提供了开源数据、代码或结果，这未达到当今开放获取科学标准的要求。
• •
  类别粒度：作物地图上的类别可以具有不同的粒度级别，这取决于地面真实数据的可用性和地图用户所需的细节程度。常见的做法是根据作物的光谱特征、物种科、季节或用途的相似性来合并某些作物类型。研究表明，合并类别通常比细粒度类别能获得更高的总体分类准确性。

不同作物分类方法的性能

• •
  遥感数据源：
  • •
    光学产品：如Sentinel-2和Landsat，是最常用的光学产品。它们提供可见光、近红外（NIR）和短波红外（SWIR）的反射率值。红边波段、短波红外波段、近红外波段以及植被指数（如NDVI、SAVI、GNDVI）被证明对作物分类非常有益。光学产品的主要缺点是受云层覆盖影响。
  • •
    雷达产品：如Sentinel-1，是主动遥感，能够穿透云层，提供关于目标结构和几何形状的信息。VV极化模式通常比VH模式表现更好，而结合VV和VH或使用其比值（VH/VV）可以提高准确性。哈拉利克纹理特征（如熵）也被证明能提供重要信息。
  • •
    多源分类：结合光学和雷达数据（多源分类）通常比单一数据源产生更好的结果，因为它同时利用了作物的光谱和纹理特征，并能弥补光学数据因云层造成的数据缺口。
  • •
    多时相分类：使用多个时间点的遥感数据进行分类，可以分析作物生长的时间序列，从而更准确地区分光谱特性相似但在生长季节不同阶段表现出差异的作物。准确性通常在作物生长关键期（如5月和7月）有显著提升。
  • •
    时间合成：将同一区域多个日期获取的图像信息进行合并（如取均值、中值等），有助于减少数据量、填补云层缺口，并在一定程度上保持时间信息。使用更频繁的图像通常能提高分类精度。
• •
  分类算法：
  • •
    随机森林：由于其鲁棒性、处理高维数据的能力、相对较低的计算成本以及易于使用，成为最常用的分类算法，特别适合大规模应用。
  • •
    支持向量机：能够有效处理高维特征空间，即使在训练数据集较小的情况下也能表现良好，并且对噪声特征有一定的鲁棒性。
  • •
    最大似然分类：一种参数化分类方法，在中等分辨率多时相数据中曾表现出良好性能，但随着机器学习算法的普及，其使用率下降。
  • •
    深度学习：包括卷积神经网络（CNN）、循环神经网络（RNN）等。这些算法能够学习复杂的时空特征，在许多研究中显示出超越传统机器学习算法的潜力，尤其擅长处理多时相数据。然而，它们通常需要大量的训练数据和较高的计算资源。
  • •
    其他算法：如决策树（DT）、K近邻（KNN）以及基于距离的分类器（如光谱角制图SAM），在比较中通常表现不如上述主流算法。
• •
  分类级别：
  • •
    像素级分类：对每个像素单独分类，方法简单但可能产生“椒盐噪声”，且计算成本较高。
  • •
    对象级分类：将像素分组为对象（如基于已有的田块边界或通过图像分割算法），然后在对象级别进行分类。这种方法通常能产生更均匀的结果，并显著提高分类准确性，同时降低计算成本。当有可用的田块边界数据（如LPIS）时，对象级分类优势明显。
• •
  附加特征：
  将地形特征（如高程、坡度）和气候数据（如温度、降水）与遥感数据结合，可以进一步提高分类精度，因为这些因素影响了作物的生长环境。
• •
  附加方法：
  • •
    分层分类：先进行粗粒度分类（如区分耕地与非耕地），再对感兴趣区域进行细粒度分类，可以提高效率并可能提升精度。
  • •
    特征选择：通过方法（如随机森林重要性评估）减少特征数量，保留对分类贡献最大的特征，可以提高模型效率和性能。
  • •
    研究区域划分：对于大范围研究，根据气候或行政单位划分研究区域进行并行处理，有时有助于提高精度，尤其是当划分考虑了环境异质性时。

结论

本综述评估了欧洲作物分类研究，并报告了各种方法和数据源对分类准确性的影响。分析表明，光学产品比雷达产品提供更多信息，而光学与雷达数据的融合能进一步提高精度。红边波段、植被指数（如NDVI）以及雷达的VV极化和哈拉利克纹理是关键有益特征。多时相分析能有效提升对相似作物的区分能力。在算法方面，深度学习展现出卓越性能，但随机森林因其在精度和计算效率间的良好平衡，仍是大规模应用的重要选择。对象级分类通常优于像素级分类。整合地形和气候等附加特征也有助于改善结果。未来的研究需要关注改进云处理技术、增强分割算法、增加地面真实数据的可用性，并更系统地报告计算成本，以推动作物分类研究和应用的进一步发展。