多时相HLS影像融合下采样策略对作物分类精度的影响机制研究

本研究针对卫星遥感作物分类中样本选择策略的优化难题，创新性地评估了网格、随机、分层和聚类四种采样技术及不同样本量(0.05%-1.00%像元量)对人工神经网络(ANN)分类性能的影响。通过美国Yazoo-Mississippi三角洲地区六种主粮作物(玉米/棉花/水稻/高粱/大豆/小麦)的实证表明，分层采样以0.81平均F1-score显著优于其他方法，而网格采样仅获0.63分。研究证实HLS时序合成影像结合比例分配样本策略可提升小面积作物(高粱F1-score提升0.65)分类精度，为农业遥感监测提供了关键方法学支撑。

　　

在全球化粮食安全挑战日益严峻的背景下，精准作物分类已成为农业监测的核心技术。然而，当前基于卫星遥感的分类模型普遍面临"样本选择困境"——不同采样方法可能导致分类精度产生高达28%的波动，尤其对小面积作物（如高粱、小麦）的识别效果差异显著。这一瓶颈严重制约了美国农业部(USDA)等机构主导的Cropland Data Layer(CDL)产品在复杂农业景观中的应用可靠性。

针对这一关键问题，由美国农业部农业研究署(USDA-ARS)资助的研究团队，在《Computers and Electronics in Agriculture》发表了突破性成果。研究人员选择密西西比河三角洲典型农业区为试验场，创新性地将Harmonized Landsat Sentinel-2(HLS)多时相合成影像与四种采样技术（网格/随机/分层/聚类）进行系统对比。通过构建包含93个光谱特征的ANN分类模型，首次量化了样本分配策略对六种主粮作物分类精度的差异化影响。

研究采用三大关键技术方法：1)基于2022年HLS影像构建生长季三期（3-5月/6-8月/9-11月）时序合成数据集，提取10%/25%/50%/75%/90%分位数及变异系数等光谱指标；2)以USDA-NASS发布的CDL为基准数据，采用重分类技术获取玉米/棉花/水稻/高粱/大豆/小麦及"其他"地类样本；3)设计四组样本量实验(0.05%-1.00%像元量)，通过人工神经网络(ANN)评估不同采样策略的分类性能。

输入变量对作物分类的影响
研究通过主成分分析(PCA)和线性判别分析(LDA)揭示，大豆与"其他"地类因光谱变异性高最易混淆。多时相HLS特征成功捕捉到水稻抽穗期(6-8月)的独特光谱响应，这为区分相似物候期作物提供了关键依据。

采样技术的性能对比
分层采样以88%总体精度显著领先，其F1-score(0.81)较网格采样(0.63)提升28.6%。特别值得注意的是，对仅占区域面积0.84%的高粱作物，网格采样F1-score低至0.2，而分层采样达0.65，证明比例分配策略能有效缓解小样本偏差。

样本规模的优化分析
当样本量从0.05%增至1.00%时，模型精度呈现非线性提升。其中0.05%样本量已能获得0.81 F1-score，表明特征质量比单纯增加样本量更重要。研究还发现，强制每类分配等量样本会导致"其他"地类F1-score归零，凸显类别比例平衡的重要性。

这项研究为农业遥感领域建立了首个系统的采样策略评估框架。其核心价值在于：1)证实分层采样能显著提升小面积作物识别率，这对全球粮食产量估算具有方法论意义；2)阐明HLS时序特征与ANN模型的协同优化路径，为10-30米中分辨率作物制图提供了新范式；3)提出的"比例分配-最小样本量"双约束原则(每类≥100样本且按面积比例分配)，已被USDA-ARS纳入2024年土壤健康监测规范。正如通讯作者Yanbo Huang强调的，该成果不仅适用于美国玉米带，其方法论对东南亚水稻-小麦轮作区等复杂农业系统同样具有指导价值。