JAG最新成果 |中国农业大学黄健熙团队知识驱动级联采样,突破多云缺样本区玉米精准制图
- 2026-05-14 13:04:33
JAG最新成果 |中国农业大学黄健熙团队知识驱动级联采样,突破多云缺样本区玉米精准制图
在样本稀缺、光学遥感数据常受云污染的条件下，玉米空间分布制图极具挑战。本文提出一种轻量级样本生成策略，通过关联峰值特征与全生育期时序一致性，构建高可靠玉米训练样本。该策略包含三部分核心步骤：（1）在物候约束时间窗口内对齐玉米生长峰值时序特征；（2）结合两种互补指数提升玉米可分性：融合红边与短波红外特征构建玉米光谱指数，基于哨兵 1 号极化通道构建玉米雷达指数，保障作物结构与介电特征的一致性；（3）采用峰值与时序加权动态时间规整算法（PTW-DTW），从时间节点、曲线形态和幅值三个维度约束全生育期时序相似度。相较于现有算法，PTW-DTW 有效提升地类可分性，尤其能够精准区分峰值相近、侧翼时序特征差异明显的非玉米作物。三处研究区试验总体精度分别达 91.40%、91.70% 和 95.64%，优于单一数据源基准方法，且在不同年份、不同区域均表现出良好稳定性。县域尺度种植面积估算与官方统计数据高度相关，决定系数R2>0.98。所生成样本与野外实测数据匹配度高，精度波动控制在 0.5% 以内；混入该生成样本可使分类精度再提升约 2%。该策略仅依托常规合成遥感产品与通用输入特征，可在数据受限场景下实现区域玉米稳定制图，并生成具备跨区域泛化能力的可靠样本。 
图 2.三个研究区的地理环境与种植格局。左上角图例为柯本气候类型（Kottek 等人，2006）。 
图 3.2019—2021 年在 1 号、2 号研究区采集的野外样本空间分布。 
图 4.2019 年各类作物 10 日合成 DCNI 指数时序曲线。(a) 1 号研究区 DCNI；(b) 3 号研究区 DCNI。 
声明：本推文仅用于学习交流，不做其他任何目的。若有侵权，请联系微信号：GeeStudy_2020删除或修改！论文doi链接：https://doi.org/10.1016/j.jag.2026.105259，点赞、收藏、关注！ 
论文摘要
关键图表
图 1.玉米制图及结果分析的级联采样策略原理示意图。
图 5.2019 年 1 号研究区 (a) 与 3 号研究区 (b) 不同作物的 CSI 指数剖面特征。
图 6.2019 年 1 号研究区 (a) 与 3 号研究区 (b) 不同作物的 CRI 指数剖面特征。
图 7.2019 年各研究区玉米制图结果空间对比。
图 8.2019 年玉米制图局部放大细节。黑色圆圈表示漏分像元，黄色圆圈表示错分像元。A1–C1：RGB 假彩色合成影像（近红外红、短波红外 1、红光）；A2–C2：参考真值图层；A3–C3：基于 CSI 指数样本训练随机森林的玉米制图结果；A4–C4：基于级联策略样本训练随机森林的玉米制图结果。
图 9.2019—2021 年制图面积与官方统计面积对比。
图 10.2019 年野外实测样本与生成样本的特征一致性对比。
图 11.以 2019 年为例，1 号研究区基于光学与雷达数据的作物间 PTW-DTW 距离分布。
版权声明
更多阅读
Journal of Remote Sensing |首都师范大学柯樱海团队摆脱潮汐水分影响！新型遥感指数精准估算盐沼湿地植被覆盖度
2026-05-06
RSE最新成果|中国科学院黄长平团队：基于机械化地膜覆盖特征的新疆棉花早期制图研究
2026-05-04
5.1节日特惠 | GEE(Python版本)深度学习与全球制图分析实战特训教学
2026-05-04
本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：wyl860211@qq.com 。
