一种高效且可转移的遥感光谱指数，用于区域玉米制图

《Science of Remote Sensing》：An efficient and transferable remote sensing spectral index for regional corn mapping

玉米种植区域制图框架融合优化冠层氮指数（DCNI）与绿色谱坐标（GCC）分析，通过多时相Sentinel-2数据提取氮素光谱特征，确定最佳制图窗口（DOY 185-240），实现中国嫩江、美国波卡霍特斯和法国马耶讷三地的玉米分类。相较于随机森林模型，DCNI在像素级验证中整体精度（OA）达88.2%-94.9%，F1值0.88-0.95，显著降低误分类率，尤其在碎片化农田区域表现突出。经2020-2022年跨年验证，R2系数稳定在0.96以上，证实DCNI框架具备时空可迁移性，为数据稀缺地区玉米制图提供轻量化解决方案。

　　在全球气候变化的背景下，极端天气事件如干旱、洪水和温度波动的频率正在上升，这使得农业系统面临更大的脆弱性。特别是在那些已经存在粮食安全问题的地区，这些气候变化可能进一步威胁农业生产，加剧粮食短缺的风险。因此，精确且及时的作物遥感监测技术对于农业决策和政策制定变得尤为重要。本研究旨在解决传统数据驱动方法在数据匮乏区域中应用受限的问题，提出一种结合改进的双峰冠层氮素指数（DCNI）与绿色色度坐标（GCC）分析的创新框架，以实现区域尺度上的玉米遥感监测。

玉米作为全球最重要的农作物之一，在种植面积上排名第二，是食品和饲料系统中的关键组成部分。然而，目前只有少数国家拥有全面且更新的玉米遥感数据产品。在数据匮乏的地区，每年更新这些地图仍然是一个重大挑战。虽然现有的收割后作物地图，如美国农业部的Cropland Data Layer（CDL）和WorldCereal地图，能够提供有关作物分布的重要信息，但它们往往缺乏及时性，限制了其在实时决策中的应用。此外，区域作物遥感监测的进展虽然显示出潜力，但受限于代表性数据集的不足，这些方法在更广泛的空间和时间尺度上的应用仍面临障碍。

传统的作物遥感监测方法通常依赖大量的地面实测样本，这在数据稀缺的区域中变得尤为困难。同时，由于农业实践和卫星覆盖的差异，这些方法在区分具有相似光谱特征的作物时也面临挑战。例如，大豆、高粱等作物在光谱特征上与玉米有较高的重叠，导致分类错误。因此，需要开发一种新的方法，能够利用作物特有的生理特性，提高分类的准确性。本研究提出的DCNI框架，通过引入与氮素相关的光谱特征，显著提高了玉米与其他作物的区分能力，同时减少了对大量地面样本的依赖。

为了提高玉米遥感监测的准确性，本研究选择了三个具有代表性的玉米种植区域：中国齐齐哈尔市的嫩江地区、美国的波卡洪塔斯地区和法国的马耶讷地区。这些地区具有不同的农业实践、种植系统和环境条件，能够提供丰富的区域变化信息。通过分析这些地区的玉米生长周期，研究人员确定了最佳的遥感监测窗口，并结合GCC分析来优化时间范围，从而减少云层遮挡和时间数据缺失对监测结果的影响。

在数据处理方面，研究使用了Sentinel-2多光谱成像仪的数据，该成像仪提供高分辨率的多光谱影像，覆盖可见光、近红外和短波红外波段。为了确保监测的准确性，研究对Sentinel-2影像进行了预处理，包括云层去除、时间序列的中值合成以及Savitzky-Golay滤波处理，以减少残余噪声。此外，缺失数据通过线性插值进行填补，所有影像被重新采样至10米分辨率，以便进行更精确的分析。

为了提高监测的准确性，研究人员在嫩江县进行了地面采样，收集了大量不同作物类型的样本数据。这些样本数据用于构建混淆矩阵，评估不同监测方法的性能。结果显示，基于DCNI的玉米遥感监测方法在所有测试区域中均表现出优于传统随机森林模型的性能。在2021年的像素级验证中，DCNI方法在总体准确率和F1分数上均优于随机森林模型及其变体，显示出其在玉米识别方面的有效性。

为了进一步验证DCNI方法的跨年度适用性，研究还将其应用于2020年和2022年的数据。结果显示，DCNI方法在这些年份中保持了稳定的表现，与官方统计数据之间的相关系数（R2）均超过0.96，显示出其在不同年份和环境条件下的可靠性。尽管在某些区域，如嫩江，由于土地碎片化和小农户种植模式，监测结果与官方统计数据之间存在一定的差异，但DCNI方法依然能够有效识别玉米种植区域。

本研究还探讨了数据插值、有限的地面样本以及混合种植模式带来的不确定性。研究人员建议，未来可以通过更高频率的卫星观测和多源数据融合技术，提高早期季节的监测能力和扩大方法的适用范围。此外，为了进一步提升DCNI方法的适用性，未来的研究可以将其应用于不同的农业生态区和大规模区域，以评估其在全球范围内的适用性和可靠性。

综上所述，本研究提出的基于DCNI和GCC分析的玉米遥感监测框架，不仅提高了玉米与其他作物的区分能力，还减少了对大量地面样本的依赖，提供了更简单、更实用的解决方案。这一方法在不同区域和不同农业系统中均表现出良好的适应性和跨年度稳定性，为未来区域玉米监测提供了有力的技术支持。通过进一步的优化和扩展，DCNI方法有望成为全球玉米遥感监测的重要工具。