论文阅读：使用Sentinel-2进行基于对象与基于像素的DTW作物分类

遥感论文
, ,

论文信息

属性 详细信息
标题 🔬 Sentinel-2 Cropland Mapping using Pixel-based and Object-based Time-Weighted Dynamic Time Warping Analysis
🔬 基于像素和对象的时间加权动态时间规整分析进行Sentinel-2农田制图
期刊 📚︎ Remote Sensing of Environment | 🌍 地球科学1区 [TOP]
日期 ⏲️ 2018-01
作者 👩‍🔬 Mariana Belgiu
关键词 remote sensing、 agriculture、satellite image time series、image segmentation、OBIA、land use/land cover、random forest

一句话解读：该论文分别采用对象基（OB）、像素基（PB）的分析方式，使用TWDTW、RF进行对耕地的分类制图并对结果进行分析；

引言

1. 写作逻辑

  1. 背景引入：核心问题（全球人口增长与粮食安全） → 相关政策 → 农业用地监测的重要性；
  2. 现有方法分析：现有像元基制图研究 → 现有对象基制图研究 → 农田制图的主要挑战；
  3. 论文创新点：介绍DTW算法及其改进算法 → 介绍具体创新点；
    论文介绍DTW算法的写作逻辑是：
    1. 介绍DTW算法解决的问题，然后提一句DTW算法很好的解决了这些问题；
    2. 介绍twDTW算法，及其在像素基的效果；[可以在论文写作时参考这段表述]
  4. 研究简介（与论文结构）：研究目标 + 研究方法；

等价单词组：

  • 植物动态模式 | patterns of vegetation dynamics；

  • 物候模式 | phenological patterns；

2. 具体内容

像素基制图研究 对象基制图研究⭐
1）使用SITS进行耕地制图效果优于使用单RSI制图；
2） EVI可用于作物物候模式提取；
3） SITS可以区分不同地物；		 1）高分辨率星载传感器为OBIA提供基础[描述]；
2）对象基分类可以解决，在像素基分类下，由于部分数据缺失导致的椒盐效应[具体优势]；
3）提及Matton与Li的研究说明了对象基对作物分类的优势[总结]；

材料与方法

1. 研究区域

属性 测试区域-TA1 测试区域-TA2 测试区域-TA3
主要作物 小麦、玉米、米、向日葵、森林、水体 双季作物、饲料作物、森林、玉米、水体、冬季作物 小麦、苜蓿、其他干草/非苜蓿、甜菜、洋葱、闲置耕地、蔬菜
地理信息 罗马尼亚，温带大陆性气候 意大利，地中海气候 加利福尼亚州南部，沙漠气候
像素范围 $2738 \times 2333$ $1898 \times 1278$ $2336 \times 2521$

此外，论文还列出了测试区域的经纬度、ha范围、年平均温度、降水量、土壤等信息；

2. 时序影像数据

1-s2.0-S0034425717304686-gr2

figure 2. 研究中使用的三个Sentinel-2时间序列数据的时间覆盖范围（图中标黑的是用于对象分割的参考图像）

影像质量选择标准：云覆盖（$<10 %$）；

3. 方法流程

方法工作流程如下：

步骤 具体内容
数据预处理 使用L1C数据创建L2A影像
数据处理 1）创建NDVI时间序列；2）生成样本；3）多时相分割；
制图 使用twDTW与RF进行制图
评估 评估像素基与对象基twDTW与RF的精度

1-s2.0-S0034425717304686-gr3

figure 3. 像素基和对象基的TWDTW和RF方法工作流程

4. 物候分析、对象分割与TWDTW

4.1. 物候分析

本论文只采用了NDVI来获取作物的物候模式，因此对物候的分析较少；论文主要对三个测试区域中各作物类别的NDVI物候曲线进行分析；

4.2. 对象分割

论文中这两个方法均是使用的他人提供的工具与代码。论文中使用两小节介绍引用；

以下是对象分割的重要细节：

  • 时序对象分割使用是每张Sentinel-2影像的R、G、B、NIR波段；
  • 使用ESP2工具自动化生成MRS算法的参数[相关论文][ESP2工具的使用]；

4.3. TWDTW

Maus等人（2016年）为DTW引入了时间约束，这个约束考虑到了土地覆盖类型的季节性，相较于传统DTW，该改进算法提高了分类准确率；并且Maus等人使用R语言实现了该算法，并发布了开源R包dtwSat；

论文中使用logistic TWDTW，该算法对小时间扭曲成本较小，大时间扭曲成本较大（这也是Maus那篇论文中的内容）；

结果分析

论文对如下实验板块进行了分析：1）计算资源分析；2）分割结果分析；3）分类结果分析；

1. 其他分析

其中，1）计算资源分析主要是对PBIA与OBIA在处理相同任务下的用时进行了简单分析；2）分割结果分析主要是对MRS分割结果进行目视分析；论文分析的重点还是对分类结果进行分析；

2. 分类结果

论文实验的OAs如下所示：

image-20250407222253665

table 3. 使用OBIA或者PBIA，TWDTW与RF的OA与Kappa

该论文的重点部分在于分析；除了OA分析外，论文还分析了如下内容，在这就不过多介绍了：

  • 使用McNemar检验对TWDTW和RF进行比较；
  • 分析分类结果的UA & PA；
  • 对TWDTW的 dissimilarity | 不相似性 进行了分析🔥；
  • 农田面积分析；

讨论

作者在论文最后部分对研究结果再次进行了分析，我只在这里简单总结一下相关内容：

  1. 对象分割对分类结果的影响：对象基TWDTW在分类精度和计算效率上均优于像素基方法。

    • OBIA增强了空间一致性，降低了计算复杂度
    • [🤔]但面对复杂农田边界（如TA1西部破碎化农田）可能导致过分割或欠分割；作者建议结合形态学分解或后分类规则优化对象边界。

  2. TWDTW与随机森林（RF）的对比：TWDTW在TA1和TA2表现与RF相当，但在TA3精度较低；这可能是因为TA3作物的类内光谱变异性高，且部分作物物候周期未被完整覆盖，TWDTW对此敏感，而RF能更好处理高维数据中的复杂关系。