基于卷积神经网络和纹理特征的热带果树树种分类研究

本研究针对热带果树树种因叶片特征相似导致的分类难题，结合Sentinel-2和Planet卫星影像的谱段与灰度共生矩阵（GLCM）纹理特征，对比分析了卷积神经网络（CNN）与KNN、GBM等传统机器学习算法的分类性能。结果表明，CNN模型在椰子、榴莲等5类热带果树的识别中表现最优，其中Sentinel-2的短波红外（SWIR）和红边波段贡献显著，而Planet的熵（ENT）、角二阶矩（ASM）等纹理特征提供关键空间信息。该研究为发展中国家利用免费遥感数据实现精准农业管理提供了可行方案。

　　

热带地区果树种植在农业经济与生态保护中扮演着重要角色，但传统调查方法效率低下，而高光谱无人机数据成本高昂。更棘手的是，热带果树叶片形态相似、缺乏温带树种的季节性变化特征，导致遥感分类成为国际难题。针对这一挑战，来自Can Tho University的研究团队在《Remote Sensing Applications: Society and Environment》发表论文，创新性地将卷积神经网络（CNN）与多源遥感数据结合，为热带果树精准分类提供了突破性解决方案。

研究采用Sentinel-2（13个谱段，10米分辨率）和Planet NICFI（约5米分辨率）卫星数据，提取包括短波红外（SWIR）、蓝波段等光谱特征，以及灰度共生矩阵（GLCM）衍生的熵（ENT）、角二阶矩（ASM）等8种纹理指标。通过对比CNN与K最近邻（KNN）、梯度提升机（GBM）等5种传统算法，结合置换特征重要性分析，系统评估了各特征对分类的贡献度。

研究结果
光谱与纹理特征的区分潜力
密度分布重叠率（OR）分析显示，Sentinel-2的SWIR1、SWIR2波段对榴莲与红毛丹的区分效果显著（OR<0.5），而Planet的熵（ENT）在多层冠层果树如椰子间作系统中表现出独特优势。

模型性能对比
CNN以87.2%的总体精度远超传统算法（RF最高82.1%），尤其在椰子间作系统的识别中F1-score提升达12.3%。特征重要性分析揭示Sentinel-2红边波段（B5、B6）与Planet的ASM纹理构成决定性组合。

空间一致性验证
基于混淆矩阵的空间分布检验表明，CNN分类结果与实地样方吻合度达91%，显著降低了传统方法中因调查者主观差异导致的斑块状误分类。

结论与意义
该研究首次证实了中等分辨率免费遥感数据在热带果树分类中的可行性：CNN通过自动提取多层次特征，克服了传统方法依赖人工设计特征的局限；Sentinel-2光谱信息与Planet纹理特征的互补性，为资源受限地区提供了替代高成本无人机方案的途径。研究建立的框架可推广至东南亚、非洲等类似气候区，对实现联合国可持续发展目标（SDGs）中的零饥饿和可持续农业具有实践价值。作者特别指出，未来研究可结合SAR数据进一步提升多云地区的分类鲁棒性。