全球变暖与扩散限制驱动中国印度锥栗、刺栲、瓦氏木荷森林适宜生境分布

《Plants》:Global Warming and Dispersal Limitations Drive the Suitable Habitat Distribution of Castanopsis indica, Castanopsis hystrix, Schima wallichii Forest in China Huayong Zhang, Zhou Bian, Xiande Ji, Zhongyu Wang and Zhao Liu

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

编辑推荐:

  苹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南里奥格兰德州瓦卡里亚市绘制不同网具条件下苹果园分布的操作性框架。利用哨兵-2号(Sentinel-2)与陆地卫星和哨兵-2号协调产品(Harmon

  
苹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南里奥格兰德州瓦卡里亚市绘制不同网具条件下苹果园分布的操作性框架。利用哨兵-2号(Sentinel-2)与陆地卫星和哨兵-2号协调产品(Harmonized Landsat and Sentinel-2, HLS)的多传感器地表反射率数据,结合实地观测生成密集的光谱指数时间序列。在分层分类框架内,评估了归一化差异植被指数(Normalized Difference Vegetation Index, NDVI)、增强型植被指数(Enhanced Vegetation Index, EVI)、土壤调节植被指数(Soil-Adjusted Vegetation Index, SAVI)、归一化差异水指数(Normalized Difference Water Index, NDWI)和裸土指数(Bare Soil Index, BSI)这五种光谱指数单独及组合的表现。应用随机森林(Random Forest, RF)和一维卷积神经网络(one-dimensional convolutional neural networks, 1DCNN)作为互补的机器学习方法。结果表明,RF在各分层水平上表现出更稳定的性能,而不同指数在不同尺度上的贡献各异:BSI和NDVI在较宽尺度上更有效,而EVI和SAVI对于区分网具颜色至关重要。据研究人员所知,这是首次应用多传感器时间序列和机器学习绘制苹果园防雹网系统的研究。
论文解读:基于多传感器时序与机器学习的苹果园防雹网系统遥感制图
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重威胁,导致产量和品质下降。为此,防雹网在苹果产区得到广泛应用,但其覆盖改变了冠层的光谱反射特性,为传统的遥感监测带来了巨大挑战。尽管已有研究关注防雹网的农艺生理效应,但针对其在遥感影像中的可探测性研究极为匮乏。现有研究多局限于单一传感器或缺乏人工智能算法的深度应用。巴西作为南半球重要的苹果生产国,其南部产区瓦卡里亚市(Vacaria)防雹网普及率高,地形与景观异质性显著,成为评估复杂环境下防雹网遥感监测能力的理想案例。为此,研究人员开展了一项结合多传感器卫星时间序列与机器学习算法的研究,旨在填补利用人工智能和遥感技术绘制苹果园防雹网系统分布的研究空白。该研究成果发表于《Plants》期刊,为多年生果树保护结构的数字化监测提供了操作性框架。
关键技术方法
研究人员在巴西南部瓦卡里亚市开展了实地调查,于2025年3月采集了647个地面样点,并结合遥感解译补充了原生林、人工林等地物样本,最终构建了包含3685个样本点的数据集。研究采用了分层分类策略,将土地利用/覆被(Land Use and Land Cover, LULC)分为三个层级:第一级区分原生林、人工林和其他地类;第二级细分多年生作物、一年生作物和草地;第三级则具体识别阳光下的苹果园(Apple under Sunlight, AS)、白色防雹网苹果园(Apple with White Net, AWN)和黑色防雹网苹果园(Apple with Black Net, ABN)。研究利用了哨兵-2号(Sentinel-2)和HLS(Harmonized Landsat and Sentinel-2)的多源影像,提取了NDVI、EVI、SAVI、NDWI和BSI五种光谱指数的时间序列,并通过离散小波变换进行去噪平滑。随后,研究人员采用随机森林(RF)和一维卷积神经网络(1DCNN)两种算法,对所有指数组合进行了系统性测试与交叉验证。
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,多数场景下宏平均F1分数(Macro-F1)大于0.85。在第一层级(L1:原生林、人工林、其他),RF表现最为稳定,HLS数据上平均达到0.956。在第二层级(L2:多年生作物、一年生作物、草地),两者性能相近。在核心的第三层级A(L3A:阳光下、白网、黑网苹果园),RF保持了较高的平均Macro-F1(0.874–0.903),而1DCNN表现稍逊(0.760–0.842),表明在细微管理差异的区分上RF更具优势。
3.2. 不同数据集的分类性能
哨兵-2号因其10米空间分辨率,在依赖冠层结构和纹理细节的任务(如L3A区分网色)中表现优于HLS。而HLS凭借约3天的更高时间重访频率,在依赖物候连续性的任务(如L3B区分牧场与早期演替植被)中表现更佳,其RF模型Macro-F1达到0.938,高于哨兵-2号的0.909。
3.3. 不同算法的分类性能
总体而言,RF模型(平均0.9158)优于1DCNN(平均0.8736),且具有更低的标准差(0.0436 vs 0.1421),表明RF结果更稳定。1DCNN虽然在三到五个指数组合下能达到较高峰值(最高0.9857),但其性能高度依赖于输入特征的数量,且在单指数或双指数输入时表现不佳。此外,RF的训练速度比1DCNN快约21.5倍,计算效率显著更高。
3.4. 光谱指数的分类性能
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(如BSI和NDWI)贡献最大,提升了大类间的分离度。而在更精细的层级(L3A和L3B),涉及稳定植被结构(如多年生果园和草地)时,植被活力指数(如NDVI、SAVI和EVI)变得最为关键。具体而言,区分防雹网颜色时,EVI和SAVI显示出最高的边际增益。
3.5. 指数数量对分类性能的影响
随着输入指数数量的增加,模型性能呈现非线性提升。在L3A层级,单一指数模型性能低且波动大(平均0.63,标准差0.21),而加入两到三个指数后性能显著提升(平均0.82–0.92)。当指数数量达到四个及以上时,各层级性能趋于饱和,表明通过组合代表不同地表属性(土壤亮度、水分、植被活力)的指数为最优策略。
3.6. 运行时间与计算效率
计算效率分析显示,RF的训练时间极短且随指数增加变化不大(1.00 ± 0.34 s至1.27 ± 0.64 s),而1DCNN的训练成本较高且变异性大(约23秒),证实了RF在处理多光谱时序数据时的高效性。
3.7. 可视化分类
基于最佳表现的HLS模型,研究人员生成了从L1至L3B的分层分类图。结果显示,模型能够有效识别瓦卡里亚地区的苹果园及其防雹网类型,但在部分潮湿区域存在与其他作物的混淆现象,这可能源于光谱相似性。
结论与讨论
本研究证实,通过整合多传感器光谱指数时间序列与机器学习,特别是RF算法,可以实现对苹果园防雹网系统的自动检测与分类。研究发现,哨兵-2号的空间细节有助于精细尺度的网具识别,而HLS的时间密度则增强了物候稳定性。土壤与水分相关指数(BSI、NDWI)在宏观分类中作用显著,而植被活力指数(NDVI、EVI、SAVI)则是微观果园区分的决定性因素。该研究建立的分层分类框架为异质性农业景观中保护性结构的长期监测提供了稳健且可复制的方法论路径,对支持数字农业发展和优化果园管理具有重要实践意义。
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