基于自组织映射与跨时空域泛化的MODIS时序数据土地利用分类方法研究

这篇综述创新性地提出结合自组织映射(SOM)的跨时空域泛化(DG)方法，用于解决中分辨率成像光谱仪(MODIS)时序数据在土地利用/覆被(LULC)分类中标记样本不足的难题。研究通过巴西马托格罗索州2019/2020作物年训练模型，成功分类18个作物年数据，随机森林(RF)模型总体准确率(OA)达0.917，显著优于时序卷积神经网络(TempCNN)和轻量时序注意力编码器(L-TAE)。该工作为无标记数据年份的分类生成提供了新范式。

　　

引言

机器学习(ML)和深度学习(DL)在遥感(RS)领域展现出强大潜力，特别是在处理卫星图像时序数据(SITS)方面。本研究聚焦巴西马托格罗索州(MT)的土地利用/覆被(LULC)分类挑战，该地区作为巴西主要农产品产区，具有复杂的农业系统与生物群落多样性。传统方法依赖大量标记样本，而地面调查成本高昂且覆盖有限。为此，研究团队提出创新性解决方案——结合自组织映射(SOM)算法的跨时空域泛化(Domain Generalization, DG)方法，利用巴西官方TerraClass项目提供的2019/2020作物年数据训练模型，进而分类2004-2022年共18个作物年的MODIS时序数据。

材料与方法

研究区域
马托格罗索州横跨塞拉多草原、亚马逊雨林和潘塔纳尔湿地三大生物群落，总面积达903,357 km²。该地区采用独特的双季耕作系统：夏季(10-2月)主要种植大豆，淡季(4-7月)则转为玉米、棉花等作物。研究遵循巴西国家供应公司(CONAB)定义的作物年历(当年9月至次年8月)。

技术路线
研究流程分为四个关键阶段：

1. 数据准备：使用MOD13Q1/MYD13Q1产品的16天合成数据，包含蓝(BLUE)、红(RED)、近红外(NIR1/NIR2)波段及归一化植被指数(NDVI)、增强植被指数(EVI)。通过双线性插值处理云覆盖导致的缺失值。
2. 样本处理：从10米分辨率的TerraClass地图重采样至250米，应用2像素(约500米)的腐蚀滤波减少混合像元影响，最终获取40,000个样本，分为五类：半多年生作物(SP)、单季作物(SC)、双季作物(DC)、牧场(PA)和森林植被(FV)。
3. SOM质量控制：采用30×30神经元网格，通过条件概率(CP)和后验概率(PP)剔除8,188个不一致样本，显著降低类内变异。
4. 模型训练：对比随机森林(RF)、时序卷积神经网络(TempCNN)和轻量时序注意力编码器(L-TAE)三种算法，其中RF设置500棵树，TempCNN采用三层64单元的1D卷积结构，L-TAE基于Transformer架构。

关键发现

样本特征分析
SOM可视化揭示：

• DC和FV类在神经元分布中形成独立簇，光谱特征明确
• SC类呈现双簇结构，对应棉花(1月播种)和大豆(上年末播种)的不同物候模式
• SP与PA类存在显著光谱重叠，NDVI曲线均显示旱季(8-10月)下降特征
• 通过CP/PP阈值清除了20%噪声样本，如神经元791的SP样本呈现异常收割期波动

模型性能
在独立验证集(2016/2017、2020/2021、2021/2022作物年)上：

• RF以OA 0.917领先，显著优于TempCNN(0.886)和L-TAE(0.859)(p<0.05)
• DC/FV分类F1-score均>0.9，而SP/PA因光谱相似性导致混淆(PA误判率达10.06%)
• DL模型在SP分类中表现较弱，TempCNN对SP的漏分率达20.88%

18年时序分类
RF模型成功捕捉到：

1. 圣何塞里奥克拉鲁地区SP→PA的转化(概率层0.40→0.88跃迁)
2. 坦加拉达塞拉地区三季作物轮作特征(第7年概率0.426反映过渡期)
3. 科莫多罗地区FV→PA→SC的完整演替过程(第12年概率0.556)

讨论与展望

研究创新性体现在：

1. 方法论：首次将SOM-DG组合应用于热带地区LULC长时序监测，相比传统DA方法减少重复训练需求。
2. 数据价值：验证了TerraClass在生成大尺度训练样本中的可靠性，尽管10m→250m重采样可能引入混合像元。
3. 应用局限：MODIS 250m分辨率限制了对小农场的识别，未来可融合Sentinel-2(10m)或SAR数据提升精度。

作者建议后续研究可向三个方向拓展：

• 纳入潘塔纳尔湿地等未覆盖生物群落
• 测试SAR数据在云覆盖地区的补偿作用
• 开发针对作物级分类的专用DG框架

这项研究为热带地区长时序LULC监测提供了可扩展的解决方案，其SOM辅助的样本质量控制流程和RF模型的稳健表现，对全球农业生态监测具有重要参考价值。