数字农科院2.0

多源中高分辨率影像协同下时间合成窗口对农作物识别的影响

文献类型： 中文期刊

作者： 童婉婷;魏浩东;杨靖雅;金文捷;宋茜;胡琼;尹高飞;徐保东

作者机构：

关键词： 农作物遥感识别;时间合成窗口;随机森林;Sentinel-2;Landsat-8

期刊名称：中国农业科学

ISSN： 0578-1752

年卷期： 2024 年 2 期

页码：

收录情况： 北大核心（2023版） ; ; CSCD（2023-2024年度） ; ; 科技核心（2024版） ; ; 农林核心（2020版）

摘要： [背景]中高空间分辨率(≤30 m)影像是在耕地破碎、种植结构复杂的中国南方开展农作物遥感识别研究的重要数据.然而,要克服中高分辨率传感器重访周期较长以及南方多云雨天气的影响,对影像进行时间窗口合成以协同使用多源中高分辨率遥感数据,是获取时空连续农作物制图结果的必要保障.由于不同卫星影像获取的周期不同,且不同农作物物候季相节律存在较大差异,如何选择影像合成时间窗口是农作物准确识别的关键前提.[目的]通过探究影像合成时间窗口对于农作物识别的影响机制,为大尺度复杂农作物种植结构制图提供重要参考依据.[方法]以农作物类型多样且云雨天气频繁的湖北省江汉平原为研究区,通过协同Landsat-8 和Sentinel-2A/2B卫星影像,设置 7 种时间合成窗口(15、20、25、30、40、50 和 60 d)情景,分别从影像的覆盖度、不同农作物时序光谱特征以及不同农作物分类精度等角度,深入分析影像时间合成窗口对农作物遥感识别的影响.[结果]在影像 20 d 时间合成窗口的情景下,江汉平原农作物(冬油菜、冬小麦、水稻、稻虾田和其他作物)的总体分类精度最高,为 93.13%.对比而言,在影像较短时间合成窗口(如 15 d)的情景下,时间序列密集但高质量影像覆盖度较低,农作物总体分类精度较低(90.91%);而在影像较长时间合成窗口(如 60 d)的情景下,影像覆盖度高但时间序列稀疏,导致农作物识别的关键物候信息丢失,降低了总体分类精度(86.06%).此外,不同农作物的识别效果受影像时间合成窗口的影响程度不同,依次为其他作物>冬油菜>水稻>冬小麦>稻虾田.其他作物类内时序光谱特征变异性较大,因此对时间窗口极其敏感.油菜准确识别的关键物候期为开花期,该时期长度较短,影像合成时间超过 30 d会极大降低其识别效果,主要体现为与小麦的混淆.区分稻虾田与单季稻的关键物候期为稻虾田的稻闲季淹水期,其持续时间较长,受时间合成窗口影响较小.[结论]影像时间合成窗口 20 d时可兼顾高质量影像覆盖度和捕获农作物识别的关键物候特征,但不同作物识别的最优时间合成窗口受到作物关键物候期影响.研究结果可为多源中高分辨率影像协同下时间合成窗口的选择提供理论参考和方法支撑,进而有效服务于宏观尺度农作物高精度遥感制图研究.

分类号：

  • 相关文献

[1]随机森林方法在玉米-大豆精细识别中的应用. 王利民,刘佳,杨玲波,杨福刚,富长虹. 2018

[2]Crop specific inversion of PROSAIL to retrieve green area index (GAI) from several decametric satellites using a Bayesian framework. Jingwen Wang,Raul Lopez-Lozano,Marie Weiss,Samuel Buis,Wenjuan Li,Shouyang Liu,Frédéric Baret,Jiahua Zhang. 2022

[3]Cross-sensor data reconstruction for optical remote sensing gap-filling with attention-enhanced multi-scale fusion network. Xi Wang,Songchao Chen,Chang Zhou,Si Bo Duan,Zhou Shi. 2025

[4]Exploring the Optimized Leaf Area Index Retrieval Strategy Based on the Look-up Table Approach for Decametric-Resolution Images. Wang, Qi,Zhang, Zhewei,Wu, Tongzhou,Jin, Wenjie,Meng, Ke,Song, Qian,Wang, Cong,Yin, Gaofei,Xu, Baodong. 2024

[5]基于多时相OLI数据的宁夏大尺度水稻面积遥感估算. 刘佳,王利民,姚保民,杨福刚,杨玲波,王小龙,曹怀堂. 2017

[6]Monitoring Plastic-Mulched Farmland by Landsat-8 OLI Imagery Using Spectral and Textural Features. Hasituya,Chen, Zhongxin,Wang, Limin,Wu, Wenbin,Li, He,Jiang, Zhiwei. 2016

[7]Derivation of Land Surface Temperature for Landsat-8 TIRS Using a Split Window Algorithm. Rozenstein, Offer,Karnieli, Arnon,Qin, Zhihao,Derimian, Yevgeny. 2014

[8]基于时序Sentinel-2影像的梨树县作物种植结构. 刘俊伟,陈鹏飞,张东彦,赵红伟. 2020

[9]基于无人机与卫星遥感的草原地上生物量反演研究. 李淑贞,徐大伟,范凯凯,陈金强,佟旭泽,辛晓平,王旭. 2022

[10]基于多时相遥感植被指数的柑橘果园识别. 梁晨欣,黄启厅,王思,王聪,余强毅,吴文斌. 2021

[11]Sentinel-2宽波段光谱指数预测拔节后受冻冬小麦减产率. 赵爱萍,马浚诚,武永峰,胡新,任德超,李崇瑞. 2022

[12]东北三省2020-2022年间10 m空间分辨率耕地资源空间分布数据集. 申格,刘航,李丹丹,陈实,邹金秋. 2023

[13]基于作物参考曲线法的冬小麦NDVI时间序列重建——以河北省部分区域为例. 敖洋钎,王永前,孙政,孙亮. 2025

[14]农田玉米秸秆覆盖类型的光学和微波遥感识别潜力分析. 张文茜,李文娟,余强毅,唐华俊,王聪,吴文斌. 2025

[15]Automated soybean mapping based on canopy water content and chlorophyll content using Sentinel-2 images. Huang, Yingze,Qiu, Bingwen,Chen, Chongcheng,Zhu, Xiaolin,Wu, Wenbin,Jiang, Fanchen,Lin, Duoduo,Peng, Yufeng. 2022

[16]Crop type mapping with temporal sample migration. Zhang, Shibo,Yang, Jingya,Leng, Pei,Ma, Yuman,Wang, Hongyang,Song, Qian. 2023

[17]Detection of Soil Erosion Hotspots in the Croplands of a Typical Black Soil Region in Northeast China: Insights from Sentinel-2 Multispectral Remote Sensing. Lulu Qi,Pu Shi,Klara Dvorakova,Kristof Van Oost,Qi Sun,Hanqing Yu,Bas van Wesemael. 2023

[18]Crop Mapping Based on Temporal and Spatial Sample Migrations: A Case Study Over Three Counties in Heilongjiang Province, Northeast China. Zuo, Hao-Nan,Leng, Pei,Li, Yu-Xuan,Song, Qian,Li, Zhao-Liang. 2024

[19]In-Season Crop Type Detection by Combing Sentinel-1A and Sentinel-2 Imagery Based on the CNN Model. Mao, Mingxiang,Zhao, Hongwei,Tang, Gula,Ren, Jianqiang. 2023

[20]Estimating Fraction of Absorbed Photosynthetically Active Radiation of Winter Wheat Based on Simulated Sentinel-2 Data under Different Varieties and Water Stress. Sun Z.,Sun L.,Liu Y.,Li Y.,Crusiol L.G.T.,Chen R.,Wuyun D.. 2024

作者其他论文 更多>>