多传感器影像聚合技术提升季内作物分类精度的作用机制研究

本研究针对多源卫星数据(Sentinel-1/S2)在季内作物分类中的高维度挑战，系统评估了15种光谱-雷达特征组合与4种时间聚合方法对随机森林模型的影响。发现红边波段与SWIR组合精度达95%，结合SAR特征后提升至85%，揭示了水稻移栽期、玉米辣椒营养生长期为最佳分类窗口，为平衡计算效率与分类性能提供了优化方案。

　　

在农业监测领域，精准的作物分类地图对产量预估和粮食安全至关重要。传统依赖人工调查的方法在印度等发展中国家面临可扩展性差、时效性低等挑战。尽管Sentinel等卫星提供了高时空分辨率的多光谱(MS)和合成孔径雷达(SAR)数据，但如何有效融合多传感器特征、选择最佳观测窗口仍是未解难题。

研究人员以印度特伦甘纳邦三个地区为实验区，通过Sentinel-1(S1)雷达数据和Sentinel-2(S2)光学数据，创新性地采用四种时间聚合方法（单期影像法、物候期窗口法、固定时间窗口法、全生长季法），结合15种光谱-雷达特征组合，利用随机森林(Random Forest)算法对水稻、玉米等5类作物进行分类。研究特别关注红边波段、短波红外(SWIR)和垂直-水平(VH)极化雷达特征的组合效应。

关键技术包括：1) 基于作物物候的时间窗口划分；2) 多传感器特征工程（NDVI、LSWI等植被指数构建）；3) 随机森林模型的wrapper特征选择；4) 历史数据迁移验证。研究团队采集了2024年2-4月特伦甘纳邦超过1公顷的单一作物田块作为训练样本。

【Selection of optimal temporal windows】
通过物候期分析发现，水稻在移栽期（移植后15-30天）的分类准确率最高，而玉米和辣椒在营养生长旺盛期（播种后45-60天）表现最佳。全生长季时间序列模型虽精度高但计算成本显著增加。

【Comparative Performance of different feature selection techniques】
单期影像模型中，S2的波段组合F6（红边+窄近红外）达到95%总体精度(OA)，超越传统红-近红外组合(F5)。SAR特征中VH后向散射系数比简单极化比值更具判别力。

【Impact of different spectral-radar features on classification accuracy】
雷达-光谱融合使总体精度提升8-12%，但计算耗时增加3倍。红边波段(703-740nm)在区分C₃
/C₄
作物中作用显著，而SWIR波段(1610-2290nm)对水分胁迫作物识别效果突出。

结论表明：1) 物候期定向的特征选择可替代全生长季监测；2) 红边与SWIR组合媲美时间序列模型精度；3) VH极化与植被指数协同提升SAR数据效用。该研究为发展中国家小农地块的实时作物监测提供了计算高效的解决方案，对农业保险、仓储管理等应用具有实践价值。讨论部分指出，未来需优化云计算框架以降低多传感器融合的计算负荷，并建议拓展到更多作物类型验证模型泛化能力。