基于Sentinel多源遥感数据与贝叶斯优化的意大利果园高分辨率精准制图研究

本研究针对意大利果园分布异质性强、传统遥感分类精度不足的问题，创新性融合Sentinel-1/2多时相数据立方体与XGBoost-贝叶斯分层模型（XGB+HB），实现了10米分辨率下7类主要木本作物（OLI/VIN/CIT等）的全国尺度精准分类。成果显著提升Corine Land Cover 2.x类别的细分精度，为农业资源管理提供高精度空间数据支持。

　　

在意大利复杂多样的农业景观中，橄榄树（OLI）、葡萄园（VIN）等木本作物的精准空间分布信息对农业政策制定和可持续发展至关重要。然而，现有欧盟Corine Land Cover（CLC）数据集受限于25公顷的最小制图单元，难以捕捉高度破碎化的果园特征，而传统遥感方法在区分光谱相似的作物类型时面临挑战。尤其对于在全国尺度占比较小的作物（如猕猴桃ACT、梨树PEA），传统分类器因样本不平衡导致识别精度显著下降。

针对这一难题，来自中国的研究团队在《Science of Remote Sensing》发表研究，开创性地将Sentinel-1/2多时相数据与概率机器学习结合，构建了意大利首个10米分辨率的全国果园分布图谱。研究团队首先通过CLC 2018划定农业兴趣区（AOI），整合Sentinel-2光学数据（120波段）和Sentinel-1雷达数据（24波段）构建144维特征立方体，采用金字塔采样策略（10/20/30米多尺度）捕捉地块内部变异。创新性地开发两阶段分类框架：先由XGBoost（XGB）生成概率输出，再通过分层贝叶斯模型（HB）融入省级作物面积先验知识，有效校正了小样本作物的分类偏差。

关键技术包括：（1）基于Google Earth Engine（GEE）平台的Sentinel-1/2月度中值合成；（2）概率型XGB分类器（softprob输出）与"mlogloss"交叉验证；（3）以省级统计为约束的狄利克雷-正态分层贝叶斯模型；（4）覆盖7类主要作物（OLI/VIN/CIT/S.F./APP/PEA/ACT）的30,152个地面验证多边形。

研究结果显示：在验证集上，XGB+HB模型将加权F1分数从0.90提升至0.99，其中ACT识别精度达0.97。测试区分析表明，HB模型使ACT的F1分数从0.05跃升至0.84，但对优势作物主导区域（如VIN占比52%的Trapani省）会放大假阳性。全国制图成果显示，OLI（177万公顷）和VIN（89万公顷）存在16-58%的高估，而S.F.（10.6万公顷）、ACT（2.1万公顷）等小宗作物普遍低估20-38%，主要源于边缘像元误分类。

讨论部分指出，该研究首次实现了亚国家尺度的果园精细分类，其创新性体现在：（1）通过贝叶斯先验补偿样本不平衡，突破小样本作物识别瓶颈；（2）多尺度采样策略增强异质地块表征能力；（3）开放数据政策促进农业监测应用。局限性在于边缘效应导致的面积偏差，未来可通过对象化分类或卷积神经网络（CNN）进一步优化。这项研究为欧盟共同农业政策（CAP）实施、病虫害防控等提供了高精度空间基准，其方法论框架可推广至地中海气候区其他国家的作物制图。