苹果果园防雹网系统的多传感器卫星时序与人工智能制图:机制、功能多样性与调控网络

《Plants》:The Ubiquitin–Proteasome System in Flowering Plant Reproduction: Mechanisms, Functional Diversity, and Regulatory Networks Xiaohu Jiang, Han Su, Mengnan Chai, Fan Yang, Hanyang Cai, Yuan Qin and Maokai Yan

【字体: 大 中 小 】 时间:2026年05月09日 来源:Plants 4.1

编辑推荐:

  苹果果园正日益采用防雹网以减轻气候风险;然而,这些结构会改变冠层反射率,给遥感监测带来挑战。本研究提出了一种在巴西Vacaria地区绘制不同网罩条件下苹果果园的操作框架。研究利用Sentinel-2和Harmonized Landsat and Sentine

  
苹果果园正日益采用防雹网以减轻气候风险;然而,这些结构会改变冠层反射率,给遥感监测带来挑战。本研究提出了一种在巴西Vacaria地区绘制不同网罩条件下苹果果园的操作框架。研究利用Sentinel-2和Harmonized Landsat and Sentinel-2(HLS)的多传感器地表反射率数据生成密集的光谱指数时序,并结合野外观测数据。在分层分类框架内,评估了归一化差异植被指数(NDVI)、增强型植被指数(EVI)、土壤调节植被指数(SAVI)、归一化差异水体指数(NDWI)和裸土指数(BSI)这五种光谱指数单独及组合的表现。随机森林(RF)和一维卷积神经网络(1DCNN)被作为互补的机器学习方法应用。结果表明,RF在不同层级间表现出更稳定的性能,而光谱指数的贡献则因尺度而异:BSI和NDVI在较广泛的层级更为有效,EVI和SAVI则对区分网罩颜色至关重要。据研究人员所知,这是首次应用多传感器时序和机器学习来绘制苹果果园防雹网系统的研究。
研究背景与意义
苹果作为全球重要的经济作物,面临着冰雹等极端天气的严峻威胁,防雹网的应用虽能有效降低损失,却改变了冠层反射特性,为基于遥感技术的果园监测带来了新的难题。传统的遥感方法在处理带有复杂人工覆盖结构的多年生作物时往往力不从心,且针对防雹网,尤其是不同颜色网罩的可探测性研究尚属空白。巴西Vacaria地区作为南半球重要的苹果产区,防雹网普及率高,是研究这一问题的理想区域。为此,研究人员旨在评估利用多传感器时序影像结合机器学习算法,绘制不同颜色(黑色、白色)防雹网覆盖下苹果果园的可行性,这对于精细化农业管理和灾害风险评估具有重要意义。
关键技术方法
研究人员在Vacaria市通过田间调查与遥感解译相结合获取了3685个样本点,构建了包含原生林、人工林、多年生作物、一年生作物、草地以及不同防雹网状态苹果园的层级分类体系。研究采用了Sentinel-2和HLS(Harmonized Landsat and Sentinel-2)两种数据源,提取了NDVI、EVI、SAVI、NDWI和BSI五种光谱指数。通过线性插值和离散小波变换对时序数据进行平滑预处理。在此基础上,应用随机森林(RF)和一维卷积神经网络(1DCNN)两种算法,在四个层级(L1-L3B)上进行分类实验,并通过五折交叉验证评估模型性能。
研究结果
3.1 总体分类性能
在四个分类层级中,RF和1DCNN均表现良好,Macro-F1值大多超过0.85。在L1(区分原生林、人工林和其他地类)和L3A(区分阳光下、白网和黑网苹果园)层级,RF展现了更高的稳定性和准确性,特别是在HLS数据上。而在L3B(区分牧场和早期演替植被)层级,两种模型均达到了较高的Macro-F1值,表明模型能够有效捕捉细微的光谱时序差异。
3.2 数据集分类性能
对比HLS和Sentinel-2数据集发现,Sentinel-2凭借其10米的高空间分辨率,在依赖冠层结构和精细管理的分类任务(如L3A区分网罩颜色)中表现更优。相反,HLS因其约3天的更高时间重访频率,在依赖物候连续性的任务(如L3B草地分类)中提供了更好的结果,减少了噪声干扰。
3.3 算法分类性能
总体而言,RF模型的平均性能(0.9158)优于1DCNN(0.8736),且变异性更低(标准差分别为0.0436和0.1421)。RF的训练速度比1DCNN快约21.5倍。虽然1DCNN在使用三个及以上指数时能达到较高的峰值性能,但其对输入特征维度的敏感性较高,且在仅使用少量指数时表现不佳。统计检验显示,RF在大部分层级上显著优于1DCNN。
3.4 光谱指数分类性能
光谱指数的贡献随分类层级而异。在较宽泛的层级(L1和L2),与土壤和水分相关的指数(BSI和NDWI)发挥了关键作用。而在更精细的层级(L3A和L3B),涉及植被活力和冠层结构的指数(NDVI、SAVI、EVI)成为区分果园管理模式和草地类型的主要依据。这表明不同表面属性需要不同的光谱描述符进行表征。
3.5 指数数量的影响
随着输入光谱指数数量的增加,模型性能呈现一致性的提升。对于L3A层级,单一指数导致低精度和高变异性,而当结合三个或更多指数时,性能趋于稳定。这说明当同时包含植被绿度、土壤信号和水分信息时,模型能够最大化分离度和鲁棒性。
3.6 运行效率分析
在计算效率方面,RF的训练时间极短且随指数增加变化不大,而1DCNN的训练成本显著更高且波动较大。这证实了尽管1DCNN能从更多指数中获益,但在实际应用中需权衡其计算开销与精度增益。
3.7 可视化分类
利用表现最佳的HLS模型生成了Vacaria地区的层级土地利用/土地覆盖(LULC)分类图。结果显示,模型能够清晰地描绘出不同颜色防雹网覆盖的苹果园空间分布,验证了所提框架在实际制图中的应用潜力。
讨论与结论
讨论部分指出,防雹网通过改变微气候和辐射平衡影响果树生理,这使得其遥感监测既具必要性又具挑战性。Sentinel-2和HLS数据的互补性体现在前者擅长捕捉空间细节,后者擅长捕捉时间连续性。尽管1DCNN具有强大的特征学习能力,但其性能高度依赖于超参数调优和预处理,且可解释性不如RF。
研究结论表明,该研究填补了利用人工智能和遥感技术绘制苹果果园防雹网系统的空白。研究发现RF在区分冠层管理措施方面优于1DCNN,且Sentinel-2和HLS分别适用于精细检测和广域时序稳定性分析。土壤与水分指数(BSI、NDWI)在广义分类中更重要,而植被活力指数(NDVI、EVI、SAVI)则是精细区分果园的关键。该研究建立的层级分类框架为异质性农业景观中多年生作物的监测提供了可复制的方法论路径,对指导数字农业工具开发和果园管理决策具有重要价值。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号