基于景观格局分区的分类方法，用于异质农业景观中的高分辨率果园制图

《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》：Landscape pattern zoning-based classification for high-resolution orchard mapping in heterogeneous agricultural landscapes

　　摘要
在高分辨率土地利用分类中，异质性农业景观中的挑战在于地理上变化的类别-特征关系，这些关系难以用单一的全球分类器来表示。我们开发了一个基于景观模式分区的分类（LPZC）框架，该框架将历史土地利用的组成和空间配置转化为景观模式分区（LPZs），然后利用这些分区来组织训练样本并拟合局部分类器。该框架在中国 Meishan 地区使用 2 米分辨率的 GF-6 图像进行了果园测绘评估，采用了固定的训练、验证和独立测试分区；LPZ 参数在验证集上选定，并在最终测试前锁定。在独立测试集上，LPZC 将全局随机森林基线的 F1 分数从 0.557 提高到 0.641，召回率从 0.526 提高到 0.675。逐步分解显示，这种提升主要由分区建模驱动，而不仅仅是分区引导的样本分配。LPZ 的性能取决于主题类别表示、景观度量粒度和分区范围，在 45 种候选配置中，验证 F1 分数介于 0.381 到 0.576 之间。扰动历史土地利用标签会改变 LPZ 的拓扑结构并降低分类性能，但响应与名义扰动水平并非单调相关，表明先验数据的有用性取决于是否保留了有信息的空间组织。在保留的比较中，与地貌和物候分区相比，分区数量匹配的 LPZ 在 F1 分数上具有大约 0.005–0.019 的优势，而锁定的 LPZ 在 F1 分数上超过了四种规则网格方案 0.017–0.038。然而，直接将景观模式度量添加到全局分类器中可以将 F1 分数提高到 0.640，几乎与 LPZC 相匹配，同时产生了不同的精确度-召回率平衡。额外的 Sentinel-2 特征进一步将 LPZC 的 F1 分数提高到 0.661，表明基于景观的空间先验与传感器衍生的信息具有互补性。这些结果表明，景观信息可以通过预测因子丰富和建模领域重构来支持高分辨率分类。LPZC 通过使用历史景观组织来定义局部结构化的建模领域，为后者提供了一个明确的空间框架，尽管其地理、时间和跨类别的可转移性需要进一步验证。

引言
准确及时的土地利用信息对于农业监测、自然资源管理、耕地保护、土地管理和空间规划至关重要（Li 等人，2025；Zhao 等人，2025）。高空间分辨率卫星图像的日益可用性大大改善了单个地块和其他精细土地利用对象的勾画，为大面积的详细测绘和更新创造了新的机会（De Keersmaeker 等人，2026；Law 和 Ardo，2025；Zang 等人，2021；Zhang 等人，2020b；Zhang 等人，2024）。然而，更细的空间细节并不一定使土地利用类别更容易区分。在异质性农业景观中，特别是在破碎和山区（Liu 等人，2024b；Zhang 等人，2025），属于同一土地利用类别的对象在不同位置可能表现出不同的光谱、纹理和地形特征，而不同类别可能由于相似的植被条件、管理实践或地块结构而在局部显示出相似的图像响应（Hossain 和 Chen，2019；Meng 等人，2025；Wang 等人，2026）。这种类别内的变异性和类别间的相似性对于果园测绘尤其成问题，因为果园可能出现在多样的地形和种植条件下，并且在高分辨率图像中可能与邻近的耕地相似（Campos-Taberner 等人，2023；Chen 等人，2024；Onojeghuo 等人，2018；Peng 等人，2024a；Yin 等人，2023；Zhang 等人，2023）。随着测绘领域的扩大，单一分类器必须适应可能在地理上变化的类别-特征关系，使得空间异质性成为高分辨率土地利用分类的核心挑战，而不仅仅是图像细节不足的问题。

现有方法主要通过改善提供给分类器的信息或分类器的适应位置来解决这种异质性。第一种策略通过结合光谱带、植被指数、纹理、地形、多时相观测和其他上下文信息来丰富预测因子空间，以提高类别可区分性（Han 等人，2025；He 等人，2024；Li 等人，2023；Zhou 等人，2019）。这种特征丰富可以显著增强对象表示，但通常为整个测绘领域保留单一的决策函数。第二种策略使用空间分层或分区分类，即将研究区域划分为子区域，并在各个空间域内训练单独的模型（Blaschke 等人，2014；Campos-Taberner 等人，2023；Xie 等人，2025；Zhang 和 Roy，2017；Zhang 等人，2020a）。这种策略是由地理现象的空间组织所激发的，提供了一种允许分类关系在不同区域之间变化的手段，而不是强迫一个全局模型表示所有空间上下文。因此，特征丰富和空间分层解决了同一问题的不同维度：前者增加了用于区分的信息，而后者重新构建了估计决策关系的地理领域。

空间分层可以通过不同的区域化形式实现，其中规则网格划分和地理-环境分区是常用方法。规则网格将测绘领域划分为几何预定义的单位，因其简单性、可重复性和适合并行模型训练而受到青睐（Campos-Taberner 等人，2023；Zhang 和 Roy，2017；Zhang 等人，2020a；Zhao 等人，2020；Zheng 等人，2023）。然而，它们的边界是独立于实际土地利用模式组织而强加的。因此，网格大小决定了保持局部差异和维持足够连贯的建模领域之间的平衡：非常小的单元可以将地理连续的土地利用结构划分为许多单独的单位，而大的单元可能会合并具有显著不同景观背景的区域（Guo 等人，2024）。地理-环境分区提供了一个更注重过程的替代方案，根据气候、生态、地貌、物候或相关环境特征来界定区域（Du 等人，2024；Liu 等人，2024a；Wang 等人，2023a；Wang 等人，2023b；Wang 等人，2025；Wu 等人，2024）。这些区域具有明确的地理含义，但它们通常是为了表示广泛的环境差异而构建的，而不是与特定土地利用分类目标最相关的空间组织。因此，它们的边界可能不会与高分辨率测绘所需的目標土地利用类别的局部分布和聚合重合。这些限制并不意味着一种分区形式普遍优于另一种；相反，它们强调了用于定义建模领域的表示本身是分区分类的一个重要组成部分。

历史土地利用数据为构建更任务导向的空间表示提供了潜在的基础。除了记录单个土地利用地块的主题身份外，这些数据还编码了不同土地利用类型在空间上的分布和组织方式。景观生态学通过组成和空间配置的互补维度来描述这种组织，包括类别优势、面积比例、破碎化、形状复杂性和聚合（Bailey 等人，2007；Buyantuyev 和 Wu，2007；Fahrig 等人，2011；Gustafson，2019；Guo 等人，2023；Lausch 等人，2015；Tang 等人，2025；Zheng 等人，2018）。这些属性反映了环境条件和土地管理过程共同产生的空间差异，因此可以提供关于异质性农业景观的上下文信息（Li 等人，2019；Zhu 等人，2022）。重要的是，历史土地利用信息不必直接用作当代分类标签才能有用：其景观结构可以被转化为描述不同土地利用背景发生的空间先验。在此基础上，我们将景观模式分区（LPZ）定义为根据历史土地利用信息得出的空间变化来划分测绘领域。所产生的 LPZs 旨在为后续的遥感分类提供任务导向的建模领域，而不是用历史标签替代基于图像的分类。

在景观模式分区可以可靠地用于高分辨率土地利用分类之前，仍有几个方法论问题需要解决。首先，目前尚不清楚任何分类收益主要来自更空间代表性的训练样本分配还是来自在景观定义的域内拟合单独模型。其次，由于景观表示取决于主题类别定义和空间尺度，LPZ 的有效性可能随土地利用类别系统、景观度量粒度和分区范围而变化。第三，依赖历史土地利用信息引入了额外的不确定性来源：历史标签中的错误可能会改变景观表示，从而改变由此产生的分区结构。第四，LPZ 的明显优势也可能受到区域数量或景观度量本身的区分价值的混淆，这些度量本身也可以直接作为预测因子特征纳入。最后，仍需确定基于景观的空间划分是否可以补充额外的遥感信息，而不仅仅是替代特征丰富。为了解决这些问题，本研究开发了一个基于景观模式分区的分类（LPZC）框架，并使用中国 Meishan 的 2 米分辨率 GF-6 图像对其进行了果园测绘评估。具体而言，我们的目标是：（1）通过共同评估主题类别系统、景观度量粒度、分区范围和训练样本配置来构建和选择任务导向的 LPZ 表示；（2）量化分区引导的采样和分区建模的贡献，并评估 LPZC 对历史土地利用信息退化的敏感性；（3）将 LPZC 与其他空间表示和直接景观特征增强进行比较，并评估其与额外 Sentinel-2 和 Landsat 8 特征的互补性。所有参数选择都在固定验证集上进行，之后锁定 LPZ 配置，并在独立的保留测试集上进行后续比较。

研究区
研究区域位于中国西南部的四川省 Meishan（图 1），面积约为 2192 平方公里。它位于一个亚热带丘陵农业区，该地区以频繁的云层和降雨、破碎的地形、密集的河流网络和高度异质的农业土地利用为特征。丘陵和河谷的结合导致了农业地块的破碎，同时广泛实践多种种植、间作和轮作。

LPZC 框架概述
我们开发了一个基于景观模式分区的分类（LPZC）框架，将历史土地利用模式所代表的空间异质性纳入高分辨率遥感分类中。LPZC 并不是将历史土地利用信息作为直接的分类标签，而是将其景观组成和空间配置转换为空间明确的分区单元，然后利用这些单元来组织训练样本和定义局部建模领域。