《Remote Sensing》：A Comprehensive Machine Learning Approach for Crop Classification Using Multi-Sensor Satellite Datasets and Multiple Vegetation Indices
编辑推荐：
准确的作物分类对于可持续农业活动和粮食安全研究至关重要。遥感数据获取与分析技术的最新进展为农田检测提供了多种解决方案；然而，在许多异质性半干旱地区（例如中亚），可靠的作物地图仍然缺乏。机器学习方法利用多数据集解决此类挑战并区分不同作物类型。本研究的主要目标是通
准确的作物分类对于可持续农业活动和粮食安全研究至关重要。遥感数据获取与分析技术的最新进展为农田检测提供了多种解决方案；然而，在许多异质性半干旱地区（例如中亚），可靠的作物地图仍然缺乏。机器学习方法利用多数据集解决此类挑战并区分不同作物类型。本研究的主要目标是通过整合多传感器数据集，利用多种植被指数和不同机器学习模型，优化作物分类结果。研究人员使用了四个数据集：Landsat-8（DS-1）、Sentinel-2（DS-2）、光学Sentinel-2与SAR Sentinel-1集成（DS-3）以及Sentinel-1（DS-4）。基于Sentinel-2和Landsat-8波段导出了五种植被指数，即归一化植被指数（NDVI）、绿波段归一化植被指数（GNDVI）、增强型植被指数（EVI）、土壤调整植被指数（SAVI）和修正土壤调整植被指数（MSAVI）；此外，仅针对Sentinel-2利用红边波段导出了归一化差值红边指数（NDRE）。模型训练和图像分类考虑了三种输入场景：仅包含NDVI及其相关波段；光学影像的一组植被指数及其相关波段；以及SAR数据的VV、VH和VV/VH比值波段。研究人员采用了五种分类器，即梯度提升树（GBT）、随机森林（RF）、K最近邻（KNN）、分类与回归树（CART）和最小距离（MD），以评估机器学习场景分类的质量。结果表明，由于更高的空间分辨率和红边波段，Sentinel-2优于Landsat-8图像。DS-3在所有分类器中均一致优于DS-2（仅光学）和DS-4（仅SAR），总体精度相对于光学数据集提高了2.38%，相对于SAR数据提高了13.28%，证明了冠层光谱反射率、结构和水分含量方面的附加细节。使用多种植被指数在DS-1、DS-2和DS-3中均一致优于仅使用NDVI，由于多指数光谱敏感性捕获的互补信息，增益最高达到96.22%。GBT和RF分类器始终取得最高的分类性能，有效结合了多个决策树以捕捉复杂的非线性关系和决策边界；而MD分类器由于仅依赖到类均值向量的距离，精度最低。总而言之，所提出的方法为作物分类提供了一个稳健的框架，结合了多种数据源、不同的植被指数特征场景和可变的机器学习工具，适用于半干旱地区的精准农业应用。
**论文解读文章**
**研究背景与问题**
棉花和小麦是全球许多地区（包括中亚）的重要农作物，对保障粮食安全、提高农村人口生活水平和国民经济发展具有关键作用。然而，准确的作物分类信息对于监测生长、管理资源和规划生产至关重要。近年来，遥感技术的发展为作物监测提供了多源卫星数据，但云覆盖、单一传感器局限性以及异质性半干旱农业景观（如中亚）中的复杂田间条件，使得可靠作物制图仍然面临挑战。传统方法依赖人工实地调查，耗时且易出错，难以满足大规模、动态监测的需求。因此，整合多传感器卫星数据（光学与雷达）和先进机器学习技术，以提升作物分类精度，成为当前研究的重要方向。
**研究目的与意义**
本研究旨在通过整合多源卫星数据和多种植被指数，利用不同机器学习模型优化作物分类结果。研究假设多传感器数据（Sentinel-1和Sentinel-2）与多种植被指数相结合，能够显著提升分类精度，优于单一传感器和仅基于NDVI的方法。该研究发表在《Remote Sensing》期刊上，为半干旱地区的精准农业和资源管理提供了可扩展的操作框架。
**主要关键技术与方法**
研究人员在乌兹别克斯坦塔什干地区的Urta Chirchik区（约560 km2，灌溉农业区）开展研究，主要作物为小麦和棉花。使用了四个卫星数据集：Landsat-8（DS-1，30m分辨率）、Sentinel-2（DS-2，10-20m分辨率）、光学Sentinel-2与SAR Sentinel-1集成（DS-3，10m）以及Sentinel-1仅SAR（DS-4，10m）。从光学影像中导出了五种（Landsat-8）或六种（Sentinel-2）植被指数（NDVI、GNDVI、EVI、SAVI、MSAVI、NDRE）。设置了三种输入特征场景：场景1仅NDVI及其相关波段；场景2包含所有植被指数及其相关波段；场景3为SAR的VV、VH和VV/VH比值。采用了五种机器学习分类器：梯度提升树（GBT）、随机森林（RF）、K最近邻（KNN）、分类与回归树（CART）和最小距离（MD）。所有数据预处理和分类均在Google Earth Engine（GEE）平台上完成，使用2025年6-7月（作物关键物候期）的三期复合影像，并基于2024年乌兹别克斯坦农业部官方农业地图及2025年实地验证的田间边界，收集了2380个样本点（每类340个，70%训练，30%验证），确保样本独立性和空间分布。
**研究结果**
**4.1 植被指数的时间变化**
通过分析植被指数（VI）的时间动态，研究人员发现小麦在4月达到峰值（最大冠层发育），而棉花在8月下旬达到峰值（开花期）。多指数分析提供了关于土壤效应、叶绿素含量和冠层结构的额外信息，有利于分类。
**4.2 植被指数的空间分布**
使用Sentinel-2数据在生长季中期可视化六种植被指数，高值区域对应农业活动区，低值区域对应水体与城市。基于相关特征选择（CFS）分析表明，NDVI、GNDVI和SAVI与作物类别关联最强（相关系数分别为0.97、0.95、0.88），而EVI、MSAVI和NDRE提供互补信息（0.72-0.81）。
**4.3 SAR后向散射的时间变化**
Sentinel-1的VV和VH极化后向散射显示了小麦和棉花在季节上的差异，反映了作物生物量、含水量和冠层结构的变化，有助于区分作物。
**4.4 分类结果**
定性比较表明，GBT和RF在使用集成数据集（DS-3）和所有植被指数输入（场景2）时表现最佳，分类图与参考数据高度一致。定量评估显示，GBT达到最高总体精度97.06%，RF为96.92%，两者差异不显著（McNemar检验，p=0.579）。KNN和CART精度中等（93.43%和90.91%），MD精度最低（81.12%）。DS-3相比DS-2（仅光学）在GBT和RF上分别提升0.84%-1.54%和0.98%-2.38%；相比DS-4（仅SAR）提升达10.77%-13.28%。使用多种植被指数相比仅NDVI，在DS-1、DS-2和DS-3上分别提升GBT精度3.52%、3.21%和2.51%，RF提升1.69%、2.23%和3.63%。Sentinel-2（DS-2）优于Landsat-8（DS-1），提升幅度达5.27%-5.83%。作物特定精度显示，小麦和棉花的生产者精度（PA）和用户精度（UA）均很高（小麦PA 99-100%，UA 100%；棉花PA 100%，UA 95.33%），而裸地和水体分类准确，道路类存在混淆。
**总结讨论与结论**
讨论部分指出，集成方法（GBT和RF）通过组合多个弱学习器，有效处理高维非线性数据，在异质农业景观中表现出稳健性。而KNN、CART和MD对高维和融合特征空间敏感，精度下降，尤其是CART在DS-3多指数场景下精度从90.91%降至88.81%，KNN从93.29%降至83.78%。此外，SAR-光学融合对简单分类器产生中性或负面影响，表明模型选择至关重要。
研究结论如下：
（1）Sentinel-2由于更高的空间分辨率和红边波段，在所有分类器中均优于Landsat-8。
（2）多传感器（SAR+光学）集成减少了田间边界和混合像素处的误分类，验证了雷达后向散射在水分含量和冠层结构方面的信息价值。
（3）多指数方法比仅使用NDVI提供了更一致、更准确的分类结果，利用了绿度、生物量积累和叶绿素计算特征；但特征选择至关重要，过多输入特征会降低简单分类器的性能。
（4）集成机器学习方法（特别是GBT和RF）通过聚合多个基学习器，始终优于KNN、CART和MD，能够更有效地处理高维特征空间；而基于距离和单树的分类器对高维及融合特征空间敏感，在复杂输入场景下精度下降。
尽管本研究在特定区域和条件下取得了良好结果，但外部验证、迁移性评估和消融实验对于进一步强化未来评估是必要的。该框架在增强作物分类精度方面具有巨大潜力，但需要进一步研究以检验其在其他农业生态区的适用性，并系统评估各数据源和特征集的贡献。未来研究可探索深度学习（如卷积神经网络和循环神经网络）以更好地捕捉时空依赖，同时整合环境与地形变量有望进一步提升分类性能。
