利用地块约束与HLSS30物候特征改进破碎农业景观的作物类型制图

《Remote Sensing》：Improving Crop-Type Mapping in Fragmented Agricultural Landscapes with Parcel Constraints and HLSS30-Derived Phenological Features

　　

准确的作物类型制图对于农业监测至关重要，但基于像元的产品常受田块内破碎化、边界噪声以及与田间管理单元一致性有限的问题影响。本研究利用来自协调Landsat与Sentinel-2框架（Harmonized Landsat and Sentinel 2, HLS）的HLSS30产品，开发了一种地块约束的作物分类方法。HLSS30数据预处理和地块级特征提取在Google Earth Engine中完成，并使用地块级的光谱、植被指数和物候特征训练随机森林（Random Forest, RF）分类器，同时进行特征选择和嵌套分层交叉验证。以像元级分类实验作为对比基线。HLSS30时间序列捕获了不同作物在冠层建立、峰值绿度和衰老方面的类别特异性差异。与像元级基线相比，地块级分类将总体精度从76.5%提高到89.4%，Kappa系数从0.690提高到0.859，并获得了0.8677的宏F₁分数。地块约束还减少了椒盐噪声，改善了田块级空间一致性，并通过后验熵和地块内部变异性支持了可靠性解释。这些结果表明，在可靠的作物地块边界内汇总的HLSS30时序和物候特征，为破碎农业景观中的区域多作物制图提供了高效且可解释的基础。

研究背景方面，农业监测依赖空间明确的作物类型图，但像元级分类产品在破碎农业景观中常出现田块内破碎化、边界噪声以及与田间管理单元不一致等问题。已有作物产品多聚焦玉米、大豆、水稻和小麦等优势作物，而油料、粗粮和蔬菜等作物因地块小、光谱物候重叠而难以区分。卫星像元与农业管理单元之间的空间错位进一步加剧了制图难度。HLS项目提供的HLSS30数据能重建30米分辨率的地表反射率时序，但基于地块的HLSS30轨迹对多种作物组的区分能力尚不明确。因此，研究人员在吉林省中西部白城和松原的典型破碎农业景观中，针对七种作物组（玉米、豆类、粗粮、花生、向日葵、果根蔬菜和叶菜芳香蔬菜）开展地块约束制图研究，旨在评估地块约束、HLSS30时间信息、物候描述符、类不平衡处理与常规机器学习分类器组合支持异质作物制图的潜力。

研究人员利用2020年高分辨率Mapbox影像经深度学习分割获得的地块边界数据，并以2025年5—7月Sentinel-2影像进行目视修正后作为空间单元；在Google Earth Engine（GEE）中处理2025年4月15日至10月15日的HLSS30影像，通过Fmask层去除云和云影等低质量像元，对每个地块（向内缓冲20米的核心区）计算各波段的均值、标准差和有效像元数。以5天间隔合成植被指数并用Savitzky-Golay滤波平滑，进而提取物候特征；再通过Pearson相关过滤和递归特征消除筛选出14个特征。分类器以随机森林（RF）为主，采用balanced_subsample处理类别不平衡，并利用嵌套分层交叉验证（外层五折、内层三折）调整超参数，同步评估SVM和XGBoost作为敏感性分析。参考样本来自2025年7月15日至20日野外调查采集的340个作物地块。

结果部分包含三个小标题。

HLSS30衍生作物特征的时序可分性：通过重建的NDVI轨迹发现，在DOY 145–180叶菜芳香蔬菜生长较早，早期NDVI较高；DOY 195–230玉米峰值较早，而豆类、花生、向日葵和果根蔬菜峰值偏晚；DOY 240–280玉米和粗粮衰老较快，花生与蔬菜类保持较高NDVI。物候特征（如峰值绿度、季节振幅、最大NDVI时间与生长季长度）的分布显示了清晰的类间差异，表明HLSS30时序蕴含有效的区分信息。

分类精度：在相同交叉验证框架下，RF、SVM和XGBoost的总体精度分别为89.4%、77.15%和80.1%，故RF用于后续主比较。地块级RF的合并外折预测显示总体精度为89.4%，Kappa系数为0.859，宏F₁

相关新闻