基于植被覆盖与土地利用/土地覆盖的秘鲁卡哈马卡热带地区咖啡种植分布图绘制:Sentinel数据、机器学习与Google Earth Engine的整合应用

《Remote Sensing Applications: Society and Environment》:Mapping of Coffee Cultivation based on Vegetation Cover and Land Use/Land Cover in the Tropics of Cajamarca (Peru): An integration of Sentinel data, Machine Learning, and Google Earth Engine

【字体: 大 中 小 】 时间:2026年08月13日 来源:Remote Sensing Applications: Society and Environment 3.8

编辑推荐:

  摘要 在秘鲁的安第斯-亚马逊地区,咖啡种植是一项重要的经济活动,其生产体系多样,地形复杂。本研究基于多时相土地覆盖与土地利用监测方法,整合了Sentinel-2光学卫星图像、Sentinel-1雷达数据以及地形变量,并在Google Earth Engine平台上进行处理,再

  摘要
在秘鲁的安第斯-亚马逊地区,咖啡种植是一项重要的经济活动,其生产体系多样,地形复杂。本研究基于多时相土地覆盖与土地利用监测方法,整合了Sentinel-2光学卫星图像、Sentinel-1雷达数据以及地形变量,并在Google Earth Engine平台上进行处理,再结合随机森林分类算法,从而识别出咖啡种植区域。研究区域为该国北部主要的咖啡种植地——卡哈马卡省的哈恩省和圣伊格纳西奥省。研究使用了2019年至2024年的卫星数据序列,涵盖了干季和雨季两个气候阶段。最初共有69个光谱、纹理和地形变量,但通过方差膨胀因子分析后简化为22个。该分类方法共区分出11类土地覆盖类型,包括荫蔽种植和露天种植的咖啡,整体准确率超过84%,Kappa系数为0.90。由此生成的二值咖啡分布图有助于量化和分析这两个省份的咖啡种植空间动态,尤其是圣伊格纳西奥省的荫蔽种植咖啡呈现增长趋势。所提出的方法适用于云层覆盖较重的热带山区,可为类似地区的农业监测及可持续农村景观管理提供可复制的思路。

引言
咖啡(Coffea arabica L)是全球最具价值的农产品之一,也是最广为消费的饮料,在许多热带国家的经济中起着关键作用(Torres等人,2020)。非洲、亚洲和美洲的咖啡产业持续发展,其中拉丁美洲的发展前景尤为广阔(Widjaya和Yanuarti,2024)。秘鲁以其具有独特香气和风味的优质阿拉比卡咖啡而闻名于世。全国有超过425,000公顷的咖啡种植面积,分布在约210个农村地区,为20多万户农户提供了生计来源(JNC,2020;MINAGRI,2018)。尽管胡宁省仍是该国最大的咖啡生产地,但亚马孙省和圣马丁省近年来的咖啡产量也有所上升(JNC,2020)。然而,咖啡生产仍面临市场价格波动、病虫害、疾病以及气候变化等重大挑战,这些因素直接影响种植面积和农户的生计(JNC,2020;Julca-Otiniano等人,2023)。

咖啡通常在由森林、次生植被、农业用地和农林复合系统构成的异质热带景观中种植。在这种环境中,荫蔽种植的咖啡往往具有与周围自然植被相似的光谱特征,因此难以用传统光学遥感方法进行区分。此外,持续的云层覆盖、复杂的地形以及零散的农业景观,进一步降低了热带山区土地覆盖与土地利用监测的精度和时间一致性(Chemura等人,2017;Kelley等人,2018;Wachowiak等人,2017)。因此,获取可靠且最新的咖啡种植空间信息,对于支持可持续农业管理、环境监测、认证流程以及区域规划至关重要。

近年来,地球观测技术的发展极大地提升了农业系统的监测能力。Sentinel-2多光谱影像能够提供详细的植被特征信息,而Sentinel-1合成孔径雷达则能不受大气条件影响地提供结构信息,从而能够在云层频繁覆盖的地区实现连续观测(Marin等人,2021;Maskell等人,2021;Putra等人,2020)。与此同时,谷歌地球引擎等云计算平台便于处理大量的卫星图像数据,而机器学习算法则显著提升了土地覆盖与土地利用分类的准确性(Gorelick等人,2017)。已有不少研究将这些技术应用于不同国家咖啡种植及农林复合系统的监测。例如,Sentinel-2影像在尼日利亚的咖啡种植分类中实现了84%的整体准确率(Hegazy和Kaloop,2015);而在越南,结合深度学习与Sentinel-2影像的分类准确率接近95%(Le等人,2022)。同样,Sentinel-1与Sentinel-2影像的结合也提升了摩洛哥的作物识别精度(Saad等人,2022)、津巴布韦的芒果种植监测精度(Maskell等人,2021),以及墨西哥的农林复合系统分类精度(Escobar-López等人,2022),充分体现了多源遥感数据整合的优势。

尽管取得了这些进展,但仍存在一些重要的方法学挑战。以往的研究大多仅专注于单独绘制咖啡种植园或农林复合系统地图,而很少同时生成详细的土地覆盖与土地利用分类图,以更全面地了解咖啡种植区的周边景观状况。此外,不同研究采用了不同的光学影像、雷达数据、机器学习算法及验证方法,这使得方法间的比较变得困难,也限制了适用于热带山区的可行工作流程的确定(Kelley等人,2018;Maskell等人,2021;Poortinga等人,2019;Saad等人,2022)。尽管秘鲁是南美洲最重要的阿拉比卡咖啡生产国之一,但将Sentinel-1 SAR、Sentinel-2多光谱影像、地形变量、特征选择方法以及云计算平台相结合的研究在本地仍十分少见(Medina等人,2026)。

为解决上述问题,本研究提出了一种集成方法,整合了Sentinel-1 SAR、Sentinel-2多光谱影像、地形变量、基于方差膨胀因子的特征选择、随机森林分类以及通过GEE实现的云计算功能。本研究的核心贡献并非引入新的分类算法,而是将这些互补的技术要素整合到一个可重复的框架中,用于热带山区咖啡种植的多时相监测。与以往仅关注咖啡种植园测绘的研究不同,所提出的框架能够同时生成包含11个主题类别的年度土地覆盖与土地利用地图,其中明确将荫蔽种植和露天种植的咖啡作为独立的土地覆盖类别。在此基础上进一步生成二值咖啡种植地图,以便更直观地分析咖啡的分布规律及其随时间的变化趋势。这种集成方法能够更全面地评估热带山区咖啡种植状况及其与周边景观之间的关系。

因此,本研究旨在基于Sentinel-1和Sentinel-2数据、机器学习技术以及Google Earth Engine,为秘鲁卡哈马卡省哈恩省和圣伊格纳西奥省的热带地区开发并评估一种基于植被覆盖与土地覆盖与土地利用的咖啡种植监测集成方法。具体而言,研究目标包括:(1)评估多源遥感变量对提升土地覆盖与土地利用分类性能的贡献;(2)生成2019年至2024年间荫蔽种植咖啡、露天种植咖啡以及主要土地覆盖类别的年度地图;(3)分析在不同海拔、坡度、降水量和温度等环境条件下的咖啡种植空间分布。

研究区域
在秘鲁东北部,卡哈马卡省北部分布着哈恩省和圣伊格纳西奥省,其面积分别为5,232.57平方公里和4,990.3平方公里(见图1)。这两省的海拔介于400米至2,800米之间,气候温暖湿润,年平均气温为22至26摄氏度,年降水量在813毫米至1,334毫米之间,为咖啡种植等农业活动提供了理想的条件(INEI,2022)。

多时相植被覆盖地图
针对研究区域咖啡作物及土地覆盖与土地利用的分类超参数优化,结果表明,当n_trees设置为400、bag_fraction设置为0.9时,Kappa值在多种组合下均保持稳定,值为0.84。在var_split参数的比较中,var_split=1和var_split=3这两种配置的分类效果相当。通过整合Sentinel-1、Sentinel-2以及地形数据,能够获得更为精细的分类结果。

讨论
在本研究中,我们基于Sentinel数据及机器学习技术,在秘鲁卡哈马卡省的热带生态系统中构建了土地覆盖与土地利用分类框架,用以识别咖啡种植区以及不同的植被覆盖和土地利用类型。这是首次尝试在秘鲁的热带生态系统中进行咖啡种植的测绘工作。本研究遵循Maskell等人(2021)的方法,对一种永久性作物进行了大规模测绘,该方法结合了Sentinel光学影像……

结论
本研究为秘鲁卡哈马卡省哈恩省和圣伊格纳西奥省的热带地区开发了一种基于植被覆盖与土地利用的咖啡种植监测集成方法,该方法整合了Sentinel-1 SAR、Sentinel-2多光谱影像、地形变量、随机森林分类以及Google Earth Engine技术。实验结果表明,该方法的整体准确率超过84%,Kappa系数在0.82至0.90之间,足以有效区分荫蔽种植咖啡、露天种植咖啡以及其他主要土地覆盖类型。

伦理审批与参与同意声明
无需特殊审批。

作者贡献说明
Ellen Delgado:写作——审稿与编辑、可视化、方法论、研究实施。Brandon Adams:监督、软件应用、方法论、研究实施。Alcides Román:写作——初稿撰写、验证、研究实施。Marguerite Madden:写作——审稿与编辑、可视化、验证、监督、方法论、研究实施、资金获取、概念设计。Samuel Pizarro:可视化、软件应用、方法论、研究实施。Katerin M. Tuesta-Trauco:写作——审稿与编辑。

未引用参考文献
Medina Medina等人,2024年。

数据可用性声明
本研究的相关数据可访问以下链接:https://doi.org/10.6084/m9.figshare.33102239

出版伦理声明
本研究报告如实反映了研究内容,所有数据均准确无误,方法描述详尽,足以让他人重复进行此项研究。本手稿为完全原创作品;若使用了他人的成果或文字,均已适当引用或标注出处,并获得了必要授权。本材料未在其他任何地方发表过全部或部分内容。目前该手稿尚未被其他机构受理。

资金支持
本研究主要由秘鲁国家科学研究与高级研究计划(PROCIENCIA)通过编号为PE501084701-2023-PROCIENCIA的基础研究项目提供资助。同时,亚马孙国立大学托里比奥·罗德里格斯·德门多萨分校的研究事务处也给予了支持。

利益冲突声明
? 作者声明不存在任何可能影响本研究结果的已知财务利益或个人关系。

致谢
我们感谢美国乔治亚大学的地理空间研究中心(CGR),允许我们在那里开展题为“利用遥感技术(NASA传感器+SAR+无人机+LiDAR)与云计算技术对热带生态系统中的作物进行监测”的研究实习。同时,我们也感谢亚马孙国立大学托里比奥·罗德里格斯·德门多萨分校的测绘研究实验室以及秘鲁国家科学研究与高级研究计划(PROCIENCIA)的支持。

Elgar Barboza | Amanda Aragon | Samuel Pizarro | Alcides Roman | Brandon Adams | Ellen Delgado | Alexander Cotrina-Sanchez | Aqil Tariq | Angel J. Medina-Medina | Katerin M. Tuesta-Trauco | Abner S. Rivera-Fernandez | Jhon A. Zabaleta-Santisteban | Candy Oca?a | Marguerite Madden
秘鲁查查波亚斯01001,亚马孙国立大学环境工程、生物系统与能源学院(FIABE)
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