基于新型红边玉米-棉花指数与机器学习的田块级作物分类方法优化——以艾比湖流域为例

本研究针对干旱区复杂农业景观中作物分类精度不足的问题，创新性地提出融合边界场交互网络（BFINet）、红边玉米-棉花指数（RMCI）和随机森林（RF）分类器的分级分类框架。通过Sentinel-2影像在艾比湖流域（ELB）的应用，首次实现该区域高精度作物制图，其中RMCI对玉米和棉花的分类精度达98.6%，显著优于传统方法。该研究为干旱区农业水资源管理提供了重要数据支撑。

　　

在干旱半干旱地区，农业用水与生态保护的矛盾日益突出，而精确的作物分类是评估农业耗水、优化水资源配置的关键前提。然而，传统作物分类方法面临三大挑战：对地面样本的高度依赖、"椒盐噪声"干扰严重、以及分类结果严重滞后于农事季节。特别是在艾比湖流域（ELB）这样的典型干旱农业区，棉花、玉米等主要作物的物候期高度重叠，加上小农户田块破碎化严重，使得作物分类的精度和时效性难以保障。

针对这些难题，中国科学院遥感与数字地球研究所的研究团队在《International Journal of Applied Earth Observation and Geoinformation》发表最新研究成果。该研究创新性地将深度学习边界提取、新型光谱指数开发和机器学习分类技术相结合，构建了分级田块作物分类框架。关键技术包括：基于BFINet网络的农田边界精确提取、利用红边波段特征构建RMCI指数、以及采用随机森林（RF）分级分类策略。研究团队还收集了6997个地面验证点，并利用Sentinel-2影像的15天合成数据进行分析。

研究结果显示，BFINet网络在ELB区域的农田边界提取中表现出色，交并比（IOU）达82.3%，总体精度（OA）87.8%。新开发的RMCI指数在区分玉米和棉花时展现出显著优势，总体精度达98.6%，优于随机森林分类器的98.4%。分级分类框架整体表现优异，对棉花、玉米、小麦-青贮玉米、葡萄和西葫芦的F1分数分别达到99.04%、97.44%、88.2%、92.7%和94.4%，显著优于单一分类器。最终生成的2023年ELB作物分布图显示，棉花占64.43%，玉米占14.36%，其他作物占比相对较小。

这项研究的创新价值主要体现在三个方面：首先，RMCI指数通过整合红边2波段（Red2）和归一化红边指数（NDRE），有效捕捉了棉花特有的光谱特征，大幅减少了对样本量的依赖；其次，分级分类策略通过先区分主次作物再分别处理，缓解了类别不平衡问题；最后，BFINet网络提取的田块边界显著降低了"椒盐噪声"。这些突破为干旱区复杂农业景观的精准制图提供了可扩展的解决方案。

研究团队在讨论部分指出，虽然RMCI在跨年应用时表现出良好的稳定性，但未来仍需开发动态阈值方法以适应物候变化。此外，针对小麦-青贮玉米等小宗作物样本不足的问题，建议采用领域自适应样本增强技术加以改进。这项成果不仅填补了ELB区域高精度作物本底数据的空白，其技术框架也可为其他干旱农业区的资源管理提供借鉴，对协调农业用水与生态保护具有重要实践意义。