基于系统化植被指数发现的物候作物制图方法研究

《Frontiers in Remote Sensing》：Systematic vegetation index discovery for phenology-based crop mapping

　　

引言： 系统化植被指数发现（Systematic Vegetation Index Discovery，SVID）框架通过将光谱波段与基本算术运算相结合，生成并评估大量植被指数（Vegetation Indices，VIs）。研究人员评估了系统化发现的指数能否相较于归一化差异植被指数（Normalized Difference Vegetation Index，NDVI）等传统指数改善农业土地覆盖分类，同时降低多时相光谱数据的维度。 方法： 研究人员将SVID应用于韩国安东市一个323.9公顷的农业景观，该区域包含水稻田、辣椒田和塑料大棚，使用了2022年获取的32幅无云Sentinel-2A影像。在1,328个候选表达式中，1,144个生成了数值有效的栅格。研究人员为每个指数分别训练了一个随机森林（Random Forest）模型，使用其32日期时间剖面，并针对从训练中留出的500个独立参考点进行评估。在排序之前，388个表达式被识别为与其他表达式代数恒等，另有355个是严格单调变换，因此对基于排序的分类器不可区分。 结果： 因此，1,144个指数代表了401个不同特征。若干近红外-可见光比值族的表现优于NDVI。表现最佳的指数（NIR – Red）/（Green × Blue）实现了97.0%的总体精度和0.873的Kappa系数，而NDVI为94.4%和0.734；该差异经McNemar检验具有显著性（p = 0.002）。改进集中在大棚类别，其生产者精度从58.6%提高到84.5%。使用全部四个原始波段在所有日期（128个特征）的模型达到了96.0%的精度，与最佳单一指数在统计上不可区分，展示了四倍的维度缩减且无精度损失。然而，排名位置不稳定：401个特征中有10个与最佳特征在统计上并列，数学上恒等的公式因有限精度效应而相差最多3.4个百分点。 讨论： SVID能够识别出与传统指数和全多波段时相模型表现相当或更优的紧凑光谱表示。然而，排名靠前指数间的不稳定性表明，结果应以指数族及置信区间的形式报告，而非单一最优指数。局限性包括仅使用一个地点、一年和四个光谱波段；需要在更多地点、年份和光谱配置下进行更广泛的测试。

论文解读

一、研究背景与问题

光学植被指数（Optical Vegetation Indices，OVIs）自20世纪60年代引入以来，已成为遥感领域监测植被动态的基础工具。通过组合多个波长区域的光谱反射率，OVIs旨在增强植被信号，同时最小化非植被背景效应、大气扰动、光照变化和传感器噪声的影响。其中，归一化差异植被指数（Normalized Difference Vegetation Index，NDVI）作为最广泛应用的指标，被用于评估植被绿度、冠层活力、生物量和生长动态。然而，传统植被指数的设计依赖专家知识，基于对植被吸收和反射特征的先验假设，可能忽略非常规但具有信息量的波段组合。随着多光谱和高光谱传感器不断扩展可用光谱特征空间，系统性探索潜在指数公式变得越来越可行。已有研究如Albarracín等（2020）使用遗传编程学习最大化类别对可分性的光谱指数，Koh等（2022）开发了针对特定植物性状优化指数方程和波段组合的自动化框架，但两者都将搜索限制在单一目标。在此背景下，本研究引入系统化植被指数发现（Systematic Vegetation Index Discovery，SVID）框架，通过穷举生成和评估大量由基本算术运算组合形成的候选指数，以数据驱动策略探索更广泛的指数空间，旨在识别对物候动态更敏感的指数，改善作物分类精度和土地覆盖判别能力。

二、研究内容与结论

研究人员将SVID应用于韩国安东市一个323.9公顷的农业景观，该区域包含水稻田、辣椒田和塑料大棚三种土地覆盖类型。使用2022年获取的32幅无云Sentinel-2A影像，从1,328个候选表达式中筛选出1,144个数值有效的指数。研究发现，生成的指数池高度冗余：388个表达式与其他表达式代数恒等，另有355个是严格单调变换，最终1,144个指数仅编码401个可区分特征。在排名前，研究人员量化了这种冗余度，并发现代数恒等的公式因有限精度效应在总体精度上可相差最多3.4个百分点。经过等价类合并后，若干近红外-可见光比值族的表现优于NDVI。最佳指数（NIR – Red）/（Green × Blue）实现了97.0%的总体精度和0.873的Kappa系数，而NDVI为94.4%和0.734，差异经McNemar检验具有显著性（p = 0.002）。改进集中在大棚类别，其生产者精度从58.6%提高到84.5%。使用全部四个原始波段在所有日期（128个特征）的模型达到了96.0%的精度，与最佳单一指数在统计上不可区分，展示了四倍的维度缩减且无精度损失。该研究的实践贡献在于维度缩减和可解释性，而非恢复其他方式无法获取的信息。研究还发现排名不稳定：401个特征中有10个与最佳特征在统计上并列，同一指数使用不同随机种子重拟合可导致总体精度最多1.1个百分点的变化。

三、关键技术方法

本研究采用的主要技术方法包括：第一，系统化植被指数生成框架（SVID），通过将蓝、绿、红和近红外四个Sentinel-2A光谱波段以加法、减法、乘法和除法等基本算术运算组合，生成1,328个候选指数表达式，每个表达式为单一算术语句，最大操作深度为1，避免嵌套或递归运算。第二，物候基作物分类方法，对每个指数分别训练一个随机森林（Random Forest，RF）分类器，每个样本由32个日期值组成的该指数时间剖面描述，超参数经网格搜索和五折交叉验证确定（100棵树、最大深度10、最小分裂样本数2）。第三，空间独立验证设计，训练集包含1,290个标记像素（大棚212、辣椒173、水稻905），在49个田间地块内以连续块数字化；验证集包含500个独立参考点（大棚58、辣椒13、水稻429），验证点到最近训练像素的中位距离为85米，仅7.4%的验证点落在距训练像素一个10米像素范围内。第四，精度评估体系，采用总体精度、Cohen's Kappa系数、各类别生产者精度、宏平均F1分数、95% Wilson置信区间和McNemar配对检验。数据来源为欧洲航天局哥白尼开放获取中心（现哥白尼数据空间生态系统）的Sentinel-2A Level-2A地表反射率产品，瓦片号为T52SDF。

四、研究结果

指数池冗余分析： 通过数值验证和代数等价性检查，研究人员发现1,328个候选表达式中仅1,144个产生数值有效栅格；其中388个与其他表达式数值恒等，756个数值不同特征中又有355个为严格单调变换。最终1,144个指数仅编码401个可区分特征，最大等价类包含同一特征的18种不同写法。代数恒等公式间总体精度差异最多达3.4个百分点，中位数为0.6个百分点。

指数排名与NDVI对比： 经等价类合并后，若干近红外-可见光比值族优于NDVI。最佳特征（NIR ? Red）/（Green × Blue）在500个独立验证点上达到97.0%总体精度、0.873 Kappa系数和91.4%宏平均F1，而NDVI为94.4%、0.734和85.6%。McNemar检验确认该差异显著（p = 0.002），前三个排名特征的差异均显著（p = 0.013–0.041），而简单比值NIR/Red和GNDVI与NDVI无显著差异。NDVI在401个不同特征中排名第89位，对应第22百分位。

类别精度改进： 改进集中在大棚类别，其生产者精度从NDVI的58.6%提升至最佳指数的84.5%。水稻类别的生产者精度在所有指数下均超过96%，差异可忽略。辣椒类别仅有13个验证点，所有指数得分在69.2%至84.6%之间，95%置信区间跨度约50个百分点，无法区分各指数。

排名稳定性检验： 三项证据表明排名不应过度解读：401个特征中有10个落在最佳特征的95%置信区间内；同一指数使用不同随机种子重拟合可导致总体精度最多1.1个百分点变化，种子间标准差为0.18–1.14个百分点；代数恒等公式间精度差异最多达3.4个百分点。独立重实现中，401个特征中382个（95.3%）精确复现了原始总体精度，Spearman秩相关系数为0.938。

分类制图比较： NDVI基地图将25.5公顷分配为大棚，而（NIR ? Red）/（Green × Blue）基地图分配36.4公顷，差异几乎全部来自NDVI标记为水稻的像素。两图在32,391个像素中95.5%一致，但分歧具有系统性：指数地图中地块边界和大棚区块更清晰，NDVI地图沿田边表现出更大的混合像素混淆。

五、讨论与结论

讨论部分指出，系统化生成和筛选大量波段组合是识别物候作物制图紧凑光谱特征的有效方法，但筛选结果必须在特征族层面而非单个表达式层面解读。最强表现的指数主要为涉及NIR和可见光波段（特别是蓝、红和绿）的比值组合，其优越性能与对冠层结构和非光合表面亮度的更高敏感性一致。NDVI依赖红吸收和NIR反射之间的单一归一化对比，在大棚类别上可分性最弱，而同时加权蓝和绿波段的指数恰好利用了塑料覆盖物的独特亮度。与原始波段参考模型的比较表明，指数发现并未恢复反射率数据中缺失的信息，其贡献在于将特征维度从128个波段-日期特征缩减至32个时间特征，且精度无损失，同时提供可检查、可迁移和可实现的代数形式。研究提出三项实践建议：表达式池应在评估前规范化；精度估计应附置信区间和配对显著性检验；结果应以特征族形式呈现并注明排名稳定性。局限性包括单一地点、单一年份、四个光谱波段、参考数据严重不平衡（辣椒仅13个验证点）、训练像素在49个地块内形成连续块导致有效独立训练单元远小于像素数、仅使用单一分类器（单调等价性是排序基学习器的属性，对线性或神经模型可能不成立）。研究结论为：生成的指数池高度冗余，1,144个数值有效表达式仅对应401个排序基分类器可区分的特征，代数恒等公式间精度差异最多3.4个百分点，筛选结果必须在排序前规范化；规范化后，若干NIR-可见光比值族在独立验证数据上优于NDVI，最佳指数（NIR ? Red）/（Green × Blue）达到97.0%总体精度和0.873 Kappa系数，改进集中在大棚类别；使用全部四个原始波段在所有日期的模型表现不优于该单一指数，框架的实践贡献为维度缩减和可解释性。该框架可直接扩展到更多传感器、季节和作物类型，前提是采用冗余筛选、置信区间和配对显著性检验作为评估的标准组成部分。