基于多年向量动态时间规整的作物制图

近来，基于监督学习的自动化作物制图方法相较经典技术取得了前所未有的提升。然而，多数作物制图研究局限于同年作物制图，即利用当年的标注数据预测当年的作物图。这些方法的分类精度在跨年制图中会显著下降。跨年作物制图更为有用，因为它可利用既往标注数据预测随后年份的作物图。我们提出向量动态时间规整（VDTW），一种基于物候向量间角度距离规整的新型多年分类方法。结果证明，所提 VDTW 方法对时间与光谱变化具有鲁棒性，可补偿不同年份间的农事实践、气候与大气效应以及测量误差。我们还描述了一种确定最具判别力时间窗口的方法，其能以有限数据实现高分类精度。我们利用 2013 至 2016 年 Landsat 8 时间序列影像，对土耳其东南部哈兰平原的玉米与棉花、比斯米尔平原的玉米、棉花与大豆进行分类测试。此外，我们利用协调 Landsat Sentinel 数据，于 2017 与 2018 年在美国堪萨斯州测试了 VDTW 的玉米与大豆分类。相较于其他先进方法（即光谱角制图（SAM）、动态时间规整（DTW）、时间加权 DTW（TWDTW）、随机森林（RF）、支持向量机（SVM）与深度长短期记忆（LSTM）方法），VDTW 方法以更少的训练样本在同年与跨年分别取得了 99.85% 与 99.74% 的总体精度。所提方法可扩展至其他作物类型及/或地理区域。