应众多读者的需求和建议，遥感地理视界创建了学习交流群，想加入交流的可扫描下方二维码添加。请进群后按照群公告备注如“学位-学校(或机构)-昵称”格式（详情请查看公众号置顶推文）。![]()
标题：A robust method for mapping soybean by phenological aligning of Sentinel-2 time series
期刊：《ISPRS Journal of Photogrammetry and Remote Sensing》(中科院1区Top, IF=10.6)
作者：Xin Huang, et al.
doi：https://doi.org/10.1016/j.isprsjprs.2024.10.015
大豆（Glycine max）作为人类和动物的重要能源、蛋白质和油脂来源，同时也是生物燃料和涂料生产的原材料，在全球农业中具有重要地位。大豆占全球耕地面积的约11%，是继小麦、玉米和水稻之后种植面积排名第四的作物。全球75%的大豆种植面积集中在北美和南美，而中国、欧洲和非洲等地区近年来因肉类消费需求增加，也积极倡导提升本地大豆产量。然而，大豆种植扩张带来了生态危机，如自然植被被替代，以及由于农作物改种饲料作物可能引发的粮食危机。因此，准确及时的大豆种植信息对于农业生产监测和环境影响评估具有重要意义。遥感技术作为一种大范围农作物类型识别工具，已经被广泛应用于大豆分类。然而，由于大豆种植地区分布广泛且受气候条件、品种及管理实践的影响，大豆的光谱和物候特性具有显著的区域性和年际差异。这些差异给跨区域和多年度大豆分类带来了挑战。尽管现有研究已提出了诸多方法来应对这些变化，包括使用特定的光谱时序特征和深度学习模型，但由于这些方法在计算成本、标注数据需求及模型适用范围等方面的局限性，其在大规模应用中的效果受到限制。本文提出了一种结合动态时间规整（DTW）和随机森林（RF）的新型方法（RF-DTW），通过消除物候差异并提取基于Sentinel-2时序数据的独特特征，构建跨区域及年度适用的通用大豆分类模型。研究目标包括：识别稳定的分类特征、设计高精度分类方法，并评估其在未训练地区及年份中的应用效果。研究选择了全球五大洲六个国家的十个代表性大豆种植点，包括巴西、美国、中国、法国、布基纳法索和赞比亚。数据来源涵盖了Sentinel-2时序影像、大气再分析数据（ERA5），以及精确的地面参考数据。影像数据经过云层遮罩、NDVI最大值合成、时间插值和平滑处理，最终生成包括9个光谱波段和8个植被指数（VI）的时间序列数据。研究设计了三类特征用于分类：农气特征（如生长季长度和积温）、光谱物候特征（如光谱反射率斜率和统计指标），以及基于DTW的相似度特征。通过随机森林的变量重要性评估（MDA）及相关性分析，筛选出最具区分度的特征用于模型训练。最终优化后的特征包括16项，以光谱物候特征为主。基于优化特征构建了平衡随机森林模型（BRF），以应对大豆作为少数类的样本不平衡问题。模型的通用性和可迁移性通过独立测试集在不同地区和年份中验证，采用准确率、F1分数等指标进行评价。此外，与基准方法（基于GWCCI的阈值法）进行了对比分析。本研究通过特征优化发现，斜率特征在中晚生长季对大豆分类最为重要，其中绿叶素指数（GCVI）、复合指数（GWCCI）和红边位置（REP）等VI的贡献最大。总体上，光谱物候特征对分类结果的提升最显著，特别是在复杂景观和不同年度。RF-DTW模型在所有研究站点中均表现出色，全球模型的平均F1分数达到0.84，总体准确率为0.92。在多数站点（如巴西和美国站点），模型在大豆和非大豆类别上的精准率均超过0.80，显著优于基准方法。然而，在非洲站点（布基纳法索和赞比亚），模型准确性稍低，反映了复杂景观对分类的挑战。在空间迁移性评估中，RF-DTW模型在不同迁移级别中均表现稳定，尤其是在同区域站点的迁移中。尽管在跨区域和特殊区域迁移中准确性略有下降，但总体表现优于基准方法。时间迁移性测试表明，RF-DTW模型能有效应对年度间的物候变化，准确率在大多数测试年份中均高于基准方法。本研究提出的RF-DTW方法通过动态时间规整消除了物候差异，结合优化的光谱物候特征，构建了适用于不同区域和年度的大豆分类模型。研究结果表明，该方法在精度、通用性和迁移性方面均表现出色，特别是在复杂景观和未训练地区，较基准方法具有显著优势。RF-DTW方法不仅提高了大豆分类的准确性，还在全球尺度上具备较强的适应性，为农业生产监测和环境影响评估提供了重要技术支持。文章来源 ：
Huang, X., Vrieling, A., Dou, Y., Belgiu, M., & Nelson, A. (2024). A robust method for mapping soybean by phenological aligning of Sentinel-2 time series. ISPRS Journal of Photogrammetry and Remote Sensing, 218, 1-18.
免责声明 ：
本公众号发布的内容仅供学习交流使用，内容版权归原作者所有。如有侵犯您的权益，请及时与我们联系。
