利用多传感器时间序列和机器学习技术绘制苹果果园防雹网系统的分布图 作者：Danielle Elis Garcia Furuya, édson Luis Bolfe, Taya Cristo Parreiras, Victoria Beatriz Soares, Franco da Silveira, Jayme Garcia Arnal Barbedo, Thiago Teixeira Santos 和 Luciano Gebler

《Remote Sensing》：Mapping Anti-Hail Net Systems in Apple Orchards Using Multisensor Time Series and Machine Learning Danielle Elis Garcia Furuya, édson Luis Bolfe, Taya Cristo Parreiras, Victória Beatriz Soares, Franco da Silveira, Jayme Garcia Arnal Barbedo, Thiago Teixeira Santos and Luciano Gebler

　　**亮点**

**主要发现是什么？**
本研究证明，可以使用多传感器卫星时间序列和人工智能技术对苹果园中的防冰雹网系统进行映射。通过随机森林（Random Forest）和一维卷积神经网络（1DCNN）模型，能够以较高的分类准确率识别网的颜色差异（白色、黑色和无网状态）。

**主要发现的意义是什么？**
将HLS数据与Sentinel-2数据的整合为监测异质农业景观中的果园管理实践提供了可靠的框架。与土壤和水分相关的光谱指数（特别是BSI和NDWI）在提高分层映射级别的分类性能方面发挥着关键作用。

**摘要**
苹果园越来越多地采用防冰雹网来缓解气候风险；然而，这些结构会改变冠层的反射率，给遥感监测带来挑战。本研究提出了一个操作框架，用于绘制巴西Vacaria地区不同防冰雹网条件下的苹果园地图。利用Sentinel-2以及Harmonized Landsat的多传感器地表反射率数据生成了密集的光谱指数时间序列，并结合了实地观测结果。评估了五种光谱指数：归一化植被指数（NDVI）、增强植被指数（EVI）、土壤调整植被指数（SAVI）、归一化水指数（NDWI）和裸土指数（BSI），并分别以及在不同层次的分类框架中进行了综合分析。随机森林（RF）和一维卷积神经网络（1DCNN）被作为补充的机器学习方法应用。结果显示，RF在不同层次上的性能更为稳定；而各指数在不同尺度上的贡献有所不同：BSI和NDWI在更广泛的层次上更有效，而EVI和SAVI对于区分网的颜色至关重要。据我们所知，这是首次应用多传感器时间序列和机器学习技术来绘制苹果园中的防冰雹网系统。

**1. 引言**
苹果是全球最重要的经济作物之一，在温带和亚热带地区都有广泛种植。然而，该行业面临着与气候变率和变化相关的日益增长的挑战，包括温度变化、降水模式改变以及极端天气事件频率的增加[1,2]。其中，冰雹是危害最大的因素之一，能够严重降低产量和果实品质[3]。为了减少这些风险，过去几十年里在多个苹果生产区采用了防冰雹网[4]。这些网虽然可以减少冰雹的直接损害，但也会通过改变太阳辐射、水分、温度、湿度和风动态来影响果园的微气候[3,5,6]。尽管防冰雹网在减少生产损失方面有效，但它们也会改变冠层的反射率，从而使得通过遥感技术监测苹果园变得复杂。
遥感（RS）已被越来越多地应用于多年生作物，以支持作物制图、物候监测和产量估算[7,8]。已经测试了多种方法、传感器和分析框架，从植被指数和光谱-时间分析到先进的机器学习和深度学习方法[9,10,11,12]。然而，由于光谱异质性、复杂的冠层结构和管理方式，多年生作物的制图仍然具有挑战性。当存在防护网时，由于冠层的光谱响应被掩盖或改变，这一挑战进一步加剧[13]。尽管防冰雹网的使用范围不断扩大，但很少有研究关注其在遥感应用中的可检测性，大多数研究主要集中在农学和生理影响上。
多传感器时间序列的应用为克服这些限制提供了新的机会。Harmonized Landsat和Sentinel-2（HLS）产品结合了Landsat和Sentinel-2的高时间分辨率，使得光谱指数时间序列（SITS）更加密集，提高了捕捉细微冠层差异和管理效果的能力[14,15]。Sentinel-2数据因其更高的空间分辨率和在植被研究中的广泛应用而具有价值[16,17]。这些数据集可以共同为防冰雹网及其变体的可检测性提供互补的见解。
光谱指数如归一化植被指数（NDVI）、增强植被指数（EVI）、土壤调整植被指数（SAVI）、归一化水指数（NDWI）和裸土指数（BSI）长期以来被用来评估植被活力、土壤暴露程度和含水量[18,19]。当这些指数以时间序列的形式应用时，它们增强了监测物候动态和土地利用变化的能力。然而，指数的选择和数量会影响分类结果。关于所需指数的最小数量、它们在不同传感器之间的相对重要性以及在不同机器学习框架下的稳定性，仍存在未解之谜。
Furuya等人（2025年）[20]的最新综述指出，目前尚未有研究应用人工智能算法来绘制苹果园中的防冰雹网系统。分析显示，只有一篇文章使用遥感技术（特别是Sentinel-2图像）进行了相关研究，但未结合机器学习或深度学习方法。这一空白代表了重要的研究机会，因为将强大的分类算法与光谱时间序列相结合可以增强对网状果园的自动检测和表征。填补这一空白对于推进多年生作物监测的方法论框架和支持防护系统下的农业管理至关重要。虽然尚未有同行评审的研究使用机器学习/深度学习技术绘制苹果园中的防冰雹网，但最近的一篇会议论文[21]展示了在巴西Vacaria地区应用随机森林和Sentinel-2图像进行网检测的可行性，总体准确率达到0.76。这表明了机器学习方法在这一任务中的潜力，同时也强调了需要更强大的算法和多传感器框架。

**2. 材料与方法**
为了实现本研究的目标，采用了分步的方法（图1），从野外数据采集到准确性评估。每个步骤将在以下小节中详细说明。
**2.1. 研究区域特征**
Vacaria位于巴西南部Rio Grande do Sul州东北部，属于大西洋森林生物群落，面积约为2125平方公里。它是巴西第二大苹果生产地，2021/2022季节的产量约为254,000公吨[23,24]。自2010年以来，该地区产出了Rio Grande do Sul州约37%的苹果，以及巴西总量的约17%。Rio Grande do Sul州的东北部和Santa Catarina州的南部因适宜的温度和地形条件而在苹果生产方面尤为突出[2]。
**2.2. 协变量和遥感数据集**
映射覆盖有防护网的苹果园是一种新颖的自动作物制图方法，因为这些覆盖材料的合成特性引入了额外的光谱复杂性。这些结构通过改变光照强度、散射模式和背景贡献来改变冠层的反射率。它们产生的部分遮挡和各向异性反射会扭曲植被信号，影响光合作用和植被生长[3]。为了考虑这些效应，本研究采用了一组互补的光谱指数（表1）来捕捉不同的表面和光照特性。植被活动通过NDVI（归一化植被指数[29]、EVI（增强植被指数[30]）和SAVI（土壤调整植被指数[31]）来评估。EVI用于缓解NDVI在高生物量条件下易饱和的倾向，减少对光照和大气变化的敏感性。SAVI用于解释由于网覆盖和未覆盖苹果园之间的冠层密度和遮挡模式差异导致的土壤暴露变化。NDWI（归一化水指数[3]）用于捕捉潜在的冠层水分增加以及防护网下调节后的微气候带来的水分损失减少。最后，BSI（裸土指数[3]）用于检测土壤暴露和与苹果园管理相关的结构差异。整合这些指数有望提供更全面的苹果园在防护结构下的光谱行为特征，从而支持在人工修改环境中开发可扩展且可靠的产量制图模型。
本研究使用Sentinel-2多光谱仪器（MSI）— ESA（欧洲航天局）和HLS图像来比较空间和时间分辨率对苹果园制图的影响。目标不仅是检测和表征网状结构，还包括了解更精细的空间细节（Sentinel-2中的10米）与更高的时间频率（HLS中高达两天）如何影响区分网覆盖像素与邻近土地利用和土地覆盖（LULC）类别的能力。Sentinel-2的第二级表面反射率数据使用Google Earth Engine（GEE）进行了处理。
对于HLS数据，考虑了两个收集周期：HLS.S30（S2表面反射率）和HLS.L30（Landsat表面反射率），同样使用GEE获取。研究期间从2024年1月1日持续到2024年12月31日。所有数据中云覆盖率低于90%的都纳入了分析，以排除几乎完全被遮挡的场景，尽可能保留有效像素。这确保了观测的时间密度更大，并减少了序列中的空白期。该标准还通过避免系统性地删除整个日期，减少了对湿润时期的偏差，因为在湿润时期云层出现频率更高。因此，部分无云区域仍然被利用，保持了插值所需的空间和时间一致性。我们选择使用2024年的遥感数据来定义2025年3月在现场识别的土地利用类型（LULC）类别，基于三个前提：（i）截至调查日期的主要土地利用变化已经会在2024年的图像中捕捉到；（ii）Vacaria地区更稳定的土地利用类型，如苹果园、牧场和自然植被，近期发生转换的概率较低；（iii）尽管有一些动态类型（例如一年生作物）可能会每年发生变化，但使用2024年的数据可以降低错过这些变化的风险。最后，Sentinel星座在2024年末发生了重大变化，Sentinel-2A被新推出的Sentinel-2C取代[34]。因此，使用这些变化之前的数据可以避免与这一过渡期相关的 revisit频率和校准的潜在波动。

初步预处理包括基于SCL（用于S2）和Fmask（用于HLS）波段的云层、阴影、积雪和高气溶胶掩蔽。对于每张图像，反射率波段被映射到一组标准的光谱通道，然后计算相应的指数。每张图像都标记有采集日期、传感器（HLS情况为S30或L30）以及云层覆盖元数据。由于HLS数据集的采集间隔不规则，因此使用中位数 revisit频率来定义一个固定的时间网格进行重采样。在研究区域内，这个中位数 revisit频率大约为三天。

在Google Collaboratory环境中，首先按日期汇总了每日观测数据；对于HLS，当两种传感器都可用时，优先选择Landsat-30（L30）。这是必要的，因为HLS框架使用Landsat Operational Land Imager（OLI）-美国地质调查局（USGS）作为带通调整和双向反射分布函数（BRDF）规范化的参考标准。与GRI之前的Sentinel-2采集相比，Landsat产品提供了更高的地理定位精度和校准稳定性[34]。然后将每个数据集映射到其原始的规则网格：Sentinel-2映射到5天的网格（2024年1月1日至2024年12月31日），HLS映射到同一时期的3天网格（中位数时间分辨率）。每个序列都被重新索引到这个网格，并使用pandas库版本2.2.2中的“time”方法进行线性时间插值，然后进行前向和后向填充以消除边缘的剩余空白。所有插值序列都通过Daubechies-4（db4）小波变换进行平滑处理，并对细节系数应用σ/2（序列标准差）的软阈值，之后进行重建（waverec）。这种配置代表了平衡的平滑设置，因为σ/2软阈值有效地抑制了高频噪声，同时保留了物候形态。更激进的范围值（例如σ/3或σ/4）倾向于过度平滑植被信号，使季节性动态扁平化并降低短期变化的可解释性。选择Daubechies-4（db4）小波是因为它的中间支持长度，在去噪性能和物候保真度之间提供了最佳平衡。较短的小波（例如db2）可能会留下残余噪声，而更高阶的函数（例如db6或db8）通常会过度平滑并扭曲短期植被动态。总体而言，采用的db4–σ/2配置在最小化噪声的同时没有改变真实的时间模式。

因此，考虑到数据集的固定时间分辨率（Sentinel-2为5天，HLS为3天），每个Sentinel-2指数每年产生了73个有效观测值，而每个HLS指数每年产生了122个观测值。本研究中所有目标类别在分析期间的S2和HLS的比较平均特征在图5中显示。图5显示了2023年至2024年按类别和指数的平均时间特征：比较S2和HLS的时间-光谱行为。NDVI—归一化植被指数；NDWI—归一化水体指数；BSI—裸土指数；EVI—增强植被指数；SAVI—土壤调整植被指数。

为了构建训练和验证数据集，结合了两种互补的方法：（i）在主要道路上进行为期三天的实地调查以收集地面样本；（ii）基于卫星数据的时间视觉检查进行远程采样。下面将描述这些程序。实地调查于2025年3月11日至13日进行，以收集现场数据。调查重点是带有和不带防护网的苹果园，还包括其他农业用地，如谷物和谷类作物以及牧场。尽管访问了葡萄、梨、草莓和蓝莓的种植地，但由于它们面积较小且使用温室，这些地点被排除在分析之外。使用AgroTag应用程序[35]在市内共收集了647个采样点（图2）。该应用程序通过标准化的LULC表格收集地理参考数据，支持照片记录，并提供高分辨率底图的访问。访问的地块被矢量化为多边形，每个特征最多抽取三个随机点。采用这种方法有两个主要原因：（i）增加训练和验证数据的量，这对于确保机器学习（ML）和深度学习（DL）模型的正确性能至关重要；（ii）更好地捕捉LULC类别的光谱变异性，因为在单个生产地块内也可能出现显著的变化。为了减轻空间自相关，采用了反空间泄漏策略，如下一节所述。

除了在实地采样的农业区域外，还对未在现场访问或现场数据不足的类别进行了远程采样，包括天然森林、人工林（林业）、牧场和早期演替植被，后者代表了森林残余和农业用地之间的草本-灌木覆盖。为了实现这一目标，使用2025年3月的10米真彩色Sentinel-2镶嵌图（与实地调查对齐）和Quantum GIS（版本3.30.2，QGIS开发团队，开源地理空间基金会项目）的历史高分辨率Google Earth图像来识别样本点。为了提高训练数据集的代表性并增强模型的泛化能力，远程采样区域被限制在市镇边界之外20公里的缓冲区内。这种更广泛的搜索半径增加了可采样的LULC条件的多样性，减少了空间偏差，并支持将模型预测外推到具有相似环境和光谱特征的相邻区域。最终样本点总数为3685个，如图6所示。图6显示了巴西南里奥格兰德州Vacaria地区的土地利用和土地覆盖样本点的空间分布。该数据集包括带有和不带防雹网的苹果园，结合了2025年3月收集的现场数据和同一时期的卫星图像远程检查。样本是在Vacaria边界周围20公里的缓冲区内采集的。基于这个数据集，开发了一个层次分类方案，逐步隔离与苹果生产相关的像素。这不仅允许识别和描述苹果种植情况，还支持评估模型在分类研究区域内其他LULC类型的性能。在第一级别（L1），景观被划分为天然森林（NF）、人工林（PF）和其他LULC（OT），在森林和人类改造区域之间进行了广泛的区分。第二级别（L2）将“其他LULC”类别细化为多年生作物（PC）、一年生作物（AC）和草原（GR），突出了植被结构和物候的差异。最后，在第三级别（L3A和L3B），分类达到了目标类别：多年生作物被细分为阳光下的苹果生产（AS）和两种在防雹网下生产的苹果类别：白色网（AWN）和黑色网（ABN）。此外，草原被分为牧场（PT）和早期演替植被（ESV）。这种逐步的方法，如图7所示，使我们能够逐步隔离与苹果种植相关的像素。这不仅确保了果园的识别，还描述了管理实践，这对于监测该地区的苹果生产至关重要。图7展示了层次化的土地利用和土地覆盖（LULC）分类方案。该结构分为三个主要层次：（i）天然森林、人工林和其他LULC；（ii）多年生作物、一年生作物和草原/牧场；以及（iii）多年生作物的子类：阳光下的苹果、白色网下的苹果、黑色网下的苹果；以及草原、牧场和早期演替植被的子类。采用层次化分类方法对于确保主题一致性和提高跨多个空间和光谱尺度的模型可解释性至关重要。这个结构允许逐步隔离与苹果相关的类别，同时保留有关土地利用的上下文信息。在更广泛的层次（例如天然森林和人工林、一年生和多年生作物以及草原）中包括非苹果类别对于表示研究区域的完整土地利用异质性至关重要，并避免光谱相似类别之间的混淆。这种方法捕捉了LULC系统的复杂性，减少了分类边界的歧义，并提供了一个可扩展的框架，增强了主题一致性和跨区域的可比性。这种方法与广泛采用的LULC映射层次框架一致，这些框架强调多级组织作为提高分类任务准确性和可解释性的手段[36,37,38]。

为了评估S2和HLS数据集对所有LULC类别的检测和特征的贡献，特别是与AS、AWN和ABN相关的类别，实施了使用五个选定光谱指数（NDVI、NDWI、EVI、SAVI和BSI）的系统评估。每个指数都单独测试，并在所有可能的非冗余组合（对、三元组、四元组和五元组）中进行了测试，共得到31种不同的输入配置。分析不仅旨在评估每个指数在所有分类级别的相对贡献，还包括识别它们所代表的底层表面属性（例如水、暴露的土壤、植被活力）在结果中的作用。此外，我们还检查了指数数量是否影响模型性能，以确定每个级别获得最佳结果所需的最小指数集，从而提高整体模型的可解释性。由于在一个地块内最多收集了三个样本，因此需要额外的步骤来防止由于相邻点之间的空间自相关而导致的空间泄漏和准确性膨胀。为了控制这种效应，在所有分类级别中实施了混合空间过滤策略，结合了基于网格的块化、单元内最小距离修剪和分组交叉验证。每个样本首先被分配到一个在投影坐标（EPSG:31983）中定义的正方形网格单元内。在每个单元和类别内，一个贪婪的cKDTree过滤器移除了距离过近的点，确保没有两个相邻的观测值保留下来。这个过程确保了在折叠内和折叠之间的空间独立性：如果一个样本被包含在训练集中，那么同一网格单元中的其他样本就不会出现在测试集中。

在空间过滤之后，通过限制每个类别的少数类计数并应用层次分层来强制执行严格的平衡。这在两个级别上都保持了比例代表：（i）在每个分类级别内的所有目标类别之间，保持类别间的平衡；（ii）在包含多个子类的复合类别内，保持它们在训练集和测试集中的内部比例。因此，得到的数据集是平衡的并且空间独立的。然后使用StratifiedGroupKFold将其划分为五个固定的折叠进行交叉验证，确保每个折叠的类平衡和组完整性，比例为80/20的训练/测试。尽管这个过程减少了样本的总数，但它仍然提供了足够的数据进行稳健的分类（表2）。表2显示了每个类别和分类级别的五个固定交叉验证折叠中的训练和测试样本（≈80/20分割*）的分布。选择了两种机器学习算法来代表不同的方法论范式：一种传统的基于集合的模型（随机森林，RF）和一种深度学习模型（1D卷积神经网络，1DCNN）。选择RF [39]作为基线，因为它仍然是最具可靠性和计算效率的作物映射算法之一[8,14]，尤其是在样本量有限和条件异质的情况下。它提供了稳健的性能、通过变量重要性实现的可解释性，以及对噪声和过拟合的抵抗能力[40]。1DCNN在农业制图中取得了良好的结果[41,42,43]，被采用来利用多变量指数序列之间的时间和光谱依赖性，同时保持适合现有训练样本量的轻量级架构。关于超参数化，RF分类器使用预测变量总数的平方根作为每个分割的特征数量进行实现，遵循了用于分类任务的原推荐方法[39]。定义了每个叶节点至少有两个样本，以防止在小子集上过拟合。同时，将树的最大深度限制在20，以约束模型复杂性并提高泛化能力。通过对特征进行平衡子采样调整了类别权重，以考虑剩余的类别不平衡。树木的数量固定为200，因为初步测试表明超过这个阈值并没有显著的准确率提升，同时确保了稳定的特征重要性估计和可管理的计算成本。为了避免对这个参数进行全面的网格搜索，因为这会增加计算效率但不会提高模型性能。启用了并行处理，并通过设置固定的种子来确保可重复性。1DCNN使用TensorFlow实现，最终架构详见表3。本研究中采用的1DCNN架构被设计为轻量级且计算效率高，因为更深的模型往往只有在大幅增加计算成本的情况下才能提供有限的准确率提升[41,42,43]。与通常用于大规模作物制图的多块或残差架构不同，该模型仅使用两个卷积层，随后是批量归一化和全局平均池化，从而减少了参数数量并加快了收敛速度。这种紧凑的配置也是由于相对较小的训练样本量和植被指数的平滑时间剖面，以确保稳定性能并降低过拟合风险。表3显示了1DCNN架构和训练参数，在Level 1、2、3A和3B中进行了再现。所有实验都在运行Python 3.12.12的Google Colab环境中执行，该环境基于Linux 6.6.105+，配备八个逻辑（四个物理）CPU核心和54.8 GB的RAM。在模型训练过程中没有使用GPU加速。主要使用的库包括NumPy 2.0.2、pandas 2.2.2、scikit-learn 1.6.1和TensorFlow 2.19.0。报告的训练时间仅对应于模型拟合阶段，每个折叠分别测量并在相同的计算条件下平均。2.5. 性能指标和统计分析在所有分类级别和算法（RF和1DCNN）中一致进行了性能评估。对于每次测试，都存储了每个折叠的-artifacts，包括混淆矩阵和从独立测试集派生的汇总指标。模型性能主要通过整体准确率和宏观平均F1分数进行评估，这些指标是在ID级别计算的，以确保与空间独立的验证单元相对应。宏观平均F1分数提供了对所有类别的平衡评估，无论它们的相对频率如何。然后将所有折叠的混淆矩阵聚合起来，得到每个类别的特定指标（特异性和敏感性），从而提供了遗漏错误和误报错误的互补视图。下面展示了与这些指标相关的所有公式。对于每种模型和变量组合，记录了每个折叠的拟合时间，以便比较算法之间的计算效率。这种方法确保了跨模型和层次结构的一致和可比较的评估框架，平衡了可解释性和准确率估计的稳健性。表3. 1DCNN架构和训练参数，在Levels 1、2、3A和3B中进行了再现。所有实验都在运行Python 3.12.12的Google Colab环境中执行，该环境基于Linux 6.6.105+，配备了八个逻辑（四个物理）CPU核心和54.8 GB的RAM。在模型训练过程中没有使用GPU加速。主要使用的库包括NumPy 2.0.2、pandas 2.2.2、scikit-learn 1.6.1和TensorFlow 2.19.0。报告的训练时间仅对应于模型拟合阶段，每个折叠分别测量并在相同的计算条件下平均。2.5. 性能指标和统计分析在所有分类级别和算法（RF和1DCNN）中一致进行了性能评估。对于每次测试，都存储了每个折叠的-artifacts，包括混淆矩阵和从独立测试集派生的汇总指标。模型性能主要通过整体准确率和宏观平均F1分数进行评估，这些指标是在ID级别计算的，以确保与空间独立的验证单元相对应。宏观平均F1分数提供了对所有类别的平衡评估，无论它们的相对频率如何。然后将所有折叠的混淆矩阵聚合起来，得到每个类别的特定指标（特异性和敏感性），从而提供了遗漏错误和误报错误的互补视图。下面展示了与这些指标相关的所有公式。对于每种模型和变量组合，记录了每个折叠的拟合时间，以便比较算法之间的计算效率。这种方法确保了跨模型和层次结构的一致和可比较的评估框架，平衡了可解释性和准确率估计的稳健性。模型通过一个分层的、基于统计学的程序进行排名，旨在识别不仅最佳结果，还有最稳健、最高效和最简约的配置。排名依赖于四个互补的决策级别：主要性能指标：宏观F1分数是从空间独立的验证折叠中计算得出的。宏观F1在类别之间平衡了精确度和召回率，从而避免了了对多数类别的偏见，并提供了整体分类质量的可靠估计。统计显著性测试：由于所有模型都在相同的折叠上进行了评估，因此使用Wilcoxon符号秩检验对表现最好的模型与其他所有组合进行了成对比较。该检验评估观察到的宏观F1分数差异是否具有统计学意义（p < 0.05）。简约性标准（光谱指数数量）：如果模型在性能和训练时间上保持一致，则采用使用最少光谱指数的组合作为第三个决定规则。这种方法强调模型的简单性和可解释性。计算效率标准（训练时间）：在观察到统计等效性的情况下，使用每个折叠的平均训练时间（以秒为单位）作为次要排名标准。优先考虑需要较少计算时间的模型。本研究的主要目的不是直接比较算法，而是评估使用来自不同数据集的时间序列图像在防雹网下绘制苹果产量的可行性。为了便于比较，分析了不同分类器和数据集之间的模型性能，以评估数据规模和异质性如何影响每个模型。使用Wilcoxon符号秩检验来评估成对性能样本之间的中位数差异是否为零。比较了在相同变量组合上训练的1DCNN和RF模型的宏观平均F1分数。为了评估特定指数是否一致地提高了性能，将多指数模型分解为指数出现情况。对于任何组合C中的每个指数i的出现（i ∈ C），记录了相应的宏观F1（跨折叠平均），并在数据集和算法之间进行了汇总。计算了每种指数的描述性统计量（平均值、标准差、频率），以提供基于出现的效用总结。此外，使用留一法/去一法估计了边际收益。加法收益衡量了添加给定指数后宏观F1的改善程度，而移除影响捕捉了移除该指数时宏观F1的损失。这些值在数据集和算法之间进行了平均，以评估每个指数的整体贡献和一致性。3. 结果 3.1. 整体分类性能在四个分类级别上，RF和1DCNN的表现都很好，大多数情况下宏观F1 > 0.85，表明在包括有和没有防雹网的苹果园在内的LULC类别之间有很强的区分能力。模型和传感器之间的差异随每个级别的主题复杂性而变化。在L1（原始森林、人工森林、其他）级别，性能最高且最一致。RF在HLS上的平均值为0.956，在S2上的平均值为0.952，标准差非常低（<0.02），即使包括六个不同的LULC子类的其他类别，也反映了光谱分离的容易性。1DCNN的表现也很好，平均值分别为0.891（HLS）和0.932（S2），但变异性更大。当限制为一个或两个指数时，其性能显著下降。在这一级别，RF在稳定性和准确性方面保持了优势，特别是在HLS数据上（图8）。图8. 不同算法（左）和传感器（右）的指数性能比较分布（Level 1—原始森林 vs. 人工森林 vs. 其他）。在L2（多年生作物、一年生作物和草地）级别，两种模型的平均值相似（0.90），与L1相比略有下降。1DCNN在HLS上的平均值为0.904，在S2上的平均值为0.901，而RF在HLS上的平均值为0.893，在S2上的平均值为0.902。所有配置下的性能变化保持较低，标准差范围在0.012到0.019之间。对于S2衍生的1DCNN结果，观察到了更大的分散（std = 0.076），表明在这个分类级别上光谱指数组合的变异性更高（图9）。图9. 不同算法（左）和数据集（右）的指数性能比较分布（Level 2—多年生作物 vs. 一年生作物 vs. 草地）。在L3A（阳光下的苹果、白色网和黑色网）级别，这是本研究的核心创新和主要关注点，尽管性能分散度较大，但结果仍显示出令人鼓舞的潜力（图10）。RF保持了较高的平均Macro-F1值，分别为0.874（HLS）和0.903（S2），变异性适中（标准差约为0.05–0.06），而1DCNN的平均值为0.760（HLS）和0.842（S2）。尽管一些模型，特别是使用少于三个指数的模型，表现较低，但有几个组合的宏观F1值超过了0.95，突出了所提出方法的强大区分能力。这些结果确认，即使在涉及微妙管理差异和部分树冠覆盖的高度具有挑战性的情况下，两种模型也能够有效地捕捉特定类别的光谱-时间特征。图10. 不同算法（左）和传感器（右）的指数性能比较分布（Level 3A—阳光下的苹果 vs. 带有白色网的苹果 vs. 带有黑色网的苹果）。最后，在L3B（牧场和早期演替植被）级别，两种模型都表现强劲，尽管两个类别的光谱-时间特征非常相似，但仍保持了高Macro-F1（图11）。1DCNN的平均值为0.904（HLS）和0.854（S2），而RF达到0.938（HLS）和0.908（S2）。RF的标准差较低（约为0.03），而1DCNN的标准差适中（约为0.12–0.16）。鉴于区分驯化和自然草地的内在难度（它们通常具有相似的树冠结构、物候时间和反射率响应），这些结果特别相关。1DCNN在HLS上的最大Macro-F1分数达到了0.97，在RF上达到了0.96，表明两种模型都捕捉到了足够可靠的细微结构和时间线索。图11. 不同算法（左）和传感器（右）的指数性能比较分布（Level 3B—牧场 vs. 早期演替植被）。表4总结了每个分类级别表现最好的10个模型，排名基于一个多标准框架，该框架整合了预测准确性、统计显著性和模型效率（见材料与方法）。排名主要基于从空间独立验证折叠中计算的宏观F1分数，以确保跨类别的稳健性。表4. 分类级别1、2、3和4的排名前10的模型，考虑了性能（Macro-F1）、显著性（Wilcoxon配对检验后）、效率（拟合时间）和简约性（指数数量）。在496个模型-指数组合中，110个Level 1组合的总体准确率达到了≥0.90（对于HLS和Sentinel-2，使用1DCNN或RF）。在Level 2、3A和3B，数量分别为87、72和94。当使用宏观F1进行评估时，结果是一致的，进一步证明了两种数据源（HLS、Sentinel-2）和分类器（1DCNN、RF）都适合分层作物制图。3.2. 按数据集的分类性能在所有数据集上，两种算法使用Sentinel-2的平均性能略高于使用HLS，宏观F1的平均值分别为0.8825 vs 0.8647（1DCNN）和0.9164 vs 0.9152（RF，分别提高了2.1%和0.1%）。然而，在Level 3B（PT vs. ESV）中，HLS为两种算法都提供了更好的结果。RF在HLS上的平均值为0.938 ± 0.033，而在Sentinel-2上为0.909 ± 0.054，1DCNN在HLS上的表现也更好（0.904 ± 0.140 vs 0.854 ± 0.178）。这些收益可能源于HLS更高的时间密度，它增强了物候信号的连续性并减少了噪声，当季节动态占主导时提高了类别的可分离性。这在处理全年具有相似光谱特征的类别（如草地（PT和ESV）时尤其相关。空间和时间分辨率的差异对分类性能有互补效应。Sentinel-2数据在敏感于树冠结构和管理特征的任务中提高了可分离性，例如检测防雹网下的苹果产量（L3A）或区分多年生、一年生和草地类别（L2）。在这些情况下，在Sentinel-2上训练的1DCNN模型实现了更高的整体Macro-F1（在L2中提高了1.04%，在L3A中提高了10.9%）。相比之下，HLS在时间驱动的分析中表现更好，因为其更高的重访频率增强了物候信号的连续性并减少了时间序列中的噪声。更精细的空间细节减少了混合像素效应并增强了光谱-时间信号。相反，HLS更密集的重访频率（~3天的合成图像来自L30 + S30）在时间驱动的任务中更有优势，特别是在Level 3B。在更粗糙的尺度（Level 1）上，性能相似。这表明Sentinel-2更精细的空间分辨率（10米）和重访频率（~5天）已经为粗略级别的区分提供了足够的空间-时间细节。相比之下，HLS更密集的合成图像（~3天）在时间连续性至关重要的情况下具有优势。图8、图9、图10和图11比较了两种数据集在各个分类级别和模型上的平均Macro-F1分数。虽然Sentinel-2在较粗的层次（L1–L3A）上仍保持轻微的总体优势，但HLS在L3B层次上具有明显优势，这突显了空间和时间分辨率在分类结果中的互补作用。表5展示了数据来源如何影响特定类别的区分能力。1DCNN的表现更为分散（F1值介于0.75到0.82之间），而RF的表现再次出色（在所有子类别中的F1值均超过0.87）。在像苹果园（白色网罩）这样较为均匀的类别中，两种算法使用Sentinel-2时的表现都更好（F1值约为0.88–0.92）。然而，算法之间的成对比较显示p值大于0.1，表明在这种传感器下模型之间没有统计学上的显著差异。表5显示了RF和1DCNN在苹果园及其他土地利用类型（LULC）的分类性能（精确度、召回率、F1值和支持度）在不同层次（L1–L3B）上的对比情况。ΔF1与RF的差值表示1DCNN和RF模型之间的F1值差异。p值是通过配对Wilcoxon符号秩检验得出的。

总体而言，RF模型的平均性能（0.9158）高于1DCNN模型（0.8736），并且其性能变异性更低（标准差分别为0.0436和0.1421）。另一方面，1DCNN在某些指数下的表现较差，尤其是在一个或两个指数上的Macro-F1值较低（分别为0.6721和0.8664）。而在三个或更多指数下，1DCNN的表现优于RF，显示出更高的峰值分数和相当的稳定性。1DCNN的平均Macro-F1值分别在使用三个、四个和五个指数时达到了0.9347、0.9515和0.9540。值得注意的是，在使用四个和五个指数的组合中，其F1值达到了0.9857的最大值，且标准差仅为0.024。相比之下，在相同的指数范围内，RF的平均Macro-F1值介于0.9295和0.9406之间，最大值达到0.9675。

综合考虑性能指标和Wilcoxon符号秩检验的结果，RF在大多数层次上均显著优于1DCNN（见表6）。最大的差距出现在L1（NF、PF、OT）和L3A（AS、AWN、ABN）层次，RF的平均Macro-F1值分别为0.956 ± 0.024和0.874 ± 0.064，而1DCNN则分别为0.891 ± 0.150和0.760 ± 0.243，这些差异具有统计学意义（p < 0.001）。在L2层次上，RF保持了小幅但稳定的优势（Δ = +1.15，p < 0.001）。值得注意的是，两种算法的训练时间差异很大，平均而言，随机森林模型的训练时间大约是1DCNN模型的21.5倍（1.10秒对比23.66秒），这证实了卷积模型更高的计算成本。

从类别指标来看，RF在几乎所有类别中都保持了更高的F1值，尤其是在苹果园（黑色网罩）和苹果园（白色网罩）中（见表5）。1DCNN的表现略差，特别是在苹果园（阳光照射下）中，其F1值下降了（F1 = 0.818），这反映了暴露表面和树冠变化之间的光谱混淆较大。尽管RF平均性能更好，但在更加均匀的子类别中，性能差异较小，Wilcoxon检验仅在苹果园（黑色网罩）中显示出显著差异（p < 0.05）。

通过对不同分类层次的光谱指数进行评估，发现与植被活力、土壤背景反射率和水分含量相关的指数具有持续性模式，同时Sentinel-2和HLS之间存在传感器特定的差异。在L1层次上，NDWI和BSI是最具影响力的指数；在HLS–1DCNN配置中，它们的平均增益最高（分别为+0.11和+0.10）。在Sentinel-2–1DCNN配置中，这些指数的平均增益也较高，但变异性较大。相比之下，RF模型的边际效应较小，NDVI、NDWI和BSI的平均增益仅在+0.01到+0.02之间。总体而言，与土壤暴露（BSI）和水分（NDWI）相关的指数在两种传感器中都表现出一致的影响。同时，在这一分类层次上，植被活力指标（NDVI、SAVI、EVI）的影响较小且变化较大。

为了研究每个指数对分类性能的影响，我们生成了图表，展示了在不同层次、传感器和架构下平均Macro-F1值的变化情况（使用了每种情况120次随机排列）。图12显示了BSI对L1层次分类的影响。在L2层次上，NDWI、BSI和NDVI在Sentinel-2 + 1DCNN配置中的平均边际增益最高（约为+0.05–0.06），但变异性也最大（标准差约为0.08–0.10）。SAVI和EVI的模式类似，平均增益适中但分散较大。随机森林也产生了适度的增益（约为+0.02），但变异性较低，表明其影响稳定但有限。HLS和1DCNN的结果幅度较小且相对稳定。总体而言，NDWI、BSI和NDVI是最具影响力的指数。

在L3A层次上，与植被活力相关的指数（EVI、NDVI、SAVI）的表现最为突出。在L3B层次上，NDWI、BSI和NDVI的贡献最大。相比之下，RF模型的效果较小但更稳定。图13显示了NDWI对L2层次分类的影响。在L3A层次上，NDWI、BSI和NDVI的贡献最大。在L3A层次上，植被活力指数（EVI、NDVI、SAVI）的贡献最为显著。在L3B层次上，Sentinel-2 1DCNN模型中EVI的增益最高，其次是BSI和NDWI。在L3B层次上，RF模型的效果较小但更稳定。

结果表明，每个分类层次都受益于与表面特征相匹配的特定光谱指数。具有更大光谱异质性的较宽层次（L1和L2）对敏感于土壤和水分变化的指数反应更强。相反，植被结构更稳定的较细层次（L3A和L3B）更依赖于植被指数（NDVI、SAVI和EVI）。这种模式强调了指数的互补作用以及平衡地表属性表示的必要性。1DCNN模型通常提供更大的边际增益，但变异性更高，反映了其对指数组合的敏感性。RF模型产生的改进较小但更稳定，尤其是在L3A和L3B层次上。Sentinel-2在较细层次上使用1DCNN时表现出更高的增益，而HLS在较宽层次上提供了更一致的结果，这突显了模型和传感器之间的可分离性与稳健性之间的权衡。

图15显示了SAVI对L3B层次模型性能的影响。图16总结了光谱指数数量与模型性能之间的关系。结果表明，随着指数数量的增加，性能持续提升。然而，这些增益的大小和稳定性高度依赖于算法和数据集。在L1层次上，引入更多指数显著提高了性能。当结合了土壤和水分信息时，性能大幅改善。当引入两个指数时，性能趋于稳定；从三个指数开始，性能达到饱和状态。这一趋势表明，最初的几个指数带来了显著收益，而后续增加的指数主要增强了模型的稳定性。

在L3A层次上，随着额外指数的加入，性能呈现出非线性的显著提升。具体来说，依赖单一指数的模型准确性较低且变异性较高。然而，引入两个或三个指数后，性能改善显著，方差减少，捕捉到了植被和土壤的互补特征。从这一点开始，增益逐渐增加：平均Macro-F1值从三个指数时的0.91上升到五个指数时的0.92，而标准差保持在0.02以下。这一趋势表明，当指数同时捕捉到土壤（BSI）和水分（NDWI）特征时，分类性能接近最优。在L3B层次上，性能随着指数的增加而显著提升，尤其是NDVI、SAVI和EVI的贡献最大。如图16所示，从宽谱依赖性到细谱依赖性的转变突显了各指标的互补作用，以及为了在分类层次上最大化可分离性和鲁棒性，需要一个平衡的特征组合。3.6. 运行时分析和计算效率在计算效率方面，随着输入指标数量的增加，训练时间也随之增加，尤其是对于1DCNN模型。RF的表现非常稳定，从使用一个指标时的1.00 ± 0.34秒增加到使用五个指标时的1.27 ± 0.64秒，几乎呈线性增长了27%。相比之下，1DCNN的训练成本要高得多且变化更大，从使用一个指标时的22.6 ± 11.3秒增加到使用两个指标时的24.3 ± 6.9秒，然后在使用三个或更多指标时稳定在大约23秒。尽管随着指标数量的增加运行时间有所增加，但两者之间的差异仍然很大，1DCNN的平均速度几乎是RF的22倍。这些发现证实，虽然1DCNN可以从额外的指标中受益，但其计算开销更倾向于使用紧凑且互补的光谱集，以在分类层次上平衡表示丰富性和效率。3.7. 视觉分类视觉分类结果按层次级别（L1至L3B）组织，以支持定量指标的解释，并评估模型预测的空间一致性（图18）。图18. 使用表现最佳的HLS模型生成的Vacaria地区的分层LULC分类图（L1–L3B级别）。每个级别都对前一个级别进行了细化，区分了白色、黑色无网覆盖的苹果园以及其他LULC类别。每个级别的最终分类图是使用表现最佳的HLS（Harmonized Landsat Sentinel-2）模型生成的。这些模型是根据交叉验证的宏观F1分数选定的。选择HLS是因为其性能与Sentinel-2（S2）模型相当，并且在大规模空间预测中提供了更高的计算效率。在级别1，RF（BSI + NDVI + NDWI + SAVI）模型区分了种植林（PF）、天然林（NF）和其他土地利用类型（OT）。水域和城市区域使用2024年MapBiomas项目的数据进行掩蔽。其他类别包括在后续级别分析的类别：多年生作物（PC）、临时作物（TC）和草地（GR）。每个后续级别都限制在前一个级别中识别出的感兴趣的像素范围内，确保了层次一致性。在级别2，1D CNN（BSI + NDVI + SAVI）将OT类别细分为PC、TC和GR，其中只有多年生（PC）像素进入级别3A。在那里，1D CNN（BSI + NDVI + SAVI）模型进一步将多年生区域分类为白色网覆盖的苹果园（AWN）、黑色网覆盖的苹果园（ABN）和露天种植的苹果园（AS）。对于级别3B，仅限于来自级别2的草地（GR），1D CNN（BSI + EVI + NDWI）模型将牧场（PA）与早期演替植被（ESV）分开。所有输出都使用了3 × 3的空间模式滤波器进行了细化，增强了时空一致性并减少了残余噪声。图19展示了使用Sentinel-2图像对Vacaria地区的黑白防雹网进行分类的示例。为了更好地可视化这些示例，应用了一个空间滤波器来移除所有小于1公顷的分类区域。这一步骤有助于突出防雹网系统下的主要果园区域，并便于对分类结果进行视觉解释。从图中还可以观察到，模型将一些与其它作物相关的湿润区域误分类为苹果园。这种限制可能与光谱相似性有关，应在未来的研究中进一步探讨。图19. 显示Vacaria地区白色和黑色防雹网覆盖下的苹果园的视觉分类图示例。该图展示了2024年的Sentinel-2图像（左）以及对应的白色和黑色防雹网分类结果（右）。4. 讨论 4.1. 冰雹影响与苹果园中的防雹网系统冰雹是苹果生产中最严重的非生物灾害之一，由于果实碰伤、落叶和树枝损伤导致大量产量和经济损失，并为病害的发生创造了条件[6,46]。在经常受到对流风暴影响的地区，如巴西南部和中欧部分地区，采用防雹网已成为确保作物保护和生产稳定性的最有效策略[13,47]。这些结构可以物理上保护树冠免受冰雹的冲击，大幅减少果实损失，并提高果园对日益变化的气候条件的适应能力[48]。除了保护作用外，防雹网还会诱导果园环境的微气候和生理变化。直接太阳辐射的拦截改变了光合有效辐射（PAR）和散射光之间的平衡，通常根据网的颜色和网眼密度将入射PAR减少20-40%[46]。尽管这种减少可能表明光合作用受到限制，但多项研究表明，由于光照分布改善和树冠光合作用效率提高，存在补偿效应[13]。此外，网还会改变空气温度和湿度动态，创造更稳定的条件，从而减少植物压力和蒸散作用[6,49]。网的颜色和光学特性也对果实质量起着关键作用。选择性透光的网，尤其是白色或珍珠色的网，可以传递更广泛的散射光，从而增大果实尺寸、提高果实硬度并改善生化组成，而深色或黑色的网则倾向于减少日晒伤害和过度加热[6,47]。这些变化表明，防雹网不仅仅是防护结构，还是积极调节果园微气候和辐射质量的农业技术组件，从而影响果实生理、颜色发展和采后特性[46,48]。全球最常用的防雹网仍然是白色和黑色的[20]。从农艺角度来看，网覆盖果园的扩展带来了生产力的提升和新的挑战。在Vacaria等地，保护结构覆盖面积的增加有助于提高产量并改善出口市场的果实分类[47,49]。然而，这种广泛的使用也引入了环境和管理方面的影响，包括果园能量平衡、授粉者活动以及土壤微气候的变化[6,46]。因此，监测防雹网的空间范围、光谱特性和长期影响对于评估其农艺效益和环境足迹变得至关重要。4.2. 遥感技术在网覆盖果园的分类中的应用在这种情况下，先进的监测方法变得必不可少，特别是考虑到有网和无网的果园在视觉上的相似性使得传统的实地调查既费力又主观。遥感、光谱指数、机器学习和深度学习的结合提供了一种可扩展的方式来绘制网覆盖图、分析其空间分布，并评估其对树冠反射率和物候模式的影响。理解这些效果对于优化果园管理策略和支持平衡生产力、果实质量和可持续性的数字农业框架至关重要。在所有级别中，HLS和Sentinel-2在空间和时间分辨率上的差异以互补的方式影响了分类性能。Sentinel-2的10米像素在依赖于细粒度树冠结构和管理效应的任务中始终提高了可分离性，例如区分不同颜色的防雹网系统（级别3A）以及多年生和一年生及草地类别（级别2）。在这些设置中，使用Sentinel-2的1DCNN实现了比HLS更高的宏观F1分数，表明更细的空间细节减少了混合像素效应，并增强了光谱指数时间序列捕获的信号。相反，HLS更高的重访频率（L30和S30的约3天合成）对于时间驱动的任务（例如级别3B）有益，并且对于对空间纹理不太敏感的算法（随机森林），提供了与Sentinel-2相当甚至更好的结果（例如，在级别3B时宏观F1分数提高了2.2个百分点）。在最宽的级别（级别1），两种模型的性能相似，根据算法的不同，数据集之间的优势轮流出现，这表明当类别对比强烈时，空间细节（S2）和时间密度（HLS）可以相互补充。总体而言，这些结果强调了折衷：Sentinel-2的空间分辨率有利于网检测和颜色特征描述，而HLS的时间密度可以在物候轨迹占主导时提高可分离性。这些发现支持了一种多传感器策略，即根据目标类别和算法选择（1DCNN vs. RF）来匹配空间和时间分辨率。Sentinel-2和HLS之间的观察到的权衡与其他多年生系统的报告一致。Sentinel-2以其10米的分辨率，在需要细粒度作物划分的任务中表现优于分辨率较低的传感器，特别是在树冠管理实践强烈影响反射率的果园和葡萄园中[9,17]。相比之下，HLS由于其较高的重访频率，一直与捕捉时间动态方面的改进相关联，例如作物发育阶段或应激反应[14,15]。结果证实了这种互补性，因为这两种数据集强调了类别可分离性的不同方面：Sentinel-2突出了结构细节，而HLS捕捉了物候连续性。植被的行为进一步证实了这些发现。在较宽的级别（例如L1和L2），对土壤和水分敏感的指数（BSI, NDWI）从HLS的时间密度中受益更多，这稳定了季节性轨迹并减少了过渡阶段的噪声。相反，捕捉树冠结构和密度的指数（EVI, SAVI）在使用Sentinel-2时更具信息量，其更精细的空间分辨率缓解了由果园布局和网状结构造成的混合像素效应。因此，特定指数的相关性不是固有的，而是由数据集的空间-时间分辨率决定的，这突显了传感器-指数相互作用在多年生作物监测中的重要性。4.3. 一维卷积神经网络在遥感中的性能和局限性这些发现也对保护结构下多年生作物的遥感应用具有更广泛的启示。检测防雹网系统下的苹果生产的能力，特别是区分白色和黑色网，强烈依赖于调整树冠密度和土壤背景的指数（EVI, SAVI）。这些优势在Sentinel-2中最为明显。这表明，保护性管理可以改变指数的相对重要性，使重点从传统的基于绿色度的测量（NDVI）转向考虑结构和辐射变化的指数。对于多年生作物的监测，结合使用Sentinel-2和HLS的多传感器方法可能会产生更加稳健的结果，前者捕捉到细粒度的管理特征，后者增强了物候稳定性。这种策略符合最近将空间和时间细节整合到作物监测框架中的呼吁，特别是对于那些管理实践直接影响生产力和可检测性的高价值水果作物。1DCNN在所有测试配置中均提供了一致的结果，无需大量调整。然而，其性能仍然对关键超参数敏感，因为dropout率、核大小和隐藏层尺寸的变化会显著影响准确性和稳定性[42]。另一个限制在于卷积架构的固有特性：虽然1DCNN能够有效捕捉短期到中期的时间依赖性，但它们在建模长期或跨越季节的关系方面能力较弱，这可能会降低年际或作物周期之间的可转移性。此外，该模型高度依赖于输入预处理，如填充空缺、平滑处理和时间对齐，因为不规则或噪声较大的时间序列会降低特征提取的质量。尽管批量归一化和dropout的使用提高了鲁棒性，但由于学习到的滤波器表示的是抽象的时间模式而不是直接可观察的变量，因此可解释性仍然有限[50]。因此，1DCNN的性能取决于仔细的参数校准、一致的前处理以及在独立数据集上的验证。在将结果推广到其他地区、传感器或时间设置时需要谨慎。尽管1DCNN的性能很强，但其相对于随机森林来说缺乏内在的可解释性，特别是在解释单个光谱指数随时间的变化方面。未来研究应探索可解释性技术，如SHAP（Shapley Additive Explanations），以更好地理解深度学习模型学习的时间动态。如图16和图17所示，尽管1DCNN在某些配置中偶尔超过了RF，但其性能仍然高度依赖于所使用的指数数量。学习曲线显示，RF从单个指标开始就保持了稳定的性能，宏观F1分数超过0.70，并且随着指数数量的增加而逐渐提高。相比之下，1DCNN在级别3A时的宏观F1值较低，低于0.30，只有当结合两个或更多指数时才获得了优于RF的结果（图16）。这种模式表明，虽然1DCNN可以从更丰富的光谱输入中受益，但其性能对特征维度和训练配置更为敏感。此外，RF以更低的计算成本和更短的训练时间获得了有竞争力的结果，这加强了其作为一种实用且高效的算法的适用性，仍然是解决农业问题的强大选择[51,52,53]。未来的研究应该通过在相邻的苹果生产区域进行跨区域验证，来评估所提出模型的空间迁移性。5. 结论

本研究填补了一个关键的研究空白：据我们所知，之前没有将人工智能和遥感技术应用于苹果果园中的防雹网系统监测。通过结合多传感器光谱指数时间序列与机器学习和深度学习方法，我们证明了自动检测不同防雹网条件下果园的可行性。结果表明，RF模型在分类精度方面优于1DCNN，尤其是在細粒度分类层面上，显著提升了果园管理措施区分的能力。Sentinel-2卫星数据在细尺度检测中具有优势，而HLS数据的高时间密度则增强了时间稳定性和较宽分类层次上的类别区分能力。这两组数据的互补特性为设计多年生作物系统的监测策略提供了宝贵的见解，特别是在规划苹果果园的地图制作和管理方案方面。

分析还显示，在总体分类层面上，与土壤和水资源相关的指数（如BSI、NDWI）更具影响力，而植被活力指数（如NDVI、EVI、SAVI）对于更精细的果园区分则更为关键。这些发现强调了各指数的重要性取决于其空间和时间分辨率，为未来研究中的光谱指数选择提供了实用指导，需根据传感器特性和研究规模来进行调整。

通过整合实地和遥感数据，我们建立了一个分层分类框架，为保护性结构下的多年生作物监测提供了一种稳健且可复现的方法论路径。然而，深度学习模型（如1DCNN）的性能仍高度依赖于超参数的恰当调整和数据预处理，这些因素必须经过精心优化以确保模型的泛化能力。

研究结果展示了所提出框架在一致绘制防雹网覆盖苹果果园地图方面的潜力，支持对异质农业景观中管理措施进行长期监测。该框架还可以指导果园管理和决策制定工具的开发，特别是对中小型生产者来说具有实际意义。未来的研究应通过测试更多机器学习和深度学习算法，整合互补的卫星、无人机和地面图像数据，并扩展分析范围至不同颜色的防雹网覆盖果园，来进一步拓展这些发现。此外，还应研究苹果果园在不同物候阶段的光谱响应的季节性变化，并纳入气象变量作为辅助特征，这可能进一步提升对防雹网覆盖系统的理解和分类能力。此类进展将扩大所提出框架在多年生作物监测中的适用性和可扩展性。