《Science of Remote Sensing》：Mapping Crop Types in Smallholder Mono- and Intercropping Systems with Multi-Sensor Data in Regions with Multiple Growing Cycles
编辑推荐：
以播种窗口重叠和作物混作为特征的复杂小农农业，给利用遥感开展作物类型制图带来了挑战。尽管既有研究已经涉及小农作物类型分类，但针对间作系统的研究仍然较少，因此有必要对耕作实践的时间特征，例如作物组合与作物序列，形成更细致的认识。研究人员整合了 Sentinel-
以播种窗口重叠和作物混作为特征的复杂小农农业，给利用遥感开展作物类型制图带来了挑战。尽管既有研究已经涉及小农作物类型分类，但针对间作系统的研究仍然较少，因此有必要对耕作实践的时间特征，例如作物组合与作物序列，形成更细致的认识。研究人员整合了 Sentinel-1 和 Sentinel-2，用于在多个生长周期尺度上制图单作与间作系统；而既有研究通常将包含多个生长周期的雨季视为单一时间块，忽略了这一问题。研究纳入基于田间调查的作物清查数据，以识别尼日利亚西南部南几内亚稀树草原（SGS）中的 8 类农业系统，分别为早玉米、晚玉米、早木薯、晚木薯、山药、水稻、玉米-木薯间作，以及其他类；其他类包括甘薯、芋头、豇豆及其他少数作物。研究采用月度与双月合成数据，在 7 组实验中训练随机森林（Random Forest，RF）模型，并通过 30 折交叉验证进行检验。仅使用 Sentinel-1 的模型总体精度较低（0.50）。在表现最佳的模型中，结合月度 Sentinel-1 与双月 Sentinel-2 数据后，所有类别的精度均提升至 0.75 以上。分类别精度方面，水稻最高（UA=0.90，PA=0.81），玉米-木薯间作的 PA=0.85、UA=0.79。早玉米精度高于晚玉米，前者 UA=0.81、PA=0.89，后者 UA=0.74、PA=0.58。SGS 区域分布结果表明，山药主要集中于北部，早木薯和早玉米主要分布于中部，而间作则主导了南部破碎化景观。该可扩展方法考虑了生长周期之间的作物动态，并表明，将地方耕作实践与作物历信息整合到遥感流程中，能够推进对小农农业的遥感监测。
该文发表于《Science of Remote Sensing》，聚焦多生长周期条件下小农单作与间作系统的作物类型识别问题。研究背景在于，小农农业虽然对全球粮食供给和区域粮食安全具有重要意义，但其地块细碎、空间异质性高、播种窗口重叠、作物物候交错，尤其是间作广泛存在，使传统遥感作物分类方法面临显著困难。已有研究多集中于单一作物或单作系统，且常将整个雨季视为单一时间段处理，忽视双峰或三峰降雨区同一年内多个生长周期并存的事实。这一不足会导致木薯等跨周期生长作物被误判，也难以识别玉米收获后转为木薯占优势的“间作转单作”动态过程。因此，开展面向地方作物历、作物组合和作物序列的精细化遥感制图研究，具有明显的理论和应用价值。
针对上述问题，研究人员以尼日利亚西南部南几内亚稀树草原为案例区，构建了一套整合多源遥感与田间知识的作物类型制图框架。研究将 Sentinel-1 合成孔径雷达（SAR）与 Sentinel-2 光学数据结合，在不同时间聚合尺度下开展 7 组随机森林分类实验，并显式区分同一作物在不同生长周期中的种植情形，如早玉米与晚玉米、早木薯与晚木薯。基于田间调查和补充判读数据，研究最终定义了 8 类农业系统：早玉米、晚玉米、早木薯、晚木薯、山药、水稻、玉米-木薯间作及其他少数作物。结果表明，单独使用 Sentinel-1 时总体精度较低，而融合月度 Sentinel-1 与双月 Sentinel-2 的模型在精度与空间完整性之间取得最佳平衡。研究不仅实现了复杂小农系统下的较高精度制图，而且揭示了多生长周期背景下间作系统的时间动态与空间分异格局，说明将地方耕作知识嵌入遥感流程对于提升非均质小农景观的作物识别能力至关重要。
研究采用的关键技术方法主要包括：基于 2022 年早、晚生长周期在尼日利亚西南 6 个州 66 个社区开展的田间作物清查，结合无人机影像与 Maxar 高分辨率影像补充样本；利用 Sentinel-1 和 Sentinel-2 构建月度、双月时序特征，提取百分位数、四分位均值、四分位距、标准差及 NDVI、NDWI、VVg0、VHg0、CR 等变量；采用随机森林（RF）进行 7 组分类实验，并通过 30 折交叉验证评估模型；引入主动学习（active learning），在模型不确定区域补充训练样本，以优化最终分类结果。
3.1. 来自作物历的认识
研究人员汇编了 8 类农业系统的作物历，明确了单作与间作中不同作物的大致生长阶段，以及间作体系中作物序列的时间安排。结果显示，晚生长周期的播种窗口明显短于早生长周期；木薯作为多年生作物，可跨越多个生长周期持续生长；在玉米-木薯间作中，木薯通常在玉米播种后 1 个月引入，玉米约 3 个月收获，而木薯需 12–15 个月收获。因此，识别“何时两种作物共同存在于同一地块”是区分该间作系统的关键，这一发现为后续时序遥感特征构建提供了直接依据。
3.2. 多个生长周期下间作的时间变异性
研究进一步指出，本文中的间作特指玉米与木薯在同一地块同时种植、且早期具有共同生长时段的体系。该系统在早期表现为混合光谱信号，但在玉米收获后逐渐转变为木薯占主导的残余阶段，即“间作转单作”。这一过程导致同一地块在不同时间上表现出显著不同的反射特征，使得某一阶段的间作与后期的木薯单作在光谱上趋于相似。研究通过案例示意强调，若忽视多生长周期与作物序列，仅依赖稳定类内光谱特征的分类模型将难以处理这种动态转换。
3.3. 样本作物的物候曲线
为增强对相似物候作物的区分能力，研究构建了基于 Sentinel-2 植被与水分指数，以及 Sentinel-1 后向散射系数时间序列的作物物候曲线。结果表明，早木薯在 NDVI 上表现出比晚木薯更陡峭、更高的峰值；晚木薯由于旱季水分胁迫，生物量积累较慢，其 VHg0 与 VVg0 呈现更平缓的高值平台。早玉米 NDVI 上升更快，而晚玉米上升较慢。玉米-木薯间作则缺少早玉米或早木薯那样尖锐的单峰，常表现为一个轻微前峰后接木薯主峰。研究指出，单独解读这些曲线并不容易，但结合田间获得的作物序列信息，能够显著提升对同种作物不同播期以及混合作物系统的辨识能力。
3.4. 各实验的模型表现
7 组实验的 30 折交叉验证结果显示，仅使用 Sentinel-1 的两组实验总体精度均为 0.50，显著低于包含 Sentinel-2 的实验。仅使用月度 Sentinel-2 时，总体精度达到 0.78；仅使用双月 Sentinel-2 时为 0.76，但两者均受云和阴影造成的数据缺口影响较大。月度 Sentinel-1 与月度 Sentinel-2 融合后总体精度最高，为 0.79，但农田区域约 10.2% 存在数据缺口。综合精度与完整性后，研究最终选择月度 Sentinel-1 与双月 Sentinel-2 组合的实验作为最优方案，其总体精度为 0.77，且农田数据缺口仅 0.2%。这一结果表明，在云多区域，小幅牺牲时间分辨率可以显著提升分类结果的空间连续性。
3.5. 误差诊断、特征重要性与不确定性
在最优实验中，各类别总体上均取得较高分类效果。水稻精度最高，用户精度（UA）为 0.90，生产者精度（PA）为 0.81；玉米-木薯间作的 PA 为 0.85，UA 为 0.79，说明间作系统在融合作物历知识后可以被较为可靠地识别。早玉米的 PA 和 UA 分别为 0.89 和 0.81，明显优于晚玉米的 0.58 和 0.74，说明同种作物在不同播期下的可分性受物候分离程度影响显著。主动学习带来了正向增益，在稳定留出集实验中使总体精度由 68.1% 提升至 75.0%，对晚玉米和其他类的改善尤其明显。特征重要性分析显示，VV、Blue、VH 和 SWIR-1 是最具贡献的输入变量，标准差、均值、四分位距和第 75 百分位等统计量的重要性也较高，说明表征中心趋势与波动性的时序统计特征均对分类至关重要。与此同时，研究还评估了 cropland mask 的不确定性，发现合并 WorldCover 中 cropland、grassland 和 shrubland 类别后，可正确覆盖 88% 的作物样本，但成熟木薯等高大作物仍易被遗漏，部分休耕地和树作物则会被误纳入农地掩膜。
3.6. 农业系统分类结果的空间格局
研究绘制了 2022 年 SGS 区域 8 类农业系统的空间分布图。山药是区域内占比最高的类型，约为 32.9%，主要集中在北部；早木薯占 25.7%，在中部、南部和北部均广泛分布；晚木薯占 6.3%，更多出现在北部；晚玉米占 14.9%，主要位于中部；早玉米占 10.0%，多与早木薯一起出现在中部和南部；玉米-木薯间作占 3.8%，主要集中于南部且空间上更破碎；水稻占 6.1%，主要分布在中西部洪泛平原；其他少数作物仅占 0.2%。这些结果不仅刻画了区域作物布局，也体现出不同农业系统与地形、湿地、景观破碎度之间的对应关系。
在讨论部分，研究认为，本研究的主要贡献在于将地方作物历、作物组合和作物序列等知识显式纳入遥感分类流程，从而改善了多生长周期背景下复杂小农系统的作物识别效果。传感器融合实验说明，光学数据在作物类型区分上具有更强的光谱信息优势，但在云多地区需要借助 SAR 数据弥补时序缺口。研究同时指出，采用双月合成虽然减少了云致缺口，却可能平滑掉短生育期作物的关键物候转折；间作转单作这类动态过程也仍然难以完全捕获。样本数量不足导致甘薯、芋头、豇豆等少数作物必须合并为“其他”类，增加了类内变异；缺乏本地化农地掩膜与精细统计数据，也构成结果不确定性的来源。尽管如此，该研究仍证明，在小农占主导、作物混作广泛且生长周期多样的热带地区，面向地方耕作实践设计时序遥感流程是可行且必要的。
结论部分可译为：
本研究在多个生长周期条件下对单作与间作系统进行了制图，成功刻画并绘制了 8 类农业系统中的作物，包括玉米-木薯间作，尽管小农农田内部变异性很高。以多云地区为案例，研究在 7 组随机森林模型实验中结合了 Sentinel-1 与 Sentinel-2 数据及不同时间分箱策略。综合精度与最少数据缺口的最佳模型由月度 Sentinel-1 与双月 Sentinel-2 指标组合获得。由此，研究推进了对小农系统作物类型制图中 Sentinel-1 与 Sentinel-2 最优配置的认识。研究的一项关键优势在于，明确将关于作物组合、作物序列和多个生长周期的地方知识整合进基于遥感的作物类型分类流程。通过在田间样本中区分早播与晚播时期，模型得以识别生长周期之间的作物动态，包括物候相似作物的差异；若将具有多个生长周期的雨季视为单一时间块，这些动态将被忽略。据研究人员所知，这是首篇考察多个生长周期下相似作物类型制图的研究。该研究还为间作系统的时间变异性提供了新的认识。将早、晚生长周期的田间观测与遥感结合的方法，为理解小农农业中这种耕作格局转换提供了更细致的框架。本研究开发的流程具有可复现性，可供其他研究在作物跨多个生长周期生长的类似地区进行适配，用于作物混作制图。
