Feature-level fusion of Sentinel-1 SAR and Sentinel-2 optical imagery for crop-type mapping in humid tropical mountainous terrain
Indarto Indarto · Gunawan Gunawan · Mahrus Irsyam 等 4 人
融合Sentinel-1 SAR与Sentinel-2光学特征，在印尼热带山地实现93%精度的作物类
Google Earth Engine中10米格网特征级融合NDVI/NDBI/
融合影像总体精度93%、kappa 0.90，优于仅光学方案，但玉米和建成区仍存在明显混淆。
可引入多时相物候、SAR纹理与不确定性制图，提升热带多云山区小农户破碎地块的作物识别与可迁移性。
方法扎实、精度可观的遥感作物制图概念验证研究，但属单点单时相案例，公共影响有限，适合作为技术参考而非每日精选头条。
在湿润的热带山区，准确的作物类型制图面临持续云覆盖、崎岖地形和破碎的小农户地块等挑战。本研究评估了一种特征级融合工作流，该工作流整合了Sentinel-2光学指数与Sentinel-1 SAR后向散射数据，用于印度尼西亚东爪哇省卢马姜县坎迪普罗区的作物类型制图。2023年6月至7月获取的Sentinel-2地表反射率和Sentinel-1 IW数据在Google Earth Engine中统一至共同的10 m像元网格，以确保所有对比制图均在相同的空间支撑上进行评估。光学组分包括NDVI、NDBI和NDWI，雷达组分则使用VH/VV极化比值。DEM仅用于表征山区环境并辅助地形解译，未作为预测变量纳入分类器。堆叠特征影像采用随机森林模型进行分类，该模型以101个野外调查地面控制点进行训练，代表八个土地覆盖/作物相关类别。精度评估使用393个分层随机验证点。融合影像分类的总体精度达到93%，Kappa系数为0.90。与仅光学对比方案相比，融合工作流产生了更丰富的专题区分能力，尤其在水体、甘蔗和灌木地方面。然而，类别层面的结果揭示了玉米田存在较大不确定性，建成区和水体类别存在中等程度的混淆。因此，本工作流应被解读为特定站点的单日期概念验证，而非完全可迁移的业务化方案。结果表明，Sentinel-1/Sentinel-2特征融合在多云山区景观的作物类型制图中具有前景，未来工作应纳入多时相物候、更丰富的植被指数、SAR纹理特征、不确定性制图以及更广泛的野外采样。