多源遥感与机器学习在Sisaket熔岩榴莲种植园制图中的应用

《Sustainability》：Multisource Remote Sensing and Machine Learning for Mapping Sisaket Lava Durian Plantations

　　商业榴莲种植园的精确制图对于农业资源清查、精准农业和可持续土地管理至关重要，但由于与其他常绿植被光谱特性相似，这一任务仍面临挑战。本研究开发了一种多源遥感方法，整合多时相Sentinel-2影像、Sentinel-1合成孔径雷达（SAR）、DEM衍生地形变量、递归特征选择和机器学习，用于泰国四色菊府的榴莲种植园二分类。研究共使用2430个实地参考样本，对随机森林（RF）、支持向量机（SVM）和分类回归树（CART）三种模型进行了评估。使用整合的Sentinel-2、Sentinel-1和DEM数据集时，RF取得了最佳的整体性能，总体精度为90.38%，F1分数为90.59%，Kappa系数为0.81，AUC为0.991。递归特征选择将预测变量集从53个缩减至12个（减少77.4%），同时保持了较高的分类性能。保留的12个预测变量子集包括9个Sentinel-2衍生变量（5个季节性EVI变量和4个NDBI变量）、2个Sentinel-1 VV/VH比值变量以及1个DEM衍生高程变量，分别占保留预测变量的75.0%、16.7%和8.3%。该方法为研究区内榴莲种植园制图提供了一种准确且计算高效的方案，但推广至更广泛区域仍需要进一步的验证。