基于不同时间尺度与特征优选的黄淮海平原冬小麦识别

准确及时地监测区域作物种植面积对保障我国粮食安全和农业可持续发展具有重要意义。本研究利用Google Earth Engine(GEE)云平台和融合的Sentinel-1 SAR雷达影像与Sentinel-2 SR地表反射率影像,对黄淮海平原2021年冬小麦进行了监督分类。通过对Sentinel时间序列数据进行不同时间尺度合成与平滑处理,并对极化特征、光谱特征、植被指数、谐波系数和纹理特征进行优选,以探究不同时间尺度的影像序列及特征优选对黄淮海平原冬小麦识别精度和泛化能力的影响。结果表明:特征优选过程可以提高模型分类精度,在各类特征因子中,光谱特征重要性最高,其次为谐波系数、极化特征和纹理特征。随着影像序列时间尺度的缩减,可以得到更高的分类精度,尺度30、20、10d平均总体精度分别为95.4%、95.6%和96.4%;但泛化能力也随之降低,对应的泛化能力分别为0.935、0.919和0.918。短时间尺度影像序列能够更准确地捕获地物的特征细节,展现出更高的分类精度,但其对数据变化的适应能力更差。此外,模型泛化能力在空间上呈现“越近越相关”的规律。利用GEE平台及Sentinel系列卫星遥感数据,实现了对黄淮海平原冬小麦面积的准确识别。整体上,混淆矩阵总体精度(OA)和F1值均在90%以上,分类结果在空间细节上与高分辨率图像高度一致,同时提取的冬小麦种植面积与市级官方统计数据高度相关(决定系数R^(2)>0.9)。