Title Of The Magazine	遥感学报
Year Information	2024
KeyWord	作物分类，样本依赖，模型外推，随机森林，谷歌地球引擎
Authors	谢炎, 曾红伟, 田富有, 张淼, 胡越然, 覃星力, 吴炳方, 张有智, 解文欢
Intro	降低对样本数量的依赖度，实现大区域、复杂作物类型的遥感监测识别是农业遥感的重要研究内容。 本研究以黑龙江省产粮大市绥化市为例，采用监督分类方法，深入探索了样本量对作物分类效果的影响以及小 区域尺度（如北林区） 训练的监督分类模型空间外推至大区域尺度的可行性。研究发现：采用玉米播种至抽穗 期中期的Sentinel-2时序遥感影像，在优化随机森林模型参数的基础上，当训练的样本量从10%逐步递增至50% 时，即玉米、水稻和大豆的训练样本各为130 个左右，就能提取北林区作物的空间分布，整体分类精度为 94.6%；当样本量进一步增加时，模型的整体分类精度保持平稳，并不会进一步增长。因为水稻在育秧期—淹水 期的陆表水体等光谱指数与玉米、大豆的存在显著差异，采用玉米播种至拔节期前期的Sentinel-2遥感影像，即 可实现北林区高精度的作物遥感识别；当时间从玉米拔节期前期延长至抽穗中期，作物的总体分类精度仅有微 小的提升。此外，作物空间分布和概率分布图表明，将北林区训练的最优模型外推至整个绥化市时，能取得与 用绥化市采集的样本直接训练的模型得到相似的分类效果，整体分类精度为93.7%，仅比后者低1.3个百分点。 距离、样本的空间代表性和数量、小区域和目标拓展区的作物种植结构的相似性是影响模型空间外推效果的关 键因子。不同的作物对距离的敏感程度不同，由于水稻的水体指数、短波红外1等波段与其他作物的显著差异， 水稻的分类效果对距离的变化并不敏感，而玉米和大豆的分类效果则随着外推距离的增长，总体上呈现下降的 变化趋势。在源区域和目标拓展区作物种植结构相似的前提下，小区域的作物分类模型构建，需要同步兼顾样 本的空间代表性和数量，才能取得较好的模型空间外推效果。本研究可为大尺度区域作物的遥感精准分类提供 高效与经济的方法，为作物分类样本的采集与抽样策略的制定、分类时相、敏感波段的选择提供了科学依据。
Links To Magazines	https://doi.org/10.11834/jrs.2024400