Cropping systems’ maps at fine scale over large areas provide key information for further agricultural production and environmental impact assessments, and thus represent a valuable tool for effective land-use planning. There is, therefore, a growing interest in mapping cropping systems in an operational manner over large areas, and remote sensing approaches based on vegetation index time series analysis have proven to be an efficient tool. However, supervised pixel-based approaches are commonly adopted, requiring resource consuming field campaigns to gather training data. In this paper, we present a new object-based unsupervised classification approach tested on an annual MODIS 16-day composite Normalized Difference Vegetation Index time series and a Landsat 8 mosaic of the State of Tocantins, Brazil, for the 2014–2015 growing season. Two variants of the approach are compared: an hyperclustering approach, and a landscape-clustering approach involving a previous stratification of the study area into landscape units on which the clustering is then performed. The main cropping systems of Tocantins, characterized by the crop types and cropping patterns, were efficiently mapped with the landscape-clustering approach. Results show that stratification prior to clustering significantly improves the classification accuracies for underrepresented and sparsely distributed cropping systems. This study illustrates the potential of unsupervised classification for large area cropping systems’ mapping and contributes to the development of generic tools for supporting large-scale agricultural monitoring across regions.

大面积的精细种植系统地图为进一步的农业生产和环境影响评估提供了关键信息，因此是有效进行土地利用规划的宝贵工具。因此，人们越来越需要以可操作的方式在大面积上绘制耕作系统图，基于植被指数时间序列分析的遥感方法已被证明是一种有效的工具。但是，通常采用基于监督的基于像素的方法，这需要消耗资源的野外活动来收集训练数据。在本文中，我们介绍了一种新的基于对象的无监督分类方法，该方法在2014-2015年生长季节的年度MODIS 16天复合归一化植被指数时间序列和巴西Tocantins州的Landsat 8镶嵌图上进行了测试。比较了该方法的两个变体：超聚类方法和涉及先前将研究区域分层为景观单元的景观聚类方法，然后在该景观单元上进行聚类。利用景观聚类方法有效地绘制了以作物类型和种植方式为特征的Tocantins主要种植系统。结果表明，聚类之前的分层显着提高了代表性不足和分布稀疏的种植系统的分类准确性。这项研究说明了对大面积种植系统进行制图的无监督分类的潜力，并为支持跨区域大规模农业监测的通用工具的开发做出了贡献。一种景观聚类方法，该方法涉及将研究区域先前分层为景观单元，然后在其上进行聚类。利用景观聚类方法有效地绘制了以作物类型和种植方式为特征的Tocantins主要种植系统。结果表明，聚类之前的分层显着提高了代表性不足和分布稀疏的种植系统的分类准确性。这项研究说明了对大面积种植系统进行制图的无监督分类的潜力，并为支持跨区域大规模农业监测的通用工具的开发做出了贡献。一种景观聚类方法，该方法涉及将研究区域先前分层为景观单元，然后在其上进行聚类。利用景观聚类方法有效地绘制了以作物类型和种植方式为特征的Tocantins主要种植系统。结果表明，聚类之前的分层显着提高了代表性不足和分布稀疏的种植系统的分类准确性。这项研究说明了对大面积种植系统进行制图的无监督分类的潜力，并为支持跨区域大规模农业监测的通用工具的开发做出了贡献。利用景观聚类方法有效地绘制了以作物类型和种植方式为特征的Tocantins主要种植系统。结果表明，聚类之前的分层显着提高了代表性不足和分布稀疏的种植系统的分类准确性。这项研究说明了对大面积种植系统进行制图的无监督分类的潜力，并为支持跨区域大规模农业监测的通用工具的开发做出了贡献。利用景观聚类方法有效地绘制了以作物类型和种植方式为特征的Tocantins主要种植系统。结果表明，聚类之前的分层显着提高了代表性不足和分布稀疏的种植系统的分类准确性。这项研究说明了对大面积种植系统进行制图的无监督分类的潜力，并为支持跨区域大规模农业监测的通用工具的开发做出了贡献。结果表明，聚类之前的分层显着提高了代表性不足和分布稀疏的种植系统的分类准确性。这项研究说明了对大面积种植系统进行制图的无监督分类的潜力，并为支持跨区域大规模农业监测的通用工具的开发做出了贡献。结果表明，聚类之前的分层显着提高了代表性不足和分布稀疏的种植系统的分类准确性。这项研究说明了对大面积种植系统进行制图的无监督分类的潜力，并为支持跨区域大规模农业监测的通用工具的开发做出了贡献。