基于机器学习方法校正卫星作物水分胁迫指数的偏差研究

本研究针对卫星遥感估算作物水分胁迫指数(CWSI)存在显著偏差的问题，利用Landsat 8/9卫星影像和地面实测数据，采用随机森林(RF)、支持向量机(SVM)和极端梯度提升(XGBoost)三种机器学习方法对地表温度(LST)进行偏差校正。结果表明RF模型表现最佳，使CWSI估算精度显著提升(R2提高35%，nRMSE降低47%)，为干旱区灌溉管理提供了可靠技术支撑。

　　

在全球农业面临日益严峻的水资源短缺挑战下，如何实现"少水多粮"成为各国科学家亟需解决的重大课题。特别是在干旱和半干旱地区，灌溉调度更是农业水资源管理的核心环节。传统的灌溉调度方法包括基于气候的指标、基于土壤的指标和基于植物的指标三大类，其中基于植物的作物水分胁迫指数(CWSI)因其能够直接反映作物生理状态而备受关注。

然而，当前CWSI的实地测量方法存在明显局限性：不仅需要长期田间数据支持，而且结果具有场地特异性，难以扩展到更大空间尺度。更重要的是，这种方法需要参考处理来确定作物能够承受的水分胁迫上限阈值，使其在灌溉区域或更大流域尺度上的决策能力受限。

卫星遥感技术特别是搭载热红外波段的Landsat系列卫星，为农业监测提供了重要数据源。但Landsat数据集存在精度限制，可能引入系统偏差。这种偏差在校正卫星衍生产品在水管理框架中的可靠性时尤为关键，特别是在估算像甘蔗这样高需水作物的CWSI值时。因此，偏差校正应作为应用这些数据的基本第一步。

伊朗沙希德·钱姆兰大学的科研团队在《Agricultural Water Management》上发表了一项创新研究，他们开发了一种基于机器学习的框架，用于在大空间尺度上对CWSI进行偏差校正，特别关注甘蔗田。通过解决卫星衍生数据中的像素级偏差，这项工作提供了一种新颖的方法，增强了CWSI在灌溉调度和区域尺度水资源管理中的可靠性。

研究采用了多种技术方法：利用Landsat 8/9卫星影像（24景无云图像）获取遥感数据；通过单通道算法(SC)在Google Earth Engine(GEE)平台上计算地表温度(LST)；使用配备传感器的站点连续监测冠层温度(T_c)和气象变量；应用三种机器学习方法（RF、SVM和XGBoost）进行偏差校正；采用统计指标（R2、RMSE、nRMSE、rMBE）评估模型性能。

2.1. 研究区

研究区位于伊朗胡齐斯坦省的Amir Kabir农业工业单元，覆盖面积14,000公顷，所有甘蔗田均呈现统一规模。气候干旱干燥，年平均气温27℃，累计降雨量198毫米。土壤质地为粘壤土和粉质粘土，安装了深度1.8米的地下排水系统。

2.2. 数据源

2.2.1. 实地CWSI

每日气候数据（T_min、T_max、RH_min和RH_max)和冠层温度(T_c)使用近感(PS)仪器从四个选定的田块收集。基于Idso方法计算CWSI作为偏差校正的基准。

2.2.2. 遥感数据

使用Landsat-8和Landsat-9卫星图像，由于路径/行组合165/39和166/38在研究区上空重叠，实现了8天的有效重访间隔。

2.3. 卫星基础CWSI

2.3.1. 地表温度

使用单通道算法(SC)从Landsat 8/9热红外波段计算LST。该方法依赖于波段10的热红外数据，需要两个输入参数：地表比辐射率(ε)和大气水汽含量(W)。

2.4. 机器学习方法

采用随机森林(RF)、支持向量机(SVM)和极端梯度提升(XGBoost)三种模型。RF通过袋外误差估计作为内部验证指标；SVM使用RBF核函数；XGBoost应用二阶泰勒展开加速优化过程。

2.5. CWSI偏差校正框架

对于LST的偏差校正，输入包括归一化植被指数(NDVI)、叶面积指数(LAI)、LST和比辐射率(ε)以及数字高程模型(DEM)，目标值为冠层温度(T_c)。数据集按70:30的比例分为训练和测试子集。

2.6. 评估指标

使用确定系数(R2)、均方根误差(RMSE)、归一化均方根误差(nRMSE)和相对平均偏差误差(rMBE)来评估模型的准确性。

2.7. 质量保证和质量控制评估

对所有野外和卫星衍生数据集实施了严格的质量保证/质量控制协议，以确保用于模型开发和验证的输入的可靠性和准确性。

研究结果显示，RF模型在LST偏差校正方面表现出色，测试集平均R2值达到0.86，平均RMSE值为2.66℃。特征重要性分析表明，卫星LST在所有预测因子中影响力最大，植被指数如NDVI和LAI具有中等相关性和次要重要性。

在冷热像素评估方面，偏差校正对冷像素比热像素更有效。冷像素通常与茂密植被表面相关，具有更稳定的温度和更窄的变异性范围，这使得偏差校正更容易。校正后的冷像素R2达到0.83，RMSE降低至0.48℃。

通过偏差校正的CWSI空间分布图显示，该方法提供了一个实用的决策支持工具，用于水资源有限环境中的灌溉管理。特别是在需水量高峰和水资源通常受限的情况下，能够根据实际胁迫条件优先安排田间灌溉，而不是采用通用的灌溉调度。

对偏差校正CWSI的评估表明，校正后的CWSI提供了比原始卫星衍生的CWSI更准确的估计。校正过程带来了显著改进，确定系数(R2)提高了20.65%，相对平均偏差误差(rMBE)减少了约50%，归一化均方根误差(nRMSE)改善了43.47%。

研究结论表明，随机森林模型在纠正卫星衍生的甘蔗水分胁迫估计偏差方面 consistently提供最高精度，突出了其处理CWSI非线性行为的优势。偏差校正特别有助于减少由大气变异性、传感器限制和表面异质性引起的误差。

该研究的重要意义在于将机器学习和偏差校正整合到基于卫星的胁迫监测中，使遥感产品更具可操作性，弥合了卫星观测与农场灌溉决策之间的差距。通过实现更有效的水资源分配，有助于提高水资源生产力，减少干旱期间的脆弱性，并在田间和区域尺度上支持可持续的水资源管理。

然而，研究也存在一些局限性：时间约束和每小时数据的不可用性；缺乏机器学习模型的集成；安装传感器数量的限制。未来研究应测试不同LST算法和机器学习方法，并关注模型在不同种植系统和气候环境中的可转移性。