基于SAR极化测量和机器学习技术的牧草区域季节性行为与产量损失分类

《Remote Sensing Applications: Society and Environment》：Seasonal behavior and yield penalty classification in pasture areas based on SAR polarimetry and machine learning techniques

　　

牧草区域占据全球广阔面积，尤其在巴西，牧草用于养牛促进了作为低成本系统的粗放畜牧业竞争力。然而，由于其退化过程存在于大多数牧草区域，对其可持续性的担忧随之出现，因此需要可行的监测方法来改善可持续性政策。旨在克服这一问题的遥感解决方案集中在光学传感器上，但仍难以探索合成孔径雷达（Synthetic Aperture Radar, SAR）技术，该技术相关研究较少，且通常表现低于传统光学方法。在此，研究人员提出一个模型，通过基于SAR极化数据的机器学习模型，对先前由季节性模式和产量损失表征的牧草区域进行分类。首先，研究人员使用来自Power (NASA)数据库的天气数据和MODIS-Terra的归一化植被指数（NDVI）时间序列来模拟牧草潜力和观测产量，并基于季节性模式对其进行分类。然后，研究人员基于从Sentinel-1提取的SAR极化参数（主要是Stokes向量（Stokes Vector），一种在基于SAR的牧草监测应用中仍未充分利用的相干产品）构建预测模型，并将所获结果与参考信号分解模型进行比较。研究人员的结果在使用随机森林（Random Forest）算法区分产量损失范围约30%至60%的牧草区域时，达到了高达94%的准确率。因此，研究人员的研究为使用SAR进行牧草监测的文献增添了极化数据和机器学习技术的应用。

**研究背景与意义**
全球牧草区域广泛分布，尤其在巴西，牧草养牛支撑了低成本畜牧业体系。然而，70%的巴西牧草面临不同程度的退化（Dias-Filho, 2015），此过程导致产量损失，威胁可持续性。现有遥感监测多依赖光学传感器，但光学数据受云覆盖影响，且难以提取植被几何与介电特性。合成孔径雷达（Synthetic Aperture Radar, SAR）技术虽能提供互补信息，却因概念复杂和应用不足，在牧草监测中表现欠佳。现有研究显示，SAR在提取生物物理参数（如生物量、冠层高度）时，准确性常低于光学方法，且Stokes向量（Stokes Vector）等相干极化产品尚未被充分开发。为此，研究人员提出假设：SAR极化数据可结合机器学习模型，用于分类牧草区域的季节性行为和产量损失指标，从而为退化评估提供新途径。该论文发表在《Remote Sensing Applications: Society and Environment》。

**主要技术方法**（不超过250字）
研究人员采用以下关键方法：
1. **产量损失建模**：基于NASA Power数据库的天气数据（温度、降水、辐射）和MODIS-Terra的NDVI时间序列（250m分辨率，2013-2019年），利用Rosa和Sano (2013)的模型估算观测产量（Y_obs），并依据Tonato et al. (2010)的模型（针对Urochloa spp.和Cynodon spp.）估算潜在产量（Y_pot），通过Thornthwaite水分子模型（两种土壤持水能力场景）引入水分平衡参数。
2. **季节性分析**：对Y_obs和Y_pot时间序列进行双逻辑函数拟合（Timesat工具），提取季节性参数（如产量增幅、最大值、季节长度），并计算相对产量损失（Y_pen）。
3. **聚类与分类**：对20个采样区域（源自巴西马托格罗索、南马托格罗索、戈亚斯和圣保罗州的四类畜牧业生产系统（LPS））的Y_pen和季节性参数进行K-Means聚类（K=4），生成参考分类。
4. **SAR极化处理**：从Sentinel-1单视复数（SLC）产品中提取Stokes向量（g₀, g₁, g₂, g₃）及其衍生参数（极化度（DoP）、去极化度（DoD）、椭圆率角（χ）、圆极化比（CR）），并对比双极化分解（DPD）方法。
5. **机器学习分类**：采用随机森林（Random Forest）算法，对训练集（66%）和测试集（33%）进行不平衡分类（加权修正），评估总体准确率（OA）、生产者精度（PA）和用户精度（UA）。

**研究结果**
**3.1 牧草产量损失与季节性建模**
通过Y_obs与Y_pot模型对比，发现C1基因型（Cynodon spp.）的潜在产量高于U1（Urochloa spp.），但Y_obs均低于两者，反映环境限制。在部分区域（如águas Frias de Goiás），Y_obs与Y_pot的相关性较低（r≤45%），主要由旱季低温导致；而降水（P_rec）与Y_obs相关性更高。水分子平衡参数（土壤贮水能力（WHC））在低相关性区域对Y_obs解释力更强。Y_pen中位数范围为30%-57%（U1）和36%-61%（C1），且不同LPS间无显著相似性。通过K-Means聚类，研究人员为每个区域定义了4类生产模式（如“较低发展且较低产量损失”类），主要基于Y_obs的产量增幅（IR）、振幅（A）、最大值（MP）和季节长度（LT）。

**3.2 预测性能评估**
在未去除最不信息类（LIC）时，总体准确率（OA）范围为43%-80%，平均约57%，标准差约10%。LPS 1和LPS 2表现最佳（平均OA 62%-65%），LPS 3最差（平均OA 49%）。Stokes向量（SV）模型与双极化分解（DPD）模型对比，差异通常小于1%。去除LIC后，OA提升4%-10%（U1）和2%-9%（C1），平均约7%。最佳结果出现在Ponta Por?-MS（LPS 1），U1基因型下SV模型OA达94%，DPD模型为93.01%。LPS 1和LPS 2仍最佳（平均OA 67.7%-78.4%），LPS 3最差（平均OA 56%）。Levene检验显示SV与DPD模型性能无显著差异（p>0.05）。

**3.3 输入预测能力**
基于信息增益（Information Gain）的特征重要性排序显示，Stokes向量参数（g₀, g₁, g₂, g₃）是最突出的预测因子，其次为极化度（DoP）、去极化度（DoD）、椭圆率角（χ）、高程（Elevation）、圆极化比（CR）和局部入射角（Incidence Angle）。在Ponta Por?-MS区域，g₀、g₁、g₂的彩色合成图直观展示了分类效果。

**讨论与结论**
讨论部分指出：产量损失建模中，土壤信息（如WHC）的引入可提升模型精度，但当前模型假设均质管理，限制了泛化能力。Y_pen结果（30%-60%）与文献中巴西牧草退化程度一致，表明产量提升潜力。K-Means聚类数固定为4可能影响部分区域性能，且参考牧草地图（Parente et al., 2017）的87%准确率增加了噪声。与已有研究比较，本研究在仅使用SAR数据的情况下，平均OA达66%，最佳94%，优于多数仅依赖光学或SAR的同类研究（如Raab et al. (2020)的45%-78%或Muro et al. (2022)的40%方差解释）。Stokes向量参数（g₀、g₁、g₂、g₃）的高贡献度表明，其能有效捕捉目标几何与介电特性。研究结论翻译如下：
**结论**：本研究验证了假设，即从Sentinel-1提取的SAR极化数据适用于构建机器学习模型，以基于生物物理指标（即产量损失（Y_pen）以及潜在与观测产量模型之间的季节性行为）对牧草区域进行分类。作为相干SAR系统，研究人员以Stokes向量形式探索Sentinel-1数据，所得结果比采用后向散射系数和/或雷达指数的相关研究更准确，且与仅基于光学数据的牧草特征提取模型相比，性能相当。此外，Stokes向量的性能与作为参考的双极化信号分解方法相当，从而支持了该产品应更频繁地用于地球观测应用的主张。实验中，平均总体准确率约66%，最佳结果达到94%（基于随机森林模型）。因此，所提方法可通过聚焦于退化程度较高的区域，改善牧草恢复政策或促进可持续且有目标的土地利用变化。本研究有助于填补SAR技术在牧草监测研究中的空白，通过增强对目标特性（即介电和几何特性）的特征提取，这种特性与光学传感器常用的可见光区域不同。另外，在研究区域，牧草产量损失范围在30%至60%之间，这为管理集约化提供了机会，旨在提升畜牧业活动的经济和环境回报，并使这些区域从碳源转变为碳汇，助力巴西实现其气候变化国家自主贡献（NDC）目标。