基于多光谱植被指数的物候驱动型油菜分类性能比较研究：Sentinel-2时序数据与随机森林算法的协同优化

这篇研究通过Sentinel-2时序影像系统评估21种植被指数（VIs）在油菜分类中的效能，揭示GRVI、VARI和NDYI等可见光敏感指数（OA达0.99，Kappa≈0.97）显著优于传统生物量指数（如CI和MSAVI）。研究创新性地结合物候特征与随机森林（RF）算法，为农业遥感监测提供了高精度（F1≈0.97）且低误判率的解决方案，对精准农业决策具有重要实践价值。

　　

摘要

作为全球第三大油料作物，油菜（Brassica napus L.）的精准遥感监测对农业管理至关重要。本研究利用50景Sentinel-2影像，通过随机森林（RF）算法评估21种植被指数（VIs）的分类性能。结果显示，对绿光-红光反射敏感（如GRVI、VARI）及绿光-蓝光对比（如NDYI）的指数表现最优，总体精度（OA）达0.99，Kappa系数0.97，F1分数0.97，且误判率最低。而传统生物量指数（CI、MSAVI）因对开花期光谱变化不敏感，OA仅0.94且误判率高。

1 引言

油菜在欧盟生物燃料政策推动下种植面积显著扩大，其开花物候是产量预测的关键指标。尽管NDVI等传统指数广泛应用，但开花期黄化冠层会削弱其敏感性。近年开发的NDYI、WRI等指数虽针对性更强，但缺乏系统性比较。本研究填补这一空白，通过时序遥感数据优化油菜分类模型。

2 方法

2.1 研究区

美国北达科他州（UTM坐标[665960, 5130850, 675850, 5139210]）是北美油菜主产区，研究聚焦7月中旬开花盛期（BBCH 65-67），此时黄色花冠与周边作物（春小麦、大豆等）形成显著光谱差异。

2.2 数据

采用2021年生长季50景Sentinel-2A影像（10m分辨率），以USDA作物数据层（CDL，30m）为验证基准（生产者精度93.8%）。影像经3×3 Savitzky-Golay滤波平滑处理。

2.3 植被指数

测试的21种VIs（表2）涵盖绿度、色素浓度等特征，包括：

• •

  黄化敏感型：NDYI=(Green?Blue)/(Green+Blue)

• •

  传统型：NDVI=(NIR?Red)/(NIR+Red)

• •

  新型组合：WRI=(NIR?Green)/(NIR+Green)×Blue/(Green+Blue)

2.4 分类方法

基于RF算法（scikit-learn库，100棵树），采用70%分层样本训练，30%验证。特征重要性分析显示GRVI、VARI贡献度最高。

3 结果

关键发现

• •

  最优指数：GRVI与VARI的OA=0.99，Kappa=0.97，FP<800；NDYI紧随其后。

• •

  次优组：NDVI、BNDVI等OA=0.98-0.99，但FP略高（~900）。

• •

  低效组：CI、MSAVI因FP>7000导致OA降至0.94。

物候曲线分析

Julian日210前后出现开花峰，但不同指数峰值时序差异显著：

• •

  绿光指数（BNDVI）峰值早于开花期

• •

  黄化指数（NDYI）峰值与花期同步

4 讨论

光谱机制

油菜开花期冠层反射特性变化驱动分类性能差异：

• •

  黄化响应：类胡萝卜素吸收蓝光（450nm），增强绿-红光反射（500-670nm），使NDYI等指数特异性提升。

• •

  NIR局限：花朵对近红外反射影响微弱，导致NDVI在花期出现"V"形低谷。

时空优化

Sentinel-2的中等分辨率（10m）使HrFI等高分辨指数失效，而GRVI等广谱指数更适应混合像元。

5 结论

推荐采用GRVI、VARI等可见光敏感指数结合物候特征，可显著提升油菜分类精度。该框架为全球油菜监测提供了可推广的技术路径，尤其适用于生物燃料政策下的种植面积评估。

（注：全文严格依据原文数据，未添加非文献结论；专业术语如NDYI、BBCH等均保留原文格式；上标/下标已按规范调整）