使用PRISMA高光谱数据对传统土地利用清单进行实地光谱支持审计

《Remote Sensing Applications: Society and Environment》：Field-level spectral support auditing of legacy land-use inventories using PRISMA hyperspectral data

　　摘要
区域土地利用清单经常被用作农业遥感的参考信息，尽管其标签可能与正在分析的卫星观测结果存在时间上的差异。当将旧的多边形标签解释为同时代的像素级真实情况时，这就会成为一个问题。我们提出了一种针对2016年意大利南部普利亚地区SIT土地利用清单的田间级光谱支持审计方法，使用了2019-2025年的PRISMA Level-2D高光谱数据。清单标签被视为弱操作性先验，审计量化了最近的高光谱观测数据对每个分配的原始SIT类别的支持程度。对于得到支持的SIT LIVELLO_4类别，我们从场景均衡的PRISMA–SIT导出数据中估计了稳健的光谱原型。将像素光谱与其分配类别的原型进行比较，转换为光谱支持分数，并使用稳健统计方法在田间-场景层面进行聚合。最终结果是一个检查优先级层，它可以区分光谱典型的、中等支持的以及光谱非典型的田间-场景单元，同时保留了未支持或过小的单元，并附有明确的标志。对从原始170个案例诊断样本中选出的158个相关且有资格的田间-场景单元进行的针对性照片解释分析表明，光谱非典型性不应被解释为语义错误：许多光谱非典型的单元在视觉上与SIT标签一致，而一些光谱典型的单元则更符合其他解释。在这个诊断样本中，语义替代方案比层次依赖性更为重要。因此，所提出的框架并不提供一个校准的变化检测或准确性评估产品，而是为地区当局提供了一种可追踪的方法，将PRISMA观测数据转换为有序的田间级队列，以便进行有针对性的清单检查和更新。

引言
区域土地利用清单和基于地块的农业数据库被广泛用作农业监测和遥感工作流程中的辅助信息、参考标签或训练和验证来源（Copernicus土地监测服务，2025年；欧洲环境署，2025年；Schwieder等人，2022年；Sykas等人，2022年）。这些清单在操作上很有价值，因为它们提供了对区域规划、土地管理和农业监测有意义的空间广泛的多边形基础信息。然而，它们通常的产生或更新频率低于卫星观测的频率。当清单早于之后分析中使用的图像时，其标签可能在语义上仍然有用，但可能不再提供精确的同时代光谱监督。在农业景观中，这个问题尤为突出，因为物候、土壤暴露、水分状况、灌溉制度、作物轮作、废弃和管理实践都可能改变田地的光谱表现，而不一定意味着简单的清单错误（Lu等人，2020年；Manohar Kumar等人，2024年；Basinger等人，2020年；Aneece和Thenkabail，2021年；Vahidi等人，2025年）。本研究针对意大利南部普利亚地区的SIT派生的土地利用标签和PRISMA高光谱观测数据解决了这一问题。SIT清单提供了官方且具有操作意义的土地利用信息，但其日期为2016年，而此处分析的PRISMA数据覆盖了2019-2025年。因此，我们将SIT标签视为弱操作性先验，而不是同时代的像素级真实情况。相关操作问题不是分类器是否可以再现SIT标签，而是最近的高光谱观测数据是否为分配的旧标签提供了强、中等或弱的光谱支持。PRISMA特别适合这种审计方法，因为它提供了可见光、近红外和短波红外波段的连续高光谱信息。这些光谱区域对植被色素、红边行为、冠层水分含量、土壤暴露、衰老和管理相关光谱条件敏感。当目标不仅仅是检测广泛的土地覆盖差异，而是量化最近观测数据对分配的旧清单类别的经验光谱原型的支持程度时，这些信息非常有用。像Sentinel-2这样的多光谱时间序列提供了更高的时间采样率，对于物候分析非常有价值，但其更宽且采样稀疏的光谱带提供了基于原型的审计的不同且光谱密度较低的形式的证据。因此，在本研究中，使用PRISMA构建光谱支持层，而多时相的Sentinel-2观测数据被视为未来扩展的补充证据，旨在区分持久的语义不一致性与季节性或物候变化。所提出的审计旨在用于区域清单维护，而非自动重新标记。地区当局或领域专家可以使用结果产生的田间-场景表作为检查队列：具有强光谱支持的田地可以降低优先级，中等情况的田地可以被视为模糊的，而光谱非典型的田地可以排序，以便进行有针对性的照片解释、田间调查或与辅助农业记录进行比较。这相对于对整个清单的统一视觉检查减少了搜索空间，并使检查优先级明确可追溯至光谱证据、田地大小、类别支持和采集场景。

方法
我们将这项任务表述为田间级光谱支持审计。对于每个充分代表的原始SIT LIVELLO_4类别，从PRISMA观测数据中估计出一个稳健的类别特定光谱原型。然后根据每个像素与其分配的SIT类别原型之间的光谱距离对其进行评分，并在田间-场景单元内汇总像素级评分。最终层次识别出光谱典型、中等支持和光谱非典型的田间-场景单元。重要的是，评分并非语义正确性的概率，光谱非典型的层次也不被视为错误类别。相反，光谱非典型性被视为可能反映时间不一致性、语义模糊性、混合田地或不寻常管理条件的检查优先级信号。因此，针对性的照片解释检查明确测试了光谱非典型单元是否包含比中等支持和光谱典型单元更多的替代视觉解释。

主要目标
本研究的目的是开发和评估一种基于PRISMA的田间级光谱支持审计框架，用于处理时间上有差异的区域土地利用清单标签。次要目标包括：（i）构建一个保持原始SIT LIVELLO_4图例的场景均衡PRISMA–SIT数据集；（ii）为得到支持的类别估计类别特定的光谱原型和田间级光谱支持分数；（iii）分析类别和场景级别的光谱支持模式、光谱支持层次和检查优先级标志；（iv）通过针对性的照片解释检查来解释审计层次。通过将旧标签视为弱操作性先验而非无可争议的真实情况，该研究旨在为时间不匹配下的区域清单优先级提供可解释的高光谱审计层。

研究区域
本研究在意大利南部的普利亚地区进行，该地区提供了适合提出的审计方法论和操作环境。该地区拥有详细的全局多边形基础土地利用清单SIT Puglia层，其原始的主题类别和田地几何形状允许在田间-场景层面而非仅在像素层面进行分析。普利亚地区以异质的地中海景观为特征，包括橄榄树林、葡萄园等。

问题表述
审计目标。设????∈?191表示PRISMA像素??的光谱，??SIT??表示其分配的SIT清单标签，????表示PRISMA场景，????表示相关的SIT田地或多边形标识符。传统的土地利用分类问题旨在从观测到的光谱中预测一个标签：?????=???(????)。本研究的目标不同。保留了分配的SIT标签，审计估计相应PRISMA数据对其的支持程度。

基于PRISMA的光谱支持审计框架
图2总结了完整的PRISMA–SIT光谱支持审计工作流程。该框架包括三个主要阶段：构建场景均衡的PRISMA–SIT清单、估计类别特定的原型和像素级光谱支持分数，以及在田间-场景单元内汇总这些分数。与传统的分类流程不同，未支持的类别和包含太少有效像素的田间-场景单元并未被无声丢弃，而是被保留下来。

针对性验证协议
针对性的验证被设计为光谱支持审计的诊断性评估，而不是详尽的真实情况调查或传统的地图准确性评估。由于分析的PRISMA数据覆盖了2019-2025年，因此同时代的田间观测数据无法为所有采集日期提供时间对齐的参考信息。因此，验证主要基于尽可能接近这些日期的历史高空间分辨率图像。

实验设计
实验设计旨在将所提出的框架评估为时间上错位的清单标签的光谱支持审计，而不是监督分类或传统的地图准确性实验。主要配置、操作规则和稳健性分析独立于目标视觉解释进行定义。手动验证样本仅用于支持结果检查优先级层次的解释，并未用于模型测试。

结果
结果支持从传统的监督分类向光谱支持审计的转变。所提出框架的目的是量化最近PRISMA观测数据对分配的操作性土地利用标签的支持程度，而不是确定每个SIT标签是否在二元意义上正确。因此，光谱非典型的田间-场景单元被优先考虑，因为它们显示出较弱或不寻常的光谱支持。

结论
本研究将弱土地利用标签重新定义为可以通过最近的高光谱观测数据来评估其光谱支持分数的清单信息，而不是固定不变的真实情况。所提出的基于PRISMA的审计框架结合了类别级光谱原型、像素级光谱距离和田间级聚合，以量化时间不匹配情况下原始SIT标签的光谱支持。结果表明，低光谱支持不应被解释为直接的语义错误。

生成式AI和AI辅助技术在写作过程中的声明
在准备本手稿的过程中，作者使用了AI辅助工具来改进文本的英文语言和可读性。使用这些工具后，作者仔细审阅并编辑了手稿，并对出版物的内容负全责。

利益冲突声明
作者声明了以下可能被视为潜在利益冲突的财务利益/个人关系：Andrea Guerriero报告与巴里理工大学有关系，包括就业关系。如果还有其他作者，他们声明没有已知的可能影响本文工作的财务利益或个人关系。

Andrea Guerriero
电气与信息工程系，巴里理工大学，Via Edoardo Orabona 4，70125 Bari，意大利