《Remote Sensing》：A Remote Sensing-Based Potato Classification Approach Integrating a Novel ONDVI with Multiple Vegetation Index Combinations
Yixuan Chen,
Lingyuan Zhang,
Rundong Zhang,
Xiwen Duan,
Minghui Liu,
Chenwei Xu,
Shixian Lu and
Jianxiong Wang
编辑推荐：
马铃薯是主要主食作物之一，精确识别马铃薯种植区域对于产量监测和未来种植规划至关重要。然而，在马铃薯生长后期，植被指数识别趋于饱和，马铃薯与其他作物的光谱差异变得极小，导致提取困难且精度降低。本研究以中国云南省典型马铃薯产区会泽县为研究区域。基于2020年冬季种
马铃薯是主要主食作物之一，精确识别马铃薯种植区域对于产量监测和未来种植规划至关重要。然而，在马铃薯生长后期，植被指数识别趋于饱和，马铃薯与其他作物的光谱差异变得极小，导致提取困难且精度降低。本研究以中国云南省典型马铃薯产区会泽县为研究区域。基于2020年冬季种植季的Landsat-8 OLI影像，开发了一种新型优化增强植被指数（ONDVI），并将其应用于植被指数重组算法（NEG）进行区域马铃薯识别。研究首先通过三个步骤解决归一化差异植被指数（NDVI）在高植被覆盖条件下的饱和问题：选择红、近红外和绿波段；重建SR_B5波段的饱和结构；重新定义加权波段差。将ONDVI与增强植被指数（EVI）和绿色叶绿素植被指数（GCVI）进行非线性组合，开发了植被指数重组算法（NEG），增强了作物间的光谱区分度，并改善了马铃薯冠层结构、叶绿素含量和生物量动态的综合表征。最后，在监督分类框架下，将随机森林分类器与手动标记的训练样本相结合，比较了使用ONDVI、EVI和GCVI指数的七种组合算法的分类性能。结果表明，NEG分类算法表现最佳（Kappa系数=0.9833；总体精度=98.69%），其中ONDVI对NEG算法的分类特征贡献最大。NEG组合算法充分发挥了ONDVI、EVI和GCVI指数的优势，在马铃薯分类中展示了较高的应用潜力。
**论文解读：基于新型ONDVI与多植被指数组合的遥感马铃薯分类方法**
### 研究背景与问题
马铃薯是全球主要粮食作物之一，精准识别其种植面积对产量监测与种植规划至关重要。然而，在马铃薯生长后期，叶片茂盛导致植被指数（如NDVI）易出现饱和现象，同时马铃薯与其他植被（如作物、林地）的光谱特征高度相似，造成分类精度显著下降。现有方法多依赖大量田间实测样本或高分辨率影像，成本高且泛化性差。因此，需发展一种可在中等分辨率卫星影像上实现低成本、高精度的马铃薯分类策略，以解决植被指数饱和与光谱混淆问题。该研究发表在《Remote Sensing》期刊。
### 主要技术方法
研究人员采用以下关键方法：
1. **构建新型优化增强植被指数（ONDVI）**：基于Landsat-8 OLI影像的红、绿、近红外（NIR）波段，对NDVI的归一化结构进行三步骤重构——利用指数函数缓解NIR波段饱和、引入增强系数（a）放大红-绿波段差异，最终生成ONDVI。
2. **提出植被指数重组算法（NEG）**：将ONDVI与增强植被指数（EVI）和绿色叶绿素植被指数（GCVI）进行线性组合，以协同捕捉马铃薯冠层结构、叶绿素含量与生物量动态信息。
3. **分类框架与验证**：依托Google Earth Engine（GEE）平台，以2020年冬季种植季Landsat-8 OLI影像为数据源，通过视觉解译与野外调查获取5类地物（马铃薯、其他作物、林地、城市、水体）样本点（共采集超过110个/类），按7:3比例划分训练集与验证集，采用随机森林分类器（400棵决策树）进行监督分类，并计算Kappa系数、总体精度（OA）、用户精度（UA）及生产者精度（PA）评估性能。
### 研究结果
**4.1 不同植被指数算法的马铃薯提取结果验证**
- **精度评估**：七种组合方法中，NEG算法表现最优，Kappa系数达0.9833，OA为98.69%。与其他方法相比，NEG较单一ONDVI提升Kappa 0.0019、OA 0.42%；较单一GCVI提升Kappa 0.1332、OA 9.10%。
- **空间分布对比**：GCVI组合方案导致林地、其他作物与马铃薯的类别混淆加剧，而NEG方案在分类图上表现出最高的空间一致性。
- **相关性分析**：ONDVI与NDVI保持较高正相关（R2≈0.81），继承了对植被生长状况的敏感性；EVI与NDVI相关性弱（R2=0.15），体现了多指数组合的互补性。
**4.2 不同植被指数算法的混淆矩阵分析**
NEG组合的混淆矩阵对角线元素最为集中：马铃薯、其他作物、林地、城市、水体正确分类像元数分别为51、54、25、66、31，几乎无错分。相比之下，双指数组合（如ONDVI+EVI）仍存在少量类别间误分，尤其在作物与林地之间。
**4.3 分类特征贡献分析**
在NEG分类中，各指数贡献率排名为：ONDVI（36.21%）> EVI（33.87%）> GCVI（29.92%）；ONDVI贡献最大。而在双指数组合中，ONDVI贡献降低（如ONDVI+EVI中EVI贡献55.08%），说明NEG通过均衡利用三指数实现了最佳协同。对于背景地类，ONDVI和GCVI对林地与其他作物识别贡献高，EVI对水体识别贡献大，GCVI对城市识别贡献显著。
### 讨论与结论
**讨论总结**：
研究表明，植被指数方法通过重构NDVI结构能有效缓解饱和问题，多指数融合可进一步提升分类性能。与深度学习和特征选择方法相比，ONDVI+NEG方法仅修改输入特征，不改变分类器结构，实施成本低且可迁移性高。但当前研究仅基于单一生长季数据，模型在复杂地形或极端气候下的泛化能力有待验证。未来需整合多期遥感数据、地形与纹理特征，以拓展其适用性。
**翻译研究结论**：
作物旺盛生长阶段植被指数的饱和以及植被类型间的光谱相似性是马铃薯作物提取的主要挑战。本研究表明，当开发创新的植被指数结构以克服指数饱和，并采用多指数融合方法增强光谱相似作物的光谱可分离性时，目标作物的分类精度能够得到提升。本研究深入探索了目标作物的光谱信息，基于光谱波段选择重构了一种新型优化增强植被指数（ONDVI），并评估了ONDVI、EVI和GCVI的七种组合。其中，植被指数重组算法（NEG）方法取得了最佳分类性能，Kappa系数为0.9833，总体精度（OA）为98.69%。未来研究将纳入更多生长季和种植区域以进一步优化分类方法，旨在为精准农业提供有价值的信息支持。
