Новая стратегия для точной карты полей: как спутники помогают различать культуры в сложных районах

Картирование сельскохозяйственных культур с использованием дистанционного зондирования является надежным и эффективным подходом для получения своевременной и точной информации о культурах. Предыдущие исследования в основном были сосредоточены на крупномасштабных регионах с простой структурой посевов. Однако в регионах со сложной сельскохозяйственной структурой, таких как регион Хуан-Хуай-Хай в Китае, высокое разнообразие культур и фрагментированность пахотных земель на локальных участках представляют серьезные трудности для точного картирования культур.

Для решения этих задач в данном исследовании представлена стратегия ландшафтно-кластерного зонирования с использованием многовременных изображений Sentinel-1 и Sentinel-2. Во-первых, зоны неоднородности культур выделяются с помощью ландшафтных метрик, характеризующих разнообразие культур и фрагментацию пахотных земель. Затем четыре типа признаков (спектральные, фенологические, текстурные и радарные) комбинируются в различных конфигурациях для создания различных схем классификации. Эти схемы далее оптимизируются для каждой зоны неоднородности культур с использованием классификатора на основе случайного леса.

Результаты показывают, что стратегия ландшафтно-кластерного зонирования обеспечивает общую точность 93,52% и каппа-коэффициент 92,67%, что на 2,9% и 3,82% соответственно превышает показатели метода без зонирования. Кроме того, результаты картирования культур, полученные с помощью этой стратегии, тесно согласуются с данными сельскохозяйственной статистики на уровне округов (значение R² = 0,9006). В сравнении с другими традиционными стратегиями зонирования, такими как зонирование по рельефу или по административным единицам, предложенная стратегия демонстрирует превосходство. Полученные результаты позволяют предположить, что стратегия ландшафтно-кластерного зонирования предлагает надежный эталонный метод для картирования сельскохозяйственных культур в сложных агроландшафтах.

Китай является одним из крупнейших в мире производителей сельскохозяйственной продукции, с обширными площадями возделывания и широким разнообразием продовольственных и технических культур, что приводит к высокоразнообразной структуре посевов. Поэтому получение своевременной и точной информации о возделывании культур имеет ключевое значение для обеспечения продовольственной безопасности, мониторинга производства сельскохозяйственных культур и поддержки усилий по формированию политики [1,2]. Традиционные методы, такие как выборочная статистика и ручные обследования, требуют больших трудозатрат и ресурсов. Напротив, дистанционное зондирование предоставляет возможность проводить частый мониторинг в короткие периоды и фиксировать динамику культур в крупном масштабе [3,4]. Благодаря развитию алгоритмов классификации и увеличивающейся доступности данных открытых спутников (например, Landsat и Sentinel), дистанционное зондирование стало широко применяемым и эффективным методом для мониторинга состояния сельскохозяйственных культур и оценки урожайности [5,6].

В настоящее время, хотя во многих развитых странах и некоторых провинциях Китая разработаны многочисленные относительно зрелые продукты картирования культур на основе дистанционного зондирования, такие как Cropland Data Layer (CDL) в США и карты хлопчатника в Синьцзяне, Китай [7,8], эти усилия в основном были направлены на районы с крупномасштабным автоматизированным возделыванием и относительно простой структурой посевов. Напротив, регионы, характеризующиеся сложными агроландшафтами, такие как центральная часть районов Хуан-Хуай-Хай в Китае, представляют трудности из-за высокого разнообразия культур и фрагментированности участков пахотных земель. Условия выращивания культур и природная среда в этих регионах часто недостаточно представлены в крупномасштабных исследованиях, что делает их выводы менее универсально применимыми. Более того, исследования показали, что разнообразие культур и фрагментация пахотных земель значительно влияют на точность картирования культур [9,10,11]. Например, Chen и др. достигли более высокой общей точности (OA) в районах с меньшим разнообразием культур и равномерностью при классификации культур с использованием фенологических показателей, полученных из данных MODIS [12]. Han и др. сообщили о расхождении в 11% по общей точности при идентификации рапса между фрагментированными и нефрагментированными территориями с использованием признаков, полученных со спутников Landsat 8 и Sentinel-1 [13]. Эти результаты подчеркивают необходимость совершенствования моделей картирования культур для повышения их применимости в регионах с разнообразными культурами и фрагментированными пахотными землями.

Для решения проблем, обусловленных пространственной неоднородностью, широко исследовались и оценивались стратегии зонирования, которые разделяют весь регион на однородные субзоны [14,15,16]. Несколько исследований разделили район исследований на набор ортогональных шестиугольных единиц или административных единиц [17,18]; однако эти исследования не учитывают пространственную неоднородность между единицами и требуют больших объемов выборок. Несколько исследований использовали агроэкологические или климатические факторы для выделения субзон в крупномасштабных регионах [19,20]. Однако в локальных сложных сельскохозяйственных регионах эти стратегии часто трудно уточнить из-за сходства условий возделывания по всей территории. Дополнительно, несколько исследований использовали такие переменные среды, как цифровые модели рельефа (DEM) и температура, для разделения [21,22]. Например, Ren и др. использовали данные DEM для разделения района исследований со значительными топографическими вариациями на субзоны с относительно однородным пространственным распределением культур. Затем изображения Sentinel-1/2 применялись в каждой субзоне для картирования культур, что позволило достичь общей точности (OA) приблизительно 90% [23]. Аналогично, Donmez и др. использовали температурные данные ERA-5 для выделения районов со множеством культур, достигнув OA около 92% за счет учета сильной корреляции между фенологией культур и температурой в районе исследований [24]. Эти стратегии интегрировали ключевые воздействия окружающей среды для выделения субзон, адаптированных к характеристикам района исследований. Однако они сталкиваются с ограничениями в сложных сельскохозяйственных регионах с высоким разнообразием культур и фрагментированными пахотными землями, потому что на такие районы влияют множественные факторы окружающей среды.

В ландшафтной экологии, разнообразие культур и фрагментация пахотных земель в сельскохозяйственных районах соответствуют композиционной и конфигурационной неоднородности гетерогенности культур [25] (как показано на Рисунке 1). Гетерогенность культур может быть эффективно количественно оценена с использованием ландшафтных метрик, которые служат аналитическими инструментами для описания пространственных характеристик сложных агроландшафтов [26,27]. Существенные корреляции также были выявлены между характеристиками сельскохозяйственного ландшафта, количественно оцененными с помощью ландшафтных метрик, и точностью классификации культур. Например, Zhang и др. количественно оценили фрагментированные пахотные земли, используя Индекс дробления (SPLIT), и показали, что включение спектральных и текстурных признаков, полученных из данных Sentinel-2, эффективно смягчало снижение точности картирования культур, вызванное фрагментацией пахотных земель [11]. Mondal и Jeganathan извлекли сельскохозяйственные земли, используя изображения MODIS и индекс спектрального сходства, рассчитанный по евклидову расстоянию. Их исследование показало, что увеличение Количества участков пашни (NP) и уменьшение Среднего размера участка (MPS) пашни способствовали более высоким ошибкам пропуска при классификации культур. Эти результаты подчеркивают полезность ландшафтных метрик для предоставления критической справочной информации для картирования культур [9]. Однако из-за ограничений источников данных, упомянутые выше исследования рассчитывали ландшафтные метрики на основе предварительно полученных результатов картирования, сосредотачиваясь на изучении влияния гетерогенности культур на точность картирования культур. Несколько исследований напрямую интегрируют вспомогательные данные для количественной оценки гетерогенности культур и улучшения подходов к картированию культур. Этот пробел подчеркивает необходимость дальнейших исследований для расширения применения ландшафтных метрик в сложных сельскохозяйственных регионах.

Рисунок 1. Иллюстрация гетерогенности культур. (a–d) представляют ландшафты, и разные цвета указывают на разные типы культур в ландшафте. (a) к (b) и (c) к (d) указывают на увеличение фрагментации пахотных земель (конфигурационная неоднородность). (c) к (a) и (d) к (b) указывают на увеличение разнообразия культур (композиционная неоднородность).

Учитывая высокое разнообразие культур и фрагментацию пахотных земель в локальных районах регионов Хуан-Хуай-Хай в Китае, в данном исследовании были выбраны несколько репрезентативных городов из переплетенных горных равнин центральной провинции Шаньдун. Была предложена стратегия ландшафтно-кластерного зонирования, учитывающая гетерогенность культур на основе данных спутников Sentinel-1 и Sentinel-2, для решения этих сложностей.

Исследование было сосредоточено на трех конкретных процессах:

1.  Количественное описание сложных сельскохозяйственных регионов с использованием ландшафтных метрик на основе гетерогенности культур.

2.  Разделение сложных районов возделывания на Зоны Гетерогенности Культур (CHZ) и определение оптимальных схем классификации.

3.  Оценка точности предложенной стратегии ландшафтно-кластерного зонирования.

2.1. Районы исследований

Провинция Шаньдун расположена в восточной части равнины Хуан-Хуай-Хай (34°22′–38°23′ с.ш., 114°47′–122°42′ в.д.) и характеризуется муссонным климатом теплого умеренного пояса. Лето дождливое, а зима относительно сухая. Рельеф провинции состоит из горных районов в центральной и восточной частях, равнин на северо-западе и юго-западе и прибрежных холмов, что создает значительные топографические вариации. Шаньдун также характеризуется сложными водными системами, включая реку Хуанхэ как основную систему, а также системы рек Хуайхэ и Хайхэ, расположенные в южной и северной частях провинции.

В этом исследовании города Цзинин, Тайань и Линьи, расположенные в центральном Шаньдуне, были выбраны в качестве районов исследований (Рисунок 2A). Климат в этих районах демонстрирует сходное распределение осадков и тепла в течение года, со средней годовой температурой 16 °C и среднегодовым количеством осадков 701 мм. Рельеф в этом регионе включает равнины на западе и востоке, а также горные и холмистые районы в центре, с высотами от 32 м до 1545 м. Равнины в западной и восточной частях богаты водными ресурсами, включая озеро Вэйшань и реку И, в то время как центральный регион представлен горами Тайшань и Имэн, окруженными холмами. Из-за влияния различных природных сред, район исследований характеризуется фрагментацией пахотных земель и диверсификацией культур. Район исследований охватывает 14 227,9 км² пахотных земель, где в основном выращивают кукурузу, сою, рис, хлопчатник, арахис и картофель. Кукуруза и соя широко распространены на равнинах, в то время как рис и хлопчатник, требующие обилия воды, сосредоточены в районах с обширными водными системами. Арахис и картофель выращиваются в холмистых районах из-за их засухоустойчивости. Большинство культур имеют вегетационный период с середины мая до середины октября. Картофель имеет более короткий вегетационный сезон, длящийся только с середины августа до середины октября (Таблица 1).

Рисунок 2. Географическое расположение района исследований с обследованными образцами различных культур. Четыре панели (a1–a4) представляют репрезентативные примеры, иллюстрирующие детали распределения культур. Все изображения были получены со спутников Sentinel-2 в августе 2019 года и отображаются как композиты в псевдоцветах (Каналы: B8, B4 и B3).

Таблица 1. Фенологические стадии культур в районах исследований.

2.2. Данные изображений

Система спутников Sentinel-2, состоящая из сенсоров A и B, предлагает цикл повторного посещения 5 дней. Ее изображения состоят из 13 спектральных каналов, охватывающих длины волн от видимого до коротковолнового инфракрасного диапазона, с пространственным разрешением от 10 до 60 м. В этом исследовании, изображения Sentinel-2 Level-2A поверхностной отражательной способности (SR) были получены и предварительно обработаны с использованием Google Earth Engine (GEE), и десять каналов использовались с разрешением 10 м и 20 м для картирования культур. Учитывая вегетационные сезоны основных культур в районе исследований, были выбраны изображения с 10 мая по 10 октября 2019 года. Чтобы минимизировать влияние облачного загрязнения, сохранялись только изображения с облачностью менее 25%, и удаление облаков выполнялось с использованием канала QA60, который содержит информацию о маске облаков. Чтобы устранить пробелы, вызванные облаками, и поддерживать единое временное разрешение [28], ежемесячные композитные изображения создавались путем усреднения доступных значений изображений за каждый месяц.

В этом исследовании, изображения Sentinel-1 Ground Range Detected (GRD) использовались для дополнения информации о возделывании культур. Были выбраны изображения Sentinel-1 в режиме Interferometric Wide (IW) из-за их способности поддерживать производительность повторного посещения 6 дней и обеспечивать обширное покрытие земной поверхности с пространственным разрешением от 5 до 40 м. Этот режим включает два полярно-орбитальных спутника, оснащенных инструментами C-диапазонной синтезированной апертурной радиолокации (SAR), работающими в двойной поляризации (VV и VH). Все изображения Sentinel-1, полученные из GEE, прошли этапы предварительной обработки, такие как удаление теплового шума, радиометрическая калибровка и коррекция рельефа. Для дальнейшего снижения спекл-шума на изображениях в этом исследовании был применен уточненный фильтр Ли с окном 7 × 7. Наконец, изображения были скомпонованы в ежемесячные средние значения для обеспечения временной согласованности с изображениями Sentinel-2.

2.3. Признаки классификации

Чтобы уменьшить влияние спектрального сходства на классификацию культур, вызванного разнообразными типами культур в районах исследований, использовались множественные типы признаков, полученные из многовременных изображений Sentinel-2 и Sentinel-1 (Таблица 2). Спектральные признаки, которые включают спектральные каналы и индексы, предоставляют информацию об отражательной способности культур в короткие периоды вегетационного сезона. Эти признаки тесно связаны с признаками роста культур, такими как растительный полог и хлорофилл листьев [29]. Фенологические признаки фиксируют временную динамику культур в течение всего вегетационного периода, например, сроки начала и прекращения роста. Для представления этой динамики, функция двойной логистической регрессии [30] была применена для подгонки временных рядов изображений Улучшенного Вегетационного Индекса (EVI), эффективно моделируя изменения в схемах роста культур (Рисунок 3). Радарные признаки [31], включая коэффициенты обратного рассеяния и их комбинации, чувствительны к структурным атрибутам, таким как высота и густота растительности. Эти признаки дополняют спектральные данные, предоставляя дополнительную информацию о морфологии культур. Текстурные признаки описывают пространственное распределение культур путем анализа взаимосвязей в градациях серого между пикселями изображения. В этом исследовании использовались текстурные признаки на основе Матрицы совстречаемости уровней серого (GLCM) для улучшения пространственного представления распределений культур [32].

Рисунок 3. Фенологические признаки, подогнанные функцией двойной логистической регрессии. (a) SOS, (b) EOS, (c) LOS, (d) BL, (e) MOS, (f) value_MOS, (g) SA, (h) Integral, (i) Value_SOS и (j) Value_EOS, с подробными описаниями в Таблице 2.

Таблица 2. Обзор типов признаков, использованных в исследовании.

Исходные признаки из разных стадий роста могут иметь сильные взаимные корреляции, делая их неэффективными для идентификации культур. Здесь, подход сокращения данных на основе расстояния Джеффриса-Матиуты (JM) (Уравнения (1) и (2)) использовался для сжатия исходных признаков и выбора оптимальных признаков [33].

где B обозначает расстояние Бхаттачарии; JM представляет расстояние JM между классами i и j; 𝑚𝑖 и 𝑚𝑗 — средние значения векторов признаков для выборок; а 𝜎i и 𝜎j — стандартные отклонения векторов признаков для выборок.

В исследовании, расстояние JM рассчитывалось с использованием 30 образцов культур между любыми двумя типами культур (т.е., кукуруза, соя, арахис, хлопчатник и рис). Эти 30 образцов культур были собраны из районов с различными уровнями диверсификации культур и фрагментации пахотных земель по всему району исследований. Этот подход обеспечил, что выбранные признаки были применимы ко всем CHZ. Признаки с расстоянием JM > 1 были выбраны в качестве кандидатов для классификации культур [34].

2.4. Вспомогательные данные

2.4.1. Данные наземной проверки (реперные данные)

Данные наземной проверки были собраны в течение сельскохозяйственного сезона 2019 года в районе исследований. Обследование регистрировало подробную информацию о репрезентативных типах культур, включая кукурузу, сою, арахис, хлопчатник, рис и другие культуры. Геолокации для части образцов регистрировались с использованием портативного GPS с позиционной точностью 5 м. Дополнительно, другие местоположения образцов были идентифицированы посредством визуальной интерпретации многовременных изображений Sentinel-2 (Рисунок 2). Набор данных включал 990 образцов кукурузы (232 с портативного GPS), 627 образцов сои (185 с портативного GPS), 748 образцов арахиса (262 с портативного GPS), 363 образца хлопчатника (102 с портативного GPS), 251 образец риса (156 с портативного GPS) и 321 образец картофеля (172 с портативного GPS). Для обеспечения надежного анализа, все собранные образцы были случайным образом разделены на 70% обучающих данных и 30% проверочных данных.

2.4.2. Данные сельскохозяйственной статистики

Статистика культур на уровне округа за 2019 год была получена из местных муниципальных статистических ежегодников (Рисунок 4). Эта статистика использовалась для расчета метрик композиционной неоднородности на уровне округа (т.е., разнообразия культур). Дополнительно, статистические площади культур сравнивались с мониторинговыми площадями, полученными из результатов картирования культур, для оценки производительности стратегии ландшафтно-кластерного зонирования.

Рисунок 4. Статистическая площадь культур в районе исследований для каждого округа.

2.4.3. Данные землепользования

Продукт ESA WorldCover 2020 с пространственным разрешением 10 м имеет 11 категорий землепользования [35]. Распределение пашни в продукте (код 40) использовалось для удаления несельскохозяйственных территорий.

Рабочий процесс этого исследования проиллюстрирован на Рисунке 5. Во-первых, CHZ, представляющие относительно однородные области, были сгруппированы с использованием комплексных ландшафтных метрик. Во-вторых, разнообразные комбинации признаков были сопряжены с классификатором Random Forest (RF) в каждой CHZ, и оптимальная комбинация признаков для каждой CHZ была выбрана. Наконец, предложенная стратегия ландшафтно-кластерного зонирования была применена для картирования множества типов культур во фрагментированных районах, и ее производительность была оценена.

Рисунок 5. Общая структура исследования.

3.1. Стратегия ландшафтно-кластерного зонирования

В этом разделе в основном описывается процесс ландшафтной кластеризации. Комплексные ландшафтные метрики и CHZ были получены в Разделах 3.1.1 и 3.1.2, соответственно. Оптимальная комбинация признаков в каждой CHZ была выбрана в Разделе 3.1.3.

3.1.1. Получение комплексных ландшафтных метрик

Извлечение пахотных земель

Для точного захвата характеристик фрагментации пахотных земель, был использован иерархический метод извлечения для идентификации участков пашни. Процесс использовал средние композитные изображения Sentinel-2 за август (Рисунок 6) и ряд правил фильтрации. Сначала водные объекты были удалены с использованием NDWI (Нормализованный Разностный Водный Индекс) с соответствующим порогом (Уравнение (3)). Затем, искусственные объекты, такие как открытый грунт, здания и дорожные сети, были исключены на основе NDBI (Нормализованный Разностный Индекс Застройки) (Уравнение (4)). Наконец, деревья были отфильтрованы с использованием канала B8 (ближний ИК) для получения предварительных результатов. Чтобы гарантировать исключение непропашных пикселей изображения, предварительные результаты были уточнены путем их обрезки с картой возделываемых земель, полученной из продукта ESA WorldCover 2020. Этот процесс дал окончательную маску пашни, которая впоследствии использовалась для расчета метрик конфигурационной неоднородности и исключения несельскохозяйственных объектов при классификации.

Рисунок 6. Дерево решений для извлечения информации о пашне.

Расчет метрик гетерогенности культур

Шесть ландшафтных метрик, выражающих гетерогенность культур, были выбраны для этого исследования, потому что они широко использовались в предыдущих исследованиях [9,12]. Эти метрики были разделены на две группы на основе гетерогенности культур: конфигурационная неоднородность, представляющая фрагментацию пахотных земель, и композиционная неоднородность, отражающая разнообразие культур. Ландшафтные метрики были получены из различных измерений, включая агрегацию и форму возделываемых участков, а также разнообразие культур (Таблица 3). Все метрики рассчитывались в масштабе округа. Метрики конфигурационной неоднородности были получены из возделываемых участков, описанных в разделе Извлечение пахотных земель, в то время как метрики композиционной неоднородности были рассчитаны с использованием сельскохозяйственной статистики, подробно описанной в Разделе 2.4.2.

Таблица 3. Выбор метрик гетерогенности культур.

Анализ главных компонент (PCA)

Чтобы уменьшить избыточность между ландшафтными метриками, был применен Анализ Главных Компонент (PCA) для сжатия исходных метрик в комплексные ландшафтные метрики. Процесс включал три основных шага. Сначала, шесть исходных ландшафтных метрик были стандартизированы с использованием Z-оценки нормализации. Во-вторых, матрица компонентов была повернута с использованием метода вращения варимакс для расчета собственных значений компонентов и нагрузок ландшафтных метрик. Собственные значения представляют количество информации, содержащейся в соответствующих главных компонентах, причем более высокие значения указывают на большую значимость. Используя эти собственные значения, был рассчитан коэффициент вклада дисперсии, чтобы определить долю информации, которую каждый главный компонент вносит в общую дисперсию всех компонентов. Нагрузки выявили корреляцию между отдельными ландшафтными метриками и связанными с ними главными компонентами. Наконец, компоненты с собственными значениями больше единицы были сохранены в качестве комплексных ландшафтных метрик [36]. Затем атрибуты этих комплексных метрик были интерпретированы на основе нагрузок.

Каждый составной компонент объяснял несколько ландшафтных индексов и мог быть выражен как значения в матрице паттернов (Уравнение (5)), следующим образом:

где 𝑎𝑖𝑒, 𝑎𝑖𝑓 и 𝑎𝑖𝑛 относятся к коэффициентам, соответствующим выбранным ландшафтным метрикам 𝑥𝑖𝑒, 𝑥𝑖𝑓 и 𝑥𝑖𝑛 в факторе 𝐹𝑖, соответственно.

3.1.2. Генерация CHZ

K-means — это метод неконтролируемой кластеризации, который присваивает точки данных ближайшим центроидам, минимизируя сумму квадратов отклонений внутри каждого кластера [37]. В этом исследовании, алгоритм K-means был применен для группировки комплексных ландшафтных метрик в относительно однородные области. Для оценки эффективности кластеризации, был рассчитан коэффициент силуэта (S(k)). Эта метрика сочетает меры сцепления и разделения для оценки качества кластеров (Уравнение (6)). Средний коэффициент силуэта был вычислен для количества кластеров k в диапазоне от 2 до 10. Оптимальное количество CHZ было установлено как k с наивысшим средним коэффициентом силуэта, следующим образом:

где 𝑎(𝑘) представляет среднее расстояние между вектором k и всеми другими точками в его кластере, а 𝑏(𝑘) представляет наименьшее среднее расстояние между вектором k и точками в ближайшем соседнем кластере. S(k) находится в диапазоне от −1 до 1, причем значения ближе к 1 указывают на более высокое качество кластеризации.

3.1.3. Разработка и выбор схем классификации

Оптимальные признаки для классификации культур различаются в различных регионах из-за различий в гетерогенности культур [11,38]. И выбор подходящих комбинаций признаков может смягчить путаницу при классификации [39]. Напротив, использование чрезмерных типов признаков бездумно, без учета гетерогенности культур, может вызвать переобучение. Поэтому были разработаны семь схем классификации с различными комбинациями признаков (Таблица 4) и сопряжены с классификатором Random Forest (RF). Первые три схемы (S1–S3) сочетали спектральные признаки с одним дополнительным типом признаков, в то время как S4, S5 и S6 сочетали спектральные признаки с двумя различными типами признаков. Схема S7 включала все четыре типа признаков.

Таблица 4. Описание комбинаций признаков.

Классификатор RF хорошо подходит для высокоразмерных данных и демонстрирует сниженную восприимчивость к переобучению [40]. В этом исследовании, два настраиваемых параметра — количество деревьев и количество переменных на разбиение — были настроены. Для количества деревьев, значения проверялись инкрементально от 50 до 500 с шагом 10, и параметр был установлен в точке, где общая точность (OA) больше не улучшалась. Количество переменных на разбиение было установлено равным квадратному корню из общего числа входных переменных. Наконец, оптимальная схема классификации для каждой CHZ была выбрана как схема с наивысшей OA среди семи схем.

3.2. Оценка точности

Мы случайным образом использовали 70% выборок для обучения и оставшиеся 30% для проверки. Для проверки, OA и каппа использовались для оценки общей производительности классификации и согласованности, в то время как точность пользователя (UA) и точность производителя (PA) использовались для оценки точности конкретных категорий культур [41]. F1-оценка (F1) обеспечивает сбалансированное рассмотрение как UA, так и PA, поскольку она является гармоническим средним UA и PA. Дополнительно, картированные площади культур сравнивались со статистикой на уровне округа, полученной из данных статистических ежегодников, для дальнейшей проверки результатов классификации.

4.1. Получение и анализ комплексных ландшафтных метрик

PCA дал шесть компонентов из ландшафтных метрик (Рисунок 7a). Среди них, первые три компонента, с собственными значениями больше 1, составляли 94,36% накопленного коэффициента вклада дисперсии (Рисунок 7b). Этот результат показывает, что эти три компонента захватили большую часть информации из исходных метрик и были сохранены для анализа на следующем шаге.

Рисунок 7. Анализ дисперсии PCA с вращением варимакс. (a) отображает собственные значения для всех компонентов, выделяя те, что больше 1, красными квадратами. (b) изображает дисперсию и кумулятивную дисперсию компонентов после отбора.

Чтобы определить характеристики этих трех компонентов, были рассчитаны коэффициенты нагрузки ландшафтных метрик (Рисунок 8), описывающие корреляцию между каждой главной компонентой и ландшафтными метриками. Компонент 1 показал сильные положительные корреляции с метриками формы (Таблица 3), конкретно SHAPE_AM и FRAC_AM (нагрузки: 0,92 и 0,98, соответственно), представляя сложность формы пашни. Компонент 2 был тесно связан с метриками агрегации, проявляя отрицательную корреляцию с AREA_MN (нагрузка: −0,96) и положительную корреляцию с PD (нагрузка: 0,95), отражая степень агрегации фрагментированных участков пашни. Компонент 3 коррелировал положительно с метриками разнообразия, включая SHDI и SHEI (нагрузки: 0,9 и 0,86), указывая на разнообразие культур.

Рисунок 8. Нагрузки повернутых главных компонентов, извлеченные из ландшафтных метрик. Ландшафтные метрики с абсолютными нагрузками выше 0,75, указывающие на значительный вклад в их компоненты, отмечены синими треугольниками.

Компоненты 1, 2 и 3 были выбраны в качестве комплексных ландшафтных метрик и переименованы как 'Форма', 'Агрегация' и 'Разнообразие', соответственно, на основе их доминирующих характеристик. Эти переименованные компоненты последовательно применяются на протяжении оставшейся части статьи для ясности понимания.

4.2. Генерация CHZ

Пять CHZ были идентифицированы посредством кластеризации на основе трех комплексных ландшафтных метрик. Промежуточные шаги для определения количества разделений показаны на Рисунке 9a. Оптимальное количество кластеров было определено как пять, как указано наивысшим коэффициентом силуэта (S(5) = 0,702).

Рисунок 9. Генерация CHZ и их гетерогенность культур. (a) показывает средний коэффициент силуэта на основе Уравнения (4), оценивая эффективность кластеризации. (b) показывает средние значения комплексных ландшафтных метрик для каждой CHZ.

Рисунок 9b представляет общую гетерогенность культур для каждой CHZ, в то время как Рисунок 10 иллюстрирует пространственное распределение CHZ, причем Рисунок 10(a1–a5) предоставляет детали о фрагментации пашни. Степень геоморфологии и фрагментации пашни была проанализирована для каждой CHZ, чтобы понять ее уникальные характеристики. CHZ 1 и CHZ 3 демонстрировали низкую сложность формы и высокую агрегацию (Рисунок 9b), появляясь как крупные, правильные участки пашни на Рисунке 10(a1,a3). Эти зоны были в основном равнинами, где участки пашни минимально подвергались влиянию топографических факторов. CHZ 2 и CHZ 4 показали высокую агрегацию участков пашни, характеризующихся правильными формами и многочисленными мелкими участками (Рисунок 10(a2,a4)). Хотя эти зоны также были представлены равнинами, они были обогащены водными ресурсами, такими как озеро Вэйшань и река И. Наличие воды способствует орошаемому земледелию вдоль водных путей, приводя к распространению мелких участков пашни в этих районах. CHZ 5 отличалась мелкими участками пашни со сложными формами из-за наличия пересеченных гор, таких как горы Тайшань и Имэн, и окружающих холмов. Эти географические особенности фрагментировали участки пашни, как видно на Рисунке 10(a5).

Рисунок 10. Пространственное распределение CHZ. (a) показывает общее пространственное распределение CHZ. (a1–a5) являются репрезентативными примерами каждой CHZ, показывая пространственные детали пахотных участков. Все изображения получены из средних композитных изображений Sentinel 2 за август, а карты пашни взяты из Раздела Извлечение пахотных земель.

Для анализа разнообразия культур в каждой CHZ, была обследована статистика культур для каждой CHZ (Рисунок 11). CHZ 1 и CHZ 2 были в основном представлены кукурузой, с долей кукурузы 71% и 66% площади, соответственно. Другие культуры возделывались в меньшей степени, способствуя низкому разнообразию культур, показанному на Рисунке 9b. CHZ 3 имела более разнообразный состав культур, с рисом, хлопчатником, кукурузой и соей в качестве доминирующих культур, представляющих 31%, 36%, 16% и 17% площади, соответственно. Равномерное распределение этих культур внутри CHZ 3 привело к высокому разнообразию культур. CHZ 4 была преимущественно засажена кукурузой, с рисом в качестве вторичной культуры, в то время как CHZ 5 также была представлена кукурузой, но имела арахис и картофель в качестве вторичных культур. Эти две субзоны имели сходные пропорции культур и структуры разнообразия культур.

Рисунок 11. Процент статистической площади культур в каждой CHZ.

Вышеуказанные результаты предполагают, что разнообразие культур и фрагментация пашни были значительно разными между CHZ, подчеркивая потенциал CHZ в приложениях для картирования культур.

4.3. Выбор оптимальных схем классификации

Общие точности (OA) семи схем классификации, которые включали различные комбинации признаков для каждой CHZ, показаны на Рисунке 12. В CHZ 1 и CHZ 2, S1–S7 достигли OA выше 90%. Наивысшие схемы OA были S3 и S6, с OA 96,23% и 94,66%, соответственно. Однако эти схемы продемонстрировали только минимальные улучшения в 1,32% и 1,35% (среднее значение улучшений по сравнению с другими схемами), соответственно. Это ограниченное улучшение могло быть связано с относительно низкой гетерогенностью культур в CHZ 1 и CHZ 2. Напротив, CHZ 3 (с наивысшим разнообразием культур на Рисунке 9b), CHZ 4 (с наивысшей агрегацией фрагментированной пашни) и CHZ 5 (с наивысшей сложностью формы) демонстрировали более высокую гетерогенность культур. Схемы с наивысшими OA в этих зонах были S7, S4 и S6, с OA 89,14%, 89,87% и 93,24%, соответственно. Эти схемы показали значительные средние улучшения на 4,12%, 5,97% и 4,20% по сравнению с другими схемами, соответственно. Эти результаты предполагают, что выбор схем классификации может эффективно компенсировать потерю точности, вызванную высокой гетерогенностью культур в этих регионах.

Рисунок 12. Выбор оптимальной схемы классификации для каждой CHZ. S1–S7 имеют те же значения, что и в Таблице 4.

4.4. Результаты картирования культур

Рисунок 13 показывает распределение шести культур в городах Тайань, Цзинин и Линьи. Кукуруза и соя широко распространены по равнинам и являются основными культурами во всех трех городах. Хлопчатник и рис преимущественно встречаются в южной части района исследований, где обильные водные ресурсы, такие как озеро Вэйшань и река И, и равнинный рельеф обеспечивают благоприятные условия для их возделывания. В центральной части района исследований, арахис и картофель являются основными типами культур из-за холмистого и горного рельефа и сухого климата.

Рисунок 13. Карта культур района исследований, полученная с помощью стратегии ландшафтно-кластерного зонирования.

4.5. Оценка картирования культур

4.5.1. Сравнение с методами без зонирования

Сравнение матриц ошибок для картирования культур между методом ландшафтно-кластерного зонирования и методом без зонирования показано в Таблице 5. Метод без зонирования использовал S7, которая интегрировала все доступные типы признаков из Таблицы 4. Метод ландшафтно-кластерного зонирования достиг OA 93,52%, что отражает улучшение на 2,9% по сравнению с методом без зонирования. Аналогично, коэффициент Каппа увеличился до 92,67%, представляя улучшение на 3,82%.

Таблица 5. Точность картирования культур для различных методов.

Что касается точности различных типов культур, метод ландшафтно-кластерного зонирования достиг F1 оценок выше 90% для всех культур, кроме картофеля, с F1 88,74%. По сравнению с методом без зонирования, метод ландшафтно-кластерного зонирования продемонстрировал стабильные улучшения в F1 по всем культурам, особенно для арахиса и хлопчатника, которые увеличились на 4,42% и 5,56%, достигнув F1 оценок 90,17% и 92,03%, соответственно. Метод ландшафтно-кластерного зонирования также продемонстрировал сбалансированную производительность в UA и PA для всех типов культур. Для кукурузы, наиболее широко распространенной культуры в районе исследований, UA и PA превышали 94%, в то время как другие типы культур показали значения около 90%. Напротив, в методе без зонирования, арахис показал значительно более высокую PA, чем UA, а хлопчатник показал более высокую UA, чем PA. Это расхождение могло быть связано с пространственными характеристиками: арахис обычно выращивается в холмистых районах с фрагментированной пашней, в то время как хлопчатник часто культивируется в регионах с разнообразными типами культур. Метод ландшафтно-кластерного зонирования был разделен на CHZ 3 и CHZ 5 на основе этих пространственных характеристик, как подробно описано в Разделе 4.2. Этот подход зонирования уменьшил влияние гетерогенности культур на картирование культур и повысил точность классификации.

Чтобы дальнейшим образом проиллюстрировать преимущества метода ландшафтно-кластерного зонирования для картирования культур в сложных сельскохозяйственных регионах, мы проанализировали репрезентативные результаты картирования культур по пяти CHZ (Рисунок 14). В CHZ 1 и CHZ 2 (Рисунок 14a,b), характеризующихся правильными участками пашни с низким разнообразием культур, метод ландшафтно-кластерного зонирования дал схожие результаты картирования культур с подходом без зонирования. В CHZ 3 (Рисунок 14c), метод ландшафтно-кластерного зонирования уменьшил ошибочную классификацию хлопчатника как кукурузы по сравнению с методом без зонирования. В CHZ 4 и CHZ 5 (Рисунок 14d,e), метод ландшафтно-кластерного зонирования эффективно сопротивлялся пиксельному шуму и улучшил точность классификации. Эти результаты подтвердили, что метод ландшафтно-кластерного зонирования дает более точные результаты классификации.

Рисунок 14. Пространственные детали результатов картирования культур в пяти CHZ между методом ландшафтно-кластерного зонирования и методом без зонирования. Все изображения были получены со спутников Sentinel-2 в августе 2019 года.

4.5.2. Сравнение с данными сельскохозяйственной статистики

Площади культур, полученные из карт культур, сравнивались со статистическими данными на уровне округа. Поскольку рис и хлопчатник распределены только в небольшом количестве округов, площади всех типов культур были объединены в одно уравнение для оценки общего соответствия. Рисунок 15 показывает сильную согласованность между картированной площадью культур и данными переписи, со значением R² 0,9006. Большинство точек равномерно распределены вокруг линии 1:1, и лишь очень небольшое количество округов показывает более высокую картированную площадь культур по сравнению с сельскохозяйственной статистикой. Эти результаты подчеркнули надежность и точность оценок площади методом ландшафтно-кластерного зонирования.

Рисунок 15. Сравнение картированной площади всех типов культур с данными переписи на уровне округа. Красная косая линия указывает, что соотношение картированной площади к площади по переписи составляет 1:1.

5.1. Преимущества стратегии ландшафтно-кластерного зонирования в картировании культур

Большинство предыдущих исследований по картированию культур были сосредоточены на крупномасштабных регионах с относительно простыми структурами возделывания культур [42,43]. Однако регион Хуан-Хуай-Хай, со своим сложным сельскохозяйственным ландшафтом, характеризующимся разнообразными культурами и фрагментированной пашней, представляет уникальные условия возделывания и природную среду, которые не репрезентативны для этих более ранних исследований. Хотя были предложены методы зонирования, такие как климатическое и топографическое, для решения пространственной неоднородности в картировании культур [20,23], эти стратегии зонирования неприменимы, потому что сложные агроландшафты подвержены влиянию множественных факторов окружающей среды.

В этом исследовании мы предлагаем стратегию ландшафтно-кластерного зонирования, которая разделяет район исследований путем количественной оценки разнообразия культур и фрагментации пашни с помощью многомерных ландшафтных метрик. На основе этого зонирования, были выбраны схемы классификации, адаптированные к различным CHZ, для картирования культур в сложных агроландшафтах региона Хуан-Хуай-Хай. Чтобы оценить эффективность стратегии ландшафтно-кластерного зонирования, мы сравнили ее с двумя традиционными методами зонирования, включая стратегию топографического зонирования [44] на основе высоты и стратегию административного зонирования на уровне округа [17]. Каждый классификационный эксперимент повторялся 10 раз, и среднее значение и стандартное отклонение точности классификации представлены на Рисунке 16.

Рисунок 16. Оценка точности на основе различных методов зонирования.

Стратегия ландшафтно-кластерного зонирования достигла наивысшей OA 93,25 ± 0,52%, за ней следовала стратегия топографического зонирования с 91,03 ± 0,26%, и стратегия административного зонирования с 88,63 ± 1,3%. Стратегия ландшафтно-кластерного зонирования была явно превосходящей по сравнению с двумя другими стратегиями. Дополнительно, PA и UA стратегии ландшафтно-кластерного зонирования в целом превзошли показатели других стратегий. Для арахиса и картофеля, PA и UA были схожи с таковыми в стратегии топографического зонирования, поскольку эти культуры преимущественно выращиваются в холмистых районах, где топографическое зонирование помогает уменьшить пространственную неоднородность. Однако для хлопчатника, UA и PA в стратегии топографического зонирования были значительно ниже, чем в стратегии ландшафтно-кластерного зонирования, вероятно, потому что стратегия топографического зонирования не смогла выделить районы с высоким разнообразием культур на равнинах. Стратегия административного зонирования имела самую низкую точность и самое высокое стандартное отклонение для каждого типа культур, что могло быть связано с ограниченным количеством обучающих выборок внутри каждой единицы. Это ограничение препятствовало способности модели улавливать специфические характеристики культур, приводя к недообучению, и давало самую низкую PA и UA среди трех стратегий, наряду со значительно более высокими ошибками.

Мы также проанализировали сходства и различия пространственного распределения субзон между стратегиями ландшафтно-кластерного и топографического зонирования (Рисунок 17). Оба метода эффективно выделили смешанные холмистые и горные районы в центральной части района исследований. В стратегии ландшафтно-кластерного зонирования, этот центральный регион был классифицирован как CHZ5, характеризующийся сложными и мелкими фрагментированными участками пашни, разделенными холмами и горами (Рисунок 10(a5)). Стратегия топографического зонирования дополнительно подразделила этот центральный регион на более мелкие холмистые и горные субзоны. Однако из-за суровых условий окружающей среды, таких как крутые склоны и плохое качество почвы в горных районах, возделывание культур в этих регионах минимально. Дополнительно, маска пашни, примененная в этом исследовании, исключила влияние горных форм рельефа, тем самым предоставив ограниченные преимущества для классификации культур. На равнинах, стратегия ландшафтно-кластерного зонирования продемонстрировала большую способность, разделив территорию на четыре субзоны (CHZ1–CHZ4) на основе степени разнообразия культур и фрагментации пашни. Напротив, стратегия топографического зонирования была ограничена выделением единой равнинной субзоны.

Рисунок 17. Пространственное распределение результатов зонирования различных стратегий зонирования. (a) Стратегия ландшафтно-кластерного зонирования, (b) стратегия топографического зонирования и (c) стратегия административного зонирования на уровне округа.

5.2. Влияние классификаторов на картирование культур в стратегии ландшафтно-кластерного зонирования

Классификаторы, используемые в картировании культур, могут значительно подвергаться влиянию пространственной неоднородности [45,46]. В этом исследовании мы сравнили адаптивность Random Forest (RF) и других классификаторов, включая Gradient Boosting Decision Tree (GBDT), Support Vector Machine (SVM) и Classification and Regression Tree (CART), в рамках стратегии ландшафтно-кластерного зонирования, на основе оптимальной схемы классификации для CHZ, определенной в Разделе 4.3. Параметры для классификаторов были оптимизированы с использованием метода поиска по сетке (используя метод грубой силы для фильтрации оптимальных параметров классификатора). OA для всего района исследований представлена на Рисунке 18a, где RF достиг наивысшей OA (93,52%), за ним следовал GBDT (92,12%), в то время как и SVM, и CART имели значения OA ниже 90%.

Рисунок 18. OA всего района исследований и каждой CHZ.

Точность классификаторов для каждой CHZ также была проанализирована (Рисунок 18b). В CHZ 1 и CHZ 2, которые имели низкую гетерогенность культур, все четыре классификатора достигли OA выше 90% и показали сходные уровни точности, указывая, что все классификаторы хорошо адаптировались в районах с низкой гетерогенностью культур. Однако в CHZ 3, CHZ 4 и CHZ 5, которые демонстрировали более высокую гетерогенность культур, RF показал немного более высокие OA, чем GBDT, и значительно превзошел SVM и CART. Эти результаты подчеркнули превосходную устойчивость RF в регионах с высокой гетерогенностью культур, за ним следовал GBDT, в то время как SVM и CART были менее эффективны в решении проблем, создаваемых неоднородными сельскохозяйственными ландшафтами.

5.3. Ограничения

Стратегия ландшафтно-кластерного зонирования, предложенная в этом исследовании, продемонстрировала свою полезность, но несколько проблем остаются. Во-первых, поскольку наименьший статистический масштаб для сельскохозяйственной статистики находится на уровне округа, ландшафтные метрики могли быть рассчитаны только в этом масштабе. Однако мы наблюдали различия в пространственном распределении разнообразия культур и фрагментации пашни внутри округов. Хотя зонирование на уровне округа дало удовлетворительные результаты в этом исследовании, остается пространство для улучшения. Дальнейшие исследования могли бы интегрировать мульти-источниковые данные дистанционного зондирования и статистические данные для понижения масштаба сельскохозяйственной статистики до более мелких сеток (например, [15]). Во-вторых, это исследование использовало изображения с пространственным разрешением 10 м, но не учитывало эффект смешанного пикселя. Эффект смешанного пикселя не только влияет на точность классификации, но также влияет на статистику площадей культур, особенно во фрагментированных сельскохозяйственных ландшафтах. Сравнение между картированными площадями и статистическими данными в этом исследовании может быть интерпретировано только как ссылка, а не строгая проверка [18]. Методы декомпозиции гибридных пикселей, такие как линейные гибридные модели, могут предложить потенциальное решение для решения эффекта смешанного пикселя [47]. Однако проблемы в выборе конечных членов и высокие вычислительные требования ограничили их применение в этом исследовании. В-третьих, исследование рассматривало только разнообразие культур и фрагментацию пашни как факторы, влияющие на картирование культур, но не включало фенологию культур. При масштабировании до более крупных районов исследований, несогласованность фенологии культур по регионам должна быть дальнейшим образом проанализирована. Наконец, исследование применения моделей глубокого обучения в рамках стратегии ландшафтно-кластерного зонирования могло бы предложить лучшую адаптивность и уменьшить влияние гетерогенности культур на картирование культур в дальнейших исследованиях.

Это исследование предлагает стратегию ландшафтно-кластерного зонирования для картирования культур во фрагментированных районах пашни с использованием комбинаций признаков. Полученные комплексные ландшафтные метрики могли эффективно количественно оценить локальные сложные сельскохозяйственные районы в регионе Хуан-Хуай-Хай из нескольких измерений (включая форму участка пашни, агрегацию и разнообразие культур) и отражали связь сложных природных сред с разнообразием культур и фрагментацией пашни. Сгенерированные CHZ разделили весь район исследований на различные однородные единицы, и выбор комбинаций признаков, адаптированных к каждой CHZ, эффективно компенсировал потери точности, вызванные гетерогенностью культур, особенно в регионах с высокой гетерогенностью культур. По сравнению со стратегиями без зонирования и другими стратегиями зонирования, стратегия ландшафтно-кластерного зонирования продемонстрировала превосходящую точность и большую согласованность с сельскохозяйственной статистикой. В отличие от предыдущих методов, которые полагаются исключительно на предварительно полученные результаты картирования для расчета ландшафтных метрик, эта стратегия напрямую вычисляет метрики с использованием вспомогательных данных, предоставляя методологическую ссылку для априорной количественной оценки сложных агроландшафтов. Дополнительно, подход, основанный на зонировании и комбинации признаков, предлагает новую перспективу для повышения точности картирования культур в этих регионах. С перспективными результатами, стратегия ландшафтно-кластерного зонирования показывает потенциал для применения в крупномасштабных регионах и различных условиях возделывания. Дальнейшие исследования будут оценивать ее интеграцию со стратегиями генерации выборок для дальнейшего уточнения ее полезности и масштабируемости.

1.    Zhang, X.; Wu, B.; Ponce-Campos, G.E.; Zhang, M.; Chang, S.; Tian, F. Mapping Up-to-Date Paddy Rice Extent at 10 M Resolution in China through the Integration of Optical and Synthetic Aperture Radar Images. Remote Sens. 2018, 10, 1200. [Google Scholar] [CrossRef]

2.    Kuenzer, C.; Knauer, K. Remote Sensing of Rice Crop Areas. Int. J. Remote Sens. 2013, 34, 2101–2139. [Google Scholar] [CrossRef]

3.    Bauer, M.E. The Role of Remote Sensing in Determining the Distribution and Yield of Crops. Adv. Agron. 1975, 27, 271–304. [Google Scholar]

4.    Taylor, J.C.; Wood, G.A.; Thomas, G. Mapping Yield Potential with Remote Sensing. In Proceedings of the Papers presented at the First European Conference on Precision Agriculture, Coventry, UK, 7–10 September 1997. [Google Scholar]

5.    Ma, Z.; Li, W.; Warner, T.A.; He, C.; Wang, X.; Zhang, Y.; Guo, C.; Cheng, T.; Zhu, Y.; Cao, W.; et al. A Framework Combined Stacking Ensemble Algorithm to Classify Crop in Complex Agricultural Landscape of High Altitude Regions with Gaofen-6 Imagery and Elevation Data. Int. J. Appl. Earth Obs. Geoinf. 2023, 122, 103386. [Google Scholar] [CrossRef]

6.    Song, X.-P.; Potapov, P.V.; Krylov, A.; King, L.; Di Bella, C.M.; Hudson, A.; Khan, A.; Adusei, B.; Stehman, S.V.; Hansen, M.C. National-Scale Soybean Mapping and Area Estimation in the United States Using Medium Resolution Satellite Imagery and Field Survey. Remote Sens. Environ. 2017, 190, 383–395. [Google Scholar] [CrossRef]

7.    Boryan, C.; Yang, Z.; Mueller, R.; Craig, M. Monitoring US Agriculture: The US Department of Agriculture, National Agricultural Statistics Service, Cropland Data Layer Program. Geocarto Int. 2011, 26, 341–358. [Google Scholar] [CrossRef]

8.    Kang, X.; Huang, C.; Chen, J.M.; Lv, X.; Wang, J.; Zhong, T.; Wang, H.; Fan, X.; Ma, Y.; Yi, X.; et al. The 10-m Cotton Maps in Xinjiang, China during 2018–2021. Sci. Data 2023, 10, 688. [Google Scholar] [CrossRef] [PubMed]

9.    Mondal, S.; Jeganathan, C. Effect of Scale, Landscape Heterogeneity and Terrain Complexity on Agriculture Mapping Accuracy from Time-Series NDVI in the Western-Himalaya Region. Landsc. Ecol. 2022, 37, 2757–2781. [Google Scholar] [CrossRef]

10. Mondal, S.; Jeganathan, C. Evaluating the Performance of Multi-Class and Single-Class Classification Approaches for Mountain Agriculture Extraction Using Time-Series NDVI. J. Indian Soc. Remote Sens. 2018, 46, 2045–2055. [Google Scholar] [CrossRef]

11. Zhang, H.; Wang, Y.; Shang, J.; Liu, M.; Li, Q. Investigating the Impact of Classification Features and Classifiers on Crop Mapping Performance in Heterogeneous Agricultural Landscapes. Int. J. Appl. Earth Obs. Geoinf. 2021, 102, 102388. [Google Scholar] [CrossRef]

12. Chen, Y.; Song, X.; Wang, S.; Huang, J.; Mansaray, L.R. Impacts of Spatial Heterogeneity on Crop Area Mapping in Canada Using MODIS Data. ISPRS J. Photogramm. Remote Sens. 2016, 119, 451–461. [Google Scholar] [CrossRef]

13. Han, J.; Zhang, Z.; Cao, J.; Luo, Y. Mapping Rapeseed Planting Areas Using an Automatic Phenology- and Pixel-Based Algorithm (APPA) in Google Earth Engine. Crop J. 2022, 10, 1483–1495. [Google Scholar] [CrossRef]

14. Cano, E.; Denux, J.-P.; Bisquert, M.; Hubert-Moy, L.; Chéret, V. Improved Forest-Cover Mapping Based on MODIS Time Series and Landscape Stratification. Int. J. Remote Sens. 2017, 38, 1865–1888. [Google Scholar] [CrossRef]

15. Mohammed, I. A Blended Census and Multiscale Remote Sensing Approach to Probabilistic Cropland Mapping in Complex Landscapes. ISPRS J. Photogramm. Remote Sens. 2020, 161, 233–245. [Google Scholar] [CrossRef]

16. Vintrou, E.; Desbrosse, A.; Bégué, A.; Traoré, S.; Baron, C.; Lo Seen, D. Crop Area Mapping in West Africa Using Landscape Stratification of MODIS Time Series and Comparison with Existing Global Land Products. Int. J. Appl. Earth Obs. Geoinf. 2012, 14, 83–93. [Google Scholar] [CrossRef]

17. Bamud, S. A Remotely Sensed Based Comparison of Three Area Stratification Methods to Improve Estimation of Crop Area Statistics, A Case Study in Fragmented Landscapes of Ethiopia. Master’s Thesis, University of Twente, Enschede, The Netherlands, 2022. [Google Scholar]

18. Dong, J.; Fu, Y.; Wang, J.; Tian, H.; Fu, S.; Niu, Z.; Han, W.; Zheng, Y.; Huang, J.; Yuan, W. Early-Season Mapping of Winter Wheat in China Based on Landsat and Sentinel Images. Earth Syst. Sci. Data 2020, 12, 3081–3095. [Google Scholar] [CrossRef]

19. Phalke, A.R.; Özdoğan, M.; Thenkabail, P.S.; Erickson, T.; Gorelick, N.; Yadav, K.; Congalton, R.G. Mapping Croplands of Europe, Middle East, Russia, and Central Asia Using Landsat, Random Forest, and Google Earth Engine. ISPRS J. Photogramm. Remote Sens. 2020, 167, 104–122. [Google Scholar] [CrossRef]

20. You, N.; Dong, J.; Huang, J.; Du, G.; Zhang, G.; He, Y.; Yang, T.; Di, Y.; Xiao, X. The 10-m Crop Type Maps in Northeast China during 2017–2019. Sci. Data 2021, 8, 41. [Google Scholar] [CrossRef]

21. Cordero-Sancho, S.; Sader, S.A. Spectral Analysis and Classification Accuracy of Coffee Crops Using Landsat and a Topographic-environmental Model. Int. J. Remote Sens. 2007, 28, 1577–1593. [Google Scholar] [CrossRef]

22. Liu, Y.; Yu, Q.; Zhou, Q.; Wang, C.; Bellingrath-Kimura, S.D.; Wu, W. Mapping the Complex Crop Rotation Systems in Southern China Considering Cropping Intensity, Crop Diversity, and Their Seasonal Dynamics. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2022, 15, 9584–9598. [Google Scholar] [CrossRef]

23. Ren, T.; Xu, H.; Cai, X.; Yu, S.; Qi, J. Smallholder Crop Type Mapping and Rotation Monitoring in Mountainous Areas with Sentinel-1/2 Imagery. Remote Sens. 2022, 14, 566. [Google Scholar] [CrossRef]

24. Donmez, E.; Yilmaz, M.T.; Yucel, I. Added Utility of Temperature Zone Information in Remote Sensing-Based Large Scale Crop Mapping. Remote Sens. Appl. Soc. Environ. 2024, 35, 101264. [Google Scholar] [CrossRef]

25. Sirami, C.; Gross, N.; Baillod, A.B.; Bertrand, C.; Carrié, R.; Hass, A.; Henckel, L.; Miguet, P.; Vuillot, C.; Alignier, A.; et al. Increasing Crop Heterogeneity Enhances Multitrophic Diversity across Agricultural Regions. Proc. Natl. Acad. Sci. USA 2019, 116, 16442–16447. [Google Scholar] [CrossRef] [PubMed]

26. Alignier, A.; Solé-Senan, X.O.; Robleño, I.; Baraibar, B.; Fahrig, L.; Giralt, D.; Gross, N.; Martin, J.-L.; Recasens, J.; Sirami, C.; et al. Configurational Crop Heterogeneity Increases Within-Field Plant Diversity. J. Appl. Ecol. 2020, 57, 654–663. [Google Scholar] [CrossRef]

27. Priyadarshana, T.S.; Lee, M.; Ascher, J.S.; Qiu, L.; Goodale, E. Crop Heterogeneity Is Positively Associated with Beneficial Insect Diversity in Subtropical Farmlands. J. Appl. Ecol. 2021, 58, 2747–2759. [Google Scholar] [CrossRef]

28. Oliphant, A.J.; Thenkabail, P.S.; Teluguntla, P.; Xiong, J.; Gumma, M.K.; Congalton, R.G.; Yadav, K. Mapping Cropland Extent of Southeast and Northeast Asia Using Multi-Year Time-Series Landsat 30-m Data Using a Random Forest Classifier on the Google Earth Engine Cloud. Int. J. Appl. Earth Obs. Geoinf. 2019, 81, 110–124. [Google Scholar] [CrossRef]

29. Segarra, J.; Buchaillot, M.L.; Araus, J.L.; Kefauver, S.C. Remote Sensing for Precision Agriculture: Sentinel-2 Improved Features and Applications. Agronomy 2020, 10, 641. [Google Scholar] [CrossRef]

30. Yang, J.; Huang, X. The 30 m Annual Land Cover Dataset and Its Dynamics in China from 1990 to 2019. Earth Syst. Sci. Data 2021, 13, 3907–3925. [Google Scholar] [CrossRef]

31. Nagraj, G.M.; Karegowda, A.G. Crop Mapping Using SAR Imagery: An Review. Int. J. Adv. Res. Comput. Sci. 2016, 7, 47–52. [Google Scholar]

32. Haralick, R.M.; Shanmugam, K.; Dinstein, I. Textural Features for Image Classification. IEEE Trans. Syst. Man Cybern. 1973, SMC-3, 610–621. [Google Scholar] [CrossRef]

33. Hao, P.; Zhan, Y.; Wang, L.; Niu, Z.; Shakir, M. Feature Selection of Time Series MODIS Data for Early Crop Classification Using Random Forest: A Case Study in Kansas, USA. Remote Sens. 2015, 7, 5347–5369. [Google Scholar] [CrossRef]

34. Khosravi, I.; Safari, A.; Homayouni, S. MSMD: Maximum Separability and Minimum Dependency Feature Selection for Cropland Classification from Optical and Radar Data. Int. J. Remote Sens. 2018, 39, 2159–2176. [Google Scholar] [CrossRef]

35. Zanaga, D.; Van De Kerchove, R.; De Keersmaecker, W.; Souverijns, N.; Brockmann, C.; Quast, R.; Wevers, J.; Grosu, A.; Paccini, A.; Vergnaud, S.; et al. ESA WorldCover 10 m 2020 V100 2021. Available online: https://esa-worldcover.org/en/data-access (accessed on 13 January 2025).

36. Cumming, S.; Vernier, P. Statistical Models of Landscape Pattern Metrics, with Applications to Regional Scale Dynamic Forest Simulations. Landsc. Ecol. 2002, 17, 433–444. [Google Scholar] [CrossRef]

37. MacQueen, J. Some Methods for Classification and Analysis of Multivariate Observations. Berkeley Symp. Math. Statist. Prob. 1967, 1, 281–297. [Google Scholar]

38. Chen, C.; Dong, T.; Wang, Z.; Wang, C.; Song, W.; Zhang, H. Exploring Optimal Features and Image Analysis Methods for Crop Type Classification from the Perspective of Crop Landscape Heterogeneity. Remote Sens. Appl. Soc. Environ. 2024, 36, 101308. [Google Scholar] [CrossRef]

39. Wang, X.; Liu, J.; Peng, P.; Chen, Y.; He, S.; Yang, K. Automatic Crop Classification Based on Optimized Spectral and Textural Indexes Considering Spatial Heterogeneity. Remote Sens. 2023, 15, 5550. [Google Scholar] [CrossRef]

40. Ok, A.O.; Akar, O.; Gungor, O. Evaluation of Random Forest Method for Agricultural Crop Classification. Eur. J. Remote Sens. 2012, 45, 421–432. [Google Scholar] [CrossRef]

41. Hripcsak, G. Agreement, the F-Measure, and Reliability in Information Retrieval. J. Am. Med. Inform. Assoc. 2005, 12, 296–298. [Google Scholar] [CrossRef]

42. Ashourloo, D.; Shahrabi, H.S.; Azadbakht, M.; Rad, A.M.; Aghighi, H.; Radiom, S. A Novel Method for Automatic Potato Mapping Using Time Series of Sentinel-2 Images. Comput. Electron. Agric. 2020, 175, 105583. [Google Scholar] [CrossRef]

43. Xun, L.; Zhang, J.; Cao, D.; Yang, S.; Yao, F. A Novel Cotton Mapping Index Combining Sentinel-1 SAR and Sentinel-2 Multispectral Imagery. ISPRS J. Photogramm. Remote Sens. 2021, 181, 148–166. [Google Scholar] [CrossRef]

44. Peng, X.; Wang, J.; Raed, M.; Gari, J. Land Cover Mapping from RADARSAT Stereo Images in a Mountainous Area of Southern Argentina. Can. J. Remote Sens. 2003, 29, 75–87. [Google Scholar] [CrossRef]

45. You, J.; Pei, Z.; Wang, D. Crop Mapping of Complex Agricultural Landscapes Based on Discriminant Space. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2014, 7, 4356–4367. [Google Scholar] [CrossRef]

46. Saini, R.; Ghosh, S.K. Crop Classification in a Heterogeneous Agricultural Environment Using Ensemble Classifiers and Single-Date Sentinel-2A Imagery. Geocarto Int. 2021, 36, 2141–2159. [Google Scholar] [CrossRef]

47. Ozdogan, M.; Woodcock, C.E. Resolution Dependent Errors in Remote Sensing of Cultivated Areas. Remote Sens. Environ. 2006, 103, 203–217. [Google Scholar] [CrossRef]

Fang G, Wang C, Dong T, Wang Z, Cai C, Chen J, Liu M, Zhang H. A Landscape-Clustering Zoning Strategy to Map Multi-Crops in Fragmented Cropland Regions Using Sentinel-2 and Sentinel-1 Imagery with Feature Selection. Agriculture. 2025; 15(2):186. https://doi.org/10.3390/agriculture15020186

Перевод статьи «A Landscape-Clustering Zoning Strategy to Map Multi-Crops in Fragmented Cropland Regions Using Sentinel-2 and Sentinel-1 Imagery with Feature Selection» авторов Fang G, Wang C, Dong T, Wang Z, Cai C, Chen J, Liu M, Zhang H., оригинал доступен по ссылке. Лицензия: CC BY. Изменения: переведено на русский язык