大豆是中国的重要粮食和经济作物，及时掌握其分布对于保障粮食安全至关重要。
然而，传统的调查方法耗时且覆盖范围有限。相比之下，卫星遥感能够实现大尺度、连续且经济高效的监测，为作物分类和产量预测提供可靠支持。然而，在关键生长阶段，大豆与玉米的光谱高度相似，这给可靠分类带来了重大挑战。
为解决这一问题，本研究提出了一种多源遥感方法，融合了 Sentinel-1 SAR 与 Sentinel-2 光学时间序列影像。该方法在随机森林分类器中结合了统计描述量、谐波拟合参数、物候指标以及雷达特征，以实现高精度大豆制图。
研究区域为黑龙江省九三垦区，利用 2019 年 5 月至 10 月的卫星影像进行多源分类与时间分析。我们系统评估了不同数据源与生长阶段下的分类性能，并引入“最早可识别时间（Earliest Identifiable Time, EIT）”指标以评估时间检测能力。
结果显示，多源融合方法优于单源方法，对大豆的整体精度（OA）达 96.85%，Kappa 系数为 0.9493，F1 分数为 95.84%。
值得注意的是，SAR 数据在开花期显著提升了分类性能——该时期光学影像常受限制——F1 分数最高提升 6.96%。随着作物生长，大豆分类精度迅速提高，EIT 提前至年度第 210 天（DOY 210），比仅使用光学数据提前约 20 天。
这些结果表明，多源遥感在复杂气候条件下能够有效提升作物分类的精度与时效性，为精确大豆制图和季节内监测提供了重要支持。
______________________________
声明：本人水平有限，难免出错。请各位同行监督、批评与指正。推送难以展示该研究的所有内容，详情参见原文。交流与合作请私信。
Title: Enhancing early-season soybean identification through optical and SAR time-series integration
DOI:https://doi.org/10.3389/fpls.2025.1656628
然而，传统的调查方法耗时且覆盖范围有限。相比之下，卫星遥感能够实现大尺度、连续且经济高效的监测，为作物分类和产量预测提供可靠支持。然而，在关键生长阶段，大豆与玉米的光谱高度相似，这给可靠分类带来了重大挑战。
为解决这一问题，本研究提出了一种多源遥感方法，融合了 Sentinel-1 SAR 与 Sentinel-2 光学时间序列影像。该方法在随机森林分类器中结合了统计描述量、谐波拟合参数、物候指标以及雷达特征，以实现高精度大豆制图。
研究区域为黑龙江省九三垦区，利用 2019 年 5 月至 10 月的卫星影像进行多源分类与时间分析。我们系统评估了不同数据源与生长阶段下的分类性能，并引入“最早可识别时间（Earliest Identifiable Time, EIT）”指标以评估时间检测能力。
结果显示，多源融合方法优于单源方法，对大豆的整体精度（OA）达 96.85%，Kappa 系数为 0.9493，F1 分数为 95.84%。
值得注意的是，SAR 数据在开花期显著提升了分类性能——该时期光学影像常受限制——F1 分数最高提升 6.96%。随着作物生长，大豆分类精度迅速提高，EIT 提前至年度第 210 天（DOY 210），比仅使用光学数据提前约 20 天。
这些结果表明，多源遥感在复杂气候条件下能够有效提升作物分类的精度与时效性，为精确大豆制图和季节内监测提供了重要支持。
______________________________
声明：本人水平有限，难免出错。请各位同行监督、批评与指正。推送难以展示该研究的所有内容，详情参见原文。交流与合作请私信。
Title: Enhancing early-season soybean identification through optical and SAR time-series integration
DOI:https://doi.org/10.3389/fpls.2025.1656628
