利用分割技术与Sentinel-2时间序列物候指标绘制塞内加尔水稻田

《Geomatics》：Mapping Paddy Rice Using Segmentation Techniques and Phenological Metrics Derived from Sentinel-2 Time Series in Senegal Fama Mbengue, Mamadou Adama Sarr, Egor Prikaziuk, Gayane Faye, Mamadou Simina Dramé and Abdoul Aziz Diouf

　　

水稻田制图对于有效的农业和水资源管理至关重要，因为土地压力大。该研究旨在通过结合分割技术和源自光学时间序列的物候指标来绘制水稻田。因此，利用Sentinel-2影像（2018-2019）开发了一种基于作物分割的方法，以评估塞内加尔河三角洲（Senegal River Delta, SRD）的水稻田范围。通过整合绿、红和近红外（near-infrared, NIR）波段的光谱和空间特征，评估了两种超像素分割算法以优化水稻地块识别。在这项研究中，Felzenszwalb算法优于Quickshift算法，在水稻田分割上取得了0.25的中位交并比（Intersection over Union, IoU），而Quickshift为0.20。对归一化植被指数（Normalized Difference Vegetation Index, NDVI）时间序列的分析使得识别水稻物候循环的关键阶段成为可能。比较了两种机器学习算法（即随机森林（Random Forest）和XGBoost）用于水稻作物检测。随机森林表现更优（曲线下面积AUC=0.93，总体精度OA=0.98，F₁分数=0.98），优于XGBoost（AUC=0.92，OA=0.98，F₁分数=0.98）。总体而言，结果表明该方法能够准确识别水稻田，从而改善决策并支持该地区的粮食安全管理。

农业是粮食安全的基础，水稻作为全球半数以上人口的主粮，在萨赫勒及撒哈拉以南非洲地区农村生计中占据战略地位。面对人口增长、气候变率增大和自然资源压力上升，监测水稻种植的集约化与动态变化至关重要。遥感技术虽有长足发展，但以往物候研究多集中于大面积均质植被或主栽作物，忽视了塞内加尔河三角洲这样具有高碎片化、小地块（0.2–1 ha）、混种模式与复杂水文条件的农业系统。这些地块内光谱信号变异性大，传统像元分类方法难以准确区分作物类型与生长阶段。为克服上述限制，研究人员开展了结合图像分割技术与物候指标的方法研究，利用Sentinel-2时间序列（2018–2019）绘制塞内加尔河三角洲水稻田。研究得出以下主要结论：Felzenszwalb超像素分割算法优于Quickshift（IoU中位数0.25 vs 0.20），随机森林分类器在整体精度（OA=0.98）、F₁分数（0.98）和AUC（0.93）上略优于XGBoost（AUC=0.92）。该融合分割与物候特征的框架能够准确识别水稻地块，可改善区域决策并支撑粮食安全治理。论文发表在《Geomatics》。

关键技术方法概述（不超过250字）：研究以Google Earth Engine为平台，获取2018–2019季Sentinel-1 SAR与Sentinel-2光学影像。样本来自塞内加尔河三角洲发展与管理机构（SAED）提供的参考多边形，含灌溉水稻、灌溉混合作物和灌溉蔬菜三类。主要方法包括：1）构建五种复合影像（CIR、雷达极化组合、NDVI最大、VH/VV最大及NDVI/NDWI/RVI综合）；2）采用Felzenszwalb与Quickshift超像素分割算法进行图像对象分割，通过交并比（IoU）评估分割质量；3）从NDVI时间序列提取9个物候指标（SOS、POS、EOS、LOS等），经Savitzky–Golay滤波平滑并融合雷达数据以提升连续性；4）使用随机森林（RF）与XGBoost分类器进行作物分类，采用总体精度（OA）、精确率、召回率、F₁分数和曲线下面积（AUC）评估性能。

研究结果（保留原文小标题）：

3.1 分割算法参数分析：通过调节Felzenszwalb算法参数（sigma、min_size、scale），在最大NDVI与最大VH/VV复合影像上测试发现，scale=100、sigma=1、min_size在1850–2175时分割效果最佳，但出现过合并现象，导致地块边界模糊；Quickshift算法在CIR影像上生成更精细片段，但处理时间长，更适合捕捉地块细节。

3.2 分割算法比较：基于五种输入组合比较两种算法的IoU，Felzenszwalb在光学NDVI_max影像上中位IoU为0.25，优于Quickshift在CIR上的0.20；雷达影像分割IoU极低（0.05），因斑点噪声和小地块碎片化限制了分割精度；然而雷达数据在物候时序特征中仍具补充价值。

3.3 物候指标分析：利用Mean Shift无监督分类将地块分为三类，基于9个物候指标（sos_d、eos_d、pos_d、los、sos_v、eos_v、pos_v、green、sen）的盒形图显示：NDVI值与积分在不同季节间轮廓相似，但物候日期（尤其是pos_d）可清晰区分三个群体，反映农业日历的显著差异；返青期与衰老期积分值较低，表明转化阶段生物量积累有限。

3.4 分类过程中输入变量的重要性：随机森林与XGBoost的特征重要性排序均突出物候时间变量（sos_d、eos_d、los）的重要性高于基于值的变量（pos_v、green等）。随机森林更均衡地分配重要性（sos_d与eos_d均>15%），而XGBoost集中在eos_d（>20%）与los，表明不同模型对特征区分策略存在差异。

3.5 分类算法精度评估：混淆矩阵显示，两种模型对灌溉水稻分类精度极高（精确率、召回率、F₁均接近1，AUC>0.92）；随机森林在灌溉蔬菜类召回率达1.0，F₁分数0.83，优于XGBoost（0.73）；灌溉混合作物性能较差（召回率0.17），主要与水稻混淆。随机森林在宏平均指标（宏F₁=0.69）上优于XGBoost（0.64），加权平均相近（0.96–0.97）。总体OA为0.97，证实随机森林在类别间平衡性更优。

讨论总结：分割精度因碎片化景观受限（IoU<0.4），但物候指标可有效区分作物类型；光谱混淆主要出现在混合作物与水稻之间，建议引入湿度指数、其他植被指数及深度学习分割以提升区分度。

研究结论翻译：本工作凸显了混合方法（分割结合监督分类）在碎片化地块背景下表征作物周期的相关性，并阐述了地块大小、光谱混淆与评估指标选择带来的方法学挑战，同时为大规模农业图像分割（尤其在萨赫勒地区）提供了未来方向。结果证明了水稻地块精确分割与物候特征利用的重要性。采用适当指标（AUC、OA）进行严格模型评估，改善了作物区分。未来展望包括集成先进分割方法（深度学习）、采用更适合不平衡数据集的评估指标以及纳入辅助数据（气候因子）以提高预测精度。最后，该研究强调了综合多种数据源与先进方法对于理解作物周期与可持续农业资源管理的价值，可为建立水稻田清单与监测系统提供支撑，以促进三角洲小农的决策与政策实施。