《Land》：A Comparative Assessment of Machine and Deep Learning Approaches for Grassland Mapping with Sentinel-1, Sentinel-2 and Ancillary Data
编辑推荐：
草地（Grasslands）是全球最广泛的陆地生物群落之一，覆盖地球陆地表面约三分之一，但它们日益受到土地利用变化和过度放牧的威胁，凸显了对可靠监测方法的需求。本研究比较了机器学习和深度学习算法在利用源自哨兵一号（Sentinel-1）、哨兵二号（Sentin
草地（Grasslands）是全球最广泛的陆地生物群落之一，覆盖地球陆地表面约三分之一，但它们日益受到土地利用变化和过度放牧的威胁，凸显了对可靠监测方法的需求。本研究比较了机器学习和深度学习算法在利用源自哨兵一号（Sentinel-1）、哨兵二号（Sentinel-2）和地形变量的多源遥感数据进行草地制图方面的性能。研究在南非姆普马兰加省进行，该地景观异质性高，包含低地稀树草原、高海拔草地、悬崖和河滨湿地。研究人员在谷歌地球引擎（Google Earth Engine, GEE）中实施了随机森林（Random Forest, RF）和支持向量机（Support Vector Machine, SVM）分类器，使用融合的卫星和地形数据集以及野外采集样本进行训练和验证，同时在Python 3.13.5中开发了一维卷积神经网络（One-Dimensional Convolutional Neural Network, 1D-CNN），使用相同的输入数据。结果表明，整合多源数据提高了分类精度，其中雷达特征贡献最大。RF达到了最高性能，总体精度为97.7%，草地类别的精度、召回率和F1分数均超过0.97，紧随其后的是1D-CNN，总体精度为91%，草地检测完整。相比之下，SVM性能显著较低，总体精度为80.8%。这些发现凸显了先进学习方法在草地制图中的有效性，并支持其在生态恢复和环境管理中的应用。
**研究背景与问题**
草地（Grasslands）覆盖地球陆地表面约三分之一，是重要的生态系统，提供牲畜饲料、生物多样性保护区、水源涵养和碳汇等功能。然而，过度放牧、土地利用变化及极端天气事件导致草地退化严重，亟需可靠的监测手段。遥感技术（Remote Sensing）可高效监测大尺度动态草地，但现有研究存在不足：多源数据（如Sentinel-1雷达与Sentinel-2光学）的融合在草地分类中尚未充分评估；深度学习（Deep Learning, DL）方法（如一维卷积神经网络，1D-CNN）在草地特定制图中的应用仍有限，而传统机器学习（Machine Learning, ML）如随机森林（Random Forest, RF）和支持向量机（Support Vector Machine, SVM）虽被广泛使用，但两者与DL的系统性对比在复杂环境下尚缺。本研究旨在整合Sentinel-1合成孔径雷达（Synthetic Aperture Radar, SAR）数据、Sentinel-2多光谱影像及地形变量，比较RF、SVM与1D-CNN在草地/非草地二元分类中的性能，以提升制图精度，支持生态恢复与环境管理。论文发表于《Land》。
**主要技术方法**
研究区位于南非姆普马兰加省，涵盖低地稀树草原、高海拔草地等异质景观。数据来源包括：Sentinel-1 C波段SAR Level-1 GRD产品（VV和VH极化）、Sentinel-2多光谱10 m及20 m波段（排除海岸气溶胶、水汽和卷云波段）、SRTM数字高程模型（Digital Elevation Model, DEM）导出的高程、坡度和坡向。特征集共21个变量：雷达后向散射、光谱波段、植被指数（NDVI、SAVI、EVI、NDRE、GCI）及地形参数。野外样本（816个草地、573个非草地）于2024年6月至12月收集，按80%/20%分割训练/测试集。RF和SVM在Google Earth Engine（GEE）中训练并调优（RF网格搜索：树数10–100、最小叶节点1–10等；SVM核函数为线性与径向基函数，代价参数1–100）；1D-CNN在Python 3.13.5中开发，包含两个一维卷积层（32和64滤波器）、最大池化、全连接层及dropout（0.3），训练25轮，批量256。采用5种特征组合实验（仅雷达、仅光谱、仅植被指数、仅地形、全部融合），评估指标包括总体精度、精确率、召回率、F1分数、Kappa系数、10折交叉验证及McNemar检验。
**研究结果**
**3.1 Accuracy Comparison Under Different Experiments (RF)**
通过5种特征实验比较RF性能，全特征组合（Exp 5）获得最高精度（总体精度0.9774，精确率0.9811，召回率0.9774，F1-score 0.9792）。仅光谱（Exp 2）精度0.9361，仅植被指数（Exp 3）0.8985，仅雷达（Exp 1）0.8759，仅地形（Exp 4）最低0.8534。表明多源融合显著提升分类性能。
**3.2 Feature Importance**
全特征实验的特征重要性分析显示，Sentinel-1 VH后向散射（重要性8.93）贡献最大，其次为Sentinel-2 B2（蓝，7.893）、B4（红，7.344）、B12（短波红外，7.282）。红边B5（6.718）、VV后向散射（6.481）、高程（6.041）及EVI（5.745）也较为重要。地形因子（坡度和坡向）影响最小。
**3.3 Accuracy Assessment of Optimal Feature Dataset (RF)**
RF最优模型（全特征，树数20）混淆矩阵显示：草地类真阳性155、假阳性5，非草地类真阴性105、假阴性1，总体精度97.74%。草地类精确率0.9688、召回率0.9936、F1-score 0.9811；非草地类精确率0.9906、召回率0.9545、F1-score 0.9722。10折交叉验证平均精度96.9%。
**3.4 Accuracy Results for 1D-CNN Optimal Feature Dataset**
1D-CNN在测试集（n=278）上总体精度91%。混淆矩阵：非草地正确分类90、误分25；草地正确分类162、误分1。非草地精确率0.99、召回率0.78、F1-score 0.87；草地精确率0.87、召回率0.99、F1-score 0.93。Kappa系数0.80，10折交叉验证平均精度91.8%。
**3.5 Classification Result**
RF和1D-CNN的制图结果显示，草地（绿色）主要集中在中部和西部，非草地（红色）分布在东部和东南部，与已知植被梯度一致。
**讨论总结与结论翻译**
讨论部分比较了三种模型的分类精度：RF总体精度97.7%、Kappa 0.95，1D-CNN为91.0%、Kappa 0.80，SVM仅80.8%、Kappa 0.59。McNemar检验（统计量49.49，p < 0.05）证实RF与1D-CNN差异显著。RF在计算效率和可解释性上更优，而1D-CNN在草地召回率上表现突出（0.99）。多源数据融合中，雷达后向散射（尤其VH）贡献最大，其次为光谱和植被指数。1D-CNN倾向于高召回但高虚警（25个非草地误分类为草地），RF则更平衡。局限性包括：仅使用2024年6–12月数据，未涵盖完整季节动态；二元分类简化了生态异质性；空间自相关可能高估精度。未来应纳入多季节时序数据、多类别分类及空间交叉验证。研究结论翻译：本研究探讨了多源遥感数据和机器学习方法在利用Sentinel-1和Sentinel-2影像进行草地制图中的有效性。评估了五组特征配置以量化雷达后向散射、光学光谱波段、植被指数和地形变量对分类性能的贡献。同时，比较了传统集成分类器RF与深度学习方法1D-CNN的性能。实验结果表明，分类精度随输入特征类型和数量显著变化。在单独特征组中，地形变量精度最低，雷达后向散射优于地形但仍有限，植被指数提供适度改善，而Sentinel-2多光谱波段精度最高。当所有特征组集成后性能最优，总体精度达97.74%，比最弱实验提高12.4%。这些发现证实多源数据具有强互补性，特征多样性在提升草地分类精度中起关键作用。
