基于知识驱动OCSVM-RF的Sentinel-2影像季度耕地制图方法及其在样本稀缺区的应用

《Smart Agricultural Technology》：Quarterly cropland mapping in sample shortage regions using Sentinel-2 images based on the knowledge-driven OCSVM-RF

为解决样本稀缺地区高频次耕地动态监测难题，研究人员开展了基于Sentinel-2季度合成影像的知识驱动OCSVM-RF（单类支持向量机-随机森林）耕地制图研究。该研究通过耦合先验知识与机器学习模型，实现了无人工标注条件下的季度尺度耕地信息提取，在复杂地形区取得优于传统自动样本生成方法的精度，其生成的数据集可有效驱动U-Net模型学习深层特征，为耕地资源动态监管提供了新技术方案。

　　

耕地是人类生存发展的基石，其数量与质量的动态变化直接关系到国家粮食安全。随着遥感技术的发展，及时获取区域耕地空间分布信息已成为可能。然而，传统耕地制图方法严重依赖本地化地面样本，这不仅限制了模型的迁移能力，也影响了产品更新的时效性，特别是在地形复杂的地区，样本获取困难更成为制约耕地高频监测的瓶颈。现有全球耕地数据产品（如GlobeLand30、Dynamic World等）多存在时间分辨率低、更新滞后、样本代表性不足等问题，难以满足年内耕地非粮化转化过程的实时监测需求。

针对这一挑战，发表在《Smart Agricultural Technology》上的研究提出了一种创新解决方案——基于知识驱动OCSVM-RF的季度耕地制图框架。该研究巧妙融合了耕地先验知识与机器学习模型，利用Sentinel-2季度平均合成影像，在无需人工标注的条件下实现了复杂地形区的季度尺度耕地精准制图。

研究团队选取陕西省不同地形区域（丘陵区的长武县和平原区的武功县）作为实验区，基于2017和2022年的Sentinel-2 L2A级影像生成季度合成数据。每个合成影像包含7个特征通道：4个10米分辨率光谱波段加上3个耕地特征指数（NDVI、LSWI、BSI）。通过DEM数据计算地形特征，采用多尺度分割算法生成超像素作为分析单元。

技术方法的核心包括三个模块：首先基于土地覆盖先验知识（如低NDVI值识别不透水面/水体、DEM标准差识别山区、NDVI-LSWI阈值识别耕地）生成初始掩膜；接着利用迭代OCSVM对初始掩膜进行校正和扩展，提升样本可靠性；最后通过迭代RF整合优化后的各类别掩膜，输出最终耕地制图结果。整个过程采用IoU≥0.85作为迭代收敛阈值，确保样本质量的稳步提升。

4.1 知识驱动OCSVM-RF的耕地制图过程

研究表明，知识驱动OCSVM能有效改善仅靠先验知识生成的初始掩膜质量。在长武县2022年第三季度的实验中，OCSVM将耕地掩膜的IoU从0.5329提升至0.7283，用户精度和生产者精度分别提高10.28%和20.8%。最终知识驱动OCSVM-RF生成的耕地制图结果各类别评估指标均超过90%，且能准确提取平原连片耕地和山区梯田等复杂环境中的破碎耕地信息。

4.2 不同区域和年份的季度耕地制图

在丘陵区长武县，2017和2022年季度耕地制图的平均生产者精度和用户精度分别达到96.44%和97.76%，较知识单独驱动方法提升21.22%和44.46%。在平原区武功县，相应指标也达到95.52%和96.16%。知识驱动OCSVM-RF的表现与传统监督RF相当，但显著降低了对人工标注样本的依赖。

4.3 OCSVM-RF标签驱动U-Net的可行性分析

研究进一步验证了知识驱动OCSVM-RF生成标签驱动U-Net模型的可行性。t-SNE特征可视化显示，OCSVM-RF标签驱动的U-Net学习的特征能更好区分耕地与非耕地，其特征投影点表现出更高的类内紧凑性。在丘陵区，U-Net模型驱动的耕地IoU、生产者精度、用户精度和F1分数分别达到87.06%、95.19%、91.04%和93.00%，且在不同季度间的波动更小。

该研究的创新之处在于有效耦合了单类别（OCSVM）和多类别（RF）分类器，通过先验知识引导的迭代优化策略，解决了样本稀缺环境下耕地高频监测的难题。研究表明，该方法在不同地形和年份均表现出良好的稳健性，其生成的耕地数据集可作为真实标注样本的有效替代，为深度学习模型在农业遥感中的快速部署提供了新思路。

尽管该研究在阈值自适应设置、季度内时序信息利用和多源遥感数据融合方面仍存在优化空间，但其提出的知识驱动OCSVM-RF框架为样本稀缺地区的耕地动态监测提供了切实可行的技术路径，对耕地资源优化管理和粮食安全保障具有重要实践意义。