基于Sentinel-2时序影像与对象化方法的中国临沂园艺作物精细分类研究

本研究针对园艺作物遥感分类中存在的特征相似性强、地块破碎化难题，融合Sentinel-2时序影像、对象化方法与机器学习技术，构建了多特征融合分类体系。通过ReliefF算法筛选关键特征，对比像素级与对象化分类效果，发现随机森林（RF）模型结合全特征可实现苹果、桃、柿子等作物分类精度（PA/UA>80%），对象化方法虽总体精度略低（OA=79.99%），但能清晰刻画果园边界。该研究为破碎化场景下视觉相似作物的精细分类提供了新思路。

　　

研究背景与意义
园艺作物作为现代农业的重要组成部分，其精准分类对产量估算、政策制定至关重要。然而，苹果、桃、柿子等果树作物存在光谱特征相似、地块破碎化严重等问题，传统遥感分类方法面临"同物异谱"和"异物同谱"的干扰。现有研究多聚焦于水稻等差异显著的作物，而针对视觉相似园艺作物的精细分类仍存在技术空白。中国临沂地区作为典型园艺作物产区，其条带状间作模式进一步增加了分类难度。

研究设计与方法
北京农林科学院团队在《Computers and Electronics in Agriculture》发表研究，整合Sentinel-2时序影像与Google Earth Engine(GEE)平台，采用线性插值与S-G滤波重建10天合成时序数据集。通过构建原始反射率、植被指数(VI)和纹理特征，利用ReliefF算法筛选关键特征窗口，对比像素级与对象化（SNIC分割）方法结合CART、RF、SVM的分类性能。研究区域覆盖临沂73,850公顷果园，重点关注苹果、桃、柿子等主要树种。

研究结果

1. 时序植被指数特征
   近红外(NIR)和红边(Red Edge 2/3)波段在6-9月呈现桃树显著高值特征，为关键区分指标。

2. 特征选择与算法比较
   RF模型使用全特征时表现最优，苹果、桃、柿子的生产者精度(PA)和用户精度(UA)均超80%，显著优于SVM和CART。

3. 分类方法对比
   像素级方法总体精度(OA=83.82%，Kappa=0.76)略高于对象化方法(OA=79.99%，Kappa=0.70)，但后者能更好保持果园内部分类一致性并精确划定边界。

结论与展望
该研究首次将时序特征与对象化方法结合应用于园艺作物精细分类，证实红边波段和生长中期（6-9月）为关键鉴别窗口。对象化方法虽牺牲部分精度，但有效缓解了"椒盐噪声"问题，为破碎化地块分类提供新范式。未来可结合SAR数据提升多云地区分类鲁棒性，该成果对实现联合国可持续发展目标中的精准农业监测具有实践价值。