基于Sentinel-1时序数据与生长度日信息的机器学习油菜籽制图方法研究

本研究针对全球地缘冲突加剧背景下油菜籽种植面积精准监测的需求，创新性结合Sentinel-1(S1) SAR时间序列与生长度日(GDD)信息，提出基于开花期对齐的时序校正方法，采用随机森林(RF)和Inception Time(IT)算法实现跨区域油菜籽分类。结果表明，对齐后的S1时间序列结合IT算法可获得最高F1-score(91.7%±3.8%)，为无光学数据支持的农作物监测提供了可靠方案，对保障粮食安全具有重要意义。

　　

随着全球人口持续增长和地缘冲突加剧，油菜籽作为重要的油料作物和生物燃料原料，其种植面积精准监测对保障粮食安全至关重要。传统光学遥感易受云层干扰，而合成孔径雷达(SAR)具备全天候观测能力，Sentinel-1(S1)卫星星座更以10米分辨率和6-12天重访周期为作物监测提供了理想数据源。然而，不同地区气候差异导致油菜生长周期存在时间偏移，传统基于日历时间的分析方法难以实现模型跨区域迁移，制约了大范围农作物监测的时效性和准确性。

针对这一挑战，研究人员开展了一项创新性研究，通过耦合S1时间序列与生长度日(Growing Degree Days, GDD)信息构建热时间序列，并开发基于开花期检测的时序对齐方法。研究选取法国三个气候区（勒芒、拉罗谢尔、塔布）2018-2020年共9个生长季的油菜田数据，利用法国图形地块登记数据库(RPG)获取真实地块边界和作物类型信息。通过Sentinel-1 GRD数据生成VV/VH极化时间序列，结合ERA5-Land再分析数据计算GDD累积值(ΣGDD)，创新性地提出两种数据处理方式：传统日历时间序列(S1时间序列)和热时间序列(S1 GDD系列)。

关键技术方法包括：1) 基于VV极化信号谷值检测开花期；2) 以开花期为基准对齐训练集与测试集时序数据；3) 采用随机森林(RF)和Inception Time(IT)两种机器学习算法；4) 通过F1-score、Kappa等指标评估模型在跨区域迁移场景下的表现。所有Sentinel-1数据经过辐射定标和SRTM地形校正，田间尺度时间序列通过空间均值聚合生成。

研究结果方面：

1. 时序对齐效果验证：通过将不同地区数据集的开花期对齐至90天（开花前3个月为起点），显著减少了时序偏移。如勒芒2019与塔布2020数据集的时间偏移从30天降至5天内，使RF分类F1-score从22%提升至80.8%。

2. 分类性能比较：

• 未对齐S1时间序列：IT表现优于RF，平均F1-score达89.2%±5.7%，而RF为81.3%±16.5%，表明IT对时间偏移更具鲁棒性。
• 对齐后S1时间序列：RF性能提升显著（F1-score 90.3%±8.2%），IT保持稳定高性能（91.7%±3.8%），证明对齐方法有效。
• S1 GDD系列：整体表现劣于日历时间序列，最佳配置（IT+对齐）F1-score为86.8%±10.3%，反映热时间在油菜分类中增益有限。

1. 误差分析：

• 假阳性主要来自卷心菜(24.5%)和豌豆(16.3%)，因其VH极化信号峰值与油菜相似（约-11dB）；
• 假阴性田块的NDVI与真阳性无显著差异，但SAR信号强度降低约3dB，可能与籽荚发育不良相关。

研究结论指出，基于开花期对齐的S1时间序列结合IT算法，可在无需地面先验数据条件下实现跨区域油菜籽高精度制图（F1-score>90%）。这一成果突破了传统光学监测的云层限制，为建立自动化农作物监测系统提供了方法论基础。讨论部分强调，虽然GDD信息在小麦等作物监测中表现良好，但对油菜分类提升有限，可能源于品种间温度需求差异和播种期不确定性。该研究首次系统评估了热时间序列在SAR作物分类中的适用性，为后续研究提供了重要参考。

这项发表于《Science of Remote Sensing》的工作，通过创新性的时序对齐方法和严谨的跨区域验证，证实了SAR时序数据在农作物监测中的巨大潜力。研究成果不仅可辅助农业政策制定，也为应对气候变化下的粮食安全挑战提供了技术支撑。未来研究可进一步探索多源数据融合和早期分类可能性，以扩展该方法的应用场景。