基于多源遥感数据与机器学习算法的橄榄树健康评估：成本与性能的权衡分析

本研究针对橄榄树健康监测中传统方法效率低、成本高的问题，通过整合无人机(UAV)、Mohammed VI卫星和Sentinel-2卫星等多源遥感数据，结合随机森林(RF)、Cubist和XGBoost三种机器学习算法，构建了叶绿素含量预测模型。结果表明，RF模型在各类数据中表现最优（最低RMSE：7.773），Sentinel-2免费数据展现出与高成本UAV相当的预测能力（RPIQ：1.251），而Mohammed VI卫星在100 km2规模下具有最佳性价比。该研究为精准农业提供了可扩展的遥感解决方案，对可持续果园管理具有重要实践意义。

　　

气候变化正对全球农业系统造成深远影响，橄榄树作为地中海地区重要的经济作物，其健康监测面临巨大挑战。传统监测方法依赖人工采样，效率低下且难以捕捉空间异质性。随着遥感技术的发展，无人机(UAV)和高分辨率卫星为作物监测提供了新思路，但不同数据源的成本与性能如何权衡，成为困扰研究者和农户的核心问题。

针对这一难题，研究人员开展了一项创新性研究，通过整合三种不同分辨率的遥感数据——2厘米的无人机多光谱影像、50厘米的Mohammed VI商业卫星数据和10米的免费Sentinel-2卫星数据，构建了橄榄树叶绿素含量的数字测绘框架。叶绿素含量作为树木健康的关键指标，通过SPAD-502Plus叶绿素仪对摩洛哥Settat地区6.2公顷橄榄园的75棵样本树进行精确测量。研究采用随机森林(RF)、Cubist和极端梯度提升(XGBoost)三种机器学习算法，系统评估了不同数据源在预测精度与经济成本上的平衡关系。

关键技术方法包括：1) 多平台遥感数据采集与23种植被指数计算；2) 基于NDVI阈值(0.22)的影像预处理；3) 机器学习模型超参数优化；4) 通过RMSE、MAE和RPIQ指标进行性能评估。

研究结果揭示：

1. 统计描述：采样橄榄树的叶绿素含量呈现均匀分布(均值82.67±6.33)，训练集与测试集数据分布一致，验证了采样设计的合理性。

2. 数据预处理：UAV和Mohammed VI数据通过NDVI阈值有效分离冠层信息，而Sentinel-2因分辨率限制采用全像素分析。

3. 模型性能：RF模型在所有数据源中表现最优，其中Sentinel-2数据预测性能(RMSE:7.773)接近高成本UAV数据(RMSE:7.76)，Mohammed VI卫星则展现出最佳性价比(RMSE:7.979)。

4. 叶绿素制图：UAV数据能捕捉单株尺度变异，Mohammed VI适合群体监测，Sentinel-2虽分辨率较低但能反映整体趋势。

讨论部分强调了三层重要意义：在技术层面，证明了中等分辨率数据结合机器学习可达到高精度监测效果；在经济层面，揭示了Sentinel-2对大面积监测的实用价值，而Mohammed VI卫星在100 km²规模下单位成本优势显著；在农业实践层面，为不同预算和精度的需求提供了梯度化解决方案。该成果发表于《International Journal of Applied Earth Observation and Geoinformation》，其开源数据和脚本更增强了研究的可重复性，为全球橄榄种植业的可持续发展提供了重要技术支撑。