一种基于多维特征驱动的方法，用于利用遥感技术识别青藏高原上的谷物和油料作物 李傲雪， 史海静， 刘洋洋， 文忠明， 阿尔弗雷多·R·韦特， 张洪明， 赵刚， 王叶， 杨光， 杨希华

《Remote Sensing》：A Multi-Dimensional Feature-Driven Method for Remote Sensing-Based Identification of Cereal and Oil Crops in the Tibetan Plateau Aoxue Li, Haijing Shi, Yangyang Liu, Zhongming Wen, Alfredo R. Huete, Hongming Zhang, Gang Zhao, Ye Wang, Guang Yang and Xihua Yang

　　**亮点**
主要发现是什么？
利用Google Earth Engine（GEE）和Sentinel-2数据，为日喀则地区开发了一个高精度的作物制图框架，随机森林模型的准确率达到84.77%。该研究确定了高原大麦、小麦和油菜的空间分布，其中高原大麦在该地区占主导地位。

**主要发现的意义何在？**
这一框架为复杂的高海拔环境中的作物识别提供了有效的解决方案，解决了云层和积雪干扰等挑战。它为偏远地区的精准农业和土地利用管理提供了宝贵的见解，并具有在类似生态区域广泛应用的潜力。

**摘要**
青藏高原高海拔寒冷地区破碎的农田以及持续的云层-积雪干扰，加上不稳定的作物物候特征，使得使用单日期图像或低维特征进行谷物和油料作物识别面临重大挑战。本研究聚焦于青藏高原日喀则河流域的农业区域。通过利用Google Earth Engine（GEE）云计算平台，我们将Sentinel-2遥感数据与实地调查样本数据相结合，提取了谷物和油料作物的种植结构、分布模式和耕种面积。评估了三种机器学习分类器——随机森林（RF）、支持向量机（SVM）和梯度提升树（GBT）——以研究不同特征集和分类器组合对制图精度的影响。结果表明，当使用所有特征带时，随机森林分类器的性能最高，总体准确率为84.77%，Kappa系数为0.64，优于SVM和GBT模型。结合物候和地形特征进一步提高了分类精度，为高海拔环境中的谷物和油料作物识别提供了可靠的框架。根据最优模型估计，2021年的耕种面积分别为：高原大麦581.52平方公里、小麦295.39平方公里和油菜386.81平方公里。这些空间分布与山谷梯田地形和当地灌溉条件高度吻合。这些发现为具有复杂种植结构的地区快速提取作物空间信息提供了新的见解和可靠的方法。

**1. 引言**
粮食安全是国家安全的基本支柱，为经济发展、生态评估和战略治理提供了重要的实证依据[1,2]。精确识别作物类型及其空间分布对于推进精准农业、产量预测和可持续资源优化至关重要[3]。然而，全球农业系统目前正面临前所未有的压力。由于人为活动加剧的土地退化，支持约17亿人口的地区的产量持续下降，从而危及全球农业生产和粮食稳定[4]。此外，气候变化的加剧——表现为干旱、洪水和温度异常等极端事件的日益频繁——继续扰乱作物物候周期、生产力和营养价值。再加上水资源短缺和土壤退化，这些多重因素对谷物和油料作物的可持续种植构成了重大风险。缓解这些威胁需要开发出强大、可扩展且高保真的方法来监测农业用地动态和作物分布，以促进适应性管理和弹性战略规划。
这些挑战在地理上孤立且生态脆弱的地区（如青藏高原）尤为突出。作为世界上最具有挑战性的高海拔和冰冻圈农业环境之一，青藏高原具有极端的气候限制、复杂的地形梯度以及显著的环境异质性。位于青藏高原西南部的日喀则地区体现了这些高山和干旱条件，其农业系统主要由耐寒品种主导，特别是高原大麦、小麦和油菜[5]。然而，该地区广阔的空间规模、稀少的人口以及不足的物流基础设施使得传统的地面调查在物流上不可行且在空间上不够充分[6]。虽然卫星遥感提供了一个可行的替代方案，但在这种冰缘景观中的有效性受到严重土地破碎化、持续云层和积雪遮挡以及显著的时空变异性的限制。此外，短暂且不规律的生长季节导致作物物候轨迹和光谱特征的不稳定性[7,8,9]，影响了依赖单时间序列图像或有限特征集的分类框架的准确性。目前，该领域的研究受到特征维度不足和方法论协同性缺乏的制约。因此，迫切需要建立一个强大、高性能的地理空间框架，以准确描绘西藏农业景观中的谷物和油料作物的空间分布。
基于云的地理空间处理平台（如Google Earth Engine（GEE）从根本上改变了大范围的土地覆盖和作物制图研究[10]。GEE提供了对大量卫星图像（例如Sentinel-2）和高性能计算资源的前所未有的访问权限，能够在区域尺度上高效处理多时间序列数据集[11,12]。通过利用高分辨率的Sentinel-2图像，GEE促进了精细的作物识别，提高了计算效率，并减轻了粗分辨率产品中的混叠效应或数据限制[13]。这种范式转变有效克服了传统地面调查的资源密集型、耗时且缺乏精确制图所需空间细度的限制[14]。
尽管取得了这些进展，但在复杂地形和极端气候环境中进行准确的作物分类不能仅依赖光谱信息。作物光谱特征和物候轨迹受到温度、辐射以及地形因素（如海拔和坡向）的强烈影响，导致“同种作物，不同光谱”的现象[15,16,17]。因此，基于单时间序列观测或低维特征的分类方法容易受到地形阴影、积雪干扰和时空变异性的影响，导致分类结果不稳定且准确性有限[18,19]。因此，整合多维特征（如时间光谱指数、纹理信息、物候指标、地形变量和土壤属性）对于提高高海拔寒冷地区分类的稳健性和准确性至关重要。

**2. 材料与方法**
**2.1. 研究区域**
西藏自治区（TAR）位于青藏高原的西南部，东经78°25′至99°06′，北纬26°50′至36°53′之间，面积约为122万平方公里，平均海拔超过4000米，被称为“世界屋脊”[23]。从气候学角度来看，TAR属于青藏高原冷旱农业气候区，包括寒冷、亚寒冷和温带气候区，表现出明显的垂直气候分区[24]。该地区的气候特点是西北部严寒干燥，东南部相对温暖湿润，冬季漫长，夏季不明显，春秋季界限模糊。年平均气温在-2.4至12.1°C之间，年日照时数在1443.5至3574.3小时之间。降水量存在显著的空间异质性，年降水量在400至1000毫米之间[3]。根据第三次全国土地调查公报，TAR目前拥有4420平方公里的耕地，仅占总面积的0.37%[25]。耕地主要分布在雅鲁藏布江及其支流的河谷、山坡、冲积扇和湖岸平原。根据不同的生物物理和农业条件，该地区的耕地分为三个主要农业区：东部西藏、南部西藏和北部西藏[26]。
本研究重点关注青藏高原中部的两个代表性农业区域：日喀则和山南。日喀则主要用于模型开发和内部验证，而山南用于评估模型的泛化性能。这两个区域都位于西藏南部山谷的主要粮食生产区（图1），总面积约为25.8万平方公里[27]。南部西藏农业区以半农业和半畜牧业为主，东南部以林业为主；它位于冈底斯-念青唐拉山脉以南，横断山脉以西，涵盖雅鲁藏布江谷地、西藏南部高原和喜马拉雅地区。该区域拥有西藏超过60%的耕地，贡献了该地区约70%的粮食产量。高原大麦是主要作物，占耕种面积的约47%，其次是冬小麦（29%）、春小麦（6.7%）和豆类（14.4%）。经济作物主要包括油菜和甜菜，而蔬菜种植主要集中在城市周边地区。

**2.2. 数据集**
本研究使用的数据集包括通过GEE平台获取的Sentinel-2多光谱图像、全球耕地数据集、地形数据、气候再分析数据和土壤数据集。省级、市级和县级的行政边界数据（2024年版）来自中国国家地理信息公共服务平台，作物样本点通过实地调查收集。

**2.2.1. 遥感图像**
(1) Sentinel-2数据
Sentinel-2A和Sentinel-2B分别由欧洲航天局（ESA）于2015年6月23日和2017年3月7日发射，用于系统观测陆地植被、土壤、内陆和沿海水域及相关地表[28]。这两颗卫星都配备了多光谱仪器（MSI），在786公里的高度运行，提供13个光谱带，扫描宽度为290公里[29]。这些光谱带的空间分辨率为10米、20米和60米，覆盖从可见光和近红外到短波红外的波长范围。单颗卫星的重访时间为10天，而组合星座的重访时间为5天。Sentinel-2数据是监测植被健康和作物识别的理想来源[30]。本研究使用了2021年主要作物生长季节的Sentinel-2 Level-2A表面反射率（SR）图像进行作物分类。这些图像是通过Sen2Cor处理器生成的，该处理器应用了大气、光照和地形校正，以提高光谱特征的物理一致性。
(2) 耕地数据
Global Cropland 2019数据集由马里兰大学的研究人员基于多源遥感数据开发，并在GEE平台上公开提供[31]。该数据集提供了2019年的全球耕地分布数据，空间分辨率为30米，能够准确划定区域尺度的耕地边界。它采用二进制分类方案，其中像素值1表示耕地，0表示非耕地。验证结果表明其具有较高的总体准确性，适用于耕地监测、耕地动态分析以及粮食安全和生态研究。在这项研究中，使用了2019年全球耕地数据集作为掩膜来排除非耕地区域，从而减少了背景干扰并提高了谷物和油料作物的分类准确性。(3)行政边界数据2024年的省级、市级和县级行政边界数据来自国家基础地理信息中心，并通过国家地理信息公共服务平台（天地图，2024年版）[32]正式发布。该数据集为这三个行政级别提供了更新的矢量边界数据。(4)其他数据集使用GEE中可用的Sentinel-2 Level-2A产品的QA60和场景分类（SCL）层生成了云、卷云、云影、雪和饱和像素掩膜。通过结合位10和11以及基于SCL的场景分类标识符，这种方法可以逐像素地移除云、卷云、云影、雪和饱和像素[33]。这些掩膜与影像同步更新，并保持原有的10米空间分辨率。地形数据来源于30米NASA SRTM C波段InSAR数字高程模型（DEM），在GEE中计算了高程、坡度和朝向[34]。气候数据来自ERA5-Land月度再分析产品，分辨率为0.1°。2021年的月平均温度和降水量被汇总以得出年度平均值[35]。土壤质地信息来源于250米OpenLandMap USDA土壤质地分类数据集，该数据集利用机器学习空间降尺度整合了Landsat、MODIS、SRTM和全球土壤剖面数据。土壤粘土含量数据来源于250米OpenLandMap粘土质量分数数据集，用于0-5厘米的表土层，该数据集是使用分位数回归森林模型生成的。本研究中使用的所有数据集在表1中进行了总结。表1. 本研究中使用的遥感数据。描述包括数据集名称、来源/传感器、时间和空间分辨率以及主要说明（例如，掩膜类型、衍生变量）。对于地形数据，使用了30米NASA SRTM DEM；对于气候数据，使用了ERA5-Land 0.1°月度数据；对于土壤属性数据，使用了OpenLandMap 250米产品。2.2.2. 野外调查数据(1)基于第三次全国土地调查的耕地分布，确定了日喀则的主要耕地斑块，并据此设计了野外调查路线。2025年7月进行的野外调查通过完全手动的程序从522个有效采样点收集数据：调查人员步行到每个采样点，使用手持GPS设备进行点对点定位，并通过现场手动记录完成纸质调查表格。每个采样点记录了作物代码、调查区域、地理坐标、高程、作物类型、生长阶段、覆盖度、种植模式、表面状况、图像采集状态和飞行ID。经过质量控制和异常记录的去除后，保留了342个有效样本，包括219个高原大麦样本、79个小麦样本和44个油菜样本（表2）。采样点的空间分布如图2所示。表2. 日喀则的采样点数据统计。该表总结了每种作物类型的真实样本点数量和比例（总数n = 359）。图2. 日喀则的采样点分布，包括用于作物（耕地）分类的训练样本和测试样本。地图显示了研究区域内训练样本（用于模型校准）和测试样本（用于准确性验证）的空间分布。为了评估空间泛化能力，从海拔范围相似但种植模式和物候历不同的山南地区收集了一个独立的验证数据集。使用与日喀则相同的野外调查协议，在山南共收集了263个野外样本。这些样本仅用于训练模型的外部验证；也就是说，模型没有使用任何山南样本进行训练。经过质量控制和异常记录的去除后，保留了252个有效样本，包括55个高原大麦样本、147个小麦样本和50个油菜样本（表3）。采样点的空间分布如图3所示。表3. 山南市的采样点数据统计。该表总结了每种作物类型的真实样本点数量和比例（总数n = 263）。图3. 山南市的采样点分布。表格展示了采样点的坐标（X：经度，Y：纬度）。(2)无人机调查数据根据耕地斑块的空间分布和聚集特性，选择了20个代表性地块作为无人机调查地点。使用配备高分辨率光学传感器的多旋翼无人机（UAV）进行了低空航空摄影，从而生成了厘米级的地表影像。飞行路径的设计考虑了地形条件和飞行安全。UAV飞行位置和地面样本点的分布如图4所示。UAV数据采集仅用于支持野外采样操作，如初步现场检查和样本点定位。这些数据没有用于后续的机器学习建模或准确性评估。图4. 日喀则的UAV地面样本点和采样点分布。地图按县显示了采样点，箭头标出了三种示例作物：裸麦、小麦和油菜。2.3. 方法本研究的工作流程图如图5所示。GEE被用作云掩膜和耕地提取的主要平台。该平台还用于系统集成各种数据集，包括植被指数、物候指标、地形变量、气候因素、纹理特征和土壤属性。比较了三种机器学习分类器在不同特征组合下的性能，以量化每个特征类别对作物区分的贡献，并优化特征集和模型配置。该框架建立了一种基于遥感的作物分类方法，适用于高海拔农业地区，在分类准确性和计算效率之间取得了平衡，从而支持复杂环境中的作物制图和监测。图5. 研究的工作流程图。流程图说明了数据准备、多维特征提取（植被指数、物候、纹理、地形、气候、土壤）、七种特征组合方案（方案1-7）、使用GBT、SVM和RF算法的分类，以及最终的作物制图，最终目标是构建一个用于高原作物的智能识别流程。2.3.1. 多维特征提取和波段优化为了提高作物分类模型的区分能力，我们通过整合植被指数和辅助环境变量，从Sentinel-2 Level-2A地表反射率影像构建了一个多尺度、多类型的特征空间。特征空间包括三个互补的维度：（i）年内统计和物候特征，（ii）时间形态和纹理信息，以及（iii）环境约束因素。这些组件共同构成了一个高维特征集，涵盖了光谱、时间、纹理、地形、气候和土壤因素。完整的特征波段列表见表4。表4. 多维特征及其相关指数的总结。表格列出了植被指数（NDVI、EVI、LSWI、NDSVI、NDTI、GCVII）及其衍生统计量（月平均值、标准差、最大值、最小值、谐波项、平滑中位数），以及纹理、地形、气候、土壤和物候特征，包括描述和数据来源。(1)年度统计和物候特征为了表征作物的光谱响应、生物物理特性和环境压力信息，我们推导了六个植被指数。使用Sentinel-2 Level-2A产品中的QA60波段和SCL层屏蔽了云、阴影和雪/冰像素。然后使用0.0001的比例因子重新缩放了地表反射率。基于屏蔽和重新缩放的影像，我们计算了以下指数：归一化植被指数（NDVI）、增强植被指数（EVI）[36]、陆地表面水分指数（LSWI）、归一化干旱指数（NDI）和绿色冠层植被指数（GCVI）。这些指数捕捉了植被的绿色度、对大气干扰的抵抗力、冠层水分状态、干旱压力、栽培特性和叶绿素含量[37,38]。为了利用年内时间信息，在多个时间尺度上提取了统计指标。对于每个指数，计算了月度中位数、平均值、最大值、最小值和标准差。还生成了年度中值组合，以抑制短期噪声和残余污染。使用代表性物候窗口（4月-5月、6月-7月、8月-9月）内的平均值提取了物候特征，以捕捉作物特定的生长节奏。植被指数特征系统在表4中进行了总结。我们还尝试了月度物候窗口（5月、6月、7月、8月和9月），但发现高原季风季节频繁的云层覆盖导致月度组合不可靠。因此，我们采用了双月聚合窗口（4月-5月、6月-7月、8月-9月），这提供了更稳健的作物物候表示，同时不会丢失重要的季节性模式。特征集中仍然包含月度统计量（中位数、平均值等），以捕捉更细致的季内动态。(2)时间模式和纹理信息在NDVI、EVI和LSWI的基础上，我们进一步基于谐波回归拟合推导了平滑的年内指数、纹理特征和季节变化参数。通过年度中值组合时间序列获得了NDVI_smooth、EVI_smooth和LSWI_smooth，从而减少了云层、噪声和异常值的影响。纹理特征是从3 × 3窗口灰度共生矩阵（GLCMs）中提取的，包括同质性、对比度和熵等统计量。这些指标代表了空间结构异质性，特别适用于区分在破碎种植区域中具有相似光谱特征但不同空间模式的作物类型。从谐波回归拟合中得到的季节参数（例如NDVI的余弦和正弦分量）用于表征周期性作物动态。常数项（const_NDVI）反映了随时间变化的基线植被水平，其较高值主要出现在灌溉条件良好且地形相对平坦的密集耕作区域。因此，这个变量作为重要的时间结构特征，用于划分作物发育的变化。(3)环境约束因素地形因素是作物分布的关键环境约束，特别是在高原地区，它们强烈地划分了耕作边界[39]。坡度和高程来自30米SRTM DEM。作为非光谱辅助变量，地形特征与NDVI和EVI等光谱指数结合使用，可以显著提高作物-地形耦合的表示。为了进一步表征环境异质性，还纳入了气候和土壤变量。气候变量包括来自ERA5-Land再分析产品的年平均温度和年累积降水量，这些数据被双线性重采样到30米以匹配Sentinel-2的空间分辨率[40]。土壤变量来自OpenLandMap，包括表土质地类型（USDA分类）和0-10厘米表土层的粘土含量（%）[41]。这些变量反映了土壤的物理结构及其保持水分和养分的能力，从而对作物适宜性提供了重要约束。(4)特征多重共线性诊断为了评估高维特征集（最初有103个波段）中的潜在冗余，我们进行了多重共线性诊断。从342个平衡的训练样本中提取了特征值。使用普通最小二乘回归计算了每个特征的方差膨胀因子（VIF），其中VIF = 1/(1 ? R2)。VIF值大于10通常被认为是严重多重共线性的标志。应用了迭代向后消除程序：在每一步中，移除VIF最高的特征，并重新计算剩余特征的VIF，直到所有VIF值都低于10。该分析在Jupyter Lab（版本4.5.0）中使用statsmodels（版本0.14.0）和pandas（版本2.0.3）库[M27.1]实现。该程序将原始的103个有效特征（在移除常量列后）减少到51个非共线特征，所有VIF值均低于10（表A1）。然而，由于RF由于其使用随机特征间隔和独立于系数估计而天生具有对抗多重共线性的能力，我们还比较了使用完整103个特征集与减少后的51个特征集的RF分类性能。比较使用了相同的训练/测试样本和RF超参数。构建了七种特征组合方案，以系统评估多维特征对作物分类的贡献（表5）。方案1仅使用植被指数特征作为基线。方案2-5分别将植被指数与一个额外的特征类别结合：物候特征（方案2）、地形特征（方案3）、气候特征（方案4）和纹理特征（方案5）。方案6将植被指数与物候、地形、气候和纹理（总共五个类别）结合。方案7进一步增加了土壤特征，形成了六个类别的复合特征集。表5. 本研究中实施的不同特征组合方案（方案1-7）。这些方案逐步增加了额外的特征组（物候、地形、气候、纹理、土壤），以评估它们对作物分类性能的单独和组合效果。需要注意的是，表5中展示的七种方案并不能代表六个特征类别的所有可能组合。在初步实验中，我们还评估了中间组合（例如，VI + 两个类别、VI + 三个类别、VI + 四个类别）。然而，与最佳的单类别添加（纹理）相比，这些中间组合在整体准确性上仅提高了微不足道的幅度（<1.5%），并且它们的表现可以通过方案6和7中观察到的累积趋势来充分说明。因此，为了保持清晰度和关注最有信息量的比较（每种特征类型的单独贡献（方案2-5）以及所有类别的完全整合（方案6和7），我们将它们从最终方案表中省略了。

2.3.2 分类模型构建
为了实现高精度的农田类型识别，我们实现了三种广泛使用的监督分类模型，包括RF、GBT和SVM。
(1) RF分类模型
RF用于带有多维特征堆栈的监督分类，该堆栈包括植被指数统计、平滑指数、物候窗口指标、谐波回归系数（NDVI、EVI和LSWI）、GLCM纹理特征以及地形、气候和土壤变量。RF是一种集成学习方法，由多个决策树组成，以其鲁棒性、强大的泛化能力和抗过拟合能力而闻名[42]。RF模型配置了800棵决策树，每棵树的最小叶节点样本量设置为5。样本采样率为70%，并且在每次分割过程中随机选择10个特征进行分割操作。
(2) GBT分类模型
GBT利用序列残差逼近来提高模型性能。GBT的优势在于它能够逐步拟合复杂的边界，描述特征之间的非线性关系，并对异常值表现出很强的鲁棒性[43]。鉴于土地覆盖分类具有非线性、多尺度和特征耦合的特性，本研究引入GBT作为第二类集成学习模型，其输入特征与RF分类一致。
GBT的参数设置遵循“弱学习器+小步长”的稳定收敛原则，具体参数如下：树的数量设置为400，收缩率为0.05，采样率为0.7，每棵树的最大叶节点数为64。这种参数配置在拟合能力和防止过拟合之间取得了平衡，使其适用于遥感场景中的常见挑战。
(3) SVM分类模型
SVM可以自动识别具有显著区分能力的支持向量，特别适合处理高维数据中小样本的分类问题[44]。输入特征与前面的方法保持一致。SVM采用了径向基函数（RBF）核，关键超参数设置如下：C（成本参数）设置为10，表示平衡边缘最大化和误差容忍度的软边际惩罚系数；gamma设置为0.05，作为RBF核的宽度参数，以控制样本在特征空间中的影响范围。在高维特征空间中，径向基函数SVM（RBF-SVM）构建了一个非线性可分的最佳超平面，对模糊边界和少量异常值表现出强大的性能。

2.3.3 模型训练、准确性验证和泛化能力评估
为了提高模型的泛化能力和对少数类别的分类性能，原始样本首先被随机分为训练集（80%）和测试集（20%）。然后仅对训练集应用了抖动增强技术。具体来说，为每个训练样本生成两组独立的随机数，并分别添加到经度和纬度维度上，扰动幅度约为0.00025°（约25-30米），从而生成了一个增强的训练集。然后将增强后的训练集与原始训练样本合并，并对合并后的训练集进行类别平衡（通过将所有类别下采样到少数类别的大小）。测试集保持为原始未增强的样本。此过程确保训练样本和测试样本之间没有重叠。
模型训练使用GEE平台上的RF、GBT和SVM学习分类器进行。作物类型代码被用作分类属性，系统自动识别并整合了来自影像的输入特征带进行训练。分类结果在耕地掩膜内输出，并附有面积统计信息。准确性使用独立的基于实地的验证数据集和混淆矩阵进行评估。计算了整体准确性和kappa系数，以比较不同模型的分类性能[45]。为了减少样本划分和模型拟合的随机性，我们报告了五次分类运行的整体准确性和kappa系数的平均值作为最终准确度指标。
为了评估在日喀则训练的RF模型的空间可转移性，我们直接将该模型应用于山南地区——一个海拔范围相似但种植模式和物候周期不同的相邻农业区。使用与日喀则相同的实地调查协议从山南收集的独立验证样本共252个点。未经重新训练或参数调整，将训练好的RF模型应用于山南地区。将预测的作物类型与实际标签进行比较，以计算整体准确性和kappa系数。这项测试提供了对青藏高原异质景观下模型泛化的现实评估。

3. 结果
3.1 三种机器学习分类器的准确性评估
为了评估三种机器学习分类器在寒冷高海拔地区对谷物和油料作物的分类性能，使用Sentinel-2影像在日喀则研究区域评估了结合植被指数、物候变量、气候变量、纹理特征、土壤变量和地形变量的七种特征组合方案。在三种机器学习分类器中，RF模型表现最佳，整体准确率达到84.77%，kappa系数达到0.64，表明分类结果与实际作物类型之间有很强的一致性[46]。这一结果超过了遥感作物分类的传统准确度阈值（OA > 80%，kappa > 0.60），显示出高可靠性和实际应用性。根据Landis和Koch标准，kappa值在0.61到0.80之间表示显著的一致性，表明RF模型在研究区域提供了可靠的分类结果。GBT模型的最佳整体分类准确率为78.47%，kappa系数为0.55，表现出中等至高的区分能力。SVM模型的最佳整体准确率为82.89%，kappa系数为0.55（图6和图7）。图6. 不同特征组合的kappa系数热图。图7. 不同特征组合和机器学习分类器的分类准确率热图。基于七种特征组合的平均性能，三种机器学习分类器的平均kappa系数排序为SVM > RF > GBT，而它们的平均整体准确性大致相当。在日喀则研究区域，SVM分类器的平均整体准确率最高（72.33%），分别比RF和GBT高出6个和8个百分点，其kappa系数（0.46）也比RF和GBT高出0.06和0.07（表6）。表6. 三种机器学习分类器的分类准确率。对于每个分类器（RF、SVM、GBT），表格提供了最佳整体准确率、最佳Kappa值、平均整体准确率和特征组合的平均Kappa值。总之，在最佳特征组合下，RF模型表现出最佳的分类性能，而SVM模型在特征组合下的平均性能更为稳定。考虑到分类准确性的上限和模型的稳定性，RF和SVM模型都产生了令人满意的分类结果，其中RF显示出更优越的峰值分类性能。这两个模型可以作为西藏高海拔地区识别谷物和油料作物的有用参考。
为了评估空间泛化能力，训练好的RF模型直接应用于山南地区，无需重新训练。如附录A.2中的表A2所示，独立验证样本的整体准确率为60.00%，kappa值为0.40，表明性能明显下降。这证实了模型的高内部准确性并不能保证跨区域的转移性。对分类图的视觉检查（图A2）表明，模型泛化性能的下降主要源于区域间的空间异质性和物候偏差。虽然模型成功地识别了主要河流谷地的分布模式，但在山南的支流末端区域出现了显著的分类碎片化。详细的插图进一步显示了高寒大麦和小麦之间的严重混淆。这归因于两个地区之间的海拔梯度和物候节奏的区域差异，导致模型从日喀则转移到山南时特征适应性不足。

3.2 特征集构建和波段优化
在所有机器学习分类器中，整合所有特征类别的复合特征方案（方案7）实现了最高的整体准确率和kappa系数。方案7的整体准确率为84.77%（kappa系数为0.64），比方案1（58.56%，表7）高出26.21个百分点。以RF分类器为例，仅使用植被指数特征时的平均整体准确率仅为58.56%。随着物候、气候、纹理、土壤和地形特征的逐步整合，整体准确率提高到了84.77%。SVM和GBT也观察到了类似的改进趋势，表明多维特征整合显著提高了作物分类性能。表7. 不同特征组合方案（方案1-7）使用RF、GBT和SVM分类器的分类准确率表。表格展示了每个方案-分类器对的总体准确率（%）和kappa系数。从优化的RF模型中得出的特征重要性和袋外（OOB）准确性分别在图8和图9中显示。特征重要性排序如下：植被指数 > 气候变量 > 纹理特征 > 土壤属性 > 地形因素 > 物候指标。植被指数在重要性排名中占主导地位，其中四个最重要的特征属于这一类别（图9）。关键指数如sin3_LSWI、cos6_LSWI和sin3_NDVI各自将OOB准确率提高了63%以上，证实了它们在分类中的基础作用。图8. 特征重要性。图9. 袋外准确性。气候特征，特别是与温度和降水相关的指标，在重要性上排名第二，提供了适度改善分类性能的补充信息。纹理特征有助于根据冠层结构细节区分作物类型，而土壤和地形特征的影响相对较小。然而，某些与土壤属性和海拔相关的变量在特定条件下仍提供了局部的区分信息。
OOB准确率范围从57.41%到65.28%，表明不同特征之间的预测贡献存在显著差异（图10）。只有六个特征显示出优异的区分能力（OOB > 64.00%），11个表现良好（63.00–64.00%），66个表现中等（61.00–63.00%），20个表现较差（≤61.00%）。使用≥63%的OOB阈值，选择了17个高度区分的特征来形成优化的特征子集（表8）。表现最好的特征包括EVI_4_5（OOB = 65.28%）、GLCM_NDVI_smooth_savg和NDVI_8_9（两者OOB值均为64.81%）。值得注意的是，三个物候特征和三个纹理特征位列前六，强调了它们在捕捉作物生长动态和结构模式方面的共同重要性。移除20个贡献较低的特征（OOB < 60.00%）有效地减少了维度，同时保持了分类性能。图10. 不同特征组合方案的分类结果。（随机森林、梯度提升、支持向量机与方案6或方案7）。每个图（a–f）代表一个模型-方案组合：(a) RF + 方案6，(b) RF + 方案7，(c) GBT + 方案6，(d) GBT + 方案7，(e) SVM + 方案6，(f) SVM + 方案7。右侧的两个视图显示了主图中红色框区域的详细信息。表8. 高区分特征及其OOB准确性。

3.3 基于VIF的特征减少对分类准确性的影响
迭代VIF消除过程移除了49个特征，最终得到了一组51个特征，所有VIF值均低于10（最大VIF = 9.76）。被移除的特征主要是GLCM纹理带和一些谐波成分（例如，const_NDVI、const_EVI和LSWI_smooth）。保留特征的最终VIF值显示在图A1中。图A2显示了递归VIF过滤后选定特征的皮尔逊相关矩阵。研究结果表明，初始多源特征（尤其是GLCM纹理指数）之间的高度多重共线性得到了有效缓解。剩余的大部分变量表现出较低到中等的相关系数，确保了输入特征为随机森林分类器提供了非冗余的信息。当仅使用选定的51个特征重新训练RF模型时，整体准确率（OA）从84.77%（使用全部103个特征集）下降到65.0%，卡帕系数从0.64下降到0.44（表A1）。这一下降表明，对于随机森林来说，移除高度共线的特征并没有提高分类性能，反而降低了性能。我们将这归因于两个因素：（1）RF对多重共线性不敏感，因为它在每次分割时随机选择一组特征；（2）一些共线特征（例如多个GLCM纹理）携带了互补的空间信息，有助于在异质性的青藏高原景观中区分作物。因此，最终分类保留了全部特征集。

3.4. 主要谷物和油料作物的空间分布
结合多维时间序列特征和机器学习模型，能够在日喀则高精度地识别主要的谷物和油料作物。图10显示了在不同特征组合下三种机器学习分类器的分类结果。
（1）RF分类结果
基于RF的分类图（图10b）识别出三种主要作物：高寒大麦、小麦和油菜。2021年，高寒大麦的分布面积为581.52平方公里，小麦为295.39平方公里，油菜为386.81平方公里（表9）。小麦在高原中部和北部分布稀疏，形成离散的斑块，这反映了由于季节性灌溉限制而导致的有限的大规模连续种植。油菜主要分布在交通走廊和冲积扇区，形成线性或点状斑块，这反映了其对热资源和灌溉资源的依赖性。RF分类器通过整合多时相光谱、纹理和地形特征，产生了具有高分类准确性和强地理解释性的作物分布图。
表9. 2021年使用方案7通过RF、GBT和SVM分类器得到的各种作物的分类面积（平方公里）。

（2）GBT分类结果
基于GBT的分类图（图10d）识别出三种主要作物：高寒大麦、小麦和油菜。2021年，高寒大麦的分布面积为525.41平方公里，小麦为333.16平方公里，油菜为404.53平方公里（表9）。GBT分类图显示高寒大麦主要分布在河流谷地的中部和山麓地区，形成与河谷冲积平原紧密对齐的线性条带状图案。小麦主要集中在开阔、坡度平缓的山间盆地中，形成连续的斑块。油菜则散布在坡度适宜的低海拔地区，反映了其局部化的种植偏好。尽管其准确率略低于RF模型，但GBT在复杂地形环境中表现出良好的适用性。

（3）SVM分类结果
基于SVM的分类图（图10f）识别出三种主要作物：高寒大麦、小麦和油菜。2021年，高寒大麦的分布面积为1267.07平方公里，小麦为0.03平方公里，油菜为0.03平方公里（表9）。根据基于SVM的分类图，高寒大麦是主要作物类型，主要分布在南部和中部地区的河流谷地，形成连续的条带状图案。小麦和油菜的分类结果几乎无法识别。其他土地覆盖类型（灰色）主要集中在高海拔和非农业区域，边界清晰，表明SVM模型在区分农业和非农业土地覆盖方面具有很强的能力，但在区分少数作物类型方面表现有限。尽管SVM模型取得了相对较高的整体准确率和卡帕值，但在识别小麦和油菜时存在显著的遗漏错误。

4. 讨论
4.1. 机器学习模型性能和基于GEE的工作流程在青藏高原高寒作物分类中的可行性
本研究解决了基于遥感的作物识别中的一个关键挑战：在复杂地形、严峻气候条件和不稳定光谱响应下，开发出一个健壮且准确的框架来绘制谷物和油料作物的地图[7,8]。通过利用基于云的GEE平台，我们将多时相Sentinel-2影像、多维特征集和机器学习分类器整合到一个统一的映射工作流程中。这一框架有效克服了传统实地调查和单时相图像分类的局限性[6,18,19,47]，证明了基于云的遥感在偏远高海拔地区进行农业监测的可行性和可扩展性。
方法学创新：与以往通常依赖单一特征类型（例如仅光谱或仅时间）的研究[20,21]不同，我们的工作引入了六种特征类别的协同组合，这些特征类别是专门为高原的环境异质性量身定制的。此外，整个流程——从数据预处理（包括使用Sentinel-2 Level-2A地形校正产品）到特征提取（月度统计、物候窗口、GLCM纹理、谐波回归和外部环境层）以及分类器训练——完全在GEE环境中实现。这种原生云方法消除了对本地数据下载和高性能计算基础设施的需求，这对于数据稀缺地区的操作性映射是一个显著的优势[47]。据我们所知，这是首次系统评估这种综合特征集来区分青藏高原中部的高寒大麦、小麦和油菜的研究之一。
我们系统评估了三种机器学习分类器的分类性能：RF、SVM和GBT。其中，RF在高原环境中的表现优于SVM和GBT。这种优越性归因于RF的算法结构和研究数据的特性。SVM算法通过识别最优超平面来对数据进行分类。当应用于高维和非线性数据（如本研究中观察到的高寒大麦、小麦和油菜之间的显著特征重叠）时，其泛化能力往往受到限制[48]。当训练样本不平衡时，这种限制尤为明显，因为SVM模型倾向于偏好多数类，导致小麦和油菜的分类输出稀少或缺失，这种现象可以描述为类别崩溃。相比之下，RF通过自举抽样生成多个决策树，从而能够有效建模非线性关系，并增强对噪声和类别不平衡的鲁棒性。这些结果表明，集成学习模型更适合于具有强烈环境异质性的高海拔农业系统。

4.2. 多维特征整合和降维分析的机制解释
一个关键发现是，物候、地形和纹理特征的整合显著提高了分类准确率。这一结果直接解决了长期以来在高原作物映射中存在的“相同光谱–不同对象”问题[17,49]。在青藏高原，作物生长周期和光谱特性受到地形因素（如海拔和朝向）的强烈影响，同时生长季节短暂且多变。物候指标（例如关键生长阶段的NDVI轨迹）捕捉了不同作物的独特时间节奏；地形特征（如海拔、坡度）解释了由海拔依赖的水热应力驱动的光谱空间差异；纹理特征通过提供空间上下文信息增强了作物的可区分性。它们的联合整合建立了一个超越纯光谱识别的时空环境特征表示系统，显著提高了模型在复杂高山环境中的鲁棒性。
从机制上讲，地形特征的有效性可以与高原的地形控制微气候联系起来。高寒大麦通常种植在排水较好的稍高梯地上，而油菜则倾向于占据土壤湿度较高的较低、较平坦的区域。因此，海拔和坡度可以作为这些土壤和水文条件的代理。同样，物候特征（特别是6月至7月的NDVI和LSWI轨迹）反映了作物冠层对夏季短暂温暖的快速响应。土壤粘土含量的纳入进一步提高了区分度，因为高寒大麦和小麦对不同的土壤质地有偏好。这些机制联系解释了为什么完整特征集（方案7）始终优于简单的方案。

降维分析和“共线性悖论”：递归反向消除程序将特征集减少到51个非共线变量（所有VIF < 10）。然而，仅使用这51个特征重新训练RF分类器导致整体准确率（从84.77%下降到65.0%）和卡帕系数（从0.64下降到0.44）显著下降。这一“共线性悖论”对我们的研究具有重要的启示：在日喀则这种破碎的高海拔环境中，特征冗余可能有助于模型的鲁棒性。共线特征包含微妙的、重叠的时空信号，RF通过其随机特征子空间选择机制有效地利用了这些信号。与线性模型不同，RF非常适合捕捉相关变量之间的非线性相互作用。仅基于线性VIF指标移除这些变量会导致信息损失和模型欠拟合。因此，我们在最终模型中保留了全部特征集，以最大化区分信息，并在附录A中提供了完整的共线性分析，以确保透明度。

4.3. 异常结果分析、泛化能力和未来方向
异常结果分析：尽管模型取得了较高的整体准确率，但我们观察到了一些特定的误分类模式。最显著的异常发生在地形复杂的区域（例如陡峭的南向坡度），在那里高寒大麦和小麦经常被混淆。在这些区域，太阳光照角度在短距离内变化剧烈，尽管使用了Sentinel-2 Level-2A产品，残余的阴影效应仍可能导致光谱混淆。另一个异常是在研究区域西部油菜面积的系统性高估，可能是由于与早期绿色植被（例如杂草）的光谱相似性，在完全覆盖之前。这些异常突显了需要更精细的地形归一化（例如使用高分辨率DEM和基于物理的BRDF模型）以及使用非常高分辨率的影像进行验证的必要性。
泛化能力：当前的工作流程是基于从日喀则地区收集的实地样本开发和验证的，该地区是青藏高原中典型的农牧区。为了测试其可转移性，我们将训练好的RF模型（使用全部特征集）直接应用于山南地区，该地区具有相似的海拔范围，但作物种植模式和物候时间表不同。如第3.1节所述，整体准确率从84.77%（内部验证）下降到60.0%，卡帕系数从0.64下降到0.40。这种显著的性能下降表明，模型学习了特定于地点的特征-作物关系，这些关系在青藏高原范围内不具有很好的泛化能力。主要的错误来源是高寒大麦和小麦之间的混淆，可能是由于山南地区物候窗口的重叠，以及油菜和早期杂草之间的混淆。这表明，虽然特征集本身在理论上是可转移的，但学习到的分类规则仍然高度依赖于具体地点。未来的工作应采用领域适应策略，如主动学习、迁移学习或结合更稳定的物候特征，以提高跨区域的泛化能力。
限制和未来优化：几个额外的限制指出了未来工作的方向。首先，模型提取的作物面积与官方统计数据之间存在差异。这可能是由于混合像素和田地碎片化，或者采样代表性和空间单元的不匹配。未来的工作将从更广泛的实地调查和与农业统计单元的更精细对齐中受益。其次，虽然模型在主要谷物和油料作物方面表现良好，但其区分次要作物或作物内部变种（例如不同成熟期的青寒大麦）的能力尚未得到验证。结合更细粒度的物候参数（例如动态时间扭曲）或利用深度学习模型（例如卷积神经网络）可能有助于解决这些限制。第三，尽管当前工作流程在日喀则的典型农业区域得到了验证，但其在整个青藏高原的适用性仍需进一步测试，该地区具有多样的农业生态系统。将框架扩展到气候变化情景可以进一步增强其在动态作物监测和产量评估中的适用性。

5. 结论
本研究开发了一个基于云的作物映射框架，使用GEE平台评估了三种机器学习分类器和多维特征组合在青藏高原上识别谷物和油料作物的性能。主要结论如下：
（1）从分类性能的角度来看，RF分类器在验证样本上的整体准确率为84.77%，卡帕系数为0.64，表明分类结果与实际作物分布之间有很强的一致性。(1) 支持向量机（SVM）和梯度提升树（GBT）的预测性能均不如随机森林（RF），RF的总体准确率分别高出2个和5个百分点。(2) 在日喀则地区对谷物和油料作物进行分类时，基于RF模型得出的特征重要性排序为：植被指数 > 气候变量 > 组织结构特征 > 土壤属性 > 地形因素 > 物候指标。结合气候、地形和物候特征显著提升了在寒冷高海拔条件下的分类性能，这表明这些特征相对于通常用于低地地区的特征集具有更重要的意义。(3) 根据最优模型估算，2021年的种植面积分别为：高原大麦581.52平方公里、小麦295.39平方公里、油菜386.81平方公里。这些种植区域的分布与山谷-梯田地形及灌溉条件密切相关。高原大麦主要分布在雅鲁藏布河谷和冲积扇地带（坡度<6°，海拔3800–4050米）；小麦则主要分布在缓坡地带；油菜则集中于灌溉渠道附近的低阶梯田上。总之，所提出的基于地理增强引擎（GEE）的RF框架为高精度作物制图提供了一种可靠且可扩展的方法，适用于高山寒冷地区，并为青藏高原的可持续农业管理和粮食安全监测提供了重要的技术支持。