多源卫星数据协同下的泰国东北部作物类型与土地覆盖动态制图研究（2021-2023）

针对泰国东北部小农地块破碎化、云层干扰导致的作物分类难题，研究人员整合Sentinel-1/2和HISTARFM多时相数据，结合随机森林（RF）算法与云计算技术，构建了14类作物/土地覆盖（LC）高精度制图框架（OA>85%），揭示了水稻、木薯等主栽作物的时空变迁规律，为东南亚多云地区农业可持续管理提供了关键技术支撑。

　　

在东南亚农业核心区泰国东北部，小农户主导的耕作模式形成了高度破碎化的农田景观——平均地块面积不足1公顷，叠加热带季风气候带来的频繁云层覆盖，使得传统遥感手段难以实现精准作物分类。这一困境直接制约着粮食安全预警、农业政策制定和联合国可持续发展目标（SDGs）的落实。尽管Sentinel系列卫星提供了丰富的多光谱（S2）和雷达（S1）数据，但单一传感器在复杂地形下的分类精度有限，而历史作物分布数据缺失更阻碍了长期农业趋势分析。

为此，泰国研究人员联合国际团队在《International Journal of Applied Earth Observation and Geoinformation》发表研究，创新性地融合S1（C波段VV/VH极化）、S2（10-20m多光谱）和HISTARFM（30m月尺度融合数据）三类卫星数据，结合13,453个地面采样点，开发了面向多云小农区的作物分类工作流。研究通过Google Earth Engine（GEE）平台实现数据处理自动化，采用引导正则化随机森林（GRRF）进行特征优选，最终构建了覆盖168,854 km²的14类作物/土地覆盖（LC）年度图谱（2021-2023），并首次将RF迁移学习模型应用于2009年历史场景重建。

关键技术方法
研究团队采用中值合成（MC）算法生成S1/S2季节合成影像，计算NDVI_max等9种植被指数（VIs），结合WorldClim气候和SRTM地形辅助数据构建492维特征集。通过GRRF筛选关键特征后，使用500棵决策树的RF模型分类，采用混淆矩阵和F1分数评估精度。历史制图则通过将2021年优化模型迁移至2009年HISTARFM数据实现。

研究结果

5.1 多源数据集成效验证
特征重要性分析显示NDVI_max、GNDVI和S2的B8波段最具判别力。三源数据融合方案（S1+S2+HISTARFM）表现最优，2023年总体精度（OA）达89.04%，较单用HISTARFM提升3.76%。其中水稻、橡胶树分类UA超90%，但玉米因与木薯光谱相似性导致F1分数仅69%。

5.2 作物时空格局演变
三年制图揭示水稻始终为主导作物（2023年占37.47%），其次为木薯（14.12%）和甘蔗（10.62%）。桑基图分析显示2021-2023年间甘蔗→木薯转化最显著（累计5619 km²），与价格波动和干旱事件高度相关。森林面积年际缩减0.85%，凸显农业扩张压力。

5.3 历史场景迁移重建
2009年重建图谱与官方统计强相关（水稻R²=0.97），证实RF模型在数据缺失期的适用性。误差主要源于甘蔗面积低估（RMSE=1264.24 km²），可能与早期种植模式差异有关。

结论与意义
该研究创立了首个泰国东北部多年度作物分布数据库，其创新性体现在三方面：① 通过S1雷达数据弥补光学影像云层缺陷，结合HISTARFM填补时间空缺，构建了适用于热带农业的"空-地-时"协同观测体系；② 验证了月尺度时序数据在小农地块分类中的优越性，为类似地区提供技术范本；③ 开发的迁移学习框架突破了历史数据匮乏限制，助力农业政策回溯评估。研究成果已被当地农业经济办公室纳入种植结构调整决策，并为实现SDG2（零饥饿）目标提供关键数据支撑。未来可结合深度学习进一步提升小样本作物（如榴莲、芒果）的分类鲁棒性。