一种基于多时相特征融合与堆叠集成学习提高冬小麦制图精度的方法

《Scientific Reports》：A method for improving winter wheat mapping accuracy based on multi-temporal feature fusion and stacking ensemble learning

　　

摘要

冬小麦是中国国家粮食安全的重要基础作物，因此大规模、精确的遥感测绘对于耕地管理和农业调控至关重要。然而，在江苏省等农业景观高度异质化和破碎化的地区，传统的遥感分类方法往往由于特征表示不足和区分能力较弱而受到限制，导致测绘精度不够理想。为了解决这些问题，本研究开发了一种高精度的冬小麦测绘框架，该框架整合了多时相特征融合和堆叠集成学习技术。 Sentinel-2时间序列影像被作为主要数据源。通过Savitzky–Golay滤波重建时间序列数据，以抑制噪声的同时保留物候动态。多维特征集通过结合光谱带反射率、光谱指数和纹理指标来捕捉作物的时空生长模式。随后，采用堆叠集成学习架构，其中包含了四种基础分类器：随机森林（RF）、支持向量机（SVM）、分类与回归树（CART）和梯度提升树（GTB）。最后，将优化的元学习器应用于这些基础分类器的输出结果，以提高模型的泛化能力和鲁棒性。实验结果表明，与单一特征配置相比，集成特征融合策略显著提升了分类性能。优化后的堆叠模型总体准确率（OA）达到94.74%，Kappa系数为0.9283，远超所有单独分类器的性能。2021–2023年的冬小麦分布图与统计年鉴数据高度一致，相应OA分别为95.31%、94.83%和94.74%，Kappa系数分别为0.9300、0.9272和0.9283，证明了模型的时间稳定性和可迁移性。本研究建立了一个适用于复杂农业景观的稳健且可扩展的遥感识别框架，为区域作物监测、动态耕地管理和粮食安全评估提供了方法论支持。