基于38年Landsat与Sentinel时序数据的油棕种植区多传感器遥感制图与林龄检测方法研究

本文针对东南亚油棕扩张导致的生态与可持续性问题，创新性地整合1987-2024年Landsat与2024年Sentinel-2/1多源遥感数据，在Google Earth Engine平台构建随机森林（RF）分类与双指数（NDVI/BSI）时序分析模型，实现油棕空间分布（精度90.5%）与林龄（RMSE=4.0年）的高精度反演，为可持续棕榈油认证与碳核算提供关键技术支撑。

　　

油棕（Elaeis guineensis）作为全球最重要的油料作物之一，其种植面积在东南亚持续扩张，但由此引发的森林砍伐、碳储量变化和生物多样性丧失等问题日益严峻。传统单传感器遥感方法难以准确区分热带混合植被，更无法重建种植历史——这对产量预测和可持续性评估至关重要。泰国作为全球第三大生产国，南部小农户主导的种植区尤其缺乏高精度时空数据。

针对这一挑战，Buntita Weerakitikul团队在《Geomatica》发表研究，创新性地将38年Landsat存档数据（1987-2024）与最新Sentinel-2光学/Sentinel-1雷达影像融合，开发出基于Google Earth Engine（GEE）的云端处理流程。研究采用两步法：首先通过随机森林（RF）模型整合6个Sentinel-2波段、5种植被/地表指数、3种Sentinel-1后向散射层和2种地形变量，实现油棕分布制图（精度90.5%，Kappa=0.81）；其次在确认的油棕区域内，利用Landsat时序数据检测NDVI低于20百分位且裸土指数（BSI）高于80百分位的年份，精准定位最新种植/补种事件。

关键技术包括：（1）多传感器数据融合：Sentinel-2 MSI（10-20m）提供光谱信息，Sentinel-1 GRD（10m）穿透云层获取结构特征，SRTM DEM（30m）辅助地形分析；（2）双指数时序分析：采用Savitzky-Golay滤波平滑NDVI和BSI年际波动，通过双百分位阈值捕捉土地清理信号；（3）234个地面样点验证体系，覆盖泰国南部Plai Phraya区561 km2典型小农户景观。

【油棕分类性能】

RF模型在区分油棕与非油棕地类时表现出色（F1-score=0.91），变量重要性分析显示高程（163.4）、VV/VH极化比（153.4）和NDWI（125.7）贡献度最高。混淆矩阵显示油棕生产者精度（召回率）达88.6%，用户精度（精确率）92.7%，显著优于单传感器方法。

【空间分布特征】

研究区60.9%面积（561.08 km2）为油棕种植，呈现碎片化分布特征。高分辨率影像验证显示，即使是公司持有的地块也多由小型相邻田块组成，而非连续大庄园，凸显小农户主导的生产模式。

【林龄检测机制】

通过1990-2024年时序分析（图5），清晰捕捉到橡胶园转为油棕的动态过程：2015-2018年土地整理期BSI激增，2018年后NDVI持续回升反映油棕定植。将检测到的林龄划分为5个农学阶段（图6），其中8-15年盛产期占比最高，>25年老龄棕榈多分布于早期种植带。

【验证结果】

与实地调查数据对比显示（图7），林龄估计RMSE为3.97年，MAE=3.03年，尤其对4-25年树龄段表现最佳。该方法首次实现对小农户混作区林龄的亚五年精度反演，较既往单指数法（如仅用BSI 95百分位）显著降低误判率。

讨论指出，该研究的核心突破在于：（1）通过双指数（NDVI/BSI）协同阈值克服了单指标对水分干扰的敏感性；（2）38年Landsat存档首次实现泰国南部完整种植周期追溯；（3）完全基于免费卫星数据与云端计算，可直接移植至政府监测系统。未来结合Sentinel-1C（3天重访）和Landsat-Next（10m热红外）将进一步提升时效性。

结论强调，这套方法为RSPO认证、碳储量估算和零毁林承诺提供了可操作的时空数据工具。尤其在小农户占主体的产区，精确到田块尺度的林龄地图能指导肥料优化、补种规划和经济收益预测，对平衡农业生产与生态保护具有重要政策意义。研究同时警示，随着首批油棕老龄化，未来补种效率将成为影响产业可持续性的关键变量。