南方农业学报

作者：史洁宁, 吴田军, 黄启厅, 骆剑承, 任应超, 徐欣雨,

关键词：作物分布, 地块尺度, 归一化植被指数(NDVI), 时间序列, 空间纹理特征, CNN+LSTM双流架构,

【目的】 充分挖掘遥感影像的时间和空间信息，准确识别地块作物类型，为作物类型空间分布制图、产量估计及农业生产决策等提供可靠的数据支持。【方法】 以Google Earth影像为参考，获得美国加利福尼亚州金斯县完整的地块边界，利用多时相Sentinel-2影像构建地块归一化植被指数（NDVI）时间序列和时间—纹理二维表征图作为分类特征，NDVI时间序列捕捉作物生长的物候变化，时间—纹理二维表征图捕捉空间特征随时间的动态变化，进而使用卷积神经网络（CNN）+长短时记忆网络（LSTM）双流架构来联合时间和空间特征实现农田作物的准确识别。【结果】 与仅使用NDVI时序的传统方法相比，纳入纹理时序后的方法明显提高分类精度，随机森林的分类精度由0.89提升至0.93，支持向量机的分类精度由0.88提升至0.93，表明加入空间特征的纹理时序能有效提升作物分类能力；而使用CNN+LSTM双流架构分类模型进行地块作物分类的总体精度达0.95，特别是葡萄和冬小麦的分类精度提升效果明显，F1分别提升至0.90和0.92，表明相较于传统的分类器，使用CNN+LSTM双流架构可实现更精准的地块作物识别。【建议】在种植结构复杂、农作物生长习性相近的地区进行地块作物遥感分类时，考虑将纹理时序特征纳入分类体系，并使用CNN+LSTM双流架构分别捕捉作物生长的时间和空间特征。这种综合应用时间和空间信息的方法，能提升地块作物分类的准确度。

来源：2025年第1期

《南方农业学报》期刊编辑部

查看南方农业学报杂志2025年第1期