《Remote Sensing》：Perennial Crop Type Discrimination with AVIRIS-NG Hyperspectral Imagery and Machine Learning
编辑推荐：
准确的多年生作物类型分布图可支撑农业监测、用水核算及气候适应战略决策。高光谱影像具备分离光谱相似植物物种所需的精细光谱细节，但其高维特性使分类复杂化。研究人员以南非西开普省为研究区，基于AVIRIS-NG高光谱影像与随机森林(RF)分类器，针对17类、9类与6
准确的多年生作物类型分布图可支撑农业监测、用水核算及气候适应战略决策。高光谱影像具备分离光谱相似植物物种所需的精细光谱细节，但其高维特性使分类复杂化。研究人员以南非西开普省为研究区，基于AVIRIS-NG高光谱影像与随机森林(RF)分类器，针对17类、9类与6类三套多年生作物分类体系开展判别研究。训练样本源自标注作物类型实地调查数据，采用递归特征消除(RFE)、Boruta进行特征选择，采用主成分分析(PCA)与最小噪声分数变换(MNF)进行特征提取以降低维度。结果表明，相较于仅用原始波段基线，特征提取在三套体系下均显著提升总体精度，其中MNF一致优于PCA，且仅用提取特征即达最高精度；总体精度随类别聚合度上升而从17类约66%增至6类约75%。樱桃与澳洲坚果等光谱差异明显者分类可靠，而柠檬与青柠、桃与李等结构相似乔木作物仍难区分。研究显示高光谱数据在区分光谱相似多年生作物方面潜力显著，但分类体系须审慎设计以降低错分。
研究背景与立项依据
南非西开普省农业出口经济以葡萄酒、苹果、柑橘、桃、梨等多年生作物为主，这类作物冠层结构、灌溉系统与物候周期相近，在多光谱遥感下光谱重叠严重，传统农业普查耗时费力且易错。高光谱传感器如AVIRIS-NG在380–2500 nm连续窄波段成像，可捕捉细微光谱差异，但全波段直接入模会带来强波段间冗余、计算负担与过拟合风险。已有研究多聚焦≤12类小体系或单作物，缺乏在物种级细粒度多年生果树分类下对随机森林(RF)与高光谱特征工程的系统评估。为此，研究人员依托NASA BioSCape航飞获取的AVIRIS-NG影像与西开普省农业部两次普查矢量，构建17类细粒度、9类中粒度、6类粗粒度三级分类体系，检验“高光谱能否改善光谱相似多年生作物判别”及“何种特征表示最优”两个核心问题。
主要技术方法概要
研究人员采用AVIRIS-NG 2B级地表反射率产品（425波段，去水吸收带后留381波段），参照西开普省农业部2017/18与2022/23普查记录，经几何交集、标签一致性校验、10 m内缓冲去边后生成同质田块样本，每类2100像素点（1700训练+400盲测）。RF超参经网格寻优定树深20、树数500。特征工程含RFE、Boruta选择及PCA、MNF提取（各取20分量），并以“原波段”“仅提取”“原波段+提取后选择”三类组合跨三套体系建模。精度以盲测集总体精度(OA)、宏平均F1与混淆矩阵评价，SAM角度矩阵量化光谱可分性，McNemar检验与重复测量ANOVA做显著性判定。
研究结果
3.1 光谱剖面
均值反射率显示各类在可见光区重叠、红边与SWIR区分异性最强；SAM矩阵表明多数类对夹角仅1–2°，坚果类（澳洲坚果、山核桃）与水果类可达8°，证明形状相似而非亮度的差异主导可分性，柠檬-青柠、桃-李等近缘对极难分。
3.2 分类性能
基线（381原波段）盲测OA在17/9/6类分别为53%、59%、60%；MNF-only升至65.9%、72.5%、74.5%，PCA-only次之，MNF全程显著优于PCA（p<0.001）；特征选择单独使用增益微弱且不显著。OA随聚合度上升而升（重复测量ANOVA F=446.3, p<0.001, η2=0.97），盲测与交叉验证差≤2%，无过拟合。
3.3 类别级表现
17类下樱桃(F1 95.9%)、澳洲坚果(84.5%)、杏仁(80.8%)、青柠(77.5%)、鲜食葡萄(76.7%)、橙(71.4%)高可靠；桃最低(F1 26.5%)，梨、橘、柠檬均<51%。混淆集中于同组近缘种（橘?橘柑、柠檬?青柠、苹果?梨）。聚到9类与6类后，樱桃、橄榄F1进一步升至98.3%与79.0%，6类下仅仁果与核果互混14–16%，其余错分<10%。
3.4 特征重要性
20个MNF分量稳居各体系前100重要特征；原波段中380–420 nm、700–760 nm红边、1350–1450 nm及2490–2500 nm反复入选，Band 425(~2500 nm)三体系均前列，蓝波段仅在细粒度贡献大，红边随聚合更凸显。
讨论与结论翻译
讨论指出，高光谱可缓解近缘多年生作物光谱混叠，但无法完全克服遗传与结构相似导致的上限；MNF较PCA更优源于其按信噪比排序而非方差排序，单日期光谱提取已捕获可用判别信息，追加原波段与选择无益。局限含参考标签潜在误注、像素级划分未完全消除空间自相关、单时相未捕物候差、RF未对比深度学习。作者建议未来引入时序、LiDAR结构量、SAR与高分辨率RGB融合及地块级验证。
结论部分译文：本研究评估RF分类结合特征提取与选择对西开普省高光谱影像多年生作物判别的效用。尽管样本跨区跨龄异构，樱桃、澳洲坚果、杏仁、鲜食葡萄、青柠仍获高稳定性F1；近缘核果互混揭示细粒度极限。特征提取一致优于基线，MNF独立表征即达峰值，原波段追加无增益。研究为多级聚合下可达成精度立基准，对面向农业的多光谱传感器波段设计具指示意义，证实高光谱在区域尺度细粒度多年生制图的潜力与边界。
