利用Sentinel-1和Sentinel-2时间序列评估多区域模型在冬季覆盖作物分类方面的时空迁移性

《Remote Sensing Applications: Society and Environment》:Evaluating the spatio-temporal transferability of multi-regional models for winter catch crop classification using Sentinel-1 and -2 time series

【字体: 大 中 小 】 时间:2026年07月14日 来源:Remote Sensing Applications: Society and Environment 3.8

编辑推荐:

  Shanmugapriya Selvaraj|Damian Bargiel|Abdelaziz Htitiou|Sebastian Goihl|Philip Marzahn|Heike Gerighausen 朱利乌斯·库恩研究所(JKI)——德国联邦栽培植物研究中心,战略与技

  Shanmugapriya Selvaraj|Damian Bargiel|Abdelaziz Htitiou|Sebastian Goihl|Philip Marzahn|Heike Gerighausen

朱利乌斯·库恩研究所(JKI)——德国联邦栽培植物研究中心,战略与技术评估研究所,地址:Bundesallee 58,布伦瑞克,38116,德国

摘要
准确绘制冬季覆盖作物的分布图对于监测可持续农业实践以及推动气候减缓政策至关重要。然而,关于其空间范围和作物类型分布的大规模信息仍然有限。本研究利用2021年至2024年间来自Sentinel-1(S-1)雷达卫星和Sentinel-2(S-2)光学卫星的多时相数据,对德国四个地区的冬季覆盖作物进行分类分析,这四个地区分别是下萨克森州、勃兰登堡州、北莱茵-威斯特法伦州以及萨克森州。我们研究了:(i)雷达数据、光学数据以及两者结合的数据集在实现精准分类方面的作用;(ii)模型在2024年独立数据集上的时间迁移能力;(iii)模型在萨克森州这一独立区域上的空间迁移能力。研究结果表明,雷达与光学数据结合使用的模型在区分覆盖作物与非覆盖作物方面具有90%的总体准确率,并且表现出较强的时间迁移能力,2024年的总体准确率为86%。当将该模型应用到萨克森州时,总体准确率为77%。在针对不同类型覆盖作物的分类中,雷达与光学数据结合使用的模型达到了84%的最高总体准确率,尤其是对于黑麦草、豌豆和紫花苜蓿这类少数类别的识别效果更为出色。2024年的数据验证显示,该模型的总体准确率为76%,而应用到萨克森州时的准确率为63%。萝卜、芥菜以及各类混合作物之间常常出现难以区分的情况,这主要是由于它们在物候特征和结构特点上存在相似性。这些研究结果证实了雷达观测与光学观测的互补价值,同时也为德国范围内冬季覆盖作物的大规模监测提供了可迁移的框架。

引言
要减少农业对气候变化的贡献,就需要采取能够降低温室气体排放、提高氮素利用效率以及增强土壤碳储存能力的土地管理策略(Smith等人,2008;Smith等人,2019)。在欧洲,共同农业政策大力支持实现这些目标,该政策旨在推动欧盟内的气候智能型及环境可持续型农业实践(Cuadros-Casanova等人,2023)。在这一框架下,人们提出了多种土地管理措施来减少农业排放并改善土壤健康,包括优化肥料使用、减少耕作、实行轮作、施用有机肥以及种植覆盖作物(Smith等人,2019)。其中,越来越受到重视的一种做法就是使用覆盖作物,它们属于覆盖作物大类中的特定类别。覆盖作物通常在两个主要作物生长周期之间的短时间内种植,其主要功能是吸收土壤中剩余的氮素、防止养分流失并提升土壤养分保持能力(Sharma等人,2018;Blanco-Canqui等人,2015)。与那些主要用于抑制杂草或防止土壤侵蚀的普通覆盖作物相比,覆盖作物的功能更侧重于养分吸收(Klages等人,2022)。

传统上,覆盖作物的推广情况是通过相关机构在共同农业政策框架下进行的实地检查来监控的。虽然这种方法在单块农田层面的检测精度较高,但它劳动强度大、空间覆盖范围有限,难以满足人们对大规模、及时数据的日益需求(KC等人,2021)。此外,各国的联邦行政结构往往限制了对全国综合行政控制系统数据的集中访问,这也导致了数据获取的进一步困难,德国便是如此。与此同时,近年来地球观测技术取得了显著进步,为大规模、独立地监测农业活动提供了新的机会。尤其是哥白尼哨兵系列卫星任务,它们具有广泛的覆盖范围、较高的重访频率以及开放的数据访问权限,非常适合用于欧洲乃至国家层面的作物类型测绘工作(Ghassemi等人,2024;Gessner等人,2025)。

近年来,地球观测技术的进步使得基于卫星的大规模作物类型测绘成为可能。在欧洲层面,哥白尼陆地监测服务提供了高分辨率农作物类型图层,该图层利用卫星数据为整个欧洲的农作物类型提供统一的信息(哥白尼陆地监测服务,2025;d’Andrimont等人,2021)。这类举措体现了地球观测技术在支持大陆尺度上一致性强的农业测绘方面的巨大潜力。在国家层面,许多国家进一步开发了针对本地农业系统的基于卫星的作物类型测绘产品。在德国,人们已经建立了基于卫星观测的自动分类系统,以便为大面积区域提供详细的农业用地利用信息(Preidl等人,2020;Blickensd?rfer等人,2022;Asam等人,2022)。

尽管卫星遥感技术已广泛应用于主要作物的测绘,但其在覆盖作物测绘领域的应用仍然较为有限。大多数现有研究都依赖光学时间序列数据,尤其是来自Landsat和S-2卫星的数据,来识别覆盖作物的存在。例如,Schulz等人(2021)利用Sentinel-2卫星的NDVI时间序列和随机森林模型来区分德国境内的覆盖作物与非覆盖作物。虽然他们获得了84%的总体准确率,但由于不同覆盖作物在光谱特性上存在重叠,他们在区分具体作物类型时遇到了困难。基于Landsat数据的研究也出现了类似的光谱限制问题(Ahmed等人,2023;KC等人,2021)。此外,Vanpoucke等人(2024)评估了多种分类模型,用于识别草类、豆科植物以及混合类等不同功能的覆盖作物群体。虽然他们的随机森林模型取得了88%的高准确率,但却存在严重的误分类现象,且在时间迁移方面也存在诸多问题。总体而言,这些研究表明,利用光学时间序列进行覆盖作物的二值识别通常是可靠的,但要实现精确的物种区分以及确保模型的迁移能力,仍然面临很大挑战。在考虑基于雷达的技术时,针对覆盖作物的研究数量相对较少,相关研究还处于初期阶段。Fendrich等人(2023)利用100米分辨率的S-1卫星数据以及调查数据,对欧盟范围内的覆盖作物和非覆盖作物进行了分类,但该研究并未专门针对覆盖作物。而且由于成员国之间在作物标识做法上存在差异以及区域特性不一致,该研究还面临着其他挑战。在法国,Najem等人(2023)证明了利用雷达时间序列进行覆盖作物识别的可行性。Selvaraj等人(2024)的进一步研究表明,对物候变化敏感的S-1卫星指标能够捕捉特定的时间动态,从而更有效地区分不同类型的覆盖作物。在此基础上,他们还开发了一种分层随机森林模型,用于同时识别覆盖作物的存在及其具体类型(Selvaraj等人,2025)。虽然这些研究证实了基于雷达的技术的适用性,但也指出了该模型在不同地区和不同年份之间普遍存在的泛化能力限制。尽管多传感器技术的优势已被广泛认可(Hedayati和Bargiel,2018;Asam等人,2022),但目前仅有一项研究探讨了将S-1和S-2卫星数据结合用于覆盖作物分类的可能性。Jensch等人(2025)将这种多传感器集成技术专门应用于覆盖作物测绘,证明了其在提高识别精度方面的优势,不过他们的分析仅限于一个生长季节,且仅关注二值分类问题。

近年来,由于有了大量多传感器时间序列数据的支持,人们开始更多地采用数据驱动的机器学习模型来进行各种分类任务(Wang等人,2022)。人们应用了多种算法,包括支持向量机、k最近邻算法、决策树、梯度提升算法以及卷积神经网络等深度学习模型(Yao等人,2022;Wang等人,2019)。这些模型旨在处理来自多个卫星传感器的庞大、高维数据集,同时捕捉作物在光谱特征、时间特征以及结构特征之间的复杂关联(Belgiu和Dr?gu?,2016;Orynbaikyzy等人,2019)。在这些算法中,随机森林因其实施简便、对光谱变化的适应性较强以及抗过拟合能力强而被广泛使用(Belgiu和Dr?gu?,2016;Orynbaikyzy等人,2019)。无论是在一般的作物测绘任务中,还是在进行覆盖作物分类时,随机森林一直都被认为是性能最佳的算法之一(Blickensd?rfer等人,2022;Gessner等人,2025)。与通常需要大量标注数据以及复杂模型结构的深度学习方法相比,随机森林即使在使用中等量的训练数据时也能给出可靠的结果,这一优点在确保模型的空间和时间迁移能力方面尤为重要(Pelletier等人,2019)。

尽管随机森林被广泛应用,但当将其应用于不同的年份或新的地理区域时,其性能往往会出现明显下降。这种精度下降是由于年度天气状况、土壤条件以及不同的农业种植方式导致作物物候发生变化所引起的。对于覆盖作物而言,由于缺乏一致的参考数据,加之它们的生长周期较短,尤其是在秋季,这些挑战更为严峻。为了解决这一问题,一些最新研究(Kyere等人,2019;Orynbaikyzy等人,2022)建议使用多年度或多区域的数据集来训练模型,以此涵盖更广泛的物候变化模式,进而提高整体分类精度。例如,有研究显示,使用多区域和多年度的训练数据能够在模型迁移到新区域时显著降低精度损失(Ajadi等人,2021;Orynbaikyzy等人,2022)。

基于上述背景,本研究旨在评估之前开发的用于德国境内基于卫星的覆盖作物测绘的两级分层分类框架在空间和时间上的迁移能力(Selvaraj等人,2025)。为此,我们采用了多传感器分析方法,来研究该框架在多个地区以及不同年份中的迁移效果。具体而言,本研究要解答以下问题:(1)使用Sentinel-1卫星数据、Sentinel-2卫星数据或二者结合的数据,会对冬季覆盖作物分类的精度产生怎样的影响?(2)这些模型在时间上能否成功迁移到另一个独立的年份?(3)将这些模型应用到独立的地区时,其在空间上的泛化能力如何?

本文的结构如下:第2节介绍研究区域和数据集,第3节阐述分类框架及实验设计,第4节呈现研究结果,第5节则对研究内容进行讨论。

研究地点
本研究在德国选择了四个在地理和农业气候条件上各有差异的测试地点——下萨克森州、勃兰登堡州、北莱茵-威斯特法伦州以及整个萨克森州(见图1)。这些地区共同体现了德国农业景观的多样性,也为开发和验证适用于冬季覆盖作物分类的通用模型提供了基础。位于德国西北部的下萨克森州测试地点,其土壤为沙质壤土,且……

研究方法
在本研究中,我们从雷达数据和光学数据中提取了一系列特征,其中包括物候指标和统计描述参数,然后把这些特征运用到两级随机森林分类框架中。第一阶段的主要任务是将各个农田划分为覆盖作物区和非覆盖作物区;随后,第二阶段则用于进一步区分不同类型的覆盖作物。完整的分析流程示意图如图5。(a,b,c,d和e)所示,局部回归平滑法绘制的曲线(黑色线条)显示出覆盖作物与非覆盖作物在所有研究参数上存在明显的时间差异。覆盖作物在8月下旬会出现数值下降,之后在秋季生长阶段数值又会上升,到2月下旬则逐渐下降,这一变化趋势反映了作物的生物量积累过程以及随后的衰老过程。相比之下,非覆盖作物在生长季初期就表现出较高的数值……

与现有研究的比较
以往大多数关于覆盖作物或一般覆盖作物测绘的研究都主要集中在二值分类上,这些研究要么使用光学时间序列数据(Schulz等人,2021),要么使用雷达数据(Fendrich等人,2023;Najem等人,2023),或者同时结合这两种数据源(Jensch等人,2025)。而我们的研究则在此基础之上更进一步,着重解决了覆盖作物类型区分的问题。我们通过时间序列分割方法,从雷达和光学参数中提取出与生长阶段相关的特征,以此来解决……

结论
本研究评估了利用S-1雷达数据、S-2光学数据以及二者结合的数据集进行冬季覆盖作物分类的效果。研究结果表明,将雷达数据和光学数据相结合使用,始终能够获得最高的分类准确率,其效果优于仅使用雷达数据或仅使用光学数据建立的模型。通过对2024年独立数据集进行的時間迁移性测试表明,这些模型在不同年份之间仍能保持良好的预测性能,这说明它们具备捕捉作物生长规律的一致性的能力……

作者贡献说明
Shanmugapriya Selvaraj:撰写原文初稿、数据可视化、结果验证、软件应用、研究方法设计、实验分析、正式文本撰写、数据整理、研究概念构建。Damian Bargiel:参与原文审阅与编辑、研究指导、方法设计、研究概念构建。Abdelaziz Htitiou:参与原文审阅与编辑、研究方法设计。塞巴斯蒂安·戈伊尔:写作——审稿与编辑,概念设计。菲利普·马扎恩:写作——审稿与编辑。海克·格里豪森:写作——审稿与编辑,监督,资源提供,伦理声明。本研究未涉及人类参与者、动物或需要伦理审批的社会实验。本研究所使用的所有数据均来自公开的卫星数据源(Sentinel-1和Sentinel-2)以及现有的行政数据集。因此,这项研究不存在伦理问题。

资金支持。本研究是“KlimaFFolgen”项目的一部分,该项目由德国农业、食品和地区发展部在2022年德国气候保护计划下提供资助。

利益冲突声明。作者声明自己没有已知的可能影响本文所述工作的财务利益或个人关系。

致谢。我们衷心感谢JKI遥感研究与网络中心的技术人员们在收集和整理布伦瑞克地区的真实数据方面给予的宝贵支持。同时,我们也感谢MoNi项目(项目编号2820ABS001)的同事们提供了用于NRW测试点的田间覆盖作物数据,这些数据对这项研究起到了重要作用。此外,我们还要感谢萨克森州环境与农业部。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号