减少多时相分析中的冗余以改进地块尺度作物秸秆焚烧检测

《Remote Sensing Applications: Society and Environment》：Reducing Redundancy in Multi-Temporal Analysis to Improve Field-Scale Detection of Crop Residue Burning

　　

摘要：准确地进行稻田秸秆焚烧的田间尺度制图对于可靠的排放量估算和有效的政策干预至关重要。然而，现有的遥感方法由于在多时相观测中对同一田间尺度区域的反复检测而往往存在显著的不准确问题。这导致了田间尺度的系统性高估，且在现有研究中尚未得到充分解决。本研究利用多时相遥感数据和基于"个体样本作为均值（ISM）"训练方法的模糊机器学习技术来应对这一挑战。研究区域为印度北阿坎德邦乌达姆辛格纳加尔县的Nanakmatta地区。研究采用了覆盖收获和焚烧秸秆两种状态的PlanetScope卫星影像以减少冗余。将改进的可能性c-均值（MPCM）分类器与ISM方法相结合，用于在2025年10月至11月期间13个观测日期上对秸秆焚烧进行制图。10月23日前后记录了焚烧活动的峰值，随后逐渐下降，到11月16日已无可检测的焚烧活动。MPCM与ISM的组合有效减少了因同一焚烧区域反复检测而导致的焚烧事件高估问题。具体而言，ISM训练方法能够处理由部分燃烧、残留物混合和延迟田间准备引起的焚烧模式变化。它考虑了类别内部的多样性，而非将所有实例强行归入单一的通用表示。采用平均隶属度差（MMD）和传统分类指标进行精度评估，证明了所提出框架的稳健性。类内MMD为0，类间MMD为0.66，表明类别间分离性强，精确度、召回率和F1分数分别为0.775、0.688和0.729。所提出的框架提供了一种更加可靠且经过定量验证的方法，用于解决时相冗余问题并监测多种农业环境下的残留物焚烧行为。

引言

在印度北部，稻田秸秆焚烧已成为每年收获后的农业惯例。该活动通常在9月至11月间反复发生，特别是在旁遮普邦、哈里亚纳邦和西部北方邦等印度-恒河平原地区（Abdurrahman等，2020；Gajera & Chaudhary，2024）。这使得印度在全球范围内农作物残留物焚烧量排名第二（Grover & Chaudhry，2019）。农民普遍采用露天焚烧作为快速、低成本的方式处理大量水稻残留物，以便在狭窄的播种窗口期内快速准备田地，为随后的小麦种植做准备。然而，这种做法带来了严重的环境、健康和经济损失（Porichha等，2021）。

稻田秸秆焚烧会释放有害气体，包括二氧化碳（CO?）、二氧化硫（SO?）、一氧化碳（CO）、二氧化氮（NO?）、甲烷和颗粒物（PM10、PM2.5），加剧雾霾、灰霾以及呼吸系统疾病、心血管疾病、神经障碍和癌症等严重健康问题（Gajera & Chaudhary，2024；Mukhopadhyay & Barman，2020；Saharan等，2024）。据观测，燃烧6300万吨农作物秸秆会向大气中排放340万吨CO、10万吨NOx、9100万吨CO?、60万吨CH?和120万吨PM（Abdurrahman等，2020）。在季风后期，旁遮普邦和哈里亚纳邦近99%的稻米种植在kharif（夏秋）季收获。这与冬季开始的时间重合，此时大气稳定性高、风速降低、混合层深度减小，使盛行风将污染物输送至德里国家首都地区（NCR）。因此，德里-NCR地区在10月至11月期间频繁记录AQI（空气质量指数）超过400的值，表明污染水平极其危险（Goenka等，2024；Nirwan等，2024；J. Singh，2024；S. Singh等，2025）。除空气质量外，秸秆焚烧还会降低土壤肥力，并对区域气候和经济发展产生不利影响。

尽管存在替代残留物管理方法，如机械残留物管理和异地工业应用，但其推广仍然有限。Keil等（2020）指出，保护性技术如Happy Seeder在减少焚烧需求方面的有效性。Chopra和Bansal（2022）以及Erbaugh等（2024）分析了影响农民行为的社会经济制约因素，并强调了激励和制度支持在推广替代残留物管理方法中的作用。然而，主要障碍仍然是高昂的运营成本、合适的机械有限以及增加的燃料和劳动力需求。Gottipati等（2021）和Kadian等（2024）的研究进一步强调了秸秆焚烧的环境影响，并突出了可持续残留物利用途径和政策支持机制的重要性。印度政府已将稻田秸秆焚烧归入《印度刑法》第188条和《空气（防止和控制污染）法》（1981年）中的可处罚违法行为。尽管有这些监管措施，但集约化种植模式、rabi（冬春）作物（主要是小麦）播种窗口狭窄、天气依赖的收获以及基于政策的农业实践等持续制约因素使得秸秆焚烧成为残留物处置最具可行性和时效性的选择。因此，逐年准确量化田间尺度的秸秆焚烧越来越重要，因为它为评估政府政策和缓解计划的有效性提供了关键见解。

遥感已成为监测稻田秸秆焚烧的实用且可扩展的方法。多项研究采用了光学、热红外和雷达平台的多传感器数据，结合光谱指数和机器学习模型来检测和量化焚烧事件。为了概述农作物残留物焚烧研究的主要主题，本研究使用从相关文献中提取的关键词进行了关键词共现分析。关键词网络使用VOSviewer软件生成，该软件根据术语的共现模式识别高频术语之间的关系。图1展示了所得网络，其中节点大小表示关键词频率，颜色表示不同的主题集群。分析突出了遥感、空气质量、大气污染、颗粒物、农业废弃物管理和环境监测等主要研究主题，展示了农作物残留物焚烧研究的跨学科性质。

Maurya等（2022）利用Sentinel-5P TROPOMI和MODIS数据集记录了收获后大气污染物的大幅增加。类似地，Liu等（2021）使用密集的Landsat时序数据对焚烧农田进行制图，通过多谐波时间模型实现了92.9%的总体精度。Singh等（2021）将动态阈值法应用于Sentinel-2影像以捕捉焚烧与未焚烧田地之间的光谱变化，后续研究还将焚烧事件与印度-恒河平原的严重空气污染和公共健康后果联系起来（Singh等，2023；Yang等，2025；Goyal等，2025；Choudhary and Birman，2023；??nar等，2025）。此外，多项研究专注于污染物排放和大气气体浓度的时空分析，这些因素加剧了区域空气污染（Das等，2024；Mukunda等，2022；Nirwan等，2024；Singh等，2023）。尽管这些研究提供了有价值的区域尺度焚烧活动及其大气影响的评估，但它们主要依赖低分辨率传感器，不足以准确进行田间尺度的焚烧检测和唯一事件的量化。图2提供了农作物残留物焚烧研究中常用卫星数据集的比较概述，突出了其空间和时间特征。中等分辨率传感器如MODIS和VIIRS因其高时间频率而被广泛采用，而Sentinel-2、Landsat、Formosat-2和PlanetScope则提供更高分辨率，适用于田间尺度分析。该图展示了支撑焚烧区域制图许多方法论选择的空间分辨率与时间分辨率之间的权衡。

最新的方法学进展已结合多传感器和多时相遥感框架以及机器学习和深度学习技术，以改进焚烧检测和排放量量化。Shilla（2025）展示了多传感器方法的实用性，而Anand等（2025）应用了域适应和深度学习分割模型的微调以提高田间尺度焚烧区域检测精度。可解释机器学习还被用于评估秸秆焚烧与PM2.5浓度之间的关系（Xu等，2024），卫星-大气建模框架也被用于量化农作物焚烧对区域空气质量的贡献（Dwivedi等，2026）。然而，这些方法并未明确解决由光谱噪声、多时相特征空间的高维性以及高时间分辨率数据引入的时相冗余所导致的不确定性。虽然个别研究已针对空间分辨率、光谱模糊和验证策略等特定约束进行了处理（Walker，2024），但提高时间分辨率与保持分类精度之间的根本性权衡仍未得到充分探讨。

过去已有大量关于稻田秸秆焚烧的研究。Chhapariya等（2021a）研究了基于核的具有空间约束和局部上下文信息的MPCM算法，用于田间尺度的稻田焚烧制图。他们使用Sentinel 2A/B影像，利用邻近像素作为上下文信息来处理孤立/噪声像素。Chhapariya（2021）研究了一种模糊机器学习方法用于田间尺度的稻田秸秆焚烧识别，并比较了欧几里得距离（ED）和高斯核MPCM分类器。Singh和Kumar（2020）研究了两日期时相影像在稻田秸秆焚烧活动识别中的重要性。Palavesam Sarathamani和Kumar（2025）研究了协同上下文信息与"个体样本作为均值"训练方法在稻田秸秆焚烧制图中的应用。这些研究集中于稻田秸秆焚烧制图以及"个体样本作为均值"训练方法的重要性。但未能解决连续日期影像上田间尺度冗余焚烧的处理问题。

某些研究表明模糊机器学习算法在处理光谱噪声、管理高维数据以及处理大量时相观测方面具有优势（Palavesam Sarathamani等，2025；Rawat等，2022）。同样，"个体样本作为均值"（ISM）训练方法与模糊分类相结合，在通过将每个样本独立处理而非将所有实例强行归入单一通用表示来处理类内变异方面显示出潜力（Mehrotra等，2023；Sivaraj等，2022）。然而，两个关键挑战仍未得到充分解决。首先，高时间分辨率影像在连续卫星获取中对同一农业田地反复观测，同一田间尺度的焚烧可能被多次检测。在此背景下，冗余特指同一田间尺度焚烧在多个时间上连续的影像获取中被反复检测，因为田地在数天到数周内通常保持可见的焚烧状态。这导致了重复观测和焚烧区域的系统性高估。该问题在田间尺度分析中尤为棘手，因为准确量化唯一焚烧事件对于可靠的排放量估算和政策评估至关重要。其次，许多现有方法未能充分代表与异质焚烧条件相关的类内光谱变异，包括部分燃烧、残留物混合和收获后田间准备的变化。这些局限性共同降低了焚烧区域估算的可靠性，阻碍了对缓解措施的准确评估。

迫切需要一种具有冗余感知能力和时相显式性的分类框架。该框架应能够区分唯一焚烧事件与重复观测，同时容纳类内光谱异质性。为解决这一空白，本研究提出了一种基于改进的可能性c-均值（MPCM）分类器与"个体样本作为均值"（ISM）训练策略相结合的模糊机器学习框架。MPCM分类器通过模糊隶属度解决时相模糊性，而ISM策略通过将每个样本独立处理而非将所有实例强行归入单一通用表示来显式处理类内变异。本研究的总体目标是利用多时相PlanetScope影像改善异质农业条件下田间尺度农作物残留物焚烧的检测。为实现这一目标，具体技术目标为：(i) 应用集成的MPCM–ISM分类框架解决田间尺度稻田秸秆焚烧检测中的类内光谱异质性；(ii) 实施时相显式策略以减少连续卫星获取中对同一焚烧事件的重复检测；(iii) 评估所提出框架在田间尺度焚烧区域检测中的精度。

方法与材料

本研究采用两阶段处理框架对田间尺度稻田秸秆焚烧进行制图。方法流程图展示于图3。第一阶段，分析多时相PlanetScope数据集并进行目视解译以识别收获和焚烧活动。由于所提出的方法基于焚烧前和焚烧后的时相配对，对应表示收获（焚烧前）和焚烧（焚烧后）田地状态的影像日期被……

结果与讨论

本节通过分析高分辨率卫星观测数据考察稻田秸秆焚烧的田间尺度动态，相应的实证结果详述如下。

具体而言，本评估展示了由当地耕作方式所塑造的农作物秸秆焚烧的不同光谱和时间特征，如何影响田块尺度下稻茬焚烧映射的准确性。通过按日期跟踪，分析田块尺度的时间序列映射，本讨论解决了一个重大问题……

结论
本研究解决了田间尺度下稻田秸秆焚烧地块分类冗余的问题。该问题表现为：同一地块在连续的PlanetScope观测中被重复检测，从而导致对秸秆焚烧面积的过度估计。为克服这一局限性，研究在预处理阶段开发了一种时间二维指数向量框架。这些向量元素源自时间光谱指数SR，共同代表了连续的序列特征。

声明
所有作者均已阅读、理解并在适用范围内遵守《作者须知》中关于"作者伦理责任"的声明。

生成式AI与AI辅助技术声明
在撰写本工作过程中，作者使用了Gemini AI语言润色工具。使用该工具/服务后，作者对内容进行了必要的审阅与编辑，并对发表文章的完整内容承担全部责任。

数据可用性声明
本研究使用的数据可免费在"Planet开发者中心"获取，供研究使用。

CRediT作者贡献声明
Anamika Palavesam Sarathamani：撰写——审阅与编辑，撰写——原稿，可视化，方法学，调查研究，形式化分析。
Ishwari Dutt Rai：撰写——审阅与编辑，方法学，调查研究，形式化分析，概念构思。
Anil Kumar：撰写——审阅与编辑，指导监督，方法学，形式化分析，数据整理，概念构思。
R. P. Singh：撰写——审阅与编辑，方法学，调查研究，形式化分析，概念构思。

未引用参考文献
Palavesam Sarathamani and Kumar, 2025；Sivaraj et al., 2022。

数据可用性声明
本研究使用的数据可免费在"Planet开发者中心"获取，供研究使用。

利益冲突
作者报告无利益冲突。

伦理声明
作者声明在本文的开发、撰写和发表方面已遵循所有伦理规范。

资金支持
本研究未获得任何资金支持。

利益冲突声明
? 作者声明没有已知的竞争性经济利益或个人关系，这些关系可能影响本文所报告的工作。

致谢
作者感谢机构提供资源和支以完成本项研究。

Anil Kumar | Anamika Palavesam Sarathamani | Ishwari Dutt Rai | R.P. Singh
印度遥感研究所，印度德拉敦