融合雷达与多光谱数据的深度学习方法在可可作物检测中的应用研究

为解决欧盟消费驱动的森林砍伐问题，研究人员开展了一项结合合成孔径雷达(SAR)和多光谱影像(MSI)的深度学习研究，通过U-NET模型实现加纳可可作物的高精度语义分割(F1=86.62%)。该研究揭示了SAR极化(VV/VH)与时序数据对提升热带作物监测能力的关键作用，为欧盟零毁林法规(EUDR)下的可持续农业监管提供了技术支撑。

　　

在全球森林面临严峻威胁的背景下，欧盟消费驱动的热带森林砍伐中7.5%源自可可种植。加纳作为世界主要可可生产国，其半赤道气候下的多云环境、可可与森林的光谱相似性以及多样化种植模式，给传统遥感监测带来巨大挑战。欧洲研究团队在《Remote Sensing Applications: Society and Environment》发表的研究，创新性地将Sentinel-1 SAR与Sentinel-2 MSI数据融合，通过深度学习技术实现了可可农场的精准识别。

研究采用U-NET架构，以128×128像素为输入单元，利用Meridia BV提供的88,975个地面真实多边形进行训练。关键技术包括：1) 多时序数据堆叠（干/雨季各4期影像）；2) 双极化SAR(VV/VH)特征融合；3) 类别加权损失函数处理样本不平衡；4) 10折交叉验证。实验设计涵盖单日与多时序、单极化与组合极化等16种数据组合方案。

4.1 数据影响实验
干季MSI时序堆叠的IoU达0.78，显著优于单日影像。SAR数据中，VH极化在干季表现最佳(IoU=0.68)，验证了交叉极化对植被体积散射的敏感性。

4.2 融合实验
单日MSI结合多季SAR-VV使损失值从1.03降至0.69，显示时序地表散射特征可有效区分可可与森林。而MSI时序堆叠后SAR增益有限，说明光谱时序信息已具较强判别力。

4.3 标签敏感性
当"非可可"类包含其他作物时，单日VH SAR使油棕榈误判率升高，反映不同作物在交叉极化下的相似响应。

4.4 云覆盖处理
去云后MSI单独训练IoU提升至0.78，但SAR补充效益减弱，突显云干扰是SAR价值的重要情境因素。

4.6 关键发现
研究揭示：1) 干季MSI配雨季VH SAR最优组合(F1=86.62%)；2) 多季SAR-VV能捕捉冠层间隙的季节差异；3) 油棕榈与可可的区分需依赖VV极化地表散射特征；4) 非法种植导致的标签污染是精度限制主因。

该研究首次系统论证了SAR极化时序特征与MSI的协同价值，为热带作物监测提供了可扩展的10米级解决方案。其创新性体现在：1) 突破多云环境数据获取瓶颈；2) 建立可可特异性的SAR特征解释框架；3) 为EUDR合规性核查提供自动化工具。未来研究可结合L/P波段SAR或高光谱数据，进一步提升复杂农林系统中的分类精度。