多源遥感数据融合的玉米倒伏严重度快速评估：基于有限样本的两步增强策略(TSAS)

针对台风灾害下玉米倒伏监测样本获取难、大范围评估效率低的问题，本研究创新性提出融合Sentinel-1/2多时相数据的两步增强策略(TSAS)，通过XGBoost分类和样本纯化技术，在吉林台风灾区实现有限样本条件下的高精度倒伏制图（OA=82.36%），为农业灾害应急响应提供新范式。

　　

玉米作为全球重要的粮食和经济作物，其生产常受台风引发的倒伏现象威胁。倒伏不仅导致茎秆断裂、光合效率下降，还会引发穗腐病等次生灾害，造成严重减产。传统监测依赖人工田间调查，但台风过后道路损毁、天气恶劣，大范围采样效率低下。虽然遥感技术能快速获取地表信息，但现有方法面临双重困境：光学影像易受云雨干扰，合成孔径雷达(SAR)数据解译复杂；更重要的是，监督分类需要海量标注样本，这与灾害应急响应的时效性要求形成尖锐矛盾。

针对这一科学难题，中国的研究团队在《Computers and Electronics in Agriculture》发表研究，提出革命性的两步增强策略(Two-Step Augmentation Strategy, TSAS)。该方法巧妙结合Sentinel-2(S2)多光谱数据和Sentinel-1(S1)雷达数据，通过特征优选和迭代分类，仅需少量实地样本即可生成区域尺度的倒伏严重度图谱。研究以2020年台风袭击的吉林省为试验区，验证了该方法在有限样本条件下仍能保持82.36%的总体分类精度，为农业灾害快速评估树立了新标杆。

技术方法的核心在于三方面创新：首先利用重叠区(Region_Ol)的S1/S2协同观测，通过皮尔逊相关分析和J-M距离筛选出NDVI、σ_VH等关键特征；随后采用XGBoost模型分两步扩展样本，先基于光学-雷达特征生成初始样本集(Sample Set L)，再通过雷达特征迁移至非重叠区(Region_Nol)；最后引入光谱相关性相似度(SCS>0.72)和欧氏距离(ED<0.75)双指标纯化样本。

研究结果部分揭示多项重要发现：

1. 光谱分析显示S2的NDVI与倒伏严重度相关性最高(r=0.75)，S1中σ_VH和σ_RVI组合效果最佳；
2. 特征提取证实纹理特征Mean与倒伏程度显著相关(0.67)，而极化比σ_VH/VV能有效区分中度与重度倒伏；
3. 气象因素分析表明最大风速≥17m/s时倒伏率骤增，且降水持续时间与倒伏面积呈指数关系；
4. 分类对比中支持向量机(SVM)表现最优(F1=0.81)，显著优于随机森林(RF)和最小距离法(MD)。

该研究的突破性在于创建了首个融合多时相光学与雷达特征的样本自动生成框架。TSAS不仅解决了灾害场景下样本稀缺的共性难题，其设计的Region_Ol-Region_Nol协同机制更突破了单一传感器覆盖限制。实际应用中，该方法使吉林全省倒伏评估周期从传统方法的2周缩短至3天，为农业保险定损、救灾物资调配提供了关键决策依据。从科学价值看，提出的SCS-ED样本质量评估体系为遥感弱监督学习提供了新思路，而揭示的σ_VH-风速响应规律则为作物抗倒伏育种指明了方向。随着气候变化加剧极端天气事件，这种"小样本-大区域"的监测范式将在全球农业风险管理中发挥越来越重要的作用。