综述：基于SATVeg平台NDVI时间序列与机器学习模型的可扩展咖啡作物分类方法

【编辑推荐】本研究创新性地利用SATVeg平台公开的归一化植被指数（NDVI）时间序列数据，通过TiDE等6种机器学习模型实现巴西咖啡种植区100%分类准确率。该方法仅需中等分辨率数据即可精准识别作物类型，为农业可持续管理提供了低成本的规模化解决方案。

　　

研究背景

巴西作为全球重要的咖啡生产国，其种植区精准监测对农业可持续发展至关重要。传统依赖高分辨率或多光谱影像的方法成本高昂，而中等分辨率的归一化植被指数（Normalized Difference Vegetation Index, NDVI）时间序列数据尚未被充分挖掘潜力。SATVeg平台提供的公开遥感数据为这一领域带来新机遇。

方法创新

研究团队选取米纳斯吉拉斯州帕特罗西尼奥地区60个地理参考样本，采集SATVeg平台6年NDVI时间序列数据。创新性地对比6种模型性能：逻辑回归（Logistic Regression）、动态时间规整的K近邻（KNN-DTW）、支持向量机（SVM）、随机森林（RF）、XGBoost和时序密度估计模型（TiDE）。

突破性发现

TiDE模型展现出惊人性能：

• •

  实际验证准确率达100%

• •

  平均预测概率0.996±0.001

• •

  稳定性显著优于其他模型

  SVM、RF和逻辑回归同样实现100%准确率，而XGBoost虽召回率高但鲁棒性不足，KNN-DTW表现最差。

技术价值

该研究首次证明：

1. 1.

   仅用SATVeg平台NDVI时序数据即可实现完美分类

2. 2.

   无需高分辨率影像显著降低计算成本

3. 3.

   TiDE等时序专用模型在农业遥感中优势明显

应用前景

该方法为发展中国家农业监测提供可扩展方案：

• •

  适用于咖啡等经济作物全周期管理

• •

  可扩展至其他植被指数分析

• •

  平台开放性助力全球农业可持续发展研究

研究结果发表于农业遥感领域顶级期刊，技术路线已获巴西农业部试点应用，未来计划推广至拉丁美洲其他咖啡产区。