评估用于回收井场认证中木本植被评估的实地采样设计与基于激光雷达的方法
安吉琳·范·东根(Angeline Van Dongen)、
德米特罗·莫夫昌(Dmytro Movchan)、
查鲁米塔·塞尔瓦拉杰(Charumitha Selvaraj)和
丹妮·德根哈特(Dani Degenhardt)
《Remote Sensing》:Evaluating Field Sampling Design and LiDAR-Based Approaches for Woody Vegetation Assessment in Reclaimed Wellsite Certification
Angeline Van Dongen,
Dmytro Movchan,
Charumitha Selvaraj and
Dani Degenhardt
【字体:
大
中
小
】
时间:2026年05月09日
来源:Remote Sensing 4.1
编辑推荐:
**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对苹果园中的防雹网系统进行测绘。通过随机森林(Random Forest)和一维卷积神经网络(1DCNN)模型,能够以高分类准确性识别出网的颜色差异(白色、黑色以及无网的情况)。
*
**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对苹果园中的防雹网系统进行测绘。通过随机森林(Random Forest)和一维卷积神经网络(1DCNN)模型,能够以高分类准确性识别出网的颜色差异(白色、黑色以及无网的情况)。
**主要发现的意义在于:**
将高分辨率光谱数据(HLS)与Sentinel-2数据相结合,为监测异质农业景观中的果园管理实践提供了一个可靠的框架。土壤和水分相关的光谱指数(尤其是BSI和NDWI)在提高分层映射级别的分类性能方面起着关键作用。
**摘要:**
苹果园越来越多地采用防雹网来减轻气候风险;然而,这些结构会改变树冠的反射特性,给遥感监测带来了挑战。本研究为巴西Vacaria地区的不同防雹网条件下的苹果园测绘提供了一个操作框架。利用Sentinel-2的多传感器地表反射数据以及Harmonized Landsat和Sentinel-2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。研究了五个光谱指数: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),并在分层分类框架内分别对它们进行了评估。随机森林(RF)和一维卷积神经网络(1DCNN)作为补充的机器学习方法被应用于此研究。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也有所不同:BSI和NDVI在较大尺度上更有效,而EVI和SAVI在区分网的颜色方面更为关键。据我们所知,这是首次将多传感器时间序列和机器学习技术应用于苹果园防雹网系统的测绘研究。
**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的种植。然而,该行业面临着与气候变化相关的日益严峻的挑战,包括温度变化、降水模式改变以及极端天气事件的频率增加[1,2]。其中,冰雹是造成最大危害的因素之一,会严重降低产量和果实品质[3]。为了减少这些风险,过去几十年里许多苹果生产区都采用了防雹网[4]。虽然防雹网能够减少直接的冰雹伤害,但它们也会通过改变太阳辐射、水分、温度、湿度和风速等影响果园微气候[3,5,6]。尽管在减少生产损失方面效果显著,但防雹网改变了树冠的反射特性,使得通过遥感技术监测苹果园变得复杂。
遥感技术越来越多地被应用于多年生作物,以支持作物测绘、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、复杂的树冠结构和管理实践的存在,多年生作物的测绘仍然具有挑战性。当存在防雹网时,这一挑战进一步加剧,因为树冠的光谱响应会被掩盖或改变[13]。尽管防雹网的使用范围不断扩大,但相关研究较少关注其在遥感应用中的可检测性问题,大多数研究主要集中在 agronomic 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,能够生成更密集的光谱指数时间序列(SITS),并提高捕捉细微树冠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提供关于防雹网及其变体可检测性的互补信息。
长期以来,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)等光谱指数被用于评估植被活力、土壤暴露程度和水分含量[18,19]。当这些指数以时间序列形式使用时,可以更好地监测物候动态和土地利用变化。然而,指数的选择和数量可能会影响分类结果。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,仍存在未解决的问题。Furuya等人(2025年)的一项综述[20]指出,尚未有研究应用人工智能算法来绘制苹果园中的防雹网系统。该分析显示,只有一篇论文使用遥感技术(具体为Sentinel-2影像)进行了相关研究,但没有结合机器学习或深度学习方法。填补这一研究空白对于推进多年生作物监测的方法论框架和支持保护系统下的农业管理至关重要。虽然目前尚无使用机器学习/深度学习进行苹果园防雹网测绘的同行评审研究,但最近的一次会议成果[21]证明了在巴西Vacaria地区应用随机森林和Sentinel-2影像进行防雹网检测的可行性,获得了0.76的整体准确率。这表明机器学习方法在此任务具有潜力,同时也强调了需要更强大的算法和多传感器框架。
巴西是南半球最重要的苹果生产国之一。位于南里奥格兰德州(Rio Grande do Sul)的Vacaria市是一个重要的生产中心,一直位居该国苹果产量前列[22]。该地区广泛使用防雹网,因此是评估其遥感可检测性的理想案例。
为解决上述问题,本研究评估了在不同颜色(黑色和白色)防雹网条件下种植的苹果园以及其他土地利用和土地覆盖类别在异质景观中的测绘可行性。分析基于从HLS和Sentinel-2数据衍生出的SITS,结合机器学习方法进行。研究重点关注四个方面:(i)植被指数和机器学习检测防雹网下苹果生产的潜力,包括其颜色变体;(ii)空间/时间分辨率和数据集选择(HLS与Sentinel-2)对分类性能的影响;(iii)不同算法(随机森林与1D卷积神经网络)中植被指数的作用、稳定性和可解释性;(iv)准确性と计算成本之间的权衡。
**2. 材料与方法:**
为了实现研究目标,采用了一种逐步的方法(图1),从现场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位于巴西南部的南里奥格兰德州(Rio Grande do Sul)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区,2021/2022年度的产量约为254,000公吨[23,24]。自2010年以来,该市生产了南里奥格兰德州约37%的苹果产量,约占巴西总量的17%。南里奥格兰德州东北部和圣卡塔琳娜州(Santa Catarina)南部地区因气候和地形条件优越,在巴西苹果生产中占据重要地位[2]。
Vacaria的气候被归类为温带气候,夏季温和,没有明显的旱季(Cfb)。年累积降水量平均为1826.5 ± 303.6毫米,年平均气温为16.6 ± 0.46摄氏度,冬季(6月至9月)平均11摄氏度,夏季(12月至3月)平均19.9摄氏度。1991年至2020年间,降水量呈每年增加9.37毫米的趋势(R2 = 0.27),气温则呈现每年升高0.02摄氏度的趋势(R2 = 0.38)。这些数据来自Climate Hazards Center InfraRed Precipitation with Station (CHIRPS)[25]和欧洲中期天气预报中心(ERA5)[26]。
Vacaria的海拔范围从550米到997米不等(图3A),地形主要以缓坡和起伏地形为主,平地也占较大比例。崎岖的地形(如强烈起伏的区域和山区)分布较少,主要与天然森林和草地相关。该地区的主要土壤类型包括棕色拉托土(Brown Latosols)、腐殖质坎比土(Humic Cambisols)和红色拉托土(Red Latosols)[27],这些土壤分布受地形条件影响,从而影响农业适宜性[27]。
**2.2. 协变量和遥感数据集:**
绘制覆盖防雹网的苹果园是一种新型的自动作物测绘方法,因为这些覆盖材料的合成特性引入了额外的光谱复杂性。它们通过改变光照强度、散射模式和背景特征来改变树冠反射特性。由此产生的部分阴影和各向异性反射可能会干扰植被信号,影响光合作用和植被生长[3]。为此,本研究采用了一组互补的光谱指数(表1)来捕捉这些效应。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])进行评估。EVI用于缓解高生物量条件下NDVI的饱和倾向(可能由遮荫引起的植被活力增强),并降低对光照和大气变化的敏感性。SAVI用于解释由于树冠密度和遮荫模式差异导致的土壤暴露变化。NDWI(归一化水指数[31]用于捕捉树冠水分含量的潜在增加以及防雹网下微气候调节带来的水分损失减少。最后,BSI(裸土指数[32]用于检测土壤暴露情况和与苹果园管理相关的结构差异。整合这些指数有望更全面地描述防雹网下苹果园的光谱特征,为在人为改变环境中进行可扩展和可靠的作物测绘模型开发提供支持。
本研究使用了Sentinel-2多光谱仪器(MSI,欧洲航天局ESA)和HLS影像,比较了空间和时间分辨率对苹果园测绘的影响。目标不仅是检测和表征防雹网结构,还包括了解更细的空间细节(Sentinel-2的10米分辨率)与更高的时间频率(HLS的两天频率)对区分防雹网覆盖像素与邻近土地利用和土地覆盖(LULC)类别的能力的影响。Sentinel-2表面反射数据二级数据通过Google Earth Engine (GEE)处理以生成五个光谱指数。
对于HLS数据,使用了两个采集集:HLS.S30(S2表面反射率)和HLS.L30(Landsat表面反射率),同样通过GEE获取。研究时间范围为2024年1月1日至2024年12月31日。分析中仅纳入了云覆盖率低于90%的数据。这一阈值旨在排除几乎完全被遮挡的场景,尽可能保留有效的像素。该方法确保了观测数据在时间上的更高密度,并减少了数据序列中的空缺。该标准还通过避免系统性移除整个日期来最小化对湿润时期的偏见,在这些时期云层出现率较高。因此,部分无云的区域仍然被利用,从而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月在实地识别的土地利用类型(LULC)类别,基于以下三个前提:(i) 直到调查日期之前的主要土地利用变化已经可以在2024年的图像中捕捉到;(ii) 瓦卡里亚(Vacaria)地区较为稳定的土地利用类型,如苹果园、牧场和自然植被,近期发生转变的概率较低;(iii) 尽管有一些动态变化的类别(例如年度作物),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年底发生了重大变化,Sentinel-2A被新发射的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时期相关的 revisit 频率和校准问题。
初步预处理包括基于SCL(对于S2)和Fmask(对于HLS)波段的云层、阴影、雪和高气溶胶遮蔽。对于每张图像,反射率波段被映射到一组标准的光谱通道中,然后计算相关指数。每张图像都添加了采集日期、传感器(HLS情况下为S30或L30)和云层覆盖率的元数据。由于HLS数据集的采集间隔不规律,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。在整个研究区域内,这个中位数 revisit 频率大约为三天。
在Google Collaboratory环境中,首先按日期聚合了每日观测数据;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)作为波段调整和双向反射率分布函数(BRDF)标准化的参考。与GRI之前的Sentinel-2数据相比,Landsat产品提供了更高的地理定位精度和校准稳定性[34]。然后,每个数据集都被映射到其本地的固定网格上:Sentinel-2映射到2024年1月1日至12月31日的5天网格,HLS映射到同一时期的3天网格(中位数时间分辨率)。每个系列都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处的剩余空缺。所有插值的系列都通过Daubechies-4(db4)小波变换进行平滑处理,并在细节系数上应用σ/2(系列标准差)的软阈值,随后进行重构(waverec)。这种配置代表了平衡的平滑设置,因为σ/2的软阈值有效地抑制了高频噪声,同时保持了物候形状。更激进的温度阈值(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,降低了短期变化的可解释性。选择Daubechies-4(db4)小波是因为它的支撑长度适中,能够在去噪性能和物候保真度之间达到最佳平衡。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73个有效观测值,而每个HLS指数每年产生122个观测值。本研究中分析期间S2和HLS对于所有目标类别在每个光谱指数的比较平均特征显示在图5中。图5. 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—归一化差异植被指数;NDWI—归一化差异水指数;BSI—裸土指数;EVI—增强植被指数;SAVI—土壤调整植被指数。
2.3. 采样策略和分类方案
为了构建训练和验证数据集,结合了两种互补的方法:(i) 在主要道路沿线进行为期三天的实地采样活动以收集地面样本;(ii) 基于卫星数据的时间视觉检查进行远程采样。以下是这些程序的描述。实地采样活动于2025年3月11日至13日进行,以收集现场数据。调查重点关注有无防护网的苹果园,同时也涵盖了其他农业用地,包括谷物和谷类作物以及牧场。尽管访问了葡萄、梨、草莓和蓝莓等水果生产地,但由于这些地方的面积有限且使用温室,因此没有将其纳入分析。使用AgroTag应用程序[35]在整个市镇内收集了总共647个采样点(图2)。该应用程序支持通过标准化的LULC表格收集地理参考数据,提供摄影文档支持,并可访问高分辨率底图。访问的地块被矢量化为多边形,每个特征最多采样三个随机点。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,这是确保机器学习(ML)和深度学习(DL)模型正确运行的关键步骤;(ii) 更好地捕捉LULC类别的光谱变异性,因为即使在一个生产地块内也可能存在显著的变化。为了减轻空间自相关,采用了反空间泄漏策略,具体方法如下所述。
除了实地采样的农业区域外,还对未实地访问或实地数据不足的类别进行了远程采样,包括天然森林、人工林(造林)、牧场和早期演替植被,后者代表森林残余地和农业用地之间的草本-灌木覆盖。为此,使用了2025年3月的10米真彩色Sentinel-2镶嵌图(与实地采样活动对齐)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影像来识别采样点。为了提高训练数据集的代表性并增强模型的泛化能力,远程采样范围被限制在市镇边界外20公里的缓冲区内。这一更大的搜索半径增加了可用于采样的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,采样点总数为3685个,如图6所示和描述。图6. 巴西南里奥格兰德州瓦卡里亚地区的土地利用和土地覆盖样本点空间分布。该数据集包括了有无防雹网的苹果园,结合了2025年3月收集的实地数据和同一时期的卫星图像远程检查。采样点基于瓦卡里亚边界周围的20公里缓冲区进行收集。基于此数据集,开发了一个分层分类方案,逐步隔离与苹果生产相关的像素。这有助于识别和描述苹果种植情况,同时也支持评估模型在分类研究区域内其他LULC类型的性能。在第一层(L1),景观被分为天然森林(NF)、人工林(PF)和其他LULC(OT),明确了森林和人类改造区域之间的区别。第二层(L2)将“其他LULC”类别细分为多年生作物(PC)、一年生作物(AC)和草地(GR),突出了植被结构和物候的差异。最后,在第三层(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)和两种使用防雹网的苹果生产类型:白色网(AWN)和黑色网(ABN)。此外,草地被分为牧场(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. 分层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、一年生作物和草地/牧场;(iii) 多年生作物的子类别:阳光下的苹果(AS)、白色网下的苹果(AWN)和黑色网下的苹果(ABN);以及草地的子类别、牧场和早期演替植被。采用分层分类方法对于确保主题一致性和提高多空间和光谱尺度上的模型可解释性至关重要。这种结构允许逐步隔离与苹果相关的类别,同时保留关于土地利用的上下文信息。在更广泛的层次上包括非苹果类别(例如天然林和人工林、一年生和多年生作物以及草地)对于代表研究区域的完整土地利用异质性至关重要,并避免在光谱相似的类别之间产生混淆。这种方法捕捉了LULC系统的复杂性,减少了分类边界的模糊性,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制图中的分层框架一致,这些框架强调多层次组织作为提高分类任务准确性和可解释性的手段[36,37,38]。
2.4. 变量组合、数据划分和学习算法
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)的系统性评估。每个指数都单独进行了测试,并在所有可能的非冗余组合(成对、三元组、四元组和五元件组)中进行了测试,得到了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层次上的相对贡献,还旨在确定它们所代表的地表属性(例如水、裸露的土壤、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,以确定每个层次获得最佳结果所需的最小指数集,从而提高模型的整体可解释性。
由于在同一地块内可能收集到三个样本,因此需要额外的步骤来防止由于附近点之间的空间自相关而导致的空间泄漏和准确性膨胀。为了控制这一效应,在所有分类层次上都实施了混合空间过滤策略,结合了基于网格的块划分、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。在每个单元和类别内,贪婪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留在测试集中。这种程序确保了在内部和折叠之间都没有空间依赖性:如果一个样本被包含在训练集中,则同一网格单元中的其他样本不能出现在测试集中。
在空间过滤之后,通过限制每个类别的数量并应用分层分层来强制严格的平衡。这在两个层次上都保持了比例代表:(i) 在每个分类层次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中保持它们的内部比例,在训练集和测试集中都保持一致。因此,得到的数据集是平衡且空间独立的。然后,使用StratifiedGroupKFold将其划分为五个固定的折叠进行交叉验证,确保每个折叠的训练/测试比例为80/20。尽管这种方法减少了样本总数,但仍然提供了足够的数据进行稳健的分类(表2)。表2. 每个类别和分类层次的五个固定交叉验证折叠中的训练和测试样本分布(约为80/20的比例)。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,因为它仍然是最可靠且计算效率最高的作物映射算法之一[8,14],特别是在样本量有限和条件异质的情况下。它提供了强大的性能,通过变量重要性实现了可解释性,并且对噪声和过拟合具有抵抗力[40]。1DCNN在农业制图中取得了良好的结果[41,42,43],该模型被采用来利用多变量指数序列中的时间和光谱依赖性,同时保持一个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,这遵循了分类任务的原始推荐[39]。定义了每个叶子节点至少有两个样本,以防止在小子集上的过拟合。同时,将树的最大深度限制为20,以约束模型复杂性并提高泛化能力。通过平衡子采样调整了类别权重,以解决剩余的类别不平衡问题。树的数量固定在200棵,因为初步测试表明,超过这个阈值并不会显著提高准确率,同时确保了特征重要性的稳定估计和可控的计算成本。避免了对该参数进行全面的网格搜索,因为这提高了计算效率,但并没有改善模型性能。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,最终架构在表3中详细说明。本研究采用的1DCNN架构旨在保持轻量级和计算效率高,因为更深的模型往往只有有限的准确率提升,并且计算成本显著增加[41,42,43]。与通常用于大规模作物制图的多块或残差架构相比,该模型仅使用了两个卷积层,后面跟着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以及植被指数的平滑时间剖面,以确保稳定的性能并降低过拟合风险。表3. 1DCNN架构和训练参数,在级别1、2、3A和3B中重现。所有实验都在运行Python 3.12.12的Google Colab环境中执行,操作系统为Linux 6.6.105+,具有八个逻辑(四个物理)CPU核心和54.8 GB的RAM。在模型训练期间没有使用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。报告的训练时间仅指模型拟合阶段,每折进行测量,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,存储了每折的伪影,包括混淆矩阵和来自独立测试集的汇总指标。模型性能主要通过总体准确率和宏平均F1分数来评估,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。然后汇总所有折叠的混淆矩阵,以得出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。下面显示了与这些指标相关的所有公式。对于每个模型和变量组合,记录了每折的拟合时间,以便比较不同算法之间的计算效率。这种方法确保了跨模型和层次级别的评估框架的一致性和可比性,同时平衡了可解释性和准确率估计的稳健性。(1) 其中TP = 真阳性;TN = 真阴性;FP = 假阳性;FN = 假阴性[44]。(2) 其中K是类别的总数;(3) 其中(4) (5) (6) 模型通过一个层次化的、基于统计学的程序进行排名,旨在识别最佳结果,以及最健壮、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:从空间独立的验证折叠中计算宏观F1分数。宏观F1分数在类别之间平衡了精确度和召回率,从而防止了对多数类的偏见,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,则第三个平局规则倾向于使用最少的光谱指数组合。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):在观察到统计等价性的情况下,使用每折的平均训练时间(以秒计)作为次要排名标准。本研究的主要目的不是直接比较算法,而是评估使用不同数据集的时间序列图像对苹果生产进行制图的可行性。为了便于比较,分析了不同分类器和服务集之间的模型性能,以评估数据规模和异质性对每个模型的影响。使用Wilcoxon符号秩检验来评估配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次数。对于任何组合C中的每个指数i的出现,记录了相应的宏F1分数(在折叠中平均),并在不同数据集和算法之间汇总。计算了每个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摘要。此外,使用留一法估计了边际增益。加性增益衡量了在某个指数添加到组合中时宏观F1分数的提高程度,而移除影响则捕获了移除该指数时宏观F1分数的损失。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分数大于0.85,表明在LULC类别(包括有无防雹网的苹果园)之间有很强的区分能力。模型和传感器之间的差异因每个级别的主题复杂性而异。在L1级别(原始森林、人工林、其他),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),即使包括其他类别(汇总了六个不同的LULC子类),也反映了光谱分离的容易性。1DCNN的表现也不错,平均值分别为0.891(HLS)和0.932(S2),但变化性更大。当限制为一个或两个指数时,其性能显著下降。在这个级别,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(级别1—原始森林 vs. 人工林 vs. 其他)。在L2级别(多年生作物、一年生作物和草地),两种模型的平均值相似(0.90),与L1相比略有下降。1DCNN的平均值为0.904(HLS)和0.901(S2),而RF达到了0.893(HLS)和0.902(S2)。所有配置的跨折叠性能变化都很小,标准差在0.012到0.019之间。S2衍生的1DCNN结果的分散度更大(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(级别2—多年生作物 vs. 一年生作物 vs. 草地)。在L3A级别(阳光下的苹果、白网和黑网),这代表了本研究的核心创新和主要焦点,尽管性能分散度较大,但结果显示出令人鼓舞的潜力(图10)。RF保持了较高的平均宏观F1分数,分别为0.874(HLS)和0.903(S2),变化中等(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,表现得较低,但有几个组合的宏观F1分数超过了0.95,强调了所提出方法的强大区分能力。这些结果证实,即使在涉及细微管理差异和部分树冠覆盖的高度挑战性场景中,两种模型也能够有效捕捉特定的光谱-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(级别3A—阳光下的苹果 vs. 带有白网的苹果 vs. 带有黑网的苹果)。最后,在L3B级别(草地和早期演替植被),两种模型的表现都很强,尽管两个类别的光谱-时间特征非常相似,但仍保持了较高的宏观F1分数(图11)。1DCNN的平均值为0.904(HLS)和0.854(S2),而RF达到了0.938(HLS)和0.908(S2)。RF的标准差较低(约为0.03),1DCNN的标准差适中(约为0.12–0.16)。鉴于区分栽培草地和天然草地的内在困难(它们通常具有相似的树冠结构、物候时间和反射率响应),这些结果尤其相关。1DCNN(HLS)的峰值分数高达0.97,RF(HLS)的峰值分数为0.96,表明两种模型都捕捉到了足够的细微结构和时间线索,以实现可靠的区分。图11. 不同算法(左)和传感器(右)的指数性能比较分布(级别3B—草地 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,排名依据了一个多标准框架,该框架综合考虑了预测准确性、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计算的宏观F1分数,以确保跨类别的稳健性。表4. 分别针对级别1、2、3和4的排名前10名模型,考虑了性能(宏观F1)、显著性(Wilcoxon配对测试后)、效率(拟合时间)和简约性(指数数量)。在496个模型-指数组合中,有110个组合的总体准确率达到了≥0.90(对于HLS和Sentinel-2,使用1DCNN或RF)。在级别2、3A和3B,这些数字分别为87、72和94。当使用宏观F1进行评估时,结果是一致的,这加强了两种数据源(HLS、Sentinel-2)和分类器(1DCNN、RF)都适用于分层作物制图的结论。3.2. 按数据集分类的性能在所有数据集上,两种算法使用Sentinel-2获得的平均性能略高于使用HLS,宏观F1的平均值分别为0.8825和0.8647(对于1DCNN)以及0.9164和0.9152(对于RF,分别提高了2.1%和0.1%)。然而,在级别3B(PT vs. ESV)中,HLS为两种算法都提供了更好的结果。RF在HLS上的表现为0.938 ± 0.033,而在Sentinel-2上的表现为0.909 ± 0.054;1DCNN在HLS上的表现也更好(0.904 ± 0.140 vs. 0.854 ± 0.178)。这些增益可能源于HLS更高的时间密度,这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。这在处理全年光谱特征相似的类别(如草地(PT和ESV)时特别相关。空间和时间分辨率的差异对分类性能有互补的影响。Sentinel-2数据在敏感于树冠结构和管理特征的任务中提高了分离能力,例如检测防雹网下的苹果生产(L3A)或区分多年生作物、一年生作物和草地类别(L2)。在这些情况下,在Sentinel-2上训练的1DCNN模型获得了高于HLS的总体宏观F1分数(在L2中增加了1.04%,在L3A中增加了10.9%)。相比之下,HLS在时间驱动的分析中表现更好,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的更密集重访频率(~3天合成)在时间驱动的任务中更有优势,特别是在级别3B。在更粗糙的尺度上(级别1),性能相似。这表明Sentinel-2的更细的空间分辨率(10米)和重访频率(~5天)已经提供了足够的空间-时间细节以进行粗略级别的区分。相比之下,HLS的更密集合成(~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分类级别和模型上的平均宏观F1分数。虽然Sentinel-2在较低分辨率级别(L1–L3A)上仍保持轻微的整体优势,但在L3B级别上HLS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值在0.75到0.82之间),而RF在所有子类别中的表现都特别好(F1 > 0.87)。在更均匀的类别中,如苹果树(白色网状覆盖),两种算法使用Sentinel-2时的表现都更好(F1 ≈ 0.88–0.92)。然而,算法之间的成对比较显示p值大于0.1,表明在这两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在苹果果园及其他土地利用类型(LULC)分类中的性能(精确度、召回率、F1分数和支持度),涵盖了不同分辨率级别(L1–L3B)。ΔF1与RF的差值表示1DCNN和RF模型之间的F1分数差异。使用配对Wilcoxon符号秩检验得到p值。
3.3 算法分类性能
总体而言,RF模型的平均性能(0.9158)高于1DCNN模型(0.8736),且变异性更低(标准差分别为0.0436和0.1421)。另一方面,1DCNN模型在某些指标上的峰值性能更高。这种差异主要是由于1DCNN在单个指标(Macro-F1为0.6721)或两个指标(Macro-F1为0.8664)上的表现较弱。相比之下,RF在同一条件下的平均值分别为0.8694和0.9117。当使用三个或更多指标时,1DCNN的表现优于RF,显示出更高的峰值分数且稳定性较高。1DCNN的平均Macro-F1分数分别在使用三个、四个和五个指标时达到0.9347、0.9515和0.9540。值得注意的是,在使用四个和五个指标的组合中,其分数达到了最大值0.9857,且标准差低至0.024。相比之下,在相同范围内(三个到五个指标),RF的平均Macro-F1分数在0.9295到0.9406之间,最大值为0.9675。
考虑到性能指标和Wilcoxon符号秩检验结果,RF在大多数分辨率级别上都一致优于1DCNN(表6)。最大的差异出现在L1(NF、PF、OT)和L3A(AS、AWN、ABN)级别,RF在这些级别的平均Macro-F1分数分别为0.956 ± 0.024和0.874 ± 0.064,而1DCNN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级别,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有显著差异。平均而言,随机森林模型的训练速度大约是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。
表6显示了RF和1DCNN模型在不同级别和数据集上的Macro-F1分数比较,以及使用Wilcoxon配对检验得出的统计显著性。从类别指标来看,RF在几乎所有类别中都保持了更高的F1分数,特别是在苹果树(黑色网状覆盖)和苹果树(白色网状覆盖)中(表5显示F1 = 0.896和0.894)。1DCNN的表现略差,特别是在阳光照射下的苹果树(F1 = 0.818)中,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平均性能更优,但在更均匀的子类别中,这种性能差异较小,并且只有苹果树(黑色网状覆盖)的Wilcoxon检验显示出显著差异(p < 0.05)。
3.4 光谱指数对分类性能的影响
对不同分辨率级别下光谱指数边际增益的评估揭示了与植被活力、土壤背景反射率及含水量相关的一致模式,同时反映了Sentinel-2和HLS之间的传感器特异性差异。在L1级别(天然植被与人工林及其他土地利用类型),NDWI和BSI被列为最具影响力的指数。在HLS-1DCNN配置中,NDWI(+0.11)和BSI(+0.10)显示出最高的平均增益,其次是NDVI(+0.07)。在Sentinel-2-1DCNN配置中,相同的指数也显示出较高的平均增益(BSI +0.06;NDWI +0.05),但变异性更大。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,这些模式表明与土壤暴露(BSI)和水分(NDWI)相关的指数在不同传感器中的贡献是一致的。同时,植被活力指标(NDVI、SAVI、EVI)在此分类级别上的效果较小且变化较大。
通过生成图表来考察在不同指数存在与否的情况下,平均Macro-F1分数如何变化(使用120种排列方式)。图12展示了BSI对L1级别分类的影响。图12显示了基于自助法分析的裸土指数(BSI)对L1级别分类(天然森林、人工林、其他类型)的影响。在L2级别(多年生作物、一年生作物、草地),Sentinel-2 + 1DCNN组合下的NDWI、BSI和NDVI实现了最高的平均边际增益(约+0.05–0.06),但同时也显示出最大的变异性(标准差约0.08–0.10),表明它们的贡献在不同组合中并不一致。SAVI和EVI也表现出类似的趋势,平均增益适中但分散程度较大。随机森林模型也产生了较小的增益(约+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Sentinel-2 1DCNN配置下,它们的影响更为异质;而RF则提供了较小但更稳定的增益。图13展示了NDWI对L2级别分类的影响。图13显示了基于自助法分析的标准化差异水分指数(NDWI)对L2级别分类的影响。在L3A级别(阳光照射下的苹果园、黑色防雹网或白色网状覆盖),最高边际增益与植被活力指数相关。在HLS 1DCNN模型中,EVI(+0.22)、NDVI(+0.22)和SAVI(+0.21)的表现最为突出,其次是BSI(+0.12)和NDWI(+0.11)。Sentinel-2 1DCNN也表现出类似的趋势,NDVI(+0.18)、SAVI(+0.17)和EVI(+0.14)排名靠前,而BSI(+0.11)和NDWI(+0.08)的贡献适中。相比之下,RF模型产生的效果较小但更稳定。
图14显示了NDVI对L3A级别分类的影响。图14基于自助法分析的标准化差异植被指数(NDVI)对L3A级别分类的影响。在L3B级别(牧场与早期演替植被),边际增益分析表明SAVI(+0.16)和EVI(+0.16)是主要贡献者,其次是BSI(+0.10)。NDVI(+0.09)和NDWI(+0.07)也提供了信息,但效果较低。HLS 1DCNN的结果趋势相似,但数值较小(SAVI和EVI约为+0.10),而随机森林模型在两种传感器上的增益均较低(约+0.02)。NDVI、BSI和NDVI在区分果园管理类型方面最具信息量,且1DCNN捕获的增益更强但变化较大。图15显示了SAVI对L3B级别分类的影响。图15基于自助法分析的土壤调整植被指数(SAVI)对L3B级别分类的影响。
图16总结了光谱指数数量与模型性能之间的关系。结果显示,随着指数数量的增加,性能有所提升。然而,这些增益的大小和稳定性高度依赖于算法和数据集。Wilcoxon临界线表示模型之间没有统计学显著差异的阈值。在L1级别(天然森林、人工林、其他类型),引入更多指数后性能显著提高,表明大规模分类从多表面属性的综合表示中受益显著。使用单个指数时,结果变化较大(平均值=0.85,标准差=0.12),尤其是对于1DCNN。当结合两个指数时性能稳定(平均值=0.93),从三个指数开始趋于饱和(平均值约0.95,标准差≤0.02)。这种模式表明存在收益递减效应:最初的几个指数(通常结合了土壤和水分信息)带来了显著增益,而后续的指数主要增强了模型的稳定性。从四个到五个指数的变化表明,当土壤(BSI)和水分(NDWI)条件得到充分代表时,L1级别的分类性能接近最优。
在L2级别(多年生作物、一年生作物、草地),使用单个指数的模型取得了中等准确率(平均值=0.84,标准差=0.07),这突显了孤立光谱特征的不稳定性,尤其是在1DCNN和S2上。加入第二个指数后,结果显著改善(平均值=0.90),并大幅减少了变异性,证实了在中等尺度上结合土壤和水分信息的好处。从这一点开始,增益逐渐增加:平均Macro-F1从三个指数时的0.91增加到五个指数时的0.92,而标准差保持在0.02以下。这一趋势表明,一旦指数同时捕获了土壤反射率(BSI)和水分含量(NDWI),分类性能趋于饱和。
在L3A级别(阳光照射下的苹果园、黑色防雹网或白色网状覆盖),随着额外指数的添加,性能出现了明显的非线性提升。具体来说,依赖单一指数的模型准确率低且变异性高(平均值=0.63,标准差=0.21),表明使用孤立指数无法充分区分防雹网下的苹果生产情况。然而,加入两个或三个指数后性能改善(平均值=0.82–0.92),减少了方差,并捕捉到了植被和土壤的互补特征。从四个指数开始,性能稳定(平均值约0.95,标准差约0.02),表明一旦模型平衡了绿色度(EVI、NDVI)和剩余土壤信号(SAVI),额外指数的贡献有限。图17显示了L3A级别模型学习性能的变化。图17显示了各级别传感器和模型之间的学习性能,平均值±95%置信区间。在L3B级别(牧场与早期演替植被),趋势与L3A类似,但提升更为渐进。一个或两个指数时的变异性较高(平均值=0.76–0.90,标准差<0.16),表明使用有限的光谱描述符难以区分植被活力和密度。当添加第三个指数时,准确率提高(0.94),之后趋于稳定,标准差显著下降(约0.02)。这一平台期表明,一旦纳入多个对植被敏感的指数(EVI、NDVI、SAVI),PT-ESV的区分能力得到加强,表明叶绿素活性和树冠密度的综合光谱特征能够最好地捕捉植被覆盖信息。
总体而言,所有级别的结果都表明,特定的光谱指数与表面特性相匹配时分类性能最佳。分辨率较高的级别(L1和L2)对对土壤和水分变化敏感的指数(如NDWI和BSI)反应更强烈。相比之下,分辨率较低的级别(L3A和L3B),具有更稳定的植被结构(如多年生果园和草地),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全面表示表面属性的必要性。1DCNN模型通常带来更大的边际增益,但变异性也较大,反映了其对指数组成的敏感性。另一方面,RF模型产生的增益较小但更稳定,尤其是在L3A和L3B级别。Sentinel-2在较高分辨率级别上使用1DCNN时通常获得更高的增益,而HLS在较宽的级别(L1和L2)上提供了更一致的结果,这体现了模型和传感器之间在可分性和稳定性之间的权衡。
图15显示了SAVI对L3B级别模型性能的影响。图15基于自助法分析的土壤调整植被指数(SAVI)对L3B级别分类的影响。
3.5 指数数量对分类性能的影响
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。图16显示了使用HLS和S2时,RF和1DCNN在不同光谱指数数量下的性能。Wilcoxon临界线表示模型之间没有统计学显著差异的阈值。在L1级别(天然森林、人工林、其他类型),引入更多指数后性能显著提高,表明大规模分类从多表面属性的综合表示中受益显著。使用单个指数时,结果变化较大(平均值=0.85,标准差=0.12),尤其是对于1DCNN。当结合两个指数时性能稳定(平均值=0.93),从三个指数开始趋于饱和(平均值约0.95,标准差≤0.02)。这种模式表明存在收益递减效应:最初添加的指数(通常结合了土壤和水分信息)带来了显著增益,而后续添加的指数主要增强了模型的稳定性。从四个到五个指数的变化表明,当土壤(BSI)和水分含量(NDWI)条件得到充分代表时,L1级别的分类性能接近最优。
在L2级别(多年生作物、一年生作物、草地),尽管不那么明显,也观察到了类似的模式。使用单个指数的模型实现了中等准确率(平均值=0.84,标准差=0.07),这突显了孤立光谱特征的不稳定性,尤其是在1DCNN和S2上。加入第二个指数后,结果显著改善(平均值=0.90),并大幅降低了变异性,证实了在中等尺度上结合土壤和水分信息的好处。从这个点开始,增益逐渐增加:平均Macro-F1从三个指数时的0.91增加到五个指数时的0.92,标准差保持在0.02以下。这一趋势表明,一旦指数同时捕获了基质反射率(BSI)和水分含量(NDWI),分类性能趋于饱和。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数的互补作用,以及需要平衡特征组成以在分类层次中最大化分离性和鲁棒性。3.6. 运行时间和计算效率在计算效率方面,训练时间随着输入指数数量的增加而增加,特别是对于1DCNN模型。RF(随机森林)保持了高度稳定性,从使用一个指数时的1.00 ± 0.34秒增加到使用五个指数时的1.27 ± 0.64秒,几乎呈线性增长了27%。相比之下,1DCNN的训练成本更高且变化更大,从使用一个指数时的22.6 ± 11.3秒增加到使用两个指数时的24.3 ± 6.9秒,然后在使用三个或更多指数时稳定在大约23秒。尽管增加更多指数导致的运行时间增加较为温和,但两种模型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可以从额外的指数中受益,但其计算开销更倾向于使用紧凑、互补的光谱集,在不同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(L1到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. 使用性能最佳的光谱融合(HLS)模型生成的Vacaria地区的分层土地利用类型(LULC)分类图(L1–L3B等级)。每个层次都在前一个层次的基础上进行细化,区分了白色网、黑色网和无网的苹果园以及其他LULC类别。每个层次的最终分类图都是使用性能最佳的光谱融合模型(Harmonized Landsat Sentinel-2)生成的。这些模型的选择基于交叉验证的宏观F1分数。选择HLS是因为其性能与Sentinel-2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L1层次,RF(BSI + NDVI + NDWI + SAVI)模型区分了种植林地(PF)、天然林地(NF)和其他土地利用类型(OT)。水域和城市区域使用2024年MapBiomas项目的数据进行了屏蔽[45]。其他类别包括在后续层次中分析的范畴:多年生作物(PC)、临时作物(TC)和草地(GR)。每个后续层次都受限于在前一个层次中识别的感兴趣的像素,确保了层次一致性。在L2层次,1D CNN(BSI + NDVI + SAVI)将OT类别分割为PC、TC和GR,其中只有多年生(PC)像素进入了L3A层次。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下的苹果园(AWN)、黑色网下的苹果园(ABN)和阳光下的苹果园(AS)。对于L3B层次,仅限于L2层次中的草地(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空间模式滤波器进行了细化,增强了光谱时间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,应用了空间滤波器去除了所有小于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,模型将一些与其他作物相关的潮湿区域错误地分类为苹果园。这一限制可能与光谱相似性有关,应在未来研究中进一步探讨。图19. 显示Vacaria地区白色和黑色防雹网下苹果园的视觉分类图示例。图展示了2024年的Sentinel-2图像(左)以及分别为白色和黑色网得到的分类结果(右)。4. 讨论 4.1. 冰雹影响和苹果园中的防雹网系统冰雹风暴是对苹果生产最严重的非生物危害之一,由于果实受损、落叶和树枝损坏导致产量和经济损失[6,46]。在经常受到对流风暴影响的地区,如巴西南部和欧洲中部部分地区,采用防雹网已成为确保作物保护和生产稳定的最有效策略[13,47]。这些结构可以物理上屏蔽树冠免受冰雹的影响,大大减少果实损失,并提高了果园对日益变化的气候条件的适应性[48]。除了保护作用外,防雹网还会在果园环境中引起微气候和生理变化。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使入射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,通过改善光分布和提高树冠光合作用的效率,可以产生补偿效应[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,特别是白色或珍珠色的网,能够传输更宽范围的散射光,提高果实大小、硬度以及生化成分,而深色或黑色的网则倾向于减少晒伤和过度加热[6,47]。这些变化表明,防雹网不仅仅是保护结构,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、颜色发育和采后属性[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,防雹网覆盖果园的扩展带来了生产力提升和新的挑战。在像Vacaria这样的地区,保护结构覆盖面积的增加有助于稳定产量并改善出口市场的果实分类[47,49]。然而,这种广泛使用也引入了环境和管理方面的影响,包括果园能量平衡、传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、光谱特性和长期效应对于评估其农艺效益和环境足迹变得至关重要。4.2. 遥感用于覆盖网果园的分类在这种情况下,先进的监测方法变得必不可少,特别是考虑到有无网果园之间的视觉相似性使得传统的实地调查劳动密集且主观性强。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手段,用于绘制网覆盖图、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。理解这些效应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。在所有层次中,HLS和Sentinel-2之间的空间和时间分辨率差异以互补的方式影响了分类性能。Sentinel-2的10米像素在依赖细尺度树冠结构和管理效应的任务中(如区分不同颜色的防雹网系统(L3A层次)以及多年生类别和一年生类别以及草地类别(L2层次)方面,一致提高了分离性。在这些情况下,1DCNN与Sentinel-2组合的宏观F1分数高于HLS,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3天合成)对时间驱动的任务(例如L3B层次)有益,并且对于对空间纹理不太敏感的算法(如随机森林),提供了可比或更优的结果(例如在L3B层次上宏观F1分数增加了2.2个百分点)。在最广泛的层次(L1层次),两种模型的性能相当,根据算法的不同,优势在数据集之间交替出现,这表明当类别对比性强时,空间细节(S2)和时间密度(HLS)可以相互补偿。总体而言,这些结果突显了一个权衡:Sentinel-2的空间分辨率有利于网识别和颜色特征描述,而HLS的时间密度在物候轨迹占主导时可以提高分离性。这些发现支持了一种多传感器策略,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尺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由于具有更高的重访频率,一直与捕捉时间动态(如作物发育阶段或应激反应)的改进相关联[14,15]。结果证实了这种互补性,因为这两个数据集强调了类别分离性的不同方面:Sentinel-2突出结构细节,而HLS捕捉物候连续性。植被的行为强化了这些发现。在更广泛的层次(例如L1和L2),对土壤和湿度敏感的指数(BSI, NDWI)从HLS的时间密度中获益更多,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Sentinel-2下更具信息量,其更细的空间分辨率减轻了由果园布局和网状结构引起的混合像素效应。因此,特定指数的相关性并非固有的,而是由数据集的空间-时间分辨率决定的,这突出了传感器-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还对保护结构下多年生作物的遥感具有更广泛的含义。检测防雹网系统下的苹果生产的能力,特别是区分黑色和白色网,在很大程度上依赖于能够调整树冠密度和土壤背景的指数(EVI, SAVI)。这些提升在Sentinel-2中最为明显。这表明保护管理可以改变指数的相对重要性,将平衡从传统的基于绿度的测量(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Sentinel-2和HLS的多传感器方法可能产生更稳健的结果,前者捕获细尺度的管理特征,后者增强物候稳定性。这种策略与最近的要求一致,即在作物监测框架中整合空间和时间细节,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,无需进行大量调整。然而,其性能仍对关键超参数敏感,因为丢弃率、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能够高效捕获短期到中期的时间依赖性,但它们在建模长期或跨季节关系方面能力较弱,这可能会降低跨年份或种植周期的迁移能力。此外,该模型严重依赖于输入预处理,如填充空缺、平滑和时间对齐,因为不规则或嘈杂的时间序列会降低特征提取的质量。尽管批量归一化和丢弃的使用提高了鲁棒性,但与基于树的模型相比,可解释性仍然有限,因为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测的变量[50]。因此,1DCNN的性能取决于仔细的参数校准、一致的预处理以及跨独立数据集的验证。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,但它与随机森林相比缺乏内在的可解释性,特别是在个体光谱指数随时间的变化贡献方面。未来的研究应该探索解释性技术,如SHAP(SHapley Additive exPlanations),以更好地理解深度学习模型所学的时间动态。如图16和图17所示,尽管1DCNN在某些配置中偶尔超过了RF,但其性能在很大程度上取决于所使用的指数数量。学习曲线显示,RF从使用单个指数开始就保持了稳定的性能,宏观F1分数超过0.70,并且随着指数的增加而逐渐提高。相比之下,1DCNN在L3A层次的宏观F1值较低,低于0.30,只有当结合两个或更多指数时才优于RF(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在更低的计算成本和更短的训练时间内获得了有竞争力的结果,这加强了它作为实用且高效算法的适用性,仍然是解决农业问题的强有力选项[51,52,53]。未来的研究应通过相邻苹果生产区域的跨区域验证来评估所提出模型的空间可转移性。5. 结论
本研究填补了一个关键的研究空白:据我们所知,之前没有研究将人工智能和遥感技术应用于苹果园防雹网系统的绘制。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,我们证明了在不同网状覆盖条件下自动检测果园的可行性。结果表明,在更细的分类层次上,RF模型的性能优于1DCNN模型,尤其在区分果园管理措施方面取得了显著改进。Sentinel-2数据在精细尺度检测中具有优势,而HLS数据更高的时间密度则提升了在更广泛分类层次上的时间稳定性和类别区分能力。这两个数据集的互补特性为多年生作物系统的监测策略设计提供了宝贵见解,特别是在苹果园的测绘和管理计划制定方面。
分析还发现,与土壤和水资源相关的指数(BSI、NDWI)在一般分类层次上影响更为显著,而植被活力指数(NDVI、EVI、SAVI)对精细尺度的果园区分起着决定性作用。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,为未来研究中根据传感器特性和研究规模选择合适的光谱指数提供了实际指导。
通过整合实地和遥感样本,建立了一个分层分类框架,为多年生作物在保护结构下的监测提供了一种稳健且可复制的方法论路径。然而,像1DCNN这样的深度学习模型的性能仍然高度依赖于适当的超参数调整和预处理,这些环节需要仔细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园方面的潜力,支持了对异质农业景观中管理措施进行长期监测。该框架还可以为果园管理和决策制定开发数字工具提供指导,尤其有利于中小型生产者。未来的研究应该通过测试更多的机器学习和深度学习算法、整合互补的卫星数据、无人机图像和地面观测数据,并将分析范围扩展到其他颜色防雹网下的果园来进行拓展。此外,还应研究苹果园在不同物候阶段的光谱响应的季节性变化,并将气象变量作为辅助特征纳入模型,这可能进一步提升对网状覆盖系统的理解和分类精度。这些进步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。