基于机器学习（RF与SVM）和多源遥感数据融合的棉花田精准制图方法创新

本研究针对大尺度棉花田精准识别难题，提出改进棉花白度指数（ICWI），结合Sentinel-1/2时序数据与机器学习（RF/SVM），在伊朗和澳大利亚5个气候区验证。结果显示ICWI使总体精度提升4%、Kappa系数平均提高9%，显著优于传统白铃指数（WBI），为农业遥感监测提供新方法。

　　

在全球人口持续增长与粮食安全压力背景下，棉花作为重要经济作物，其精准监测对农业管理至关重要。传统田间调查方法效率低下，而现有遥感技术在大尺度应用中面临景观异质性导致的精度下降问题。尤其现有棉花指数（如WBI）因复杂系数设计，难以适应不同气候区需求。为此，Arash Zandkarimi等学者开展了一项突破性研究，通过融合多源遥感数据与物候特征，开发了改进棉花白度指数（ICWI），成果发表于《Remote Sensing Applications: Society and Environment》。

研究团队采用Sentinel-1（合成孔径雷达SAR）和Sentinel-2（多光谱）时序数据，结合伊朗4个产棉区及澳大利亚新南威尔士的实地样本，运用随机森林（Random Forest, RF）和支持向量机（Support Vector Machine, SVM）算法，对比分析了ICWI与WBI的性能差异。关键技术包括：1）基于棉花白花/棉铃物候特征的ICWI指数构建；2）多时相光谱-雷达特征融合；3）异质景观下的机器学习模型优化。

研究结果

1. 光谱时序分析：通过Band 6-8A的高反射特征有效区分棉花与其他作物，ICWI显著增强开花期（6-8月）的识别信号。
2. 模型对比：ICWI使RF和SVM的总体精度最高提升至89.3%，Kappa系数平均增加9%，在干旱区（如Arzuiyeh）表现尤为突出。
3. 跨区域验证：ICWI在5个气候区的稳定性优于WBI，克服了后者因环境变异导致的性能波动。

讨论与意义
该研究首次实现县级尺度的棉花精准制图，ICWI的简化设计（仅需3个光谱波段）大幅提升普适性。其创新性体现在：1）通过物候-光谱耦合机制解析棉花生长阶段；2）为气候变化下的作物适应性管理提供新工具。未来可扩展至大豆等白色花序作物监测，推动智慧农业发展。