Page 44 - 《武汉大学学报（信息科学版）》2025年第9期
P. 44

1772                            武 汉 大 学 学 报  （信 息 科 学 版）                        2025 年 9 月

                1 研究区与数据                                         中 于 来 年 春 季 ，实 验 选 用 拍 摄 于 2019-03-01—
                                                                 2019-09-30 的 48 幅 Sentinel-2 影 像（Path/Row 编
                1.1 研究区                                          码为 T32TFN）来监测作物的生长过程。受成像
                     本文研究区如图 1 所示，由 2020 年 8 月 31 日              天气条件的影响，38 幅 Sentinel-2 影像受到云/影
                获 取 的 Sentinel-2 影 像 的 近 红 外 - 蓝 - 绿 波 段 合       遮挡，平均云/影覆盖率约为 53%，而 2019-03-29、
                成。研究区位于法国东北部勃艮第-弗兰奇-孔                            2019-05-13、2019-05-23、2019-06-02、2019-06-17、
                泰地区的科特迪瓦省，首府为 Dijon，中心经纬度                        2019-06-27、2019-08-21、2019-08-26、2019-09-15、
                为 5°01'E，47°17'N，覆盖面积约 5 000 km 。研究              2019-09-20 的影像为无云影像。
                                                     2
                区属于受大陆影响的温带海洋性气候，平均气温
                为 6.8~16.1 °C，年平均降水量为 740 mm，适合小                 2 研究方法
                麦、油菜、葡萄和草等植被生长。
                                                                     本文提出了一种基于 Sentinel-2 时间序列影
                                                                 像的地块尺度作物种植类型分类与制图方法，技
                                                                 术流程如图 2 所示，整体包括数据预处理、空间分
                                                                 区与分层、深度时空卷积分类模型和地块尺度的
                                                                 类型合并等四大步骤。首先，数据预处理主要包
                                                                 括 Sentinel-2 影 像 大 气 校 正 、云/影 检 测 与 掩 膜 、
                                                                 Sentinel-2 影 像 与 RPG 地 块 数 据 之 间 的 地 理 配
                                                                 准 。 其 次 ，以 地 块 关 键 点 为 中 心 进 行 地 块 空 间
                                                                （瓦片）分区、根据瓦片作物类型或地块标识进行
                                                                 分层，建立训练数据集和预测数据集。然后，构
                                                                 建深度时空卷积分类模型，估算预测数据集的作
                                                                 物类型概率。最后，以地块为空间约束合并分区
                                                                 分层的作物类型概率，生成地块尺度的作物类型
                                                                 分类图。
                                                                 2.1 数据预处理
                               图 1 研究区概况
                                                                     1） 时间序列 Sentinel-2 影像
                    Fig. 1 The Study Area in the Northeast of France
                                                                     首 先 ，利 用 Sen2Cor 算 法 对 下 载 的 L1C 级
                1.2 实验数据                                         Sentinel-2 影像进行大气校正 ，生成 L2A 级地表
                     面向地块尺度的作物种植类型识别任务，本                         反射率产品，以保证不同时相、不同区域获取的
                文 收 集 并 构 建 了 研 究 区 作 物 种 植 地 块 矢 量 和            Sentinel-2 影像具有一致的反射率，增强大区域、
                Sentinel-2 时间序列影像数据集。选用法国国家                      多 时 相 作 物 生 长 监 测 的 可 靠 性    ［27］ 。 然 后 ，提 取
                森林与地理信息研究所发布的 2019 年全国作物                         Sentinel-2 影像的 10 m 空间分辨率波段（波段 2、
                种 植 的 地 理 信 息（register  parcellaire  graphique，  3、4 和 8）和 20 m 空 间 分 辨 率 波 段（波 段 5、6、7、
                RPG），并提取研究区的作物种植地块多边形和                           8A、11 和 12），利用最近邻插值算法将 20 m 波段
                类型数据。原始 RPG 数据包含种植地块矢量及                          重采样为 10 m。最终，生成空间分辨率为 10 m、
                种植类型，共计 23 组、328 个作物类型。结合研究                      含有 10 个波段的 Sentinel-2 影像产品。
                区的实际情况合并类别，选用冬小麦、冬大麦、冬                               Sen2Cor 算法生成的影像质量场景分类（qua-
                油菜、冬小黑麦、春大麦、玉米、大豆、向日葵、葡                          lity scene classification，QSC）栅格标记 Sentinel-2
                萄、苜蓿、草地和休耕地等 12 个作物种植类别，其                        影像中云/影遮挡、数据缺失和过饱和等的像元区
                中保留了两个极少数类别，向日葵和冬小黑麦占                            域，可用来构建 Sentinel-2 影像的掩膜。首先，目
                比分别为 1.21% 和 2.10%，用于测试作物分类模                     视判读 QSC 栅格并重点修正云/影边缘处的 QSC
                型的性能，即实际作物类型识别中的类别不平衡                            错误分类。然后，重分类 QSC 栅格为二值掩膜，其
                问题  ［26］ 。最终获得研究区共约 53 400 个地块，并                 中一类为“被污染”像元，含云/影遮挡、数据缺失
                随机选择 20% 的地块作为标记样本。                              和过饱和的像元，另一类为“干净”像元。最后，将
                     考虑到研究区秋播作物的生长阶段主要集                          二值掩膜空间叠加到 Sentinel-2 影像，并标记“被
   39   40   41   42   43   44   45   46   47   48   49