基于Sentinel-1/2时序影像与深度学习对象分析（OBIA）的苜蓿产量精准制图研究

《Smart Agricultural Technology》：Object-Based Image Analysis of Sentinel-1/2 Time Series Using Deep Learning for Field-Scale Alfalfa Yield Mapping

本研究针对大尺度苜蓿产量精准估算难题，通过融合Sentinel-1 SAR与Sentinel-2光学影像（S1+S2），采用对象图像分析（OBIA）与长短期记忆网络（LSTM）等七种模型对比，实现了田间尺度总产量的高精度估算（误差3.97%–5.90%），为智慧牧草管理提供了可解释、低成本的技术框架。

　　

（此处开始论文解读文章，约2000字）

被誉为"牧草之王"的紫花苜蓿（Medicago sativa L.），因其高蛋白含量和优良的消化率，在全球范围内被广泛种植，是畜牧业不可或缺的优质饲料。随着中国畜牧业的快速发展，对苜蓿的需求近年来急剧上升。然而，国内生产能力有限，导致对进口苜蓿的依赖度不断增加，尤其是在高端苜蓿产品方面，自给自足能力仍然不足。这凸显了通过本地生产满足国内需求的持续挑战。因此，及时、准确地估算苜蓿的生长和产量，对于实现精准田间管理、优化资源配置、促进中国苜蓿产业高质量、可持续和具有竞争力的发展至关重要。

传统上，利用光学遥感进行产量估算依赖于基于像素的模型来分析时空变化。这种方法通过关联田间样本观测值与其对应的像素光谱值以及衍生的植被指数（VIs），最终生成像素级的产量图。然而，这种基于像素的分析方法存在显著局限性，因为它只能为固定区域提供单一的光谱值，因而无法捕捉农田固有的空间异质性。为了克服这一挑战，基于对象的图像分析（Object-Based Image Analysis, OBIA）近年来成为一种变革性的图像分析方法。通过将图像分割成代表真实世界特征的有意义对象，OBIA提供了不同于基于像素的图像分析（Pixel-Based Image Analysis, PBIA）的视角。这种以对象为中心的方法能够解析除像素提供的单一值之外的大量额外光谱信息。因此，OBIA不仅可以提取光谱波段的均值、最小值、最大值、平均比率和方差等特征，还能解析对象的几何属性及其空间分布，从而为每个对象提供更丰富、更详细的表征。

尽管遥感技术在苜蓿监测方面展现出潜力，但很少有研究应用深度学习架构来估算苜蓿产量，并且尚未针对这种特定作物进行全面的模型基准测试。此外，许多研究在模拟田间尺度总产量时，未能充分探索不同分析范式（如基于对象与基于像素的分析）之间的权衡。基于上述局限性，本研究旨在开发和评估一个利用Sentinel时序卫星影像估算苜蓿总产量的田间尺度框架。

为了清晰展示研究方法，本研究的技术流程主要包括数据收集、图像预处理和特征提取以及模型构建。研究区域位于甘肃省酒泉市金塔县的甘肃亚盛工业公司饲草生产基地，该地区属于典型的温带大陆性干旱气候。研究人员收集了2021年至2023年共61个喷灌小区的苜蓿干草总产量数据，构建了对应的Sentinel卫星时序遥感数据集。卫星遥感数据包括Sentinel-2 L2A和Sentinel-1 SAR GRD影像，这些数据通过谷歌地球引擎（Google Earth Engine, GEE）云平台进行处理，针对研究区域2021年至2023年每次刈割的返青至开花期进行了合成。

本研究评估了七种模型，包括多种深度学习模型（LSTM、ConvLSTM、CNN）和传统机器学习模型（RF、ANN、SVM、LASSO），并在两种遥感图像分析方法（OBIA和PBIA）以及三种输入数据组合下进行测试：融合的Sentinel-2 + Sentinel-1（S1+S2）、仅Sentinel-2（S2）和仅Sentinel-1（S1）。模型精度评估采用十折交叉验证，并以决定系数（R²）、平均绝对百分比误差（MAPE）和百分比均方根误差（PRMSE）作为评价指标。此外，研究采用积分梯度（Integrated Gradients, IG）方法来解释模型预测并量化每个特征的贡献。

3.1. 苜蓿产量的描述性统计分析

结果显示，2021年至2023年间，苜蓿产量存在明显的年际变化和不同刈割期之间的差异。2022年的产量最高，平均为90.17吨，且不同喷灌小区间的产量变异性较大。2023年的产量相对较低，平均为64.75吨，分布较为集中。不同刈割期的产量分布也显示出年度内的波动，例如2022年第一次刈割产量最高，第四次刈割产量最低。

3.2. 苜蓿产量估算模型精度比较评估

结果表明，采用OBIA的模型 consistently 优于采用PBIA的模型。例如，在验证集上，使用LSTM模型时，OBIA的R²达到0.83，而PBIA的R²仅为0.40。在不同输入数据组合中，性能表现为S1+S2 > S2 > S1，凸显了Sentinel-2光谱信息与Sentinel-1后向散射数据在产量估算中的互补性。在最优条件下（OBIA, S1+S2），LSTM模型在验证集上取得了最高的精度（R² = 0.83）。其他深度学习模型，如ConvLSTM和CNN，也表现出较强的性能，R²值分别为0.77和0.75，优于大多数传统机器学习方法。核密度估计图也直观证实，深度学习模型的预测产量分布与实测产量分布更为吻合，其中LSTM的表现最为稳健。

3.3. 最优模型对喷灌小区的估算结果

采用最优LSTM模型对不同年份和刈割期的产量进行估算，结果显示年度总产量估算误差较小（2021年为-4.46%，2022年为-3.97%，2023年为5.90%），表明模型在不同年份间具有良好的适用性。对不同喷灌小区组的残差分析表明，模型在土壤条件较好的C组和B组表现更佳，而在土壤荒漠化较严重、空间异质性较高的A组，预测误差相对较大，这反映了模型对不同田间条件引起的产量变化的敏感性。

3.4. 苜蓿产量的时空分布特征

对2021年至2023年苜蓿产量空间分布的分析揭示了明显的时空变异性。总体而言，B组和C组喷灌小区的产量高于位于严重荒漠化区域的A组。这种空间变异性与土壤质地、保水能力以及喷灌均匀性密切相关。年际间产量也存在显著差异，例如2022年总体产量较高，而2023年则普遍下降。这些发现为制定针对不同区域的精准管理策略（如差异化的灌溉和施肥方案）提供了重要依据。

4.1. 苜蓿产量估算模型的敏感变量

通过积分梯度法分析发现，Sentinel-2的短波红外波段（B11, B12）和Sentinel-1的极化波段（VV, VH）对模型的贡献随着苜蓿生长逐渐增加，并在开花期达到最大。这表明在喷灌条件下，冠层含水量和结构特征是驱动产量变化的关键因素。此外，在OBIA提取的各种统计值中，"和"统计值对模型的贡献显著，因为它反映了整个田间产量的累积情况，有助于提高估算精度。分析还进一步证实了开花期的遥感影像数据对于产量估算最为重要。

4.2. 模型性能比较与启示

OBIA之所以优于PBIA，是因为它能将像素分组为农学上一致的对象，抑制瞬态异常和混合边缘，使特征表示与实际管理单元对齐，并对田间异质性具有更好的容忍度。在模型选择上，深度学习架构显著优于传统机器学习方法，这得益于其捕捉遥感数据与作物产量之间复杂非线性关系的能力。其中，LSTM模型因其能够有效捕捉时间序列数据中的累积效应和长期依赖性，在此应用中取得了最佳性能。本研究提出的框架基于免费的Sentinel卫星数据和GEE云平台，对于大规模苜蓿生产基地的长期监测具有成本效益和操作可行性。

4.3. 基于产量时空分布的苜蓿喷灌管理策略

苜蓿产量的时空分布特征为制定精准管理策略提供了关键依据。在喷灌普遍应用的研究区域，精准管理应侧重于优化喷灌系统以提高水分利用效率。例如，在高产区域（如B组和C组）应避免过度灌溉，同时保证生长需水；在低产区域（如A组），由于土壤荒漠化严重，需要实时调整灌溉量以提高灌溉均匀性。可以结合风速监测和气象预报，动态调整喷灌方案，减少风漂移和蒸发损失。

综上所述，本研究通过整合OBIA、多源卫星融合和时序数据，构建了一个可解释的框架，实现了苜蓿总产量的高精度估算。该框架为其他作物的产量估算提供了方法蓝图，也为智慧农业和可持续发展提供了有价值的参考。未来的研究可以进一步纳入气候和土壤等环境因素，并优化LSTM架构，以提高模型的准确性和泛化能力。