基于Google Earth Engine遥感影像与机器学习的苜蓿茎秆密度估算及冬季死亡率监测研究

本研究针对苜蓿冬季存活率监测难题，创新性结合Sentinel-2和HLSL30卫星数据与机器学习（ML）算法，开发了茎秆密度估算框架。通过支持向量机（SVM）、随机森林（RF）和极限梯度提升（XGB）模型，实现了茎秆密度分类（准确率85%）和回归预测（误差±6-9 stems/ft2），为农业生产者提供早期灾害预警和产量评估工具。

　　

气候变化加剧背景下，全球粮食安全面临严峻挑战，而作为"饲草皇后"的紫花苜蓿（Medicago sativa L.）因其高产优质特性成为关键作物。然而冬季冻害、积雪减少等极端气候导致苜蓿越冬死亡率攀升，传统茎秆计数方法（如样方调查）效率低下且难以大范围应用。针对这一难题，加拿大研究人员团队在《International Journal of Applied Earth Observation and Geoinformation》发表研究，创新性地将Google Earth Engine（GEE）云平台与机器学习相结合，构建了首个基于多源卫星数据的苜蓿茎秆密度估算体系。

研究团队采用三大关键技术：1）通过GEE Python API获取Sentinel-2和HLSL30卫星数据，提取16种植被指数（如NDVI、OSAVI等）；2）在加拿大东部四省（魁北克、安大略等）建立包含22,664个地面测量点的数据库；3）运用随机森林（RF）、支持向量机（SVM）和极限梯度提升（XGB）算法，分别开发单时相和时间序列预测模型。

【单时相茎秆估算】

通过特征重要性分析发现，归一化植被指数（NDVI）和优化土壤调节植被指数（OSAVI）对茎秆密度预测贡献最大。随机森林模型在Sentinel-2数据上表现最优，验证集分类准确率达85%，回归预测的均方根误差（RMSE）仅7.83 stems/ft²。值得注意的是，可见光差异植被指数（VDVI）仅用RGB波段即跻身重要特征前三，为设备受限地区提供简易解决方案。

【时间序列监测】

利用首轮生长期内三景卫星影像构建的时间序列模型，RF仍保持最佳性能（R²=0.83）。虽然预测误差略增至9.69 stems/ft²，但该方案能捕捉茎秆动态变化，实现越冬损伤早期诊断。研究团队特别绘制了魁北克地区茎秆密度时空分布图，直观展示从返青期（5月）到收获期（9月）的田间变异规律。

讨论部分指出，该研究突破性地将茎秆计数误差控制在±9 stems/ft²以内，较既往 proximal image 方法精度提升30%。模型饱和现象在茎秆密度>80 stems/ft²时出现，但实际生产中55 stems/ft²已达产量阈值，不影响农事决策。作者建议未来整合PlanetScope等高时空分辨率数据，并开发长短期记忆（LSTM）神经网络以提升预测效能。这项成果不仅为苜蓿越冬管理提供科学工具，其"卫星遥感+机器学习"的技术路线更可推广至其他多年生作物的精准农业实践。