1 引言

及時(shí)、準(zhǔn)確地獲取作物空間分布及其時(shí)空動(dòng)態(tài)變化信息，不僅是監(jiān)測作物生長、估算區(qū)域作物產(chǎn)量以及研究區(qū)域糧食供需平衡的核心數(shù)據(jù)基礎(chǔ)，也是作物結(jié)構(gòu)調(diào)整和布局優(yōu)化的重要依據(jù)[1]。與傳統(tǒng)統(tǒng)計(jì)方法相比，遙感技術(shù)憑借其快速、宏觀、無損等特點(diǎn)，在快速獲取與解析作物類型、種植面積等信息方面展現(xiàn)出獨(dú)特的優(yōu)勢[2]。

目前，已有大量研究基于遙感技術(shù)展開農(nóng)作物精細(xì)識(shí)別[3-4]。通過地面調(diào)查獲取樣本，并結(jié)合遙感影像，使用分類器進(jìn)行作物分類是一種最常見的農(nóng)作物遙感分類方法。LI等使用MODISNDVI數(shù)據(jù)，結(jié)合實(shí)地采集的棉花、小麥和玉米樣本，探討了華北平原2001年至 2018 年小麥和玉米的種植面積變化。黃等[1]通過地面調(diào)查和GoogleEarth高清影像的目視解譯，獲得了大量的地面樣本，并通過時(shí)間序列遙感影像，對水稻、棉花、玉米、大豆和小麥進(jìn)行了準(zhǔn)確的分類。在多數(shù)研究中，地面樣本的采集是通過目視解譯或?qū)嵉乜疾靵泶_定樣本類型，采集效率較低；尤其是目視解譯很難從遙感影像上直接區(qū)分一些易混淆的作物。近年來，車載相機(jī)逐漸成為高效地采集地面樣本數(shù)據(jù)的新方法。YAN和RYU結(jié)合GoogleStreetView圖像和卷積神經(jīng)網(wǎng)絡(luò)獲取了美國兩個(gè)州海量的作物類型地面樣本，用于作物類型的遙感制圖。WU等把手機(jī)吸附在兩側(cè)的車窗上，使用手機(jī)APP自動(dòng)收集道路兩側(cè)的照片，并通過卷積神經(jīng)網(wǎng)絡(luò)，制作了一個(gè)覆蓋多種作物的作物照片數(shù)據(jù)集。JIANG等8通過在車頂安裝兩個(gè)帶有GPS模塊的運(yùn)動(dòng)相機(jī)，來獲取研究區(qū)時(shí)間序列的車載相機(jī)影像，通過深度學(xué)習(xí)方法，準(zhǔn)確得到了每張影像的作物收割狀態(tài)。此外，也有學(xué)者使用車載相機(jī)，拍攝道路兩側(cè)的延時(shí)圖像，從而調(diào)查土地覆蓋類型[9-10]。

農(nóng)作物遙感識(shí)別方法可以按照遙感影像的時(shí)相數(shù)量分為兩類：單時(shí)相影像分類和多時(shí)相影像分類。相比于單一時(shí)相，多時(shí)相影像已被證明可以更好的表達(dá)作物的物候動(dòng)態(tài)[11]。例如，TIAN 等[12]使用多源、多時(shí)序遙感影像，提取了山區(qū)多種作物的特征，并通過面向?qū)ο蠓椒?，?zhǔn)確繪制了山區(qū)各種作物的空間分布圖。HLS（HarmonizedLandsatandSentinel-2）數(shù)據(jù)是由美國國家航空航天局（NASA）融合Landsat-8和Sentinel-2衛(wèi)星生成的地表反射率產(chǎn)品[13]，相比于僅使用單一數(shù)據(jù)源，HLS數(shù)據(jù)提供了更加豐富的時(shí)序影像。盡管多時(shí)相遙感影像包含豐富的時(shí)序信息，但不同觀測時(shí)相的大氣狀況和云量差異可能引入噪聲，影響時(shí)間序列數(shù)據(jù)的質(zhì)量。通過時(shí)序?yàn)V波重構(gòu)影像，是減少噪聲干擾的常用手段[14]。

現(xiàn)有的研究大多使用傳統(tǒng)的地面數(shù)據(jù)的采集方法，不僅效率較低，還存在樣本不準(zhǔn)確的問題。通過車載相機(jī)采集地面樣本的方法已被用于土地覆蓋分類、作物收割進(jìn)度監(jiān)測，但尚未廣泛應(yīng)用于農(nóng)作物遙感分類中。使用時(shí)序?yàn)V波重構(gòu)影像，可以獲得密集時(shí)序的數(shù)據(jù)。因此，將HLS時(shí)序遙感數(shù)據(jù)與車載相機(jī)采集的地面樣本結(jié)合應(yīng)用于作物時(shí)間序列分類的潛力仍需深入研究。本研究以江蘇省為例，使用車載相機(jī)獲取了大量地面數(shù)據(jù)，在密集時(shí)序數(shù)據(jù)的支撐下，探究車載相機(jī)大數(shù)據(jù)在作物分類中的應(yīng)用潛力。同時(shí)，通過其他年份的影像和驗(yàn)證樣本，對模型的泛化能力進(jìn)行了進(jìn)一步測試，為大數(shù)據(jù)在農(nóng)業(yè)中的深入應(yīng)用提供了參考方案。

2 原理與方法

2.1 技術(shù)路線

本研究使用車載相機(jī)獲取作物類型地面樣本，并通過高斯濾波處理HLS遙感影像，得到時(shí)間連續(xù)的多光譜反射率數(shù)據(jù)，再利用隨機(jī)森林方法對農(nóng)作物進(jìn)行遙感分類。技術(shù)流程如圖1所示。具體方法流程如下：1）使用車載相機(jī)獲取大量的地面照片，并通過人工標(biāo)注的方法，從照片中提取耕地樣本以及其他地類的樣本。其中，耕地樣本又細(xì)化為水稻、玉米、大豆這三種作物樣本；2）綜合考慮HLS數(shù)據(jù)的空間分辨率、影像可用性和波段特征，結(jié)合研究區(qū)氣候、地形和作物種植特點(diǎn)，選擇7月1日至10月31日的HLSS30與L30數(shù)據(jù)，利用高斯濾波方法生成逐日影像。通過對每15日影像計(jì)算均值，最終得到8期15日均值影像；3）在獲得均值影像和地面樣本后，首先將地類樣本和影像數(shù)據(jù)輸入隨機(jī)森林分類器，生成耕地掩膜；接著在耕地掩膜的基礎(chǔ)上，使用作物樣本對耕地內(nèi)作物類型進(jìn)行分類，最終得到研究區(qū)的作物分類結(jié)果。

2.2 高斯濾波

高斯濾波（GaussianFilter）是一種經(jīng)典的平滑技術(shù)，基于高斯函數(shù)的權(quán)重特性，通過加權(quán)平均對時(shí)間序列數(shù)據(jù)進(jìn)行插值與平滑，同時(shí)保留信號(hào)的主要趨勢和局部特征[15]。該方法能夠準(zhǔn)確地?cái)M合季節(jié)性植被生長曲線，并用于估算物候參數(shù)[1]。高斯濾波的核心是使用高斯函數(shù)構(gòu)造權(quán)重核，形成一個(gè)權(quán)重分布，其中濾波中心點(diǎn)的權(quán)重最大，隨著距離的增加，權(quán)重逐漸衰減。高斯函數(shù)的數(shù)學(xué)表達(dá)式為：

其中， σ 是標(biāo)準(zhǔn)差，決定了高斯函數(shù)的寬度。通過設(shè)定窗口大小和標(biāo)準(zhǔn)差o來控制平滑效果：較大的 σ 平滑效果顯著，但可能模糊快速變化的細(xì)節(jié)；而較小的 σ 更適合保留局部特性。參考WU等[17]，本研究將窗口大小設(shè)置為15，標(biāo)注差 σ 設(shè)置為4。

2.3 隨機(jī)森林分類

隨機(jī)森林（RandomForest，RF）分類是一種典型的集成學(xué)習(xí)方法，通過構(gòu)建多個(gè)決策樹并結(jié)合多數(shù)投票來獲得最終的預(yù)測結(jié)果[18]。它通過隨機(jī)抽樣訓(xùn)練樣本和隨機(jī)選擇特征來構(gòu)建每棵樹，降低了過擬合風(fēng)險(xiǎn)并提高了模型的泛化能力，被廣泛應(yīng)用于土地利用分類和作物分類[19-21]。

隨機(jī)森林分類器的主要參數(shù)包括：決策樹的數(shù)量（n_estimators）、樹的最大深度（max_depth）、分裂內(nèi)部節(jié)點(diǎn)所需的最小樣本數(shù)（min_samples_split）、葉節(jié)點(diǎn)的最小樣本數(shù)（min_samples_leaf）、分裂節(jié)點(diǎn)時(shí)考慮的最大特征數(shù)（max_features）。通過網(wǎng)格搜索對這些參數(shù)進(jìn)行微調(diào)，可以優(yōu)化模型性能。本研究使用 70% 樣本進(jìn)行訓(xùn)練， 30% 樣本進(jìn)行測試。獲得最佳超參數(shù)后，使用所有訓(xùn)練數(shù)據(jù)重新訓(xùn)練模型以進(jìn)行預(yù)測。所有的訓(xùn)練、測試和預(yù)測過程均通過Python的scikit-learn庫實(shí)現(xiàn)。

此外，為了探究隨機(jī)森林方法與其他方法之間的分類效果，以及樣本均衡性對分類精度的影響，選擇支持向量機(jī)（SupportVectorMachine，SVM）和一維卷積神經(jīng)網(wǎng)絡(luò)（1DConvolutionalNeuralNetwork，1DCNN）作為對比分類器。兩種分類器分別使用Python的scikit-leam庫和keras庫實(shí)現(xiàn)，參數(shù)均為5折交叉驗(yàn)證調(diào)參后的最優(yōu)參數(shù)。

2.4合成少數(shù)類過采樣

合成少數(shù)類過采樣技術(shù)[22]（Synthetic MinorityOversamplingTechnique，SMOTE）是一種用于處理不平衡數(shù)據(jù)集的過采樣技術(shù)，其核心思路是在少數(shù)類別樣本內(nèi)部進(jìn)行數(shù)據(jù)合成，合成的策略是對每個(gè)少數(shù)類樣本a，從它的最近鄰中隨機(jī)選擇一個(gè)樣本b，然后在a、b之間的連線上隨機(jī)選擇一點(diǎn)作為新合成的少數(shù)類樣本，相比于隨機(jī)過采樣方法的復(fù)制樣本策略，SMOTE方法降低了樣本過擬合風(fēng)險(xiǎn)。SMOTE方法已被用于解決土地利用分類中的樣本不平衡問題[23]，本研究使用SMOTE方法，對比了樣本分布均衡條件下，不同分類器的分類效果。

3 數(shù)據(jù)獲取與分析

3.1 研究區(qū)概況

江蘇省位于華東地區(qū)，是長江三角洲的重要組成部分，屬亞熱帶季風(fēng)氣候區(qū)，冬季溫和、夏季濕熱，年均氣溫 13^°C-16^°C ，年降水量 1000mL -1400mL ，無霜期長達(dá) 200-240 天。省內(nèi)以平原為主，耕地面積占全省總面積的 63% ，主要種植糧油作物。江蘇省的種植制度主要為一年兩熟制，其中秋糧主要包括水稻、玉米和大豆。因此，本研究將水稻、玉米、大豆作為農(nóng)作物識(shí)別的主要對象。為確保樣本數(shù)據(jù)的代表性，選取了蘇南、蘇中和蘇北地區(qū)的6個(gè)鄉(xiāng)鎮(zhèn)作為模型的訓(xùn)練區(qū)，1個(gè)縣作為驗(yàn)證區(qū)（圖2a）。

3.2 地面調(diào)查

地面調(diào)查時(shí)間為2023年7月26日、2024年9月7日至9月15日，通過在車頂安裝兩個(gè)帶有GPS模塊的運(yùn)動(dòng)相機(jī)（GoProHERO9，定位精度 ±5m ），自動(dòng)獲取道路兩側(cè)的照片，共計(jì)75047張（圖3）。采用人工標(biāo)注的方式，在開源軟件QGIS中對部分照片進(jìn)行標(biāo)注。由于照片的定位點(diǎn)位于道路上，因此將原始坐標(biāo)沿拍攝方向平移 20m ，以匹配農(nóng)田實(shí)際位置?；谄坪蟮淖鴺?biāo)和相機(jī)視場參數(shù)自動(dòng)生成梯形樣本，其短邊與道路平行，長邊延伸至農(nóng)田內(nèi)部，覆蓋照片中可見的作物區(qū)域。本研究開發(fā)的車載相機(jī)標(biāo)注插件支持一鍵生成梯形樣本并關(guān)聯(lián)作物類型標(biāo)簽，熟練操作時(shí)單張照片標(biāo)注僅需數(shù)秒。最終共獲得樣本3273個(gè)，其中水稻1282個(gè)、玉米720個(gè)、大豆246個(gè)，其他地類（林地、草地、人工表面、水體等）1025個(gè)。在所有樣本中，2808個(gè)來自訓(xùn)練區(qū)，樣本獲取時(shí)間為2024年，465個(gè)來自驗(yàn)證區(qū)，樣本獲取時(shí)間為2023年。樣本分布情況如表1所示。其中，2023年鹽城市濱?？h的驗(yàn)證樣本數(shù)據(jù)與2024年濱?？h五汛鎮(zhèn)采集的訓(xùn)練樣本在時(shí)空特征上重疊度較低（空間重合率 lt;10% ），但兩年間該縣域作物種植結(jié)構(gòu)保持穩(wěn)定。

3.3HLS影像處理

HLS數(shù)據(jù)是整合了Landsat-8OLI傳感器和Sentinel-2MSI傳感器的地表反射率數(shù)據(jù)，生成無縫一致的時(shí)間序列數(shù)據(jù)集，顯著提升了時(shí)間覆蓋能力并減少了傳感器間的不一致性[24]。目前，HLS提供了L30（OLINBAR 30m ）、S30（MSINBAR 30m ）、S10（MSISR 10m ）三種數(shù)據(jù)產(chǎn)品，本研究使用L30和S30產(chǎn)品。根據(jù)江蘇省秋季作物生長特點(diǎn)，選取了2023年7月1日至2023年10月31日、2024年7月1日至2024年10月31日研究區(qū)所有可用的影像，并計(jì)算了增強(qiáng)植被指數(shù)（EnhancedVegetationIndex，EVI）[25]、地表水體指數(shù)（Land SurfaceWaterIndex，LSWI）[26]和綠色葉綠素植被指數(shù)（GreenChlorophyllVegetationIndex，GCVI）[27]這三個(gè)植被指數(shù)以及纓帽變換的亮度（Brightness）、綠度（Greenness）、濕度（Wetness）這三個(gè)纓帽變換組分[28]

影像數(shù)據(jù)預(yù)處理包括裁剪、去云、合并L30和S30數(shù)據(jù)、使用時(shí)序?yàn)V波器去除異常值，以及插值和平滑。具體來說，本研究首先獲取了訓(xùn)練區(qū)和驗(yàn)證區(qū)的矢量范圍，并根據(jù)矢量范圍，裁剪得到每個(gè)區(qū)域的影像原始數(shù)據(jù)；其次，根據(jù)影像提供的云掩膜，將影像中的云、雪、陰影進(jìn)行掩膜，得到去云后的影像；然后，將HLS-L30數(shù)據(jù)與HLS-S30的數(shù)據(jù)進(jìn)行合并，得到HLS時(shí)序數(shù)據(jù)；最后，應(yīng)用時(shí)序?yàn)V波器對異常值進(jìn)行剔除，并對原始反射率使用高斯濾波器進(jìn)行平滑和插值，生成一個(gè)平滑的每日 30m 地表反射率數(shù)據(jù)集。根據(jù)樣本數(shù)量和所選擇的分類特征，避免模型過擬合或欠擬合，本研究使用15日均值影像，最終得到8個(gè)時(shí)相影像。

4結(jié)果

4.1作物光譜特征時(shí)間序列曲線

本研究使用HLS影像8個(gè)時(shí)相（7月至10月，15日均值）的6個(gè)波段（Blue、Green、Red、NIR、SWIR1、SWIR2）地表反射率、3個(gè)常用的植被指數(shù)（EVI、LSWI、GCVI）以及纓帽變換的3個(gè)組分（Brightness、Greenness、Wetness）共96個(gè)特征作為作物分類模型的輸入數(shù)據(jù)。圖4展示了2024年水稻、玉米、大豆地面樣本的光譜特征時(shí)間序列曲線。

水稻、玉米和大豆多光譜反射率的時(shí)間序列存在較為明顯的差異。大豆的NIR反射率在9月1日達(dá)到最高，且在三種作物中反射率最高。水稻的SWIR1和SWIR2反射率最低，主要是由于稻田中的水層在短波紅外范圍具有極強(qiáng)的吸收特性。

三種作物的植被指數(shù)均呈現(xiàn)先升后降的趨勢。水稻的LSWI指數(shù)在9月15日達(dá)到峰值，顯著高于玉米和大豆，是區(qū)分水稻與玉米、大豆等旱地作物的關(guān)鍵特征。GCVI值也反映了作物間的差異，水稻的GCVI值在9月15日最高，大豆次之，玉米最低。早期三種作物的GCVI指數(shù)基本一致，且表現(xiàn)出相似的趨勢，在8月15日之后玉米GCVI開始下降，在9月1日之后，大豆GCVI達(dá)到最高后開始下降，這表明的作物不同的生育階段。由于這三種作物的生長周期較為相近，因此呈現(xiàn)出的EVI時(shí)序曲線總體變換趨勢也較為相似，但在生育后期存在著差異。其中，水稻的EVI在生長后期均高于玉米和大豆，玉米和大豆的EVI較為接近，相較于大豆，玉米的EVI時(shí)序曲線的波峰更早。

實(shí)線為地面樣本的均值，陰影為標(biāo)準(zhǔn)差。每個(gè)日期的反射率表示該日期前15天影像的平均值。例如，08/01的反射率表示7月16日至7月31日的均值。

亮度、綠度、濕度從不同的維度揭示了作物的生長狀態(tài)。亮度通常與地表的整體反射率有關(guān)，可以反映土壤類型、王壤裸露程度等。從圖中可以看到，水稻的亮度值在生長季始終保持最低，反映出其水田環(huán)境的光吸收特性；大豆的亮度在初期較高，隨后保持穩(wěn)定，在10月1日后再次上升，表明其從初期裸土較多到生長旺盛期再到后期葉片干燥以及收獲的變化過程；大豆的亮度值在整個(gè)生長季始終保持在0.4左右，并且呈現(xiàn)波動(dòng)下降的趨勢，且在8月1日至10月1日期間顯著高于玉米。綠度主要反映了植被的健康狀況和覆蓋度。三種作物的綠度都呈現(xiàn)出了先上升后下降的趨勢，其中大豆的峰值最高，水稻次之，玉米最低。從到達(dá)峰值的日期看，玉米、大豆在9月1日達(dá)到峰值，水稻到達(dá)峰值的日期偏后，為9月15日。濕度代表了地表水分含量的變化，反映了植被水分狀況和土壤濕度。水稻在濕度上的表現(xiàn)尤為突出，在整個(gè)生長期中濕度保持最高，在9月1日之后尤為明顯，這與水稻田的高水分環(huán)境直接相關(guān)。玉米和大豆的濕度在9月1日前略低于水稻，在9月1日后明顯低于水稻，反映了水稻與旱地作物之間土壤水分狀況的明顯差異。

4.2 分類結(jié)果

根據(jù)上述方法，本研究使用2024年江蘇省6個(gè)鄉(xiāng)鎮(zhèn)的樣本建立了水稻、玉米和大豆的作物分類模型。綜合考慮影像和地面樣本的可用性以及作物樣本的均衡性，選擇鹽城市濱?？h作為驗(yàn)證區(qū)域，并使用2023年影像進(jìn)行分類，驗(yàn)證模型的準(zhǔn)確性，結(jié)果如圖5所示。從空間分布看，水稻主要分布在濱?？h的東南部，并且呈大面積連續(xù)分布；玉米和大豆主要分布在西北部地區(qū)，呈交錯(cuò)分布。

4.3精度評價(jià)

本研究使用車載相機(jī)采集的地面樣本，通過混淆矩陣評價(jià)了模型分類的用戶精度、生產(chǎn)者精度、總體精度和Kappa系數(shù)，結(jié)果見表2。模型在驗(yàn)證區(qū)的總體精度達(dá)到了 89.03% ，Kappa系數(shù)為0.85，符合遙感監(jiān)測需求。水稻因其特征與旱地作物差異較大，易于區(qū)分，生產(chǎn)者精度（ 95.28% ）和用戶精度（ 94.53% ）均超過 90% 。玉米和大豆的物候期和生長特征相似，二者之間存在一定錯(cuò)分和漏分，用戶精度和生產(chǎn)者精度在 74%-85% 之間，精度較低。此外，驗(yàn)證區(qū)玉米和大豆的耕地較為破碎，單地塊面積較小，使用 30m 影像易受混合像元影響，導(dǎo)致耕地漏分，從而降低了這兩種作物的分類精度。

為了探索不同分類方法的分類精度，本研究基于相同訓(xùn)練樣本與影像數(shù)據(jù)，系統(tǒng)對比了隨機(jī)森林（RF）、支持向量機(jī)（SVM）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）三種模型的作物分類性能（表3）。結(jié)果表明，在相

表2精度驗(yàn)證結(jié)果

表3不同模型的分類精度

同的樣本和影像條件下，RF模型在作物分類任務(wù)中展現(xiàn)出了最優(yōu)的綜合性能，顯著優(yōu)于SVM（總體精度78.06% ，Kappa系數(shù)0.69）和CNN（總體精度 85.16% Kappa系數(shù)0.79）。

對于水稻而言，RF在水稻分類中的表現(xiàn)尤為突出，其用戶精度、生產(chǎn)者精度、F1分?jǐn)?shù)均明顯高于SVM和CNN，從空間分布圖（圖6）中可以看到，三種分類器對于水稻的提取效果相似，誤判較少。在玉米分類任務(wù)上，RF和CNN表現(xiàn)出相近的分類性能，F(xiàn)1分?jǐn)?shù)分別為0.80和0.79，均優(yōu)于SVM。受樣本數(shù)量限制，大豆在三種作物中分類難度最大，三種模型在大豆分類上均表現(xiàn)出了較低的分類精度，但RF依舊展現(xiàn)出了更高的分類精度，且用戶精度（ 74.24% ）與生產(chǎn)者精度（ 75.38% ）平衡性更優(yōu)。從空間分布圖可以看出，SVM方法在玉米和大豆的分類上表現(xiàn)出較差的分類效果，造成了玉米和大豆的大量錯(cuò)分，CNN雖然在大豆用戶精度（ 85.71% ）上分類突出，但其生產(chǎn)者精度（ 36.92% ）驟降，表明該方法在玉米和大豆的分類性能不足。對于非耕地區(qū)域，三者均表現(xiàn)穩(wěn)定，隨機(jī)森林模型與卷積神經(jīng)網(wǎng)絡(luò)模型的F1分?jǐn)?shù)分別為0.94和0.95，表明非耕地區(qū)域的分類可靠性較高。

樣本不平衡可能會(huì)對分類器的性能產(chǎn)生一定的影響，本研究采用SMOTE方法，對訓(xùn)練集中的玉米和大豆樣本進(jìn)行擴(kuò)增，以探究其對不同分類器性能的優(yōu)化效果。不同作物的分類精度如圖7所示，RF在未使用SMOTE時(shí)表現(xiàn)出較強(qiáng)的魯棒性，水稻分類精度與使用SMOTE之后差異不顯著，表明其對原始樣本分布具有良好的適應(yīng)性；然而，SMOTE引入的合成樣本導(dǎo)致了玉米和大豆分類精度的下降。SVM對SMOTE的敏感性最為顯著，三種作物的分類精度均有明顯的下降。相反，CNN在SMOTE加持下，水稻和大豆的分類精度均有明顯的上升，但玉米分類精度下降，表明過采樣可能加劇類別間特征混淆的風(fēng)險(xiǎn)。盡管SMOTE緩解了類別不平衡問題，但其引入的合成樣本可能扭曲原始特征分布，尤其在物候特征重疊的玉米與大豆分類中，過度依賴合成數(shù)據(jù)可能導(dǎo)致模型偏離真實(shí)農(nóng)田場景的光譜時(shí)序規(guī)律。

5 討論

本研究使用HLS濾波得到的密集時(shí)間序列數(shù)據(jù)，結(jié)合地面車載相機(jī)大數(shù)據(jù)，探討了基于地面大數(shù)據(jù)和時(shí)序數(shù)據(jù)的作物分類方法。雖然本研究的總體分類精度尚可，但仍存在以下方面的問題需要進(jìn)一步研究。

首先，目前研究聚焦于水稻、玉米和大豆三類作物，鑒于不同作物的光譜特征和物候期的差異，未來研究需涵蓋更多作物類別，以增強(qiáng)模型的泛化能力。此外，本研究選取江蘇省作為研究區(qū)，易受云雨干擾，導(dǎo)致HLS影像有效時(shí)相數(shù)量受限，部分區(qū)域存在長時(shí)間數(shù)據(jù)缺失[29]。針對這一問題，未來可融合SAR影像[30]與國產(chǎn)高分衛(wèi)星高頻觀測數(shù)據(jù)[31]，結(jié)合深度學(xué)習(xí)模型重建云遮擋區(qū)域影像[32]，從而提升多云季節(jié)的數(shù)據(jù)可用性。

本研究利用作物完整生長季時(shí)序影像進(jìn)行歷史作物的精確分類，未側(cè)重早期識(shí)別，但HLS數(shù)據(jù)本身具備支持早期作物識(shí)別的潛力，本研究的試驗(yàn)設(shè)計(jì)未充分利用HLS數(shù)據(jù)的早期識(shí)別能力。未來的研究將探索結(jié)合歷史時(shí)序數(shù)據(jù)填補(bǔ)缺失窗口，實(shí)現(xiàn)作物的季內(nèi)分類[33]。此外，車載相機(jī)樣本采集范圍受限于道路覆蓋區(qū)域，遠(yuǎn)離道路的農(nóng)田的樣本代表性不足。未來可結(jié)合無人機(jī)或利用眾包照片補(bǔ)充樣本[34]，以提升樣本的空間覆蓋能力。最后， 30m 分辨率的HLS影像對破碎農(nóng)田易產(chǎn)生混合像元效應(yīng)，導(dǎo)致玉米和大豆分類精度下降。為提升小尺度田塊和作物的分類精度，未來可考慮引入更高分辨率的遙感影像，以提供更精細(xì)的地物幾何結(jié)構(gòu)和紋理信息，從而提高分類精度[35]。

6 結(jié)論

6.1車載相機(jī)采集地面數(shù)據(jù)是一種高效可行的方法

通過對HLS時(shí)序數(shù)據(jù)濾波，獲得密集的時(shí)間序列數(shù)據(jù)，從而有效捕捉作物關(guān)鍵生長期的光譜特征。通過分析HLS影像的光譜反射率、植被指數(shù)（EVI、LSWI、GCVI）和纓帽變換組分（亮度、綠度、濕度）特征，可揭示水稻、玉米和大豆在光譜差異和生育階段上的顯著特征，為作物分類與精準(zhǔn)監(jiān)測提供可靠依據(jù)。

6.2模型對顯著特征作物分類效果較好，但在耕地較為破碎的區(qū)域，分類精度仍需進(jìn)一步提升

模型在驗(yàn)證區(qū)表現(xiàn)出良好的分類性能，分類的總體精度為 89.03% ，Kappa系數(shù)為 0.85 。其中，水稻的各項(xiàng)特征與旱地作物差異顯著，達(dá)到了最高的分類精度，生產(chǎn)者精度和用戶精度均超過 90% 。相比之下，玉米和大豆由于其光譜和物候的相似性，分類精度相對較低，用戶精度和生產(chǎn)者精度分別在 74% 至 85% 之間。此外，由于驗(yàn)證區(qū)耕地較為破碎，且地塊面積較小，也會(huì)導(dǎo)致玉米和大豆地塊的漏分和錯(cuò)分現(xiàn)象。

6.3隨機(jī)森林（RF）是復(fù)雜農(nóng)田作物分類任務(wù)的較優(yōu)選擇

隨機(jī)森林（RF）因其對高維時(shí)序特征的魯棒整合能力及抗樣本不平衡特性，是復(fù)雜農(nóng)田作物分類任務(wù)的較優(yōu)選擇。盡管SMOTE可提升卷積神經(jīng)網(wǎng)絡(luò)（CNN）在大豆和水稻分類中的精度，但其對支持向量機(jī)（SVM）的分類性能產(chǎn)生顯著負(fù)面影響，且可能弱化隨機(jī)森林對關(guān)鍵物候特征的判別能力。

參考文獻(xiàn)

[1]黃翀，侯相君．基于 Bi-LSTM 模型的時(shí)間序列遙感作物分類研究. 中國農(nóng)業(yè)科學(xué)，2022，55（21）： 4144-4157.

[2]趙龍才，李粉玲，常慶瑞.農(nóng)作物遙感識(shí)別與單產(chǎn)估算研究綜述.農(nóng) 業(yè)機(jī)械學(xué)報(bào)，2023，54（2）：1-19.

[3]YI Z，JIA L，CHEN Q.Crop classification using Multi-temporal Sentinel-2 Data in the Shiyang River Basin of China. Remote Sensing， 2020， 12（24）： 4052.

[4]LUO K，LUL， XIE Y，et al. Crop type mapping in the central part of the North China Plain using Sentinel-2 time series and machine learning.Computersand Electronics in Agriculture，2023，205： 107577.

[5]LI J，LEI H. Tracking the spatio-temporal change of planting area of winter wheat-summer maize cropping system in the North China Plain during 20o1-2018.Computers and Electronics in Agriculture，2021， 187： 106222.

[6]YANY，RYU Y.Exploring Google Street View with deep learning for crop type mapping. ISPRS Journal of Photogrammetry and Remote Sensing，2021，171： 278-296.

[7]WUF，WUB，ZHANG M，etal.Identfication of crop type in crowdsourced road view photos with Deep Convolutional Neural Network.Sensors，2021，21（4）：1165.

[8]JIANG C， GUAN K， HUANG Y，et al.A vehicleimaging aprachto acquire ground truth data forupscaling to satellite data：A case study forestimating harvesting dates.Remote Sensing of Environment， 2024，300：113894.

[9]PALIYAM M， NAKALEMBE C， LIU K， et al. Street2sat： A machine learning pipeline for generating ground-truth geo-referenced labeled datasets from street-level images[C].ICML 2021 Workshopon Tackling Climate Change with Machine Learning.2021.

[10] PILGER N， BERG A， JOOSSE P.Semi-automated roadside image data collection for characterization of agricultural land management practices.Remote Sensing，2020，12（14）： 2342.

[11] JIA D， GAO P，CHENG C，et al.Multiple-feature-driven co-training method for crop mapping based on remote sensing time series imagery. International Journal of Remote Sensing，2020， 41（20）： 8096-8120.

[12] TIAN X， CHEN Z， LI Y， et al. Crop classification in mountainous areas using Object-oriented methods and multi-source data： A case studyofXishuiCounty，China.Agronomy，2023，13（12）：3037.

[13]CLAVERIE M， JU J，MASEKJG，et al. The Harmonized Landsat and Sentinel-2 surface reflectance data set. Remote Sensing of Environment，2018，219： 145-161.

[14] LI B， TI C， YAN X. Estimating rice paddy areas in China using multi-temporal cloud-free normalized difference vegetation index （NDVI） imagery based on change detection.Pedosphere， 2020，30（6）： 734-746.

[15] JONSSON P，EKLUNDH L. Seasonality extraction by function fiting totime-series of satellite sensor data. IEEE Transactionson Geoscience and Remote Sensing，2002，40（8）： 1824-1832.

[16] LIANG J， REN C，LI Y，et al. Using Enhanced Gap-Filling and Whittaker Smoothing to Reconstruct High Spatiotemporal Resolution NDVI Time SeriesBased on Landsat 8，Sentinel-2，and MODIS Imagery.ISPRs International Journal of Geo-Information，2023， 12（6）： 214.

[17] WU G， JIANG C， KIMM H， et al. Difference in seasonal peak timing of soybean far-red SIF and GPP explained by canopy structure and chlorophyll content. Remote sensing of environment， 2o22，279： 113104.

[18]BREIMANL.Random forests.Machine Learning，2001，45（1）： 5-32.

[19] WANG S， AZZARI G， LOBELL D B. Crop type mapping without field-level labels： Random forest transfer and unsupervised clustering techniques.Remote Sensing of Environment，2019，222： 303-317.

[20]LIH， SONGXP，HANSENMC，etal.Development of a 10-m （22 resolution maize and soybean map over China： Matching satelitebased crop classification with sample-based area estimation. Remote Sensing of Environment，2023，294：113623.

[21]XU J， CHENC， ZHOU S，et al. Land use classification in mineagriculture compound area based onmulti-feature random forest：A case study of Peixian. Frontiers in Sustainable Food Systems，2024，7： 1335292.

[22]CHAWLANV，BOWYERKW，HALLL O，et al.SMOTE： synthetic minority over-sampling technique.Journal of Artificial Intelligence Research，2002，16：321-357.

[23] DOUZAS G， BACAO F， FONSECA J， et al. Imbalanced learning in land cover classification：Improving minority classes’prediction accuracy using the geometric SMOTE algorithm. Remote Sensing， 2019，11（24）： 3040.

[24] 張馨予，蔡志文，楊靖雅，等．時(shí)序?yàn)V波對農(nóng)作物遙感識(shí)別的影響．農(nóng) 業(yè)工程學(xué)報(bào)，2022，38（4）：215-224.

[25]HUETE A，DIDAN K，MIURA T， et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing ofEnvironment，2002，83（1-2）：195-213.

[26] XIAO X， ZHANG Q， HOLLINGER D， et al. Modeling gross primary production of an evergreen needleleaf forest using MODIS and climatedata.Ecological Applications，2005，15（3）： 954-969.

[27] GITELSON A A，KAUFMAN Y J， STARK R，et al. Novel algorithms for remote estimation of vegetation fraction. Remote Sensing of Environment，2002，80（1）：76-87.

[28] ZHAI Y，ROY D P，MARTINSV S，et al. Conterminous United StatesLandsat-8 top of atmosphere and surface reflectance tasseled cap transformation coeficients. Remote Sensing of Environment， 2022，274：112992.

[29] 熊曦柳，胡月明，文寧，等．耕地遙感識(shí)別研究進(jìn)展與展望.農(nóng)業(yè)資源 與環(huán)境學(xué)報(bào)，2020，37（6）：856-865.

[30] ORYNBAIKYZY A， GESSNER U， MACK B， et al. Crop type classification using fusion of Sentinel-1 and Sentinel-2 data： Assessing theimpactoffeatureselection，opticaldataavailability，and parcel sizes on the accuracies.Remote Sensing，2020，12（17）： 2779.

[31] 何真，胡潔，蔡志文，等.協(xié)同多時(shí)相國產(chǎn)GF-1和GF-6衛(wèi)星影像的艾 草遙感識(shí)別.農(nóng)業(yè)工程學(xué)報(bào)，2022，38（1）：186-195.

[32] JIN M， WANG P，LI Y. HyA-GAN： Remote sensing image cloud removal based on hybrid attention generation adversarial network. International Journal ofRemote Sensing，2024， 45（6）：1755-1773.

[33] WEI P， YE H， QIAO S， et al. Early crop mapping based on Sentinel-2 time-series data and the random forest algorithm. Remote Sensing， 2023，15（13）： 3212.

[34] WANG S，DI TOMMASO S，F(xiàn)AULKNER J， et al. Mapping crop types in southeast India with smartphone crowdsourcing and deep learning. Remote Sensing，2020，12（18）： 2957.

[35] SANCHEZ A， NANCLARES R， PELAGIO U， et al. Agave crop segmentation and maturity classification with deep learning datacentricstrategiesusing very high-resolution satelite imagery. International Journal of Remote Sensing，2023，44（22）： 7017-7032.

引用格式：錢濤，詹雅婷，李胤，宋珂，邵明超，虞鐘直，程濤，姚霞，鄭恒彪，朱艷，曹衛(wèi)星，江沖亞.基于車載相機(jī)和 HLS 時(shí)序遙感數(shù)據(jù)的作物分類研究[J] 農(nóng)業(yè)大數(shù)據(jù)學(xué)報(bào)，2025，7（2）：161-172.DOI：10.19788/j.issn.2096-6369.000098.

Abstract：This studyaims todevelopacropclasificationmethodbyintegratingvehicleimages withHLS time-seriesremote sensingdata.oalistoaceasificatiecyadcuacyddressingteliiatiosoftadioaleossch lowefficiencyin ground samplecolection and insuffcient utilization ofremote sensing phenological features. A vehicle-mounted camera system was deployed tocollect manually annotated crop samples along road networks，combined with HLS time-series data from2023and2024.Gausian filtering wasappliedtoreconstruct thtime-seriesimageryandtheRandomForestclassification method was employedtoclasifythree majorcrops：rice，maize，andsoybeanResultsdemonstratedsignificant diferences inthe characteristicsofrice，maize，andsoybeanintheHLStime-seriesdata.Amongthesecrops，riceachievedthehighestclassification accuracy， with both producer's and user's accuracy exceeding 90% ，whereas maize and soybean had lower accuracies （ 74%85% due to their similar phenological characteristics.The overall classification accuracy in the validation area was 89% ：The rice in the verificationareaismainlydistributedinthesoutheastregionofthecountywhilecornandsoybeansareconcentratedinthe northwestregion，andtheirdistrbutioncharacteristicsarelearTeintegrationofvehicleimagesandHLStime-seriesdtaproves efective forropclassfication，withtheRandomForestmodeldemonstratingsupriorperformanceinhandlinghigh-dimensional features and sample imbalance.However，chalenges remain in fragmented farmlandand cloud-coveredareas.Future improvements shouldfocusonincorporating ulti-sourcedata toadrescloudcontaminationandmixed-pixelefects infragmentedareaswhile expanding crop categories to enhance model generalizability for broader agricultural applications.

Keywords： vehicle images; HLS; crops; remote sensing classification; agricultural big data