基于物候学的半干旱摩洛哥作物类型制图：利用Sentinel-2 NDVI时间序列的机器学习方法及时间敏感性分析

《Informatics》：Phenology-Informed Crop Type Mapping in Semi-Arid Morocco Using Sentinel-2 NDVI Time Series: A Machine Learning Approach with Temporal Sensitivity Analysis

　　

准确的作物制图对于半干旱北非的粮食安全和水资源管理至关重要。本研究评估了四种机器学习算法在摩洛哥Al Haouz地区进行作物分类的性能，使用了Sentinel-2 NDVI时间序列（包含2023年12月至2024年5月的12个日期的时间序列数据）以及105,869个地面参考样本。支持向量机（SVM）取得了最高的性能（宏观F₁分数 = 0.80，总体精度 = 81%），其次是XGBoost（0.79）、随机森林（0.79）和决策树（0.71）。逐类分析显示，由于独特的春季物候，杏树的判别效果极佳（F₁ = 0.99），而由于与橄榄混淆，柑橘的准确率最低（F₁ = 0.61）。动态时间规整（DTW）分析量化了作物间的物候相似性，揭示了分类混淆与轮廓相似性相关。时间敏感性分析显示，将采集次数从12次减少到8次仅导致2.4%的性能损失，这为资源受限的环境提供了显著的操作优势。2月至3月的采集数据被证明最具判别力，与植被分化峰值相吻合。这些发现为面临水资源短缺和粮食安全挑战的半干旱非洲地区的业务化作物监测提供了实用建议。

北非地区的粮食安全长期面临半干旱气候、慢性水资源短缺和日益增加的气候变率等严峻挑战。摩洛哥农业雇用了大量劳动力并贡献了可观的GDP，但该部门面临干旱和有限水资源竞争的巨大压力。位于高阿特拉斯山脉脚下的Al Haouz平原历史上依靠季节性融雪进行灌溉，是摩洛哥最重要的农业区之一。在这一地区，准确及时的作物制图对于支持水资源分配决策、优化灌溉调度和改进产量预测至关重要。过去二十年，遥感技术极大改变了全球农业监测能力。欧洲航天局发射的Sentinel-2卫星提供了高空间分辨率和短重访周期的免费多光谱影像。在各种光谱指数中，NDVI(归一化植被指数)通过捕捉整个生长周期的季节性植被动态，展现出极高的农业应用价值。多时相分类方法利用密集的NDVI时间序列，在复杂种植系统中表现出色。同时，机器学习算法在处理高维和非线性数据方面优于传统方法。然而，现有研究多集中于最大化精度指标，未能充分回答实际操作中面临的关键问题：为何某些作物类型总是被混淆？达到可接受精度真正需要多少次卫星采集？哪些采集日期对分类性能贡献最大？

为解决这些问题，研究人员开展了一项研究，评估了四种机器学习算法在半干旱地中海环境下利用Sentinel-2 NDVI时间序列进行六类作物制图的性能；探讨了DTW(动态时间规整)距离量化的物候相似性能否解释分类混淆模式；并确定了维持可接受分类精度所需的最小时间分辨率及最关键的采集日期。研究得出了关于算法性能、物候相似性与误分类概率关联以及最优采集时机的重要结论，为半干旱非洲地区的业务化作物监测提供了实用指导。该论文发表在《Informatics》期刊上，具有重要的实践意义。

样本队列来源于2023年9月至2024年6月在摩洛哥Al Haouz平原和Ourika Valley开展的实地地面调查，由当地农学家和农民验证作物标签，共收集了1501个地块包含105,869个Sentinel-2像素的参考数据，涵盖橄榄、小麦、马铃薯、柑橘、苜蓿和杏树六种主要作物类别。为防止空间自相关效应，数据在地块级别进行划分。研究采用Sentinel-2卫星12个无云日期的影像，计算NDVI并生成地块级时间序列。研究评估了SVM、XGBoost、RF(随机森林)和DT(决策树)四种算法，通过五折交叉验证优化超参数。采用DTW算法量化各作物类别间的成对物候相似性，并进行层次聚类。此外，还进行了时间敏感性分析和类别不平衡敏感性分析。

3.1. Phenological Profiles
通过分析时间NDVI剖面，得出了各作物独特的物候特征。苜蓿在整个生长季保持最高且稳定的NDVI值；小麦在3月中旬达到峰值后随衰老迅速下降；马铃薯在观测初期值最高，后逐渐下降；杏树在冬季处于休眠低值，春季迅速变绿；柑橘和橄榄由于常绿属性，全年NDVI相对稳定。这些物候差异为作物的时间判别提供了光谱基础。

3.2. Classification Performance
通过比较四种机器学习算法，发现SVM取得了最高性能（宏观F₁分数 = 0.80，OA(总体精度) = 81%），XGBoost和RF次之，DT性能最低。逐类分析表明，杏树因独特的物候判别效果极佳（F₁ = 0.99），而柑橘由于与橄榄混淆准确率最低（F₁ = 0.61）。统计检验证实了SVM优于其他模型的显著性。

3.3. DTW Confusion Analysis
通过DTW距离矩阵分析，量化了作物间的物候相似性。结果显示柑橘与马铃薯、苜蓿与柑橘的物候相似度较高。层次聚类识别出两个物候组：高NDVI灌溉作物组和季节性变化较大作物组。柑橘与橄榄38%的混淆率对应0.51的DTW距离，反映了相似的冠层结构；而杏树的极高分类精度则归因于其独特的物候特征。

3.4. Temporal Sensitivity Analysis
通过系统评估减少采集日期对分类性能的影响，发现将采集从12次减少到8次时，加权F₁分数仅下降2.4%，大幅减少了数据处理需求。单日期分类实验表明2月至3月的采集最具判别力，4月至5月中期衰老期判别力最低。这为业务化作物监测在资源受限情况下提供了灵活的配置指导。

3.5. Impact of Class Imbalance on Citrus-Olives Confusion
通过类别平衡实验，发现随机欠采样有效减少了柑橘-橄榄的误分类，但即使在平衡条件下，误分类率仍达32%至39%。这证明常绿树木作物间的物候相似性是导致混淆的主导因素，而非训练集的不平衡。

在讨论部分，研究人员指出SVM在半干旱小农系统中表现稳健，且相比深度学习对数据和硬件要求更低。DTW分析将混淆模式转化为生物学关系，表明柑橘与橄榄的混淆源于常绿叶冠行为，而杏树的独特落叶物候决定了其高精度。时间敏感性分析为业务化监测提供了重要指导，减少采集日期可降低资源消耗且不显著降低精度，2月至3月为关键判别窗口。研究也存在一定局限，如单季节分析、地理聚焦以及仅依赖NDVI难以区分相似作物，未来可通过多传感器融合和深度学习进一步改善。

在结论部分，研究总结指出，本研究开发并评估了一个综合机器学习框架，用于摩洛哥半干旱地区的多时相作物制图。SVM是最有效的分类器，取得了81%的总体精度。DTW分析揭示了分类错误的物候机制，证明分类成功受限于物候独特性而非算法复杂性。时间敏感性分析表明，将采集次数从12次减少到8次可保持97.6%的性能，2月至3月是关键判别窗口。这些发现推进了半干旱非洲农业系统的卫星作物监测能力，对粮食安全评估、灌溉水资源管理和气候适应规划具有直接应用价值。未来研究应探索多传感器数据融合和深度学习架构，以进一步提高对物候相似作物的判别能力。