融合雷达衍生特征与物候先验的冬油菜总光合面积指数SAR反演研究

《Agriculture》：Retrieval of Winter Rapeseed Total Photosynthetic Area Index Using Multi-Dimensional Spatiotemporal Features from Sentinel-1 SAR

　　花期冠层结构的突变导致基于SAR的冬油菜反演长期存在监测盲区。本研究提出了一种基于特征的冬油菜总光合面积指数（TPAI）反演方法，该方法通过融合雷达衍生特征（如极化交互和空间纹理）与基于影像获取日期的物候先验信息（包括年积日谐波和标准化Z分数特征），构建了多维时空特征框架，并从六个机器学习候选模型中选取了正则化线性岭回归模型。在采用地理不相交验证折的空间五折交叉验证协议下进行评估，该模型整体R2为0.615，RMSE为1.033 m2 m?2，而仅编码生长日历的基准模型R2为0.584，表明雷达衍生特征带来的整体提升较为有限；尽管如此，雷达衍生特征在花期相较于该基准模型实现了最大的阶段内改进，表明这些特征在一定程度上可以缓解——尽管无法彻底解决——传统单极化特征在花期的敏感性下降问题。误差量级对光合面积指数（SAI）标定假设中高达±40%的系统性偏差不敏感；基于接缝校正的Sentinel-1镶嵌图生成的跨越五个物候阶段的全覆盖TPAI制图结果与观测到的生长轨迹相吻合。鉴于SAI为间接估计且分析仅依赖于单一研究区的单一生长季，这些结果应被视为具有局地性和季节特异性。因此，该框架作为一条经过空间验证的、基于特征的冬油菜TPAI监测路径，在多云雨地区显示出应用前景，但在投入业务化应用之前仍需进行多季节、多区域的进一步验证。