童婉婷，魏浩东，杨靖雅，金文捷，宋茜，胡琼，尹高飞，徐保东
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
童婉婷1，魏浩东2，杨靖雅3，金文捷1，宋茜3，胡琼4，尹高飞5，徐保东1
1华中农业大学资源与环境学院/宏观农业研究院，武汉 430070；2华中农业大学植物科学技术学院，武汉 430070；3中国农业科学院农业资源与农业区划研究所/北方干旱半干旱耕地高效利用全国重点实验室，北京 100081；4华中师范大学城市与环境科学学院，武汉 430079；5西南交通大学地球科学与环境工程学院，成都 610031
【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。
农作物遥感识别；时间合成窗口；随机森林；Sentinel-2；Landsat-8
0 引言
【研究意义】及时准确地掌握农作物的类别、面积和空间分布信息，是作物长势监测和产量预测的前提，对指导农业生产、合理配置农业资源、保障国家粮食安全具有重要意义[1-3]。【前人研究进展】遥感技术因大面积、高时效、低成本对地观测的优势，成为农作物识别的重要技术手段。由于作物类型的多样性和特征的复杂性，使用单一时相遥感影像进行作物分类会因“同物异谱”和“同谱异物”现象导致严重错分和漏分误差，分类精度难以保障[4-5]。时间序列遥感影像可以反映不同作物生长状况的差异，捕获农作物独特的物候特征，提高特征分离性和分类精度，在农作物遥感识别研究中得到了广泛应用[6-10]。例如，何真等协同多时相国产GF-6卫星影像，利用基于GF-6新增红边波段构建的植被指数，实现了艾草精细识别[10]；杨靖雅等基于多时相的Sentinel-1/2影像，构建了NDVI、EVI、LSWI、VH、VH/VV时间序列数据集，提取了单双季水稻强分离性的淹水特征，实现了中国南方单双季水稻的高精度农作物制图[11]。高时间分辨率遥感影像是构建密集时间序列对地观测数据的重要基础。然而，高时间分辨率遥感影像往往空间分辨率较低，受混合像元影响较大，从而降低了分类精度，尤其在我国南方农田破碎地区分类效果极度受限[9-11]。例如，MODIS数据因其高时间分辨率和大尺度覆盖能力，被广泛用于大区域农作物制图研究，但其较粗的空间分辨率不适合于复杂种植模式下的农作物精细制图[12-13]。中高空间分辨率（≤30 m）遥感影像能够极大地缓解混合像元带来的影响，但其重访周期相对较长，且受云雨天气影响进一步减少了高质量影像数量，难以合成有效的时间序列数据。为了提高中分辨率遥感影像的时间分辨率，已有研究较多采用多源卫星传感器协同手段，主要包括中分辨率影像与低分辨率影像融合以及多源中分辨率影像协同[14-17]。中低分辨率影像融合多采用Landsat和MODIS为数据源，通过充分发挥Landsat的高空间分辨率和MODIS的高时间分辨率优势，生成时空分辨率都较高的遥感影像。然而，中低分辨率影像融合存在异质性地表区域融合影像精度受限、农作物空间分布局部细节信息丢失或扭曲等问题[18]。随着多源中分辨率卫星传感器的发射，中分辨率影像协同为农作物遥感识别带来了巨大潜力，受到更多研究者的关注。其中，采用Landsat影像和Sentinel-2影像为协同数据源的农作物识别研究最多[19-22]。例如，Tian等协同Landsat和Sentinel-2影像构建了冬小麦植被指数时序曲线，结合冬小麦的物候规律分析提取了关键时序光谱特征，采用阈值法完成了中国冬小麦高精度制图[23]。然而，不同源中分辨率影像的重访周期、幅宽等均存在差异，且受到云雨天气影响不同区域高质量影像覆盖度的空间变异性较大，为多源中分辨率影像协同使用带来较大不确定性。为了保证协同多源中分辨率影像分类结果的空间连续性，可采用一定时间窗口进行影像合成来构建时间序列[24-27]。影像合成的时间窗口理应设置足够窄，以捕获不同作物的关键物候信息，但采用过窄时间窗口合成的影像会由于云污染存在较多的空间缺失。若为了保证空间的连续性，将影像合成的时间窗口设置过大，会导致农作物关键物候信息遗漏，难以实现高精度作物识别。因此，确定适当的影像时间合成窗口对于构建高质量且空间覆盖度高的时间序列数据，进而捕获农作物分类的关键物候信息至关重要。已有部分研究比较了不同时间合成窗口对于农作物识别精度的影响。例如，You等[24]基于Sentinel-1/2影像研究了10、15、20和30 d这4个影像时间合成窗口对黑龙江省作物早期识别的影响；Huang等[25]基于10、15和20 d这3个时间合成窗口来构建Sentinel-2时间序列影像集并评估不同场景下河南省冬小麦早期制图性能。【本研究切入点】已有研究主要集中于探讨中国北方影像时间合成窗口对于作物识别的影响。相较而言，我国南方地区云雨天气更为频繁，对于高质量影像可获取性的影响比北方地区更大，该区域的农作物识别对于多源中分辨率影像协同使用的需求也更为强烈。此外，相较于北方地区，中国南方农业景观更为破碎，种植结构更加复杂，农作物类型更加多样化。不同农作物具有不同的季相节律特征，对于时间合成窗口的响应也不一，而已有研究较少对此作出讨论。因此，研究影像时间合成窗口对南方不同农作物识别精度的影响，对于大尺度下复杂农业种植结构精准提取具有重要的参考意义。【拟解决的关键问题】针对多源中高分辨率遥感影像协同下如何选择时间合成窗口以更好服务于农作物识别的问题，以湖北省江汉平原为研究区，基于GEE（Google earth engine）云计算平台协同Landsat-8和Sentinel-2影像，分别在15、20、25、30、40、50和60 d这7个影像合成时间窗口下进行影像合成来构建时间序列数据。采用随机森林算法进行农作物识别，通过比较不同时间合成窗口情景下影像的覆盖度、时序光谱特征以及分类精度，探究影像的时间合成窗口对不同农作物识别的影响机制，为大尺度农作物制图研究提供重要理论支撑和方法参考。
1 材料与方法
1.1 研究区概况
江汉平原是由汉江与长江冲积形成的洪泛平原，位于湖北省中部，经纬度范围为111.2°—115.6°E、29.4°—31.6°N，总面积超过63 000 km2，属于西北高地向东南平地的过渡地带，大部分地区海拔在50 m以下，年均降水总量和年平均气温分别为1 200 mm和16 ℃。该区域的自然条件良好，河流湖泊众多，地势平坦，土壤肥沃，自然生产力高，农业生态环境好。江汉平原有“鱼米之乡”之称，其农业总产量占湖北省近60%，耕地面积占湖北省的66.49%[28]。
江汉平原主要农作物类型包含冬小麦、冬油菜、水稻、棉花以及稻虾田等。此外，由于良好的农作物耕作条件，江汉平原形成了复杂的轮种模式，主要包含冬油菜-中稻、冬小麦-中稻、冬小麦-棉花等。本研究选择夏收作物生育期内的所有作物为研究对象，包含冬油菜、冬小麦、水稻、稻虾田和其他作物5类，其物候历如图1所示。
图1 江汉平原作物生长发育物候期图
1.2 Landsat-8和Sentinel-2数据及预处理
基于GEE平台协同使用2020年10月1日至2021年6月30日的Landsat-8和Sentinel-2地表反射率影像进行江汉平原的农作物识别。Landsat-8影像的空间分辨率为30 m，重访周期为16 d。Sentinel-2影像的空间分辨率为10 m，重访周期为5 d。
利用GEE平台提供的Cloud Probability产品去除Sentinel-2数据集中被云覆盖的像元。Cloud Probability产品的概率值＞50%表明像元为多云状态[29]，因此以50%为阈值去除Sentinel-2影像中云覆盖像元。Landsat-8影像云掩膜基于影像质量标识波段进行，云和云阴影标识有4种情况存在，包括“不确定”、“不是”（0—33%置信度）、“可能”（34%—66%置信度）以及“是”（67%—100%置信度）。结合相关参考研究[30-31]以及江汉平原去云效果目视分析，本研究选择67%—100%置信度去除Landsat影像中云和云阴影覆盖像元。此外，由于Landsat-8 OLI和Sentinel-2 MSI传感器之间存在波段范围及光谱反射率差异，为了协同使用它们并获得具有可比性的时间序列影像，需要对不同传感器的反射率做标准化处理。本研究使用了Roy等基于普通最小二乘回归计算得到的转化系数，以OLI影像为参考，将MSI影像光谱波段进行转化[32-33]。此外，最终的分类统一到30 m的空间分辨率进行。基于GEE云计算平台统计了像元尺度的高质量Landsat-8和Sentinel-2观测数量，如图2所示。
图2 像元尺度的Landsat-8及Sentinel-2高质量影像数量统计
1.3 农作物样本及辅助数据
结合江汉平原的农作物物候历以及轮作情况，在2021年4月和2021年9月分别进行了农作物分类实地样本采集。根据两期实地采样，获取不同作物类型样本共2 493个，其中冬油菜364个、冬小麦730个、水稻737个、稻虾田327个、其他作物335个，样本基本上均匀分布于整个江汉平原区域。随机选取总样本的80%作为训练样本，剩下20%作为验证样本。
此外，本研究使用了2020年GlobeLand30地表覆盖产品进行非耕地掩膜，去除了江汉平原的人造地表、水体和森林等非耕地类型，基于江汉平原耕地区域进行农作物分类。GlobeLand30（http://www. globallandcover.com/）是广泛使用的全球土地覆盖数据集，其空间分辨率为30 m，在全球生态系统评价、环境规划、气候变化等领域得到了广泛应用[34-38]。Globeland30土地覆盖类型分为耕地、湿地、草地、灌木地、森林、水体、裸地、人造地表、苔原、冰川和永久积雪共10类，其对耕地类型的总体精度在80%以上[39]。
1.4 研究方法
1.4.1 时间序列构建 影像合成是一种按照固定时间间隔构建时间序列数据的方法，可以有效减少由于云污染导致的影像数据集时空分布不均匀对农作物分类效果的影响。影像合成方法主要包括时间窗口内计算平均值、中位数和最大值等。然而，平均值产生新的合成值大概率会与实际观测值存在较大偏离。此外，平均值和最大值合成容易受到极端异常值的影响。因此，本研究使用中值合成的方法生成具有一定时间间隔的时间序列影像数据。
为了保证在较窄时间窗口（例如15或20 d）下生成的时间序列影像均完整覆盖研究区范围，本研究使用移动中位数合成的方法来填补由于没有观测、数据不足或云层覆盖而导致的影像缺失部分[24]。移动中位数合成方法可以生成等时间间隔且在一定区域内均完整覆盖的时间序列影像集，已被广泛应用于农作物分类研究，该方法主要包含两个步骤：首先，针对在设定的时间窗口内至少有一次高质量观测的像元，计算该时间段内所有观测值的中位数来表示该时间段的观测值，建立初始等时间间隔数据集；其次，针对初始等时间间隔数据集中存在空值的像元，将该像元前一个相邻时间间隔的中位数和后一相邻时间间隔的中位数再次取中值来替代空值区域，以此来对初始等时间间隔的影像集进行空间缺失填充。
为了探究影像的时间合成窗口对农作物分类效果的影响，本研究协同2020年10月1日至2021年6月30日的高质量Sentinel-2和Landsat-8影像，基于移动中位数合成法，分别以15、20、25、30、40、50、60 d这7个间隔进行影像中值合成，构建时间序列影像数据集用以农作物分类。
1.4.2 植被指数特征提取 选取归一化植被指数（normalized difference vegetation index，NDVI）、陆表水分指数（land surface water index，LSWI）、增强型植被指数（enhanced vegetation index，EVI）和绿度指数（green vegetation index，VIgreen）共4个植被指数作为农作物识别特征。其中，NDVI是研究植被物候最常用的植被指数之一[40-44]，其减少了由地形变化或云阴影引起的光谱噪声。EVI和VIgreen与树冠中的叶面积指数和叶绿素高度相关[45-46]。LSWI对植被及其土壤背景中的液态水总量敏感，可以抑制旱地的信息，突出水田信息，用于检测不同物候阶段的植被含水量，已被广泛应用于多类作物识别，尤其是水稻类别[47-49]。基于Landsat-8和Sentinel-2时间序列数据的蓝、绿、红、近红外（NIR）和短波红外（SWIR）光谱波段，计算以上4个光谱指数，具体公式见表1。
表1 本研究所采用的植被指数及其计算公式
ρ、ρ、ρ、ρ、ρ1分别代表红波段、绿波段、蓝波段、近红外波段、短波红外波段反射率
ρ, ρ,ρ,ρand ρ1represent the spectral reflectance of the red band, green band, blue band, near-infrared band and short-wave infrared band, respectively
1.4.3 随机森林分类模型 选用随机森林算法进行江汉平原不同农作物类型识别。随机森林算法是一种基于多重决策树的自学习集成学习算法，利用bootstrap重抽样方法从训练样本集中随机抽取样本构建决策树，综合所有决策树的预测结果投票得到最终结果[50]。随机森林算法具有运算效率高、模型稳健性强、抗噪能力强且模型泛化性突出等优点，在农作物识别研究中得到了非常广泛的应用[51-54]。本研究基于GEE平台集成的随机森林算法进行模型训练以及分类结果预测。随机森林模型有两个重要参数：随机森林中树的总个数ntree和决策树内部节点随机选择变量的个数mtry[55]。经过不同情景对比测试，针对江汉平原主要农作物类型识别任务，随机森林参数ntree对识别结果的精度影响较小。因此，本研究为了平衡计算时间和预测准确性，将随机森林中树的总个数ntree设置为100，mtry参数为输入的特征总数的平方根，其他参数保持默认值[56]。
1.4.4 精度评价 基于实地采集的农作物验证样本集计算混淆矩阵以及制图精度（producer’s accuracy，PA）、用户精度（user’s accuracy，UA）和总体精度（overall accuracy，OA）以评价农作物识别效果。其中，UA表征某类作物的错分误差情况，PA表征某类作物的漏分误差情况，OA代表区域总体分类效果。本研究设置了7类不同影像时间合成窗口的情景，将这7组分类基于相同的训练样本进行随机森林模型训练，并采用相同的验证样本集进行精度评价。此外，基于UA和PA的调和平均值计算F1精度指标（F1 score），用以对比不同作物类别分类效果，PA、UA、OA和F1计算公式如下：
式中，为农作物类别；是用于精度评价的总样点数；X为分类结果中第类像元里正确分类的像元数；X为分类结果中第类像元的总数；X为真实情况中第类像元总数。
2 结果
2.1 不同时间合成窗口下的影像覆盖度分析
影像覆盖度是指去云后Landsat-8和Sentinel-2影像协同的高质量像元数与研究区总像元数的比值。当影像覆盖度达到99%以上时，高质量观测影像几乎覆盖了整个研究区；而当影像覆盖度低于70%时，高质量观测影像会存在较大面积的缺失。不同时间合成窗口的影像覆盖度和平均高质量观测数量如图3所示。在影像15 d时间合成窗口下，影像的时间序列最密集，有18个时间段，但是每个时间段合成影像的质量差异较大，其中有8个时间段的高质量影像覆盖度低于60%。在2020年12月30日至2021年1月14日（即DOY 14）这个时间段内，平均观测值数量达到4.13，至少获得一次良好观测的像素比例高达99.99%，高质量观测影像几乎覆盖了整个研究区。然而，在2020年11月15日至2020年11月30日（即DOY 335）和2021年2月28日至2021年3月15日（即DOY 74）这两个时间段内，区域平均观测值只有1.48和1.33，至少获得一次良好观测的像素比例低于16%，表明在该15 d时间合成窗口内，存在数据缺失的像素比例超过80%。
图3 不同时间合成窗口下良好观测影像的平均数量和至少有一次良好观测的像素百分比
在影像时间合成窗口为20和25 d的情景下，影像覆盖没有连续的大量空缺，影像覆盖度整体较高，因此移动中位数合成后能将覆盖度较低时间段的影像补全。在20 d影像合成情景下，除了第1个时间段高质量观测影像的覆盖度只有58.64%外，其他时间段均＞70%。在25 d影像合成的情景下，高质量观测影像的覆盖度均＞70%。另外，所有高质量影像覆盖度低于80%的时间段，其相邻时间段的观测覆盖度均高于85%，表明采取25 d时间窗口中值合成后的数据集不存在连续时间段内大面积影像空缺的情况，对该数据集进行移动中位数合成得到的影像较为接近真实值。
在时间合成窗口为30 d时，大部分时间段的影像覆盖度都超过94%，但是由于南方4月多云雨，2021年3月30日至2021年4月29日（即DOY 119）这个时间段内高质量影像的覆盖度较低，为81.6%。随着时间合成窗口的增大，更多的像元可以满足每个周期至少一次良好观测的需求。在时间合成窗口＞40 d时，整个时间序列中基本不存在影像缺失情况，覆盖度均＞99%。但40、50、60 d的影像时间序列较稀疏，分别只有6、5、4个时间段。
2.2 不同时间合成窗口下的植被指数变化分析
在7类影像时间合成窗口下，基于冬油菜、冬小麦、水稻以及稻虾田这4类农作物的所有训练样本点统计并绘制NDVI和LSWI植被指数时间序列，利用B样条函数对拟合曲线进行滤波以更加凸显各农作物独特的物候特征，植被指数时间序列如图4所示。冬小麦和冬油菜是两类越冬作物，两者时序光谱特征变化趋势整体较为相似，均表现为生长周期内NDVI值先上升后下降。然而，在影像的时间合成窗口较小时，时序较为密集，二者间细微的物候差异得以体现。例如，基于15、20、25和30 d合成时，冬油菜的NDVI曲线会呈现生长双峰特征，冬油菜在10月开始种植后，NDVI曲线呈现上升的趋势，到12月左右会达到第1个极大值。在之后的1—2月冬油菜处于苗后期和蕾苔初期，NDVI值会略微下降，在3月底开花期达到极小值。4月进入角果期后NDVI值又逐渐增大，并会达到第2个极大值，随后进入成熟收获期NDVI值急剧变小。相比之下，冬小麦的NDVI曲线特征较为单一，冬小麦从10月播种后NDVI持续增加，到3—4月出现生长峰值，之后冬小麦成熟，NDVI逐渐下降。因此，3月左右是区分冬油菜和冬小麦的关键物候期，在该时期冬油菜处于盛花期，NDVI值出现轻微低谷，而冬小麦处于生长旺盛期，NDVI处于极大值。然而，随着影像的时间合成窗口增大，会出现关键物候信息的丢失，当时间合成窗口≥40 d时，冬油菜NDVI曲线失去了其独特的变化特征，与冬小麦NDVI曲线变化趋势基本一致，仅表现为先增大后减小。
普通水稻和稻虾田在本研究阶段均处于冬闲期，均未表现出明显生长信息。但稻虾田在10月下旬之后需要保证一定的水量来保障越冬期间龙虾幼苗的生长发育条件，所以稻虾共作区域会表现出较高的LSWI值，并且LSWI整体大于NDVI，表现出明显的水淹信号，随后5—6月处于稻田灌水移栽期，同样表现出水淹信号。然而，普通水稻田在10月至次年3月的休耕期内不需要进行灌溉泡田，所以无明显水淹信号，绝大多数休耕时间里，NDVI远大于LSWI，直到4—5月进入水稻种植的灌水移栽期时，LSWI＞NDVI，出现水淹信号。因此，10月至次年3月为水稻田和稻虾田识别的关键物候期，该阶段稻虾田独特的水淹信号可以有效区分两类作物。由于水稻和稻虾田两者的淹水特征持续时间较长且差异性明显，在7种时间合成窗口情景下，稻虾田均表现出明显的冬闲期水淹信号，与水稻田的时序光谱特征分离性受合成时间、合成窗口影响较小。
2.3 农作物识别结果及精度评价
以影像的时间合成窗口为20 d情景为例，提取的2020年江汉平原农作物空间分布信息结果如图5所示。从空间分布趋势上看，江汉平原冬油菜分布较分散，冬小麦分布较集中，水稻大面积分布在整个江汉平原，稻虾田集中分布在东南部。在不同影像时间合成窗口下，冬油菜、冬小麦、稻虾田和水稻这4个农作物的识别结果较为相似，但在一些分散的农田区域存在不同程度地错分。对比图5典型区域（a）中冬油菜和冬小麦的识别结果可知，在影像时间合成窗口为15、20以及25 d的情景下两者的分布基本相同，但随着影像时间合成窗口继续增大，更多的冬小麦被误分为冬油菜。另外，对比图5典型区域（b）中水稻和稻虾田的识别结果可知，在影像时间合成窗口为15、20、25以及30 d的情景下两者的分布基本相同，但随着影像的时间合成窗口继续增大，更多的水稻和稻虾田被误分为其他作物。
图4 不同时间合成窗口下NDVI与LSWI时序曲线变化
图6展示了在使用不同时间窗口（15、20、25、30、40、50和60 d）进行影像合成的分类方案下，江汉平原农作物分类的精度评价结果。冬油菜识别精度在不同时间合成窗口下差异较大，在以20 d时间合成窗口时最高，F1值达到0.90，但当时间合成窗口＞30 d时，制图精度将会降到80%以下，出现一定漏分情况。冬小麦各项识别精度指标在不同时间合成窗口下均＞0.85，在时间合成窗口为20 d时精度最高，F1值为0.95。水稻和稻虾田识别精度同样较高，其中水稻在20 d合成情景下F1值最高，为0.95。稻虾田由于具有独特的冬闲期水淹信号分类特征，且关键特征持续时间较长，各场景下分类结果F1值均＞0.9，在20和30 d合成情景下F1值最高，达到0.97。其他作物分类效果相较于其他主要作物类型较差，制图精度在各场景下均低于80%，表现出明显的漏分误差，在20 d合成时分类精度最佳，F1值为0.82。农作物识别总体精度变化趋势表现为：当时间合成窗口从15 d增至20 d时，总体精度明显上升，达到最大值93.13%，之后随着时间合成窗口增大，总体精度逐渐下降，最小值为60 d合成情景下的86.06%。
图5 不同时间合成窗口下典型区域的农作物分类结果及2021年3月标准假彩色合成Sentinel-2影像
图6 不同时间合成窗口下农作物识别的精度
2.4 不同作物识别精度对时间合成窗口的响应
图7显示在不同影像时间合成窗口下，冬油菜、冬小麦、稻虾田、水稻和其他作物的分类精度变化范围。从箱线图可知，农作物分类效果对影像时间合成窗口的变化敏感程度依次为其他作物＞冬油菜＞水稻＞冬小麦＞稻虾田。其他作物包含多种作物类别，各类别间时序光谱特征存在差异，最优识别特征及关键物候期不一，因此识别效果随影像时间合成窗口发生显着变化，F1值波动范围为0.68—0.82。冬油菜识别效果也表现出对影像时间合成窗口的高度敏感性，F1值在0.77—0.90。这主要因为冬油菜识别的关键物候期为3月前后的开花期，时间跨度较短，当选取的影像时间合成窗口较大时（超过30 d），冬油菜NDVI时序曲线失去独特的物候特征信息，与冬小麦NDVI时序曲线表现出高度相似性，使得冬油菜易被误分为冬小麦。相比之下，冬小麦、水稻以及稻虾田识别精度虽然随时间合成窗口出现一定波动，但整体上识别精度均较高，F1值均可达到0.85以上。其中，冬小麦关键物候特征为植被指数曲线生长单峰特征，该特征较为明显，不随时间合成窗口发生显着变化。水稻和稻虾田均处于稻闲期，无明显生长信息，且稻虾田表现出持久的水淹信号，因此二者分类效果良好。
图7 不同时间合成窗口下农作物分类精度变化图
3 讨论
3.1 时间合成窗口对南方农作物识别的适用性
受到不同农作物光谱特征的“同物异谱，同谱异物”影响，时间序列充足且高质量的遥感观测是进一步提高农作物识别精度的重要数据基础。本研究通过探讨多源影像时间合成窗口对农作物识别精度的影响机制，为构建影像覆盖度高且物候信息完整的时序数据，实现高精度农作物分类提供方法支撑。
针对影像受云雨天气影响较小的北方地区，基于单源中高分辨率影像，设置不超过30 d的时间合成窗口就足以获取时间连续（例如一年可获取12景）且均完整覆盖研究区的优质影像集。例如，You等[24]仅设置10、15、20、30 d这4种时间合成窗口场景，构建覆盖黑龙江省的Sentinel-2数据集，精度对比结果表明在时间合成窗口为10 d的情景下即可以实现农作物高精度制图和早期识别。然而，南方地区影像获取度受云雨天气影响更大，采用30 d的时间合成窗口都难以满足区域尺度优质影像全覆盖的需求，北方最优时间合成窗口设置的相关结论对于南方的适用性较低。本研究针对中国南方典型复杂种植区江汉平原，协同Landsat-8和Sentinel-2影像，设置了包含15、20、25、30、40、50和60 d这7个时间合成窗口的不同分类场景，探究南方地区影像时间合成窗口对于农作物识别精度的影响。结果表明，协同多源中高分辨率影像，在时间合成窗口设置为40 d时才能获取时间连续（例如一年可获取9景）且均完整覆盖江汉平原的高质量影像数据集。不同场景分类结果对比表明在时间合成窗口为20 d时才能够实现南方区域尺度农作物精准识别。对比而言，时间合成窗口太短会带来高质量影像空间覆盖率过低的问题，而时间合成窗口太长则会导致农作物关键物候信息无法表征。因此，相较于北方地区，南方地区大尺度农作物精准识别对于影像数据源要求更高，所需要的影像时间合成窗口范围也更大。
相关已有研究主要集中于探讨北方地区影像时间合成窗口对作物分类的影响，而北方农作物种植结构单一，主要包含水稻和玉米等，农作物物候节律特征也较为相似，均表现为单季种植，在夏季达到生长旺盛期。因此，已有研究并未对不同作物类别精度的影响以及影响机制作出讨论，多为简要分析比较不同时间合成窗口下农作物识别的总体精度[24-27]。然而，南方农作物种植结构较为复杂，种植类型多样，且不同农作物物候存在较大差异，例如小麦、油菜等越冬作物生长物候特征与水稻、稻虾田等完全不同。因此，有必要针对南方地区不同农作物类型，探究影像时间合成窗口对其遥感识别精度的影响以及影响机制。本研究通过分析不同时间合成窗口的作物NDVI和LSWI时序曲线，并结合基于地面采样点开展的每种作物精度评价结果可知，冬油菜NDVI时序曲线在短暂开花期附近的双峰特征会随着时间合成窗口增大而缺失，导致其被误分为冬小麦，分类精度降低，因此油菜对时间合成窗口相对敏感。冬小麦植被指数时序曲线呈现明显的生长单峰特征，水稻和稻虾田在研究阶段内均处于稻闲期，无明显生长信息，且稻虾田有长期的独特水淹信号特征，因此三者对时间合成窗口相对不敏感。
综上，本研究探讨了南方多云雨条件以及复杂种植结构下影像时间合成窗口对于不同农作物识别精度的影响，弥补了相关研究对多云雨区的分析空缺，对于大尺度下农作物一张图制作的影像源选择以及合成方法等具有重要的指导意义。
3.2 潜在的提升方向
首先，相对于本研究使用的面向像元分类策略，面向地块的农作物分类可以有效解决由“同物异谱”和“同谱异物”导致分类结果出现椒盐现象的问题，提高分类结果精度的同时，还可以提升结果在实际生产中的应用价值。其次，本研究使用2020年Globeland30土地覆盖产品中的耕地区域作为农作物分类的底图，但土地覆盖产品本身不可避免地存在一定分类误差，使得农作物分类结果存在不确定性。例如，Globeland30中存在部分狭窄道路被误分为耕地区域，该区域进行随机森林分类后被错分为水稻，这也是导致水稻分类精度在不同时间合成窗口下出现一定波动的原因之一。此外，在影像时间合成窗口过窄（15 d）的情景下，初始中值合成的时间序列影像集中会存在连续时段均表现出低影像覆盖度的情况，此时利用移动中位数合成方法处理的数据集可能会偏离真实值。最后，本研究以江汉平原为研究区探究影像时间合成对农作物分类的影响，研究结论在更大区域的代表性需要进一步验证。因此，未来研究中将进一步优化分类底图和时间序列影像集构建方法，发展耕地地块提取算法，研究更大空间尺度上基于更多来源影像数据协同的最佳影像合成方法，为农作物高精度制图提供重要的信息支撑。
4 结论
采用20 d时间合成窗口进行影像合成的农作物整体分类效果最佳。在20 d合成情景下，农作物识别总体精度最高，达到93.13%。此外，油菜、小麦、水稻、稻虾田以及其他作物在20 d合成情景下识别结果F1值也为最高，分别为0.90、0.95、0.95、0.97和0.82。不同农作物识别效果对影像时间合成窗口变化敏感程度排序为其他作物＞冬油菜＞水稻＞冬小麦＞稻虾田。冬油菜识别的关键物候期为持续时间较短的开花期，在影像时间合成窗口超过30 d时，冬油菜物候信息缺失，导致其误分为冬小麦。冬小麦、水稻和稻虾田物候信息明显，因此三者识别精度虽然随着时间合成窗口有小幅波动，但整体均较高。
在多云雨导致影像缺失、景观复杂且地块破碎的我国南方地区，适宜的影像时间合成窗口能够最大化发挥多源遥感影像在捕获不同农作物关键识别特征中的潜力，可为未来协同多源遥感数据进一步提高农作物识别精度提供方法参考和技术支撑。
[1] 胡琼, 吴文斌, 宋茜, 余强毅, 杨鹏, 唐华俊. 农作物种植结构遥感提取研究进展. 中国农业科学, 2015, 48(10): 1900-1914. doi: 10.3864/j.issn.0578-1752.2015.10.004.
HU Q, WU W B, SONG Q, YU Q Y, YANG P, TANG H J. Recent progresses in research of crop patterns mapping by using remote sensing. Scientia Agricultura Sinica, 2015, 48(10): 1900-1914. doi: 10.3864/j.issn.0578-1752.2015.10.004. (in Chinese)
[2] LUO C, QI B S, LIU H J, GUO D, LU L P, FU Q, SHAO Y Q. Using time series Sentinel-1 images for object-oriented crop classification in Google earth engine. Remote Sensing, 2021, 13(4): 561.
[3] ZHANG W T, WANG M, GUO J, Lou S T. Crop classification using MSCDN classifier and sparse auto-encoders with non-negativity constraints for multi-temporal, Quad-Pol SAR data. Remote Sensing, 2021, 13(14): 2749.
[4] GELLA G W, BIJKER W, BELGIU M. Mapping crop types in complex farming areas using SAR imagery with dynamic time warping. ISPRS Journal of Photogrammetry and Remote Sensing, 2021, 175: 171-183.
[5] KANG Y, HU X, MENG Q, ZOU Y F, ZHANG L L, LIU M, ZHAO M F. Land cover and crop classification based on red edge indices features of GF-6 WFV time series data. Remote Sensing, 2021, 13(22): 4522.
[6] WANG N, ZHAI Y, ZHANG L. Automatic cotton mapping using time series of Sentinel-2 images. Remote Sensing, 2021, 13(7): 1355.
[7] GUO Y, XIA H M, ZHAO X Y, QIAO L X, QIN Y C. Estimate the earliest phenophase for garlic mapping using time series landsat 8/9 images. Remote Sensing, 2022, 14(18): 4476.
[8] CLAUSS K, YAN H, KUENZER C. Mapping paddy rice in China in 2002, 2005, 2010 and 2014 with MODIS time series. Remote Sensing, 2016, 8(5): 434.
[9] 张馨予, 蔡志文, 杨靖雅, 王聪, 魏浩东, 胡琼, 徐保东. 时序滤波对农作物遥感识别的影响. 农业工程学报, 2022, 38(4): 215-224.
ZHANG X Y, CAI Z W, YANG J Y, WANG C, WEI H D, HU Q, XU B D. Impacts of temporal smoothing methods on crop type identification. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(4): 215-224. (in Chinese)
[10] 何真, 胡洁, 蔡志文, 王文静, 胡琼. 协同多时相国产GF-1和GF-6卫星影像的艾草遥感识别. 农业工程学报, 2022, 38(1): 186-195.
HE Z, HU J, CAI Z W, WANG W J, HU Q. Remote sensing identification forintegrating multi-temporal GF-1 and GF-6 images. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(1): 186-195. (in Chinese)
[11] 杨靖雅, 胡琼, 魏浩东, 蔡志文, 张馨予, 宋茜, 徐保东. 基于Sentinel-1/2数据的中国南方单双季稻识别结果一致性分析. 中国农业科学, 2022, 55(16): 3093-3109. doi: 10.3864/j.issn.0578-1752. 2022.16.003.
YANG J Y, HU Q, WEI H D, CAI Z W, ZHANG X Y, SONG Q, XU B D. Consistency analysis of classification results for single and double cropping rice in Southern China based on Sentinel-1/2 imagery. Scientia Agricultura Sinica, 2022, 55(16): 3093-3109. doi: 10.3864/ j.issn.0578-1752.2022.16.003. (in Chinese)
[12] QU C, LI P, ZHANG C. A spectral index for winter wheat mapping using multi-temporal Landsat NDVI data of key growth stages. ISPRS Journal of Photogrammetry and Remote Sensing, 2021, 175: 431-447.
[13] XIAO W, XU S, HE T. Mapping paddy rice with Sentinel-1/2 and phenology-, object-based algorithm—A implementation in Hangjiahu Plain in China using GEE platform. Remote Sensing, 2021, 13(5): 990.
[14] THENKABAIL P S, WU Z. An automated cropland classification algorithm (ACCA) for Tajikistan by combining landsat, MODIS, and secondary data. Remote Sensing, 2012, 4(10): 2890-2918.
[15] WANG J, XIAO X M, LIU L, WU X C, QIN Y W, STEINER J L, DONG J W. Mapping sugarcane plantation dynamics in Guangxi, China, by time series Sentinel-1, Sentinel-2 and Landsat images. Remote Sensing of Environment, 2020, 247: 111951.
[16] LI Q, WANG C, ZHANG B, LU L. Object-based crop classification with Landsat-MODIS enhanced time-series data. Remote Sensing, 2015, 7(12): 16091-16107.
[17] ZHANG H, LIU W, ZHANG L. Seamless and automated rapeseed mapping for large cloudy regions using time-series optical satellite imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 2022, 184: 45-62.
[18] 宋茜, 周清波, 吴文斌, 胡琼, 余强毅, 唐华俊. 农作物遥感识别中的多源数据融合研究进展. 中国农业科学, 2015, 48(6): 1122-1135. doi: 10.3864/j.issn.0578-1752.2015.06.09.
SONG Q, ZHOU Q B, WU W B, HU Q, YU Q Y, TANG H J. Recent progresses in research of integrating multi-source remote sensing data for crop mapping. Scientia Agricultura Sinica, 2015, 48(6): 1122-1135. doi: 10.3864/j.issn.0578-1752.2015.06.09. (in Chinese)
[19] LIU L, XIAO X, QIN Y, WANG J, XU X, HU Y, QIAO Z. Mapping cropping intensity in China using time series Landsat and Sentinel-2 images and Google earth engine. Remote Sensing of Environment, 2020, 239: 111624.
[20] PAN L, XIA H, ZHAO X, GUO Y, QIN Y. Mapping winter crops using a phenology algorithm, time-series Sentinel-2 and Landsat-7/8 images, and Google earth engine. Remote Sensing, 2021, 13(13): 2510.
[21] LI Q, LIU G, CHEN W. Toward a simple and generic approach for identifying multi-year cotton cropping patterns using Landsat and Sentinel-2 time series. Remote Sensing, 2021, 13(24): 5183.
[22] 魏浩东, 杨靖雅, 蔡志文, 陈云坪, 张馨予, 徐保东, 胡琼. 物候窗口和多源中高分辨率影像的稻虾田提取. 遥感学报, 2022, 26(7): 1423-1436.
WEI H D, YANG J Y, CAI Z W, CHEN Y P, ZHANG X Y, XU B D, HU Q. Phenology windows and multi-source medium-/high-resolution image extraction for rice-crayfish paddy fields mapping. National Remote Sensing Bulletin, 2022, 26(7): 1423-1436. (in Chinese)
[23] TIAN H F, HUANG N, NIU Z, QIN Y C, PEI J, WANG J. Mapping winter crops in China with multi-source satellite imagery and phenology-based algorithm. Remote Sensing, 2019, 11(7): 820.
[24] YOU N, DONG J. Examining earliest identifiable timing of crops using all available Sentinel 1/2 imagery and Google earth engine. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 161: 109-123.
[25] Huang X D, Huang J X, Li X C, Shen Q R, Chen Z C. Early mapping of winter wheat in Henan province of China using time series of Sentinel-2 data. GIScience & Remote Sensing, 2022, 59(1): 1534-1549.
[26] XU F, LI Z F, ZHANG S Y, HUANG N T, QUAN Z Y, ZHANG W M, LIU X J, JIANG X S, PAN J J, PRISHCHEPOV A V. Mapping winter wheat with combinations of temporally aggregated Sentinel-2 and Landsat-8 data in Shandong Province, China. Remote Sensing, 2020, 12(12): 2065.
[27] 周惠慧, 王楠, 黄瑶, 王晋年, 张立福. 不同时间间隔下的遥感时间序列重构模型比较分析. 地球信息科学学报, 2016, 18(10): 1410-1417.
ZHOU H H, WANG N, HUANG Y, WANG J N, ZHANG L F. Comparison and analysis of remotely sensed time series of reconstruction models at various intervals. Journal of Geo-information Science, 2016, 18(10): 1410-1417. (in Chinese)
[28] 张紫荆, 华丽, 郑萱, 李嘉麟. 基于GEE平台与Sentinel-NDVI时序数据江汉平原种植模式提取. 农业工程学报, 2022, 38(1): 196-202.
Zhang Z J, HUA L, ZHENG X, LI J L. Extraction of cropping patterns in Jianghan Plain based on GEE and Sentinel-NDVI time series data. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(1): 196-202. (in Chinese)
[29] FILIPPUCCI P, BROCCA L, BONAFONI S, SALTALIPPI C, WAGNER W, TARPANELLI A. Sentinel-2 high-resolution data for river discharge monitoring. Remote Sensing of Environment, 2022, 281: 113255.
[30] DONG J W, XIAO X M, MENARGUEZ M A, ZHANG G L, QIN Y W, THAU D, BIRADAR C, MOORE B. Mapping paddy rice planting area in northeastern Asia with Landsat 8 images, phenology-based algorithm and Google earth engine. Remote Sensing of Environment, 2016, 185: 142-154.
[31] SCARAMUZZA P L, BOUCHARD M A, DWYER J L. Development of the Landsat data continuity mission cloud-cover assessment algorithms. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(4): 1140-1154.
[32] ROY D P, KOVALSKYY V, ZHANG H K, VERMOTE E F, YAN L, KUMAR S S, EGOROV A. Characterization of Landsat-7 to Landsat-8 reflective wavelength and normalized difference vegetation index continuity. Remote Sensing of Environment, 2016, 185(1): 57-70.
[33] ZHANG H K, ROY D P, YAN L, LI Z B, HUANG H Y, VERMOTE E, SKAKUN S, ROGER J C. Characterization of Sentinel-2A and Landsat-8 top of atmosphere, surface, and nadir BRDF adjusted reflectance and NDVI differences. Remote Sensing of Environment, 2018, 215: 482-494.
[34] CHEN J, CHEN J, LIAO A P, CAO X, CHEN L J, CHEN X H, HE C Y, HAN G, PENG S, LU M, ZHANG W W, TONG X H, MILLS J. Global land cover mapping at 30 m resolution: A POK-based operational approach. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 103: 7-27.
[35] XU L, ZHANG H, WANG C, WEI S, ZHANG B, WU F, TANG Y. Paddy rice mapping in Thailand using time-series Sentinel-1 data and deep learning model. Remote Sensing, 2021, 13(19): 3994.
[36] HU J, CHEN Y, CAI Z, WEI H, ZHANG X, ZHOU W, WANG C, YOU L, XU B. Mapping diverse paddy rice cropping patterns in South China using harmonized Landsat and Sentinel-2 data. Remote Sensing, 2023, 15(4): 1034.
[37] LU M, WU W, ZHANG L, LIAO A, PENG S, TANG H. A comparative analysis of five global cropland datasets in China. Science China Earth Sciences, 2016, 59: 2307-2317.
[38] CHEN J, CAO X, PENG S, REN H. Analysis and applications of GlobeLand30: A review. ISPRS International Journal of Geo- Information, 2017, 6: 230.
[39] CAO B, YU L, NAIPAL V, CIAIS P, LI W, ZHAO Y Y, WEI W, CHEN D, LIU Z, GONG P. A 30 m terrace mapping in China using Landsat 8 imagery and digital elevation model based on the Google earth engine. Earth System Science Data, 2021, 13(5): 2437-2456.
[40] JIANG Z, HUETE A R, CHEN J, CHEN Y, LI J, YAN G, ZHANG X. Analysis of NDVI and scaled difference vegetation index retrievals of vegetation fraction. Remote Sensing of Environment, 2006, 101: 366-378.
[41] ARVOR D, JONATHAN M, MEIRELLES M S P, DUBREUIL V, DURIEUX L. Classification of MODIS EVI time series for crop mapping in the state of Mato Grosso, Brazil. International Journal of Remote Sensing, 2011, 32: 7847-7871.
[42] EASTMAN J, SANGERMANO F, MACHADO E, ROGAN J, ANYAMBA A. Global trends in seasonality of normalized difference vegetation index (NDVI), 1982-2011. Remote Sensing, 2013, 5: 4799-4818.
[43] WEI H, HU Q, CAI Z, YANG J, SONG Q, YIN G, XU B D. An object- and topology-based analysis (OTBA) method for mapping rice-crayfish fields in South China. Remote Sensing, 2021, 13(22): 4666.
[44] KUNKEL V R, WELLS T, HANCOCK G R. Modelling soil organic carbon using vegetation indices across large catchments in eastern Australia. Science of the Total Environment, 2022, 817: 152690.
[45] HUETE A, DIDAN K, MIURA T, RODRIGUEZ E P, GAO X, FERREIRA L G. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 2002, 83: 195-213.
[46] Peña-Barragán J, Ngugi M, Plant R, Six J. Object-based crop identification using multiple vegetation indices, textural features and crop phenology. Remote Sensing of Environment, 2011, 115(6): 1301-1316.
[47] GAO B C. NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment, 1996, 58: 257-266.
[48] 霍轩琳, 牛振国, 张波, 刘林崧, 李霞. 高寒湿地分类的遥感特征优选研究. 遥感学报, 2023, 27(4): 1045-1060.
HUO X L, NIU Z G, ZHANG B, LIU L S, LI X. Remote sensing feature selection for alpine wetland classification. National Remote Sensing Bulletin, 2023, 27(4): 1045-1060. (in Chinese)
[49] XIAO X, BOLES S, FROLKING S, LI C, BABU J Y, SALAS W, MOORE B. Mapping paddy rice agriculture in South and Southeast Asia using multi-temporal MODIS images. Remote Sensing of Environment, 2006, 100: 95-113.
[50] HE Y L, DONG J W, LIAO X Y, SUN L, WANG Z P, YOU N S, LI Z C, FU P. Examining rice distribution and cropping intensity in a mixed single- and double-cropping region in South China using all available Sentinel 1/2 images. International Journal of Applied Earth Observation and Geoinformation, 2021, 101: 102351.
[51] ZHANG X, WU B F, PONCE-CAMPOS G, ZHANG M, CHANG S, TIAN F Y. Mapping up-to-date paddy rice extent at 10 m resolution in China through the integration of optical and synthetic aperture radar images. Remote Sensing, 2018, 10(8): 1200.
[52] YOU N S, DONG J W, HUANG J X, DU G M, ZHANG G L, HE Y L, YANG T, DI Y Y, XIAO X M. The 10-m crop type maps in Northeast China during 2017-2019. Scientific Data, 2021, 8(1): 41.
[53] LUCIANO A C, PICOLI M C A, ROCHA J V, DUFT D G, LAMPARELLI R A C, LEAL M R L V, LE MAIRE G. A generalized space-time OBIA classification scheme to map sugarcane areas at regional scale, using Landsat images time-series and the random forest algorithm. International Journal of Applied Earth Observation and Geoinformation, 2019, 80: 127-136.
[54] CAI Z, HU Q, ZHANG X, YANG J, WEI H, HE Z, SONG Q, WANG C, YIN G, XU B. An adaptive image segmentation method with automatic selection of optimal scale for extracting cropland parcels in smallholder farming systems. Remote Sensing, 2022, 14(13): 3067.
[55] RODRIGUEZ-GALIANO V F, GHIMIRE B, ROGAN J, CHICA- OLMO M, RIGOL-SANCHEZ J P. An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS Journal of Photogrammetry and Remote Sensing, 2012, 67: 93-104.
[56] LIU W B, ZHANG H Y. Mapping annual 10 m rapeseed extent using multisource data in the Yangtze River Economic Belt of China (2017-2021) on Google earth engine. International Journal of Applied Earth Observation and Geoinformation, 2023, 117: 103198.
Exploring the impacts of temporal composition window for integrating multi-source decametric-resolution images on crop type identification
TONG WanTing1, WEI HaoDong2, YANG JingYa3, JIN WenJie1, SONG Qian3, HU Qiong4, YIN GaoFei5, XU BaoDong1
1College of Resources and Environment/Macro Agriculture Research Institute, Huazhong Agricultural University, Wuhan 430070;2College of Plant Science and Technology, Huazhong Agricultural University, Wuhan 430070;3Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences/State Key Laboratory of Efficient Utilization of Arid and Semi-arid Arable Land in Northern China, Beijing 100081;4School of Urban and Environmental Sciences, Central China Normal University, Wuhan 430079;5Faculty of Geosciences and Environmental Engineering, Southwest Jiaotong University, Chengdu 610031
【Background】The decametric-resolution (≤30 m) image is an important data source to identify crop types in South China dominated by fragmented croplands and complex cropping patterns. Due to the relative long revisit frequency of decametric-resolution sensors and persistent rainy/cloud weather in south China, it is critical to integrate multi-source decametric-resolution images using the temporal composition method for the generation of spatiotemporal continuous crop type map. Due to the different temporal resolutions of different satellites, and the significant differences in phenological quaternal rhythms of various crop types, selecting the optimal temporal composition window for integrating multi-source images is vital to map crop type distribution accurately.【Objective】This study aims to explore the impact of image temporal composition windows on crop type identification, and to provide significant references for large-scale crop type mapping in regions with complex terrain.【Method】In this study, Landat-8 and Sentinel-2 data were integrated to extract the crop type distribution in the Jianghan Plain, Hubei province, characterized by the various crop types and cloudy and rainy weather. Then, seven scenarios (15, 20, 25, 30, 40, 50, and 60 d) were established to analyze the effect of different temporal composition windows on crop type identification. Specifically, three aspects, including image coverage rate, spectral-temporal feature curves for different crops and classification accuracies, were combined to understand the performances of different scenarios comprehensively.【Result】The crop type mapping using 20-day composition window performed the best, with the overall accuracy (OA) of 93.13%. In contrast, the scenarios that used narrower temporal composition window derived lower accuracy of crop type identification (e.g., OA=90.91% for the 15-day composition window), which can be primarily attributed to the low coverage rate of good observations in the study area. Meanwhile, since time series images composited in the wide window blurred the key phenological information for different crops, the classification accuracy of crop type mapping scenarios using wide temporal interval was also lower (e.g., OA=86.06% for the 60-day composition window). Additionally, the effect of temporal interval on different crops classification was ranked as following: other crops＞rapeseed＞rice＞wheat＞rice-crayfish. In detail, the reason why the classification performance of other crops was the most sensitive to the temporal composition window can be due to the high intra-class phenological variance of this type. Flowering period is the key phenology window to identify rapeseed, therefore, the classification accuracy of rapeseed decreased while the temporal composition window exceeds 30-day, and rapeseed was easily confused with wheat. Furthermore, because the key phenology window to distinguish rice-crayfish from single-cropping rice (i.e., the flooding stage of rice-crayfish fields) lasted a long period (e.g., from October 2020 to June 2021), the classification accuracy of rice-crayfish was less sensitive to the temporal composition window.【Conclusion】In general, the 20-day impact of the temporal composition window can take into account the high-quality image coverage and capture of key phenological characteristics of crop identification, but the optimal temporal composition window of different crops identification is affected by the key phenological period of crops. This study provides theoretical reference and method support for selecting the optimal temporal composition window to generate multi-source image time series, which is promising to improve the efficiency and accuracy of large-scale crop type mapping.
crop type mapping; temporal composition window; random forest; Sentinel-2; Landsat-8
10.3864/j.issn.0578-1752.2024.02.003
2023-05-25；
2023-08-17
国家重点研发计划（2021YFD1600503）、国家自然科学基金（42271360，42001303）、中央高校基本科研业务费专项基金（2662021JC013，CCNU22JC013，CCNU22QN018）、四川省杰出青年科技人才项目（2021JDJQ0007）、中央级公益性科研院所基本科研业务费专项（1610132021010）
童婉婷，E-mail：twt@webmail.hzau.edu.cn。通信作者宋茜，E-mail：songqian01@caas.cn。通信作者徐保东，E-mail：xubaodong@mail.hzau.edu.cn
（责任编辑 岳梅）
