基于物候学的自动真实值生成方法：利用农民申报的农田地块及动态时间规整技术实现农业作物分类

《Agricultural Research》：Phenology-Driven Automatic Ground Truth Generation from Farmer-Declared Parcels for Agricultural Crop Classification Using Dynamic Time Warping

　　

摘要

在数字化进程加速的背景下，农业监测与作物类型绘图的自动化及可扩展性愈发重要。本研究针对那些存在广泛双季种植现象且物候动态变化迅速的大面积农业区域，提出了一种基于物候特征的自动真实值生成流程，以哈兰平原为例进行说明。为减少实地手工数据收集的时间与成本，该流程以土耳其农民登记系统中的农户申报地块作为输入数据，并利用多时相Sentinel-2卫星观测数据。首先对每个地块的增强植被指数时间序列进行多阶段验证，以系统排除异常样本。随后通过动态时间规整法量化物候一致性，再利用经过脊线规整的马氏离差得分识别光谱-时间异常。由于基于距离的阈值设定可能产生误判，该流程还通过综合评估多个指标（波段覆盖度、R2值以及最大连续异常长度），在剔除真正异常样本的同时保留物候特征连贯的地块。经过多阶段的曲线清洗后，13,048个地块中有4,496个（34.46%）被判定为异常而被舍弃，剩余8,552个地块（65.54%）用于后续分类。使用这些经过处理的样本进行的分类实验，整体准确率为93.6%。对于单季作物类别，分类性能十分优异（棉花F1值=97.4；小麦F1值=92.3）。而在双季作物类别中，由于物候转变不那么明显，播种/收获时间差异较大，且申报数据中的标签噪声更为突出，分类性能有所下降，但结果仍处于可接受范围（小麦-棉花F1值=91.8；小麦-玉米F1值=90.3；扁豆-棉花F1值=85.7）。总体而言，所提出的流程通过过滤那些违背物候规律的样本，提升了不同作物类别之间的区分度，为大规模区域的农业监测提供了无需大量实地工作的替代方案。该框架并非直接丢弃申报数据，而是通过物候特征及光谱-时间质量控制，将其转化为可用于分析的参考信息，从而能够直接整合到作物类型绘制系统中，同时降低时间和成本投入，还能实现跨季节的一致、可重复的作物标注。