评估基于SAR技术的物候指标在多样化农业系统中用于季风（Kharif）作物监测的应用：来自印度中部的见解 作者：Meghavi Prashnani 和 Chris Justice

《Remote Sensing》：Evaluating SAR-Derived Phenological Metrics for Monsoon (Kharif) Crop Monitoring in Diversified Agricultural Systems: Insights from Central India Meghavi Prashnani and Chris Justice

　　**摘要**
主要发现是什么？热带季节性作物（包括谷物和豆类）之间的物候学趋同限制了仅使用Sentinel-1 SAR进行多作物识别的能力。棉花展现出最独特的物候特征和最高的分类性能，而水稻则表现出最强的跨区域一致性；由于共享的季风同步物候特征，谷物-豆类作物（大豆、乌拉德豆、玉米）之间存在显著重叠。分类模型在单季/双季种植区表现出良好的转移性，但在像Hoshangabad这样的密集三季种植系统中性能大幅下降，因为压缩的物候窗口和增强的基线后向散射降低了度量可靠性。

**主要发现的意义是什么？**
这些发现强调了需要采用多传感器或更高分辨率的策略来克服小农户系统中谷物-豆类分离的局限性，以实现季风作物的精确制图。在多季种植密集地区，由于休耕期缩短以及相邻作物残留物造成的干扰，应谨慎应用SAR物候指标。

**印度中部季风生长季节的作物监测挑战**
印度中部季风生长季节的有效作物监测面临持续云层覆盖的挑战，这限制了关键农业时期的光学遥感观测。本研究首次尝试开发了一套新的基于SAR的物候指标，将其分为五个主题类别，用于小农户农业系统中的季风作物区分。利用2021年生长季节的Sentinel-1数据，分析了五种主要季风作物（棉花、水稻、玉米、大豆和乌拉德豆）在五个不同农业气候区的表现。从VV、VH极化及其比率中提取了物候特征，包括季节性极值、阈值交叉、持续时间测量、曲线形状描述符和曲线下面积等。观察到作物特有的特征：棉花的物候周期较长，而谷物-豆类作物的生长模式较为紧凑且重叠。VV极化在基于强度的指标上实现了最高的统计区分度（75%阈值VV_HP75V的F值为1287），因为它捕捉到了接近峰值时的生物量差异；VH极化在基于持续时间的指标上表现最佳；VH/VV极化在跨指标类型的区分度上贡献有限。对于曲线下面积指标，AUC25优于AUC50和AUC75，因为它能够捕捉整个生长季节的累积后向散射，同时对播种和收获时的土壤和残留物主导的后向散射变化具有鲁棒性。尽管存在系统性谷物-豆类混淆，多类分类的总体准确率为48.3%，反映了热带季节性作物之间的根本物候趋同。棉花的表现最为突出（F1值为0.79），其中VH极化在特征重要性中占据主导地位（前20个特征中有65%）。二元分类显示：棉花利用VV强度指标最易区分，玉米利用VH/VV比率区分度最好，而水稻则利用基于时间特征的指标区分度最佳。跨区域的转移性显示水稻（74%）和棉花（72%）的平均准确率最高，而其他作物的准确率较低，这是由于它们之间的物候相似性。这些发现突显了SAR物候指标在季风作物区分方面的潜力和局限性：对于结构不同的作物可取得有效结果，但对于谷物-豆类组合仍存在持续混淆，需要进一步采用多传感器方法进行研究。

**引言**
农业是印度经济的支柱，季风作物（Kharif作物）在确保粮食安全方面发挥着关键作用。这些作物高度依赖季节性降雨，因此容易受到气候变率和极端事件（如降雨量和时间、干旱和洪水）的影响[1]。这些气候风险，加上传统的、劳动密集型的田间作物监测方法的局限性，迫切需要更有效、近乎实时的解决方案。传统监测方法往往无法在作物生长关键阶段提供及时信息，限制了农民快速应对这些气候挑战的能力。

**季风作物的特点和监测挑战**
季风作物通常在季风季节开始时（六月）播种，在季风结束后（十月）收获。这些作物占印度农业总产量的50%以上，因此可靠的、及时的监测对于管理作物健康状况、预测产量以及应对干旱和洪水等自然灾害至关重要[2]。这些作物严重依赖季风降雨，而季风模式的变化（如延迟开始、提前结束或降雨分布不均）会直接影响作物产量。此外，天气条件的波动还可能导致害虫和疾病爆发，威胁作物生产和粮食安全[3]。

**遥感技术在农业监测中的应用**
遥感技术通过实现大规模、实时的作物发育观测，具有高效的农业监测潜力[4,5]。然而，传统光学遥感在季风季节受到持续云层覆盖的严重限制，极大地影响了数据可用性和可靠性。当大多数Kharif作物经历主要物候转变时（六月到九月期间云层覆盖率通常超过80%），光学传感器无法有效工作。等到十月云层消散、光学数据一致可用时，大多数季风作物已经成熟或已经收获，使得光学遥感在生长季节的实时监测不足。

**印度农业的特点**
与许多西方国家相比，印度农田规模小得多。虽然北美或欧洲等地区的遥感研究受益于大片连片的农田，但82%的印度农民是小农户，管理的土地面积不足两公顷[6]。这种碎片化的农田结构使得使用传统遥感技术准确监测作物变得困难，因为这些技术通常是为大型、均匀的农田设计的[7]。因此，了解SAR在小农户农业环境下的响应对于构建可靠的遥感作物监测系统至关重要。

**SAR技术的优势**
合成孔径雷达（SAR）技术提供了一种有效的解决方案，可以克服这些限制。SAR不受天气影响，能够穿透云层覆盖，从而在整个季风季节提供可靠且一致的观测数据[8]。Sentinel-1 SAR数据通过其多极化能力，提供了关于生物量、冠层结构和水分水平的独特见解[9,10]。SAR的全天候、昼夜成像能力使其在光学传感器无法提供充分时间覆盖的情况下特别适用于监测季风作物。

**全球应用情况**
全球范围内，SAR数据已成功应用于小麦[11]、玉米[12]和水稻[13]等主要商品作物的物候监测，成功跟踪了多种天气条件下的作物物候变化。然而，在复杂的小农户系统中同时监测多种季风作物的应用仍然相对不足。尽管一些研究关注了印度的水稻[14,15]，但其他重要季风作物的研究较少。最近的研究展示了Sentinel-1 SAR时间序列在刻画作物物候阶段方面的潜力。Veloso等人（2017）[10]分析了法国小麦和其他作物的VV、VH和VH/VV时间行为，发现VH/VV比率对作物生物量和物候转变特别敏感。Nasrallah等人（2019）[16]利用高斯拟合VV、VH和VH/VV时间序列来检测黎巴嫩的小麦物候阶段。Schlund和Erasmi（2020）[11]表明，VH/VV比率时间序列的转折点在德国小麦的抽穗和收获日期检测中具有很高潜力。对于水稻，研究通过SAR后向散射轮廓跟踪了从移栽到成熟的物候阶段，其中VH极化对冠层发育表现出很强的敏感性[17]。Khabbazan等人（2019）[18]展示了荷兰多种作物的SAR监测方法。这些研究主要集中在欧洲和北美的温带作物上。热带季风小农户作物系统的SAR基物候表征仍处于起步阶段。

**SAR在印度农业中的应用**
监测季风作物不仅对于预测产量和资源管理至关重要，而且在干旱和洪水等灾害缓解中也非常重要，因为这些作物极易受到季风灾害的影响。基于SAR的作物监测已被证明是评估作物健康、预测产量和资源管理的有效方法，尤其是在天气条件受限的偏远或难以到达地区[19]。然而，在印度，由于农田规模小、多季种植和复杂的地形，中分辨率（10至30米）遥感数据的有效性受到限制[20]。尽管有一些关于印度某些季风作物的遥感研究，但大多数研究要么一次只关注一种作物，要么局限于较小地理区域[15,21,22,23,24]。在印度的Kharif季节，基于SAR的研究主要集中在水稻制图和面积估计上。Singha等人（2019）[15]使用Sentinel-1 VH后向散射轮廓和随机森林分类技术绘制了孟加拉国和印度东北部的稻田地图。Kushwaha等人（2022）[24]利用Sentinel-1的VV、VH、VH/VV和RVI参数评估了古吉拉特邦的水稻生物物理参数，发现早期生长阶段存在强相关性。Ghosh等人（2025）[25]记录了印度Sundarbans地区的Kharif水稻RVI轮廓的变化，显示VH后向散射从移栽到生长高峰期逐渐增加。除了水稻，其他Kharif作物的研究较少。Kumaraperumal等人（2017）[26]研究了泰米尔纳德邦的玉米和棉花的瞬时后向散射特征。Kumar等人（2021）[27]记录了特伦甘纳邦玉米的VH后向散射特征。Verma等人（2019）[28]结合SAR和光学方法研究了贾坎德邦的稻米、玉米和指形小米。Neetu等人（2021）[29]评估了中央邦Hoshangabad地区水稻和大豆的Sentinel-1和RADARSAT-2分类效果。然而，这些研究主要集中在作物面积估计和分类上，缺乏详细的物候特征提取和评估。此外，大多数研究仅限于覆盖单一作物或特定地理区域的单点真实数据，缺乏系统性的多作物、多区域跨农业气候条件下的物候比较框架。据我们所知，目前尚无研究系统地提取和评估基于SAR数据的全面物候指标，并在统一框架下考察多个地区和作物类型的季风作物动态。本研究旨在通过在不同地理区域使用SAR时间序列数据对多种作物进行详细物候分析，提供基于天气独立观测的全面理解，并为作物分类提供信息。

**小结**
几种基于SAR的植被指数（如雷达植被指数RVI、双极化SAR植被指数DPSVI以及VV和VH后向散射的组合[17,22,24,30,31]已用于作物制图和植被特征描述。虽然这些指数也可以通过多时相SAR数据构建为时间序列来描述季节性作物动态，但本研究采取了不同的方法，直接从整个生长季节的多日期后向散射值（VH、VV）及其比率（VH/VV）中推导出季节整合的物候指标（如峰值时间、生长持续期、阈值交叉和曲线下面积）。原则上，类似的物候指标也可以从RVI或其他SAR指数的时间序列中提取，但不同指数公式的比较评估超出了本研究的范围。近期研究还展示了基于全时间序列深度学习方法（如长短期记忆LSTM网络）在作物分类中的潜力[32,33,34]。虽然这些方法可以达到高分类性能，但它们通常需要密集、连续的时间序列、较大的训练数据集和更高的计算复杂性。此外，这些数据驱动的模型作为不透明的学习系统，无法提供明确的物候行为表示。这些限制在季风小农背景下尤为明显，其中的小块农田（通常小于2公顷）、由于降雨开始时间不稳定导致的播种日期不一以及有限的地理参考训练数据，都限制了数据密集型方法的应用。在这样的系统中，理解作物动态对于解释分类准确性至关重要。由于本研究的主要目标是通过合成孔径雷达（SAR）观测来理解季风植物的物候特征，我们采用了一种基于物候指标的框架，而不是单一日期指数或像素级时间序列分类器。我们的方法从完整的Sentinel-1 VV和VH数据中衍生出季节性综合指标。

为了解决上述研究空白，本研究围绕以下关键目标展开：

1. 分析SAR衍生的时间剖面（VV、VH、VH/VV），以了解不同农业气候区作物的特异性物候行为。
2. 提取并评估物候指标，包括关键阈值、持续时间测量、物候曲线形状和峰值信号值，以识别用于作物分类和物候解释的稳健特征。
3. 使用随机森林分类器评估物候指标的分类性能和跨区域适用性，突出其在小农系统中的操作潜力和局限性。

在这项研究中，我们使用仅Sentinel-1 SAR数据，探索了印度中部五个不同农业气候区五种主要季风作物（大豆、水稻、黑豆、玉米和棉花）的物候特征。我们的目标是比较这些作物的播种和收获日期以及关键物候阶段与SAR观测获得的时间剖面，从而为依赖季风的地区开发出一种更加稳健的、不受天气影响的作物监测框架。

研究分为三个主要部分。在第一部分中，我们分别分析每种作物的物候特征，观察SAR数据在不同地理区域捕获的物候阶段的时间进程。在第二部分中，我们通过作物间的比较，从整体上研究这五种作物的物候特征，重点比较各种SAR衍生物候指标，包括局部极值、阈值穿越指标、持续时间指标、曲线形状描述符和曲线下面积特征。在第三部分中，我们评估这些SAR衍生物候指标在作物分类应用中的操作实用性，全面分析这些不受天气影响的指标如何用于不同农业气候区的实际农业监测。最终，本研究旨在通过展示SAR衍生物候指标在具有挑战性的季风期间的潜力，为作物监测和管理的进步奠定基础。

**研究区域**
中央邦的农业高度依赖西南季风，降雨量从西部的约800毫米到东部的约1500毫米不等。传统的雨养农业使该地区容易受到降雨量变化和极端天气事件（如干旱和洪水）的影响。先前的研究也记录了农民对气候变率的担忧以及对适应性措施的需求[35]。我们的研究在印度中央邦的五个地区进行，每个地区位于不同的农业气候区（ACZ）：Vidisha（文迪亚高原）、Hoshangabad（中央纳尔马达河谷）、Chhindwara（萨特普拉高原）、Dhar（马尔瓦高原）和Khargone（尼马尔河谷），如图1所示。选择这些地区是为了代表多样化的气候和土壤条件，从而全面了解不同地区的作物表现。这些地区的主要土壤类型是黑土（Vertisols），年降雨量在800毫米到1300毫米之间。本研究选择的五种主要作物（大豆、水稻、黑豆、玉米和棉花）合计占中央邦2021-2022年卡里夫季（Kharif）作物种植面积的约90%，其中大豆占主导地位（38%），其次是水稻（25%）、玉米（14%）和黑豆（9%）和棉花（4%）。根据印度农业和农民福利部经济统计局的最新五年数据估计，中央邦对印度农业生产贡献显著，占全国大豆产量的45%、卡里夫季玉米产量的20%、卡里夫季水稻产量的5%、卡里夫季黑豆产量的38%和棉花总产量的5%。本研究在2021年卡里夫季期间对这五个农业气候区进行了实地调查，每个地区选取了20 × 20公里的样本来覆盖主要作物类型。利用地区和次级地区的统计数据以及当地专家的意见，确保了样本分布的合理性。该研究区域包括五个地区的289个农田，每个地区至少有50个农田，每种作物每个地区至少有10个农田，以确保数据的代表性和可靠性。这些农田主要包括74个大豆田、72个玉米田、58个水稻田、56个棉花田和29个黑豆田。每个田地的多边形在实际边界内至少向外扩展10米，以避免边缘效应，如图2所示，确保数据收集的准确性。

**图1.** (a) 显示印度中央邦五个农业气候区的五个研究区域地图。这些地区分别是Vidisha（文迪亚高原）、Hoshangabad（中央纳尔马达河谷）、Chhindwara（萨特普拉高原）、Dhar（马尔瓦高原）和Khargone（尼马尔河谷），每个地区用其前两个字母标注。10月第一周的农田照片：(b) 黑豆田，(c) 大豆田，(d) 玉米田，(e) 水稻田，(f) 棉花田。

**图2.** 本研究中使用的农田示例，用红色标记，并叠加在Google Earth图像（左）和SAR RGB合成图像（右）上，后者使用了2021年7月29日（红色）、8月22日（绿色）和9月27日（蓝色）的VH后向散射数据。

**图3.** 基于实地调查和地区作物日历，展示了五个地区五种作物的作物日历。每种作物的生长阶段用颜色编码的条形表示，从育苗到成熟的不同物候阶段。背景中绘制了降雨趋势（蓝色垂直线）和温度变化（灰色阴影区域），显示了作物生长期间的天气情况。这些地区的平均季风季节温度范围为23°C至32°C，7月和8月由于季风降雨量较大而气温较低。Vidisha、Hoshangabad和Dhar的气温在25°C至31°C之间，而Khargone和Chhindwara的气温略低，Chhindwara的平均气温在25°C至27°C之间。7月和8月的强降雨会调节气温，随后随着季风季节的结束气温逐渐升高。选定的作物生长阶段与季风季节一致，播种通常在6月下旬到7月初开始。大多数作物有重叠的生长期，分别用绿色水平条形表示。收获期从10月持续到12月，像大豆和黑豆这样的作物在10月成熟，而棉花则持续成熟到12月/1月。

**3. 数据与方法**
3.1. SAR时间序列处理
对于SAR数据，我们使用了C波段的Sentinel-1地面范围检测（GRD）产品，其工作频率为5.404 GHz，波长为5.55厘米。数据来自Sentinel-1A和Sentinel-1B卫星的干涉宽波束（IW）模式，采用下行轨道获取，提供双极化（VV和VH）图像，名义上的重访周期为12天。虽然两颗卫星的数据都被使用了，但主要来自Sentinel-1A卫星。由于上行轨道的覆盖范围在空间上不一致且大部分研究区域无法获取，因此选择了下行轨道的数据。数据在Google Earth Engine（GEE）中进行了预处理，包括去除热噪声和校准，以生成正射校正后的后向散射系数（σ0）。VH与VV的比率以分贝（dB）表示，计算公式为：
σ0VH/VV [dB] = σ0VH [dB] ? σ0VV [dB]
其中σ0VH和σ0VV分别是VH和VV极化方向的后向散射系数值。这一公式基于对数性质，即两个值的比值等于它们的差值[10,37,38]。

为了校正入射角对后向散射值的影响，使用参考入射角（θ_ref = 38.2°）对Sentinel-1系数进行了角度归一化，该角度是根据所有研究地区的平均入射角得出的。归一化后的后向散射计算公式为：
σ0_norm = σ0_obs × [cos(θ_ref)/cos(θ_obs)]
其中σ0_obs是观测到的后向散射值，θ_obs是观测到的入射角，θ_ref是参考入射角[39]。

由于季风季节持续性的云层覆盖严重限制了光学数据的可用性，因此必须使用SAR数据。Sentinel-1 GRD产品用于提取2021年季风季节（1月至12月）的VV和VH后向散射时间序列，重访周期为12天。对于每个像素，提取了VV和VH波段的后向散射值（以dB为单位）。同时计算了每个日期的VH/VH比率，以捕捉极化对比[11,40]。为了减少斑点和时间噪声，对每个像素的时间序列应用了Savitzky–Golay（SG）滤波器。测试了多种参数组合，包括窗口大小3、5、7和9，以及多项式阶数2、3和4。最终选择的参数（窗口大小=5，多项式阶数=3）基于平滑度、物候峰值和最小值的保留以及物候曲线形状特征的保持。较小的窗口（3）会保留过多噪声，而较大的窗口（7、9）会过度平滑信号并减弱物候显著的峰值。三阶多项式能够充分捕捉非线性生长和衰老动态，而不会过拟合。所选参数位于SAR和遥感时间序列平滑文献中常用的范围（窗口3–7，多项式阶数2–4）[13,41,42,43]内。然后使用三次插值将这些平滑后的值转换为日时间分辨率，从而提取时间积分的物候指标。在Savitzky–Golay滤波步骤中隐式处理了异常值。通过将原始后向散射值与所有研究区域的采集日期的插值值进行比较，验证了SG滤波和插值的准确性。平均RMSE分别为VH的1.77 dB和VV的1.41 dB（VH的范围为1.66–2.02 dB；VV的范围为1.27–1.59 dB），数据缺失率为0–3.4%。虽然SG滤波在光学NDVI时间序列中的时间平滑验证已经很成熟[44]，但据我们所知，SAR后向散射时间剖面的可比定量基准尚无报道。

3.2. SAR物候指标
为了考虑不同田地和地区之间的播种和收获日期的差异，我们从平滑和插值后的SAR后向散射波段（VV、VH、VH/VV）时间序列中提取了一整套时间积分的SAR指标。这些特征是使用定制的Python（版本3.12）流程计算得出的，旨在捕捉每个像素响应曲线的时间动态。提取的特征被组织成五个主题集（A-E），每个集合针对作物物候或信号形状的特定方面：

- **集合A（季节性极值）**：高峰期的最大值（PSMV）、播种期的最小值（SMV）、收获期的最小值（HMV）及其对应的日期（PSMD、SMD、HMD）。从每日时间序列中识别局部最小值和最大值，根据季风作物日历选择播种期和收获期的最小值（SMV和HMV），以及高峰期植被生长时的最大值（PSMV）。
- **集合B（阈值穿越）**：信号在上升期（播种阶段，SP）和下降期（收获阶段，HP）穿越25%、50%和75%峰值幅度的日期和值。阈值计算公式为：
SP_t_V = SMV + t × (PSMV ? SMV)
HP_t_V = HMV + t × (PSMV ? HMV)
其中t = 0.25、0.50或0.75。对应的日期（SP_t_D、HP_t_D）表示信号穿越这些阈值的日子。C组（持续时间指标）：在25%、50%和75%阈值交叉点之间的持续时间（天）：D_t = HP_t_D ? SP_t_D
D组（曲线形状描述符）：增长和下降斜率、对称性指数以及峰值强度：
Slope_Grow = (PSMV ? SP25V)/(PSMD ? SP25D)
Slope_Decline = (HP25V ? PSMV)/(HP25D ? PSMD)
Symmetry = (HP25D ? PSMD)/(PSMD ? SP25D)
Peak Intensity = (PSMV ? SP50V) + (PSMV ? HP50V)
E组（曲线下面积）：在匹配阈值日期之间的积分信号测量值（AUC25、AUC50、AUC75），使用基于基线调整后的信号在每个区间内进行梯形积分计算得出。例如，AUC25代表从SP25D到HP25D之间的曲线下面积。AUC_t = ∫(SP_t_D to HP_t_D) [σ0(DOY) ? σ0_min] dDOY
其中t = 25%、50%或75%，SP_t_D和HP_t_D是相应的阈值交叉日期，σ0_min是积分窗口内的最小后向散射值。
每个特征都是针对三个SAR波段（VV、VH、VH/VV）独立计算的，并在前面加上波段前缀（VV_、VH_、VHbyVV_）以保持一致性。所有基于日期的指标都表示为年中的日期（DOY），其中DOY 1 = 1月1日，DOY 365 = 2021年12月31日。对于由于信号幅度弱或噪声导致无法可靠识别局部极值的异常情况，采用了回退策略。播种最低值（SMV）和收获最低值（HMV）分别定义为季风季节开始和结束时的最小后向散射值，而高峰期最大值（PSMV）定义为季风期间的最大后向散射值，并计算出相应的日期。由于所有剩余的物候指标都是从这三个锚点（SMV、HMV、PSMV）及其对应的日期（SMD、HMD、PSMD）派生出来的，因此它们通过相同的回退方法进行处理，确保在所有时间剖面上指标提取的一致性。这些指标结合使用，提供了一种紧凑、可解释且计算效率高的方法，仅利用天气独立的SAR观测数据来捕捉作物动态和田间条件（图4）。图4. 从平滑的VH后向散射时间序列中提取的SAR物候指标的示意图。标记了主要的物候点，包括高峰期最大值（PSMV）、播种期最低值（SMV）、收获期最低值（HMV），以及播种阶段（SP）和收获阶段（HP）在25%、50%和75%阈值处的交叉点。阴影区域表示阈值水平之间的曲线下面积（AUC）。

3.3. 统计分析和分类
进行了统计分析，以评估SAR衍生物候指标在五种作物类型中的区分能力。计算了方差分析（ANOVA）F统计量来评估整体作物区分能力，而Tukey诚实显著差异（HSD）测试[45]用于评估作物之间的成对均值差异。Jeffries–Matusita（J-M）距离[46]用于量化成对类别的可分性。对于作物分类，使用了scikit-learn实现的随机森林分类器，该分类器具有100棵树，并进行了类别平衡以解决样本量不均的问题。数据被分为训练集（70%）和测试集（30%），使用分层抽样来保持类别比例，确保来自各个田地的数据点都保持在同一子集中，以防止空间自相关[47]。评估了多类（同时包括五种作物）和二元（特定作物与所有其他作物）分类方法。进行了跨区域迁移性分析，以评估模型在不同农业气候区间的泛化能力，模拟在实际应用中一个区域训练的模型应用于该州内其他区域的情况。使用包括总体准确率、用户准确率、生产者准确率和F1分数在内的标准指标来评估分类性能。进行了特征重要性分析，以确定最具区分性的SAR物候指标，用于操作性作物监测应用。

4. 结果
4.1. 特定作物的物候分析
4.1.1. 大豆
印度Hoshangabad地区大豆的C波段SAR后向散射系数（VV和VH）及其比值（VH/VV）的时间剖面显示，在2021年生长季节中出现了明显的物候转变，与已建立的作物日历一致。尽管作物关键阶段的日期范围很广（图5中的彩色垂直条），SAR时间序列中的具体拐点和趋势提供了对大豆物候的更细致的时间洞察，从而能够更精确地划分生长阶段。播种和早期发芽后（珊瑚色，7月中旬），VH和VH/VV都显示出急剧增加，表明在生长期（绿色，7月下旬至8月下旬）生物量迅速积累且冠层复杂性增加。从播种到豆荚早期发育期间，VH和VV的稳步上升反映了生物量的积累。开花期（金色，8月下旬至9月中旬）VH、VV和VH/VV的峰值表明冠层发展到最大程度，体积散射占主导地位，这表明其在检测物候转折点方面的实用性。图5. 2021年季风季节期间印度Hoshangabad地区代表性大豆田的Sentinel-1 SAR后向散射时间序列的时间剖面。实线代表使用Savitzky–Golay滤波和每日插值获得的VH和VV后向散射（以分贝为单位）以及VH/VV比值（以分贝为单位），点代表实际SAR采集日期的原始后向散射和比值，颜色对应于图中所示的作物生长阶段：播种/发芽（珊瑚色）、生长期（绿色）、开花期（金色）和豆荚发育期（橙色）。随后，在豆荚发育期（橙色，9月中旬至10月初），观察到VH和VH/VV显著下降，这主要归因于叶子的衰老和冠层水分含量的减少。这一趋势持续到成熟期（棕色，10月中旬），此时VH和VH/VV达到最小值，反映了衰老冠层减少的体积散射以及来自干燥土壤和植物残余物的贡献增加。成熟期三个指标同步下降，与结构崩溃一致[48]。成熟期后的后向散射特征返回到裸土水平，表明了印度中部密集种植系统典型的田地清理行为。成熟期后的信号下降证实了田地清理情况，提供了收获时间的间接证据。这种不同极化的明显后向散射响应为划定关键大豆物候阶段提供了可靠的指示。

4.1.2. 水稻
从Sentinel-1 SAR后向散射（VH、VV）和VH/VV比值在2021年季节观察到的Hoshangabad地区水稻的物候剖面显示了与地面报告的作物阶段一致的趋势（图6）。移栽阶段由于田地积水，后向散射值较低，VH达到大约-25 dB，VV达到大约-13 dB，这与文献中的描述相符，即积水的水稻田由于水面镜面反射会产生较低的雷达回波[49]。移栽后，在生长期，两种极化的后向散射都呈现上升趋势，VH的敏感性尤为强，从-25 dB增加到-8 dB，这已在先前的研究中得到证实，即VH极化对植物生物量和冠层结构复杂性的增加反应明显[50]。开花期出现峰值后向散射，VH达到大约-8 dB，这与研究结果一致，即最大植被发育会产生最高的SAR回波，因为此时体积散射条件最佳。在谷粒形成和成熟期间，VH下降到大约-22 dB，反映了植物水分含量减少和结构变化导致的后向散射强度降低。该图与已建立的SAR-水稻物候关系非常吻合，特别是VH的强烈敏感性以及VH/VV比值在增强物候区分方面的有效性，而相对较弱的VV响应与文献中关于水稻VV动态范围减小的一致性观察结果相符[51,52]。图6. 2021年季风季节期间印度Hoshangabad地区代表性水稻田的Sentinel-1 SAR后向散射时间序列。实线代表使用Savitzky–Golay滤波和每日插值获得的VH和VV后向散射（以分贝为单位）以及VH/VV比值（以分贝为单位），点代表实际SAR采集日期的原始后向散射和比值，颜色对应于图中所示的作物生长阶段：苗圃（浅珊瑚色）、移栽（浅蓝色）、生长期（浅绿色）、开花期（金色）和成熟期（棕色）。

4.1.3. 小黑豆
从7月份开始对Vidisha地区的小黑豆进行的SAR时间序列分析显示，在2021年Kharif季节期间，C波段极化下的特征物候响应。播种/发芽阶段（7月初至月中旬）VH（蓝色）和VH/VV比值（绿色）显示最低值，分别约为-27 dB和-8 dB，此时SAR信号主要与土壤表面相互作用[10]。在VH上升之前，VV的值相对较高，可能是由于土壤准备和土壤中水分含量的增加（图7）。在生长期（7月中旬至8月中旬），所有偏振测量值都显示出持续增加，反映了豆科作物的特征性冠层发育。开花期（8月中旬至8月下旬），VV（橙色）和VH（金色）同时达到峰值，分别约为-7 dB和-12 dB。随着作物水分的减少，VV的下降比VH更早开始，这解释了成熟期和开花后期VH的下降。豆荚发育期，两种极化的下降都较为明显，VV的下降更为迅速，因为小黑豆植物逐渐干燥，露出的土壤逐渐清晰可见（图1和图7），突显了VV对水分和土壤相互作用的更高敏感性。在成熟期（9月中旬至10月初），所有三个指标均同步下降，这与结构崩溃一致[48]。成熟期后的后向散射特征返回到裸土水平，表明了田地清理的即时性，这是印度中部密集种植系统的典型特征。成熟期后的信号下降证实了田地清理情况，提供了收获时间的间接证据。这些不同的极化后向散射响应为划分关键大豆物候阶段提供了可靠的指标。

4.1.4. 玉米
2021年生长季节印度Hoshangabad地区玉米的C波段SAR后向散射系数（VV和VH）及其比值（VH/VV）的时间剖面清楚地展示了作物的物候发育（图8）。播种/发芽阶段（6月下旬至7月初），VH和VH/VV比值显示最低的后向散射值，分别约为-21 dB和-11 dB，反映了最小的植被覆盖和主要的地面相互作用[10]。在漫长的生长期（7月初至8月中旬），所有偏振参数都显示出显著增加，其中VV的上升最为明显，从-10 dB增加到-7 dB，反映了C4光合作用和玉米高大株型的快速生物量积累。在8月中旬的早期生长期，VV达到峰值，约为-7 dB，这可能是由于最高的冠层高度和生物量积累。然后在抽丝/结穗和棒状果穗发育阶段，VH的值保持相对稳定。VH和VH/VV的比值持续增加，反映了随着谷粒填充和棒状果穗在三维冠层中的成熟，体积散射的贡献增加。成熟期（9月中旬至10月初），所有参数逐渐下降，VV的下降更早，因为植物干燥，露出的土壤通过衰老的冠层变得越来越明显。独特的SAR时间特征确认了C波段极化后向散射能够有效区分玉米的生长阶段转换，并捕捉到与自然衰老和收获准备相关的成熟后期田间动态[53]。图8显示了2021年卡里夫季节霍尚加巴德地区玉米种植的C波段SAR后向散射时间序列的时间轮廓。实线代表使用Savitzky–Golay滤波和每日插值得到的VH和VV后向散射（以分贝为单位）以及VH/VV比率（以分贝为单位），而点代表实际SAR采集日期的原始后向散射和比率值，用相应的颜色表示。彩色垂直条带表示生长阶段：播种/发芽（珊瑚色）、营养生长（绿色）、抽丝/结穗（金色）和成熟（棕色）。

4.1.5. 棉花
2021年生长季节印度卡尔戈恩地区棉花的C波段SAR后向散射系数（VV和VH）及其比率（VH/VV）的时间轮廓清楚地展示了棉花的延长生长过程，这与棉花较长的生长周期相符，某些田块根据品种和播种时间的不同，生长周期甚至可能延续到一月份。在播种和发芽阶段，VH和VV都处于季节性最低值，此时SAR后向散射主要由土壤反射组成（图9）。随着作物进入营养生长阶段，VH迅速升高并早早稳定下来，反映了棉花典型的持续冠层体积和结构发育。然而，VV则更加缓慢且稳定地增长，直到开花期，此时出现一个更尖锐、更明显的峰值，表现为一个尖锐的上升而不是一个宽广的平台。开花期以这个明显的VV峰值为标志，而VH在整个生长过程中相对平坦，因为在早期营养生长阶段已经稳定下来。这种差异导致一些田块的VH/VV比率在开花期下降，这一现象也在类似研究中得到报告[10,54]，其中开花期间VV的急剧增加导致VH/VV比率相应下降。开花后，VV在结铃期间开始提前下降，而VH保持稳定，从而导致VH/VV比率再次上升。延长的成熟期持续到十二月，有时甚至延续到一月，这表明棉花的生长周期比许多其他作物更长。这些SAR信号模式，特别是明显的VV开花峰值结合稳定的VH，形成了一个可靠的生长阶段标识，突显了多极化SAR在追踪像棉花这样的长周期作物结构和时间的变化方面的实用性。图9显示了2021年生长季节卡尔戈恩地区棉花种植的C波段SAR后向散射时间序列的时间轮廓。实线代表使用Savitzky–Golay滤波和每日插值得到的VH和VV后向散射（以分贝为单位）以及VH/VV比率（以分贝为单位），点代表实际SAR采集日期的原始后向散射和比率值，用相应的颜色表示。彩色条带表示生长阶段：播种/发芽（珊瑚色）、营养生长（绿色）、开花（金色）、结铃（橙色）和成熟（棕色）。

4.2. 多作物生长阶段比较
在前一节中，我们对单个作物的生长阶段进行了详细分析。在这一节中，我们将分析扩展到多作物比较。具体来说，我们检查了局部极值处的数值及其对应的日期，重点关注播种和收获时期的局部最小值以及生长阶段的局部最大值，评估哪些作物生长阶段与观察到的局部最大值最为吻合。然后，我们评估了多种SAR衍生指标，包括局部极值的变异性、阈值 crossing 值、基于持续时间的指标、曲线形状描述符和面积下的曲线度量，以确定它们的相对区分能力。这些分析共同提供了系统性的评估，说明了不同特征家族如何捕捉特定作物的生长阶段模式，并实现了稳健的多作物分离。

4.2.1. 局部极值及其对应日期的变异性
本节结合分析了Sentinel-1 C波段SAR后向散射值（图10）及其在关键生长阶段的年天数（DOY）对应值（图11）：播种附近的局部最小值（SMV/SMD）、高峰期的最大值（PSMV/PSMD）以及收获前的最小值（HMV/HMD）。图10显示了五个主要季风作物（大豆、水稻、芜菁、玉米、棉花）在五个不同地区的三个SAR指数（VH、VV、VH/VV）在播种（SMV：播种最小值—蓝色，HMV：收获最小值—红色）和收获（HMV：收获最小值—红色）附近的局部最小值范围。地区名称由其首两个字母表示：Ho（霍尚加巴德）、Vi（维迪沙）、Dh（达尔）、Ch（钦德瓦拉）和Kh（卡尔戈恩）。y轴表示以分贝为单位的指标值，x轴表示作物和地区组合。图11显示了多个作物（大豆、水稻、芜菁、玉米、棉花）在不同地区的播种（SMD：播种最小值DOY—蓝色，HMV：收获最小值DOY—红色）和收获（HMV：收获最小值DOY—红色）附近的局部最大值（PSMV：高峰期最大值DOY—绿色）的年天数。阴影区域表示围绕平均值的分布：播种附近观察到的局部最小值分布（蓝色）、收获附近观察到的局部最大值分布（绿色）以及接近收获日期的局部最小值分布（红色）。y轴表示年天数（DOY），x轴表示作物和地区组合。在所研究的作物中，棉花最为独特，其生长周期约为180天，所有极化方式和地区的PSMV和HMV值通常都较晚，通常超过DOY 300。棉花在高峰期的SAR后向散射值也最高，特别是在VH、VV和VH/VV指标上，PSMV的值几乎在所有地区都达到最高范围。这些高峰值归因于其密集的冠层和富含水分的结构，这增强了VV极化中的二次反射[10]。水稻在不同地区的生长阶段变化较大，通常比大豆和芜菁成熟得晚，但比棉花早。地区间的变异性可能反映了不同的种植习惯。水稻在高峰期的VH后向散射值也较高，表明其冠层密集且富含水分。玉米则始终表现出早期生长阶段，高峰期的时间通常在DOY 240–260之间，比棉花和大多数水稻都早。它在高峰期的SAR后向散射信号较强，尤其是在VV和VH/VV波段，通常超过芜菁，在许多情况下也超过大豆，尽管仍低于棉花。芜菁的收获时间始终最早，且在所有地区和极化方式下的时间变化都非常小。该作物在高峰期的VV后向散射值最低，PSMV值始终低于其他作物，表明其冠层结构稀疏或植株高度较低。大豆表现出中等程度的生长阶段一致性，某些参数具有显著的一致性。大豆的VH峰值分布范围较窄，与其他作物相比。大豆的峰值和收获时间通常在DOY 250-280之间，位置介于棉花和水稻之前，但略晚于芜菁（图11）。在许多地区，大豆的VV后向散射值在棉花之后排名第二，表明在生长高峰期有大量的生物量积累。

极化特异性模式为作物区分提供了宝贵的见解。棉花在高峰期的VH和VV极化模式下显示出最高的SAR后向散射值，而玉米在VH/VV比率中显示出最高的值。VH波段在SMV和PSMV之间的动态范围最大（约10分贝），这证实了其对生物量积累和冠层发育的强烈敏感性。大豆和芜菁的DOY时间更加一致，反映了它们更均匀的生长。VV波段虽然在跟踪生长方面的动态性较小，且随时间的变化较小，但提供了关于地表条件的宝贵信息，但由于其对土壤条件和植被结构的双重敏感性，其解释可能比VH更复杂[24]。VV对于某些作物（棉花具有非常高的VV PSMV；芜菁具有非常低的VV PSMV）具有很好的区分能力，表明VV对于特定作物类型具有价值。VH/VV比率作为一个标准化的指标，通过最小化环境和地表影响，提供了更稳定的结构变化视图。它在高峰期显示出明显的作物分离（尤其是对于水稻和玉米），而棉花和玉米的HMV值升高表明存在持续的收获后残留物。不同作物之间的收获最小值和时间显示出良好的分离，某些作物保持了较高的残余后向散射值。棉花显示出最高的收获残留物，而芜菁和大豆则显示出相对较低的值，这可能反映了不同的收获后田间条件或作物残余物管理实践。

4.2.2. 阈值 crossing 指标
对12个SAR阈值 crossing 指标进行了多方面的统计分析，以确定它们在区分五种作物类型方面的有效性。分析使用了ANOVA F统计量来评估整体五作物区分能力，Tukey HSD检验来评估成对平均差异，以及Jeffries–Matusita（J-M）距离来量化成对类别的可分离性。对于整体五作物区分，VV极化中的HP75V产生了最高的F统计量（F = 1287），其次是SP75V（F = 1048）和HP50V（F = 958），同样也在VV波段；而基于日期的指标显示出显著较低的F统计量（图12）。75%阈值指标的性能几乎是50%阈值的两倍（SP75V：F = 1048 vs. SP50V：F = 582），表明接近高峰期的生物量时段提供了最佳的区分窗口。VV波段中HP75V和SP75V的KDE图（图12顶部）显示棉花的分布与其他四种作物明显分离。Tukey HSD结果对于HP75V（VV）显示棉花和芜菁之间的平均差异最大（平均差异 = 2.54分贝），J-M距离为0.32，是所有作物对中最高的。相比之下，谷物-豆类群（大豆、玉米、芜菁、水稻）的分布有明显的重叠，平均差异通常<0.5分贝。特征空间图（图12底部）证实了这一模式，双变量组合的可分离性得分约为47/100，棉花（紫色）是唯一明显可分离的簇，而其他作物显示出密集的重叠。图12显示了基于SAR的阈值 crossing 指标的ANOVA F统计量热图（左上），核密度估计（KDE）图（右上）和特征空间散点图（底部），这些指标针对不同的阈值（播种和收获侧的25%、50%和75%峰值）以及不同的极化波段和比率（VH、VV、VHbyVV）。特征空间图显示了相应指标之间的双变量关系，可分离性得分量化了二维类别的分离情况。

4.2.3. 持续时间指标
持续时间指标（D25、D50、D75）用于根据生长周期长度评估作物差异，这些指标测量了生长和衰老阈值之间的时间差。D50（VH）获得了最高的F统计量（F = 525），其次是D25（VH，F = 429）和D75（VH，F = 244），在所有持续时间指标中VH极化的表现始终优于VV和VH/VV（图13）。尽管统计上显著，但这些指标通常不如基于强度的阈值指标在整体作物区分方面有效。图13显示了每种作物在所有三种SAR特征类型（VH、VV、VH/VV）中的持续时间指标（D25、D50、D75）的分布。棉花在所有持续时间指标中表现出显著更长的生长季节（图14）。Tukey HSD结果显示棉花和芜菁之间的平均差异约为34天，棉花和大豆之间约为29天。小提琴图（图13）确认了棉花的中位持续时间（D25约为140–150天）明显高于其他作物，而芜菁的值最低。然而，水稻、大豆、玉米和芜菁之间的J-M距离值<0.2，表明这一组内的可分离性较差。KDE分布（图14）显示D25-VH和D50-VH提供了清晰的棉花分离，而D75-VH/VV显示出较差的区分能力，所有作物紧密聚集。特征空间散点图（图14底部）显示持续时间-极化组合的可分离性得分为46.6–47.2/100，证实了中等的整体区分能力。图14显示了五种作物类型的持续时间指标（D25、D50、D75）的F统计量热图（左上）、核密度估计（KDE）图（右上）和特征空间散点图（底部），指标针对不同的极化波段和比率（VH、VV、VHbyVV）。物候曲线形状描述符
物候曲线形状描述符用于表征季节性SAR后向散射剖面的几何和时间特性。峰值显著性（= (PSMV ? SP50V) + (PSMV ? HP50V)）通过测量峰值与周围50%阈值水平的差异来量化信号强度对比度。斜率增长捕捉从25%阈值到峰值生物量的冠层发育速度，斜率下降量化从峰值到25%阈值的衰老速度，对称指数衡量生长和衰老阶段之间的时间平衡。在曲线形状描述符中，峰值显著性（VV）表现出最高的区分能力（F = 222），其次是斜率增长（VH波段：F = 115）和VV波段（F = 105）（图15）。斜率下降表现中等（VH波段：F = 43，VV波段：F = 23），而对称指数显示出最低的F统计量（VH波段：F = 15，VV波段：F = 30）。KDE图显示棉花在峰值显著性VV波段有明显的分离（约12–18 dB），而其他作物则集中在4–8 dB之间。对于斜率增长，所有作物的分布都在0.1–0.2 dB/天左右，且有显著重叠。时间后向散射剖面（图16）进一步说明了这些模式：棉花在VV波段表现出明显的信号对比，具有明显的峰值和低谷，而大豆和玉米的季节性变化较为温和。在VH波段，所有作物都显示出与季风同步的生长模式，水稻则具有独特的剖面形状。

4.2.5. 曲线下面积
曲线下面积（AUC）指标表示在相应阈值穿越日期之间积分的SAR信号能量，提供了整个生长季节作物冠层持续性和生物量积累的全面度量。与捕捉特定物候时刻的点基指标不同，AUC指标量化了较长时间内的总信号贡献，因此特别适用于区分具有不同冠层结构、生物量密度和季节性持续性的作物[55]。三种AUC变体（25%、50%、75%）分别捕捉生长周期的不同阶段：AUC25涵盖了从早期出苗到晚期衰老的广泛季节窗口，AUC50聚焦于核心生长期，而AUC75则分离出峰值生物量阶段。AUC25（VH波段）表现出最高的区分能力（F = 277），其次是AUC50（VH波段：F = 237）和AUC75（VH波段：F = 101），且在所有阈值水平上VH极化始终优于VV和VH/VV（图17）。KDE分布显示棉花在峰值显著性VV波段的AUC值明显较高（约1500–2500），而其他作物为约500–1000）。AUC25 > AUC50 > AUC75的层次结构表明更宽的时间窗口提供了更强的作物区分能力。然而，谷物-豆科作物（大豆、水稻、乌拉德、玉米）在所有AUC变体上都有显著的重叠，其中棉花是唯一能够明显区分的作物。

4.3. 使用物候指标进行作物分类
为了评估第4.2节中推导出的物候指标的操作实用性，我们使用平衡随机森林和字段级别的数据分割进行了全面的作物分类分析，以防止空间自相关[47]。多类分类的整体准确率为48.3%，其中棉花的性能最高（F1分数：0.79，用户准确率：69%，预测准确率：91%），其次是玉米（F1分数：0.54），大豆（F1分数：0.43），水稻（F1分数：0.42）和乌拉德（F1分数：0.32）（图18）。混淆矩阵（图19）显示，整体的中等准确率源于谷物-豆科作物群内部的系统性错误分类。乌拉德的混淆情况最严重，被误分类为大豆（305例）和玉米（304例）。同样，大豆经常与乌拉德（141例）和玉米（127例）混淆，而玉米也与大豆（177例）混淆。相比之下，棉花实现了425次正确分类，且混淆情况最少（仅17例被误分类为玉米）。二元分类确认了这些模式：棉花表现出出色的检测能力（437个真正例，32个假正例），而乌拉德的召回率较低（414个真正例，484个假正例）。多类混淆矩阵（上部）显示了所有五种作物的分类结果，而二元混淆矩阵（下部）显示了单个作物的检测性能（作物与其他作物之间的对比）。二元与多类比较（图18）显示棉花在多类分类中表现更优（F1分数：0.79 vs. 0.75），而乌拉德和大豆在二元分类中的表现有所提高（乌拉德：0.44 vs. 0.32；大豆：0.47 vs. 0.43），这表明这些作物在单独检测时比在多作物场景中更容易被识别。特征重要性分析显示VH极化占前20个特征的65%，峰值特征（PSMV、SP75V、HP75V）的表现优于时间特征。棉花依赖于VV强度特征（VV_HP75V、VV_SP75V），玉米偏好VH/VV比率（VHbyVV_PSMV），而水稻则依赖于时间特征（VV_SMD、VV_SP25D）。

4.4. 区域间泛化
为了评估不同农业气候区之间的模型可转移性，我们对每种作物分别进行了二元跨区域测试分析。在此分析中，我们在各个区域训练了用于二元分类（目标作物与其他作物）的随机森林模型，并评估了它们在目标作物存在的区域的测试数据上的性能，从而创建了特定作物的可转移性矩阵。这种方法模拟了在实际应用中的场景，即在一个农业气候区为特定作物监测开发的模型被部署到不同区域，同时考虑了区域特定的作物分布以及不同的土壤、气候和管理实践。二元跨区域测试通过在各个区域训练模型并在其他区域进行测试来评估模型的可转移性（图20）。水稻的平均可转移性最高（约74%），其中Vidisha→Hoshangabad的组合性能最佳（0.85）。棉花的可转移性也较强（约72%），Khargone→Chhindwara的组合达0.85。玉米在所有区域组合中的表现较为一致（约60%），Hoshangabad→Khargone的组合达到了0.82。大豆的表现参差不齐（约58%），在Hoshangabad测试时表现尤为差（0.34–0.52）。由于仅两个区域有乌拉德，因此无法充分评估其可转移性（约50%）。

5. 讨论
本研究首次尝试开发并评估了一套新颖的基于SAR的物候指标，用于印度中部五个农业气候区的五种季风作物的区分。将45个时间积分特征整合到五个主题类别中，提供了关于Sentinel-1 SAR基作物监测在小农系统中潜力和内在限制的系统性见解。

5.1. 物候特征和指标性能
时间SAR剖面揭示了结构上不同的作物和物候上相似的作物群之间的基本二分性。棉花的延长物候周期（约180天）和晚收获时间使其与其他作物在时间上分离，而豆科作物组（大豆、乌拉德）表现出压缩的、与季风同步的生长模式，峰值生物量出现在狭窄的30–40天窗口内（生长日240-280）。这种时间上的趋同并非偶然，而是反映了依赖季风的农业实际，其中播种由降雨触发，收获受到季风后田间操作的限制。一个关键发现是，捕捉峰值生物量期间后向散射强度的指标具有最高的区分能力，优于基于物候时间的指标。这表明在峰值生长阶段的结构生物量差异比物候时间变化提供了更好的区分能力，这一发现与Veloso等人（2017年）[10]和Harfenmeister等人（2019年）[37]的研究结果一致，他们报告称C波段后向散射强度在峰值生物量期间能有效捕捉作物特定的冠层特征。另一个重要的发现是AUC25的区分能力优于AUC50和AUC75。这些结果验证了在阈值边界内计算AUC和持续时间的方法的有效性，避免了使用播种和收获最小值定义的物候曲线端点。实际上，由于Sentinel-1的时间序列每隔12天重新采样一次，播种和收获时的真实最小值往往无法准确捕捉[43]。此外，田地可能会受到之前作物残留生物量或随后作物早期建立的影响，导致后向散射增强，在Hoshangabad等密集种植系统中这个问题尤为明显，因为双季或三季种植压缩了物候窗口，使得清晰的端点信号难以观察。相比之下，单季或双季种植模式的地区具有较长的休耕期，从而能够更清晰地检测到最小值。这种差异可能解释了在Hoshangabad训练或测试的分类模型跨区域转移性较差的原因（大豆的准确率为0.34–0.52），因为在不同种植强度下校准的物候指标难以普遍适用。通过在25%阈值边界内计算AUC而不是绝对最小值，这些指标有效地避免了外部田地动态掩盖作物内在信号的区域。同样，峰值季节指标（PSMV、PSMD）作为比播种/收获最小值更可靠的指示器，因为它们受作物系统强度的影响较小，且更符合每种作物的内在生长特性。

5.2. 分类性能和作物分离性
中等的多类准确率（48.3%）需要谨慎解读。混淆矩阵分析显示，系统性错误分类主要发生在谷物-豆科作物群内部：乌拉德被误分类为大豆和玉米，而大豆-玉米之间的混淆也增加了错误。这种模式并非我们方法独特，而是多作物系统中的固有现象。Belgiu等人（2021年）[56]记录了类似的挑战，他们报告说使用光学数据时，玉米、谷物、大豆等作物的时间剖面相似，导致大量错误分类。Skakun等人（2016年）[57]特别指出，玉米和大豆具有共同的作物日历和高度相似的光谱特征，从而导致分类混淆。在半干旱的摩洛哥进行的研究中，将大麦和小麦合并为一个“谷物”类别，因为“这两种作物的物候和植物结构相似”，使得可靠区分变得困难（Moumni & Lahrouni, 2021年）[58]。这些观察共同表明，谷物-豆科作物的区分挑战源于具有相似冠层结构和季风同步生长季节的作物之间的共性，而不是特定方法或传感器的限制。我们的分类准确率与其他基于SAR的热带季风研究相当。在印度南部使用Sentinel-1进行季风作物检测的研究报告称，在Kharif季节仅使用SAR时，水稻的F分数为0.33–0.45，结合Sentinel-2光学数据时提高到约0.60，在无云的Rabi季节则达到0.82–0.98[59]。实现更高准确率的研究通常专注于单一作物检测，例如使用基于规则的方法进行水稻绘图研究，这些方法利用了水稻特有的淹水特征[60]，或者在具有不同作物日历的温带地区进行的研究[60,63,64,65]。此外，许多专注于欧洲农业系统的研究也取得了更高的准确率[61]，但欧洲的种植系统具有更长的生长季节和更大的田地，这与热带地区依赖季风的农业系统有根本差异[62,63,64,65]。VH极化在特征重要性中占比较高（前20个特征的65%），反映了其对累积冠层生物量的体积散射的敏感性，这与交叉极化SAR信号对体积散射和生物量积累的敏感性一致[10,24,37]。值得注意的是，从二元分类分析中出现了作物特定的特征偏好：棉花严重依赖VV极化强度特征（VV_HP75V、VV_SP75V），而玉米偏好VH/VV比率特征，水稻则依赖于时间特征（VV_SMD、VV_SP25D）。

5.2. 分类性能和作物分离性
中等的多类准确率（48.3%）需要仔细解释。混淆矩阵分析显示，系统性错误分类主要发生在谷物-豆科作物群内部：乌拉德被误分类为大豆和玉米，而大豆-玉米之间的混淆也增加了错误。这种模式并非我们方法所独有，而是多作物系统中的固有现象。Belgiu等人（2021年）[56]也记录了类似的挑战，他们报告说玉米、谷物、大豆等作物的时间剖面相似，导致了大量错误分类。Skakun等人（2016年）[57]特别指出，玉米和大豆具有相同的作物日历和高度相似的光谱特征，从而导致分类混淆。在半干旱的摩洛哥进行的研究将大麦和小麦合并为一个“谷物”类别，因为“这两种作物的物候和植物结构相似”，使得可靠区分变得困难（Moumni & Lahrouni, 2021年）[58]。这些观察共同表明，谷物-豆科作物的区分挑战是共有的，因为它们具有相似的冠层结构和季风同步的生长季节，而不是特定方法或传感器的限制。我们的分类准确率与其他基于SAR的热带季风研究相当。在印度南部使用Sentinel-1进行的研究报告称，在Kharif季节仅使用SAR时水稻的F分数为0.33–0.45，结合Sentinel-2光学数据时提高到约0.60，在无云的Rabi季节则达到0.82–0.98[59]。实现更高准确率的研究通常专注于单一作物检测，例如使用基于规则的方法进行水稻绘图研究，这些方法利用了水稻特有的淹水特征[60]，或在具有不同作物日历的温带地区进行。此外，许多关注欧洲农业系统的研究也取得了更高的准确率[61]，但这些欧洲的种植系统具有更长的生长季节和更大的田地，这与热带地区的依赖季风的农业系统有根本差异[62,63,64,65]。VH极化在特征重要性中占比较高（前20个特征的65%），反映了其对累积冠层生物量体积散射的敏感性，这与交叉极化SAR信号的已知敏感性一致[10,24,37]。值得注意的是，从二元分类分析中出现了作物特定的特征偏好：棉花严重依赖于VV极化强度特征（VV_HP75V、VV_SP75V），而玉米偏好VH/VV比率特征，水稻的准确率则强烈依赖于时间特征（VV_SMD、VH_PSMD）。这些不同的偏好表明，在季风系统中，针对单一作物的不同监测策略可能比通用特征集更有效。棉花在所有分析中的优越性能源于其独特的物候特征：延长的生长周期、晚收获时间以及高峰值后向散射，这归因于其密集的冠层结构[26]。在各类别中表现最佳的指标的高F统计量主要受到棉花与其他作物明显分离的驱动。乌拉德和大豆在二元分类中的改进性能表明，当从多作物场景中分离出来时，这些作物具有可区分的特征，但相互混淆会降低整体分类性能。这表明，在季风小农系统中，针对单一作物的检测系统可能比全面的多种作物分类系统表现得更好。5.3. 区域间的可转移性 区域间可转移性分析提供了关于区域鲁棒性的见解。水稻的平均可转移性最高（74%），表明尽管土壤类型、降雨分布和管理方式有所差异，但其物候特征在各个农业气候区保持一致。棉花也表现出较强的可转移性（72%），特别是在Khargone到Chhindwara的区域内，准确率达到了85%，这表明其独特的延长物候特征能够在不同地区可靠地传递。然而，大豆在Hoshangabad地区的表现明显较差（准确率仅为0.34–0.52%），这突显了密集的三熟种植系统如何压缩了作物的物候窗口、增强了相邻作物的基础后向散射信号，并降低了物候指标的区分能力。这种区域间的差异性凸显了为具有不同种植强度的小农系统开发通用模型的挑战[64,66,67]。5.4. 局限性和未来方向 这些结果应基于几个重要限制进行解读。首先，依赖单一年份（2021年）的观测数据限制了对时间鲁棒性的评估。季风开始时间、降雨分布和温度的年际变化可能导致物候时间提前或推迟1–3周。然而，基于强度的指标可能对这些时间变化更为敏感，因为在生长高峰期的相对后向散射幅度主要由作物特有的冠层特征决定，而不是绝对时间。其次，Sentinel-1的12天重访间隔可能会错过对于区分生长季节较短作物至关重要的快速物候变化[11,68,69,70]。虽然在某些地区结合Sentinel-1A/1B的观测可以将其缩短至6天，但与未来的SAR任务和商业星座（如ICEYE、Capella）结合使用，实现1–3天的重访间隔，可能会提高物候特征的精确度[71,72,73,74]。此外，最近的NISAR任务的L波段能力可以通过提供不同的作物结构散射敏感性，补充现有的C波段观测数据，从而可能允许在多个波长上测试类似的物候指标框架[72,75]。第三，仅使用SAR似乎不足以在季风系统中实现全面的多种作物区分。多项研究表明，SAR与光学数据的融合通常可以提高分类准确性[76]，因为光学数据可以提供关于叶绿素含量和植被健康状况的补充光谱信息，这是SAR结构敏感性无法提供的[58,77,78]。6. 结论 本研究开发并评估了一套独特的基于Sentinel-1 SAR的物候指标，用于在季风小农系统中区分五种主要粮食作物。核心发现是，季风同期内的谷物和豆科作物之间的物候相似性限制了仅使用Sentinel-1 SAR进行多种作物区分的能力。在评估的指标中，基于强度的特征在生长高峰期始终比基于时间特征的指标表现更好。针对特定作物的区分结果表明，在季风小农系统中，针对单一作物的检测可能比全面的多作物分类更为实际。水稻和棉花表现出较强的区域间可转移性，而大豆由于与玉米和豇豆的物候相似性而表现不佳。此外，在像Hoshangabad这样的密集三熟种植系统中，可转移性下降，因为缩短的休耕期和12天的重访间隔限制了可靠指标的提取。未来的研究应优先将这一框架扩展到更多的农业气候区和作物类型，进行多年验证以评估时间鲁棒性，并结合光学数据进行多传感器融合，以解决谷物和豆科作物之间的混淆问题。正式比较简化的物候指标和完整的时间序列分类器将进一步有助于评估可解释性和分类性能之间的权衡。