《Smart Agricultural Technology》：A systematic assessment of remote sensing approaches for agricultural zonation and supporting precision agriculture
編輯推薦：
為解決遙感技術在農業分區應用中缺乏標準化處理流程的問題，本研究系統評估了植被指數(VI)、聚類算法和影像獲取時機對分區結果質量與一致性的影響。研究基于Sentinel-2影像，結合地面觀測數據，發現影像選擇是關鍵，最佳分區效果出現在作物生長季及干燥條件下。該成果為利用RS支持精準農業管理提供了實用指導。
在當今追求高效與可持續的農業實踐中，精準農業正成為核心解決方案。它旨在根據田間內部的差異，對水、肥、農藥等資源進行按需分配，從而實現資源優化與環境保護。遙感（Remote Sensing， RS）技術，特別是提供高分辨率、多光譜影像的Sentinel-2等衛星，為大規模、快速獲取農田時空信息提供了前所未有的機會。這些數據能揭示作物生長、水分脅迫和土壤條件的變化，為繪制田間均質分區圖、即“農業管理分區”提供了可能。
然而，盡管遙感數據潛力巨大，其應用之路卻并非一片坦途。一個顯著的挑戰在于，目前缺乏統一的、標準化的數據處理流程。研究者們在實踐中面臨著紛繁復雜的選擇：使用哪種植被指數（Vegetation Index， VI）更合適？是經典的歸一化植被指數（NDVI），還是能減少土壤背景影響的土壤調節植被指數（SAVI）或其改進版（MSAVI）？采用哪種聚類算法來將相似的像素歸為一區？是簡單高效的K均值（K-means），還是能處理復雜非線性關系的自組織映射（Self-Organizing Map， SOM）？此外，影像應該在作物生長的哪個階段獲取？是單一時相還是整合多個時相？這些關鍵決策如何影響最終分區結果的可靠性與一致性？在缺乏明確指導的情況下，不同研究的結果難以比較，也限制了遙感技術在農業生產一線的大規模、可復制應用。
發表在《Smart Agricultural Technology》上的這項研究，正是為了應對這些挑戰而展開的。研究團隊在意大利北部的兩個實驗點（邦代諾核桃園和伊莫拉葡萄園）開展了為期兩年的系統性評估。他們的核心問題是：植被指數（VI）、聚類算法和影像獲取時機這三個關鍵處理步驟，如何影響農業分區結果的質量和一致性？ 為了回答這個問題，他們首先通過區域土壤圖、土壤質地分析和便攜式時域反射儀（TDR）測量的土壤含水量（SWC）實地調查，建立了基于地面觀測的“參考分區”，作為評估遙感方法的基準。
研究人員為開展此項研究，綜合運用了多源數據獲取、定量分析與云計算等關鍵技術方法。研究數據來源于意大利兩個典型農業試驗田（邦代諾核桃園和伊莫拉葡萄園）為期兩年的地面觀測與Sentinel-2衛星影像。技術方法主要包括：利用Python生態庫（如geopandas, rasterio, numpy）進行數據處理與分析；在谷歌地球引擎（Google Earth Engine）平臺上高效處理海量Sentinel-2影像并計算植被指數；應用多種聚類算法（K-means, GMM, SOM）進行農業分區；以及采用v-measure作為主要評估指標，定量比較不同數據處理流程所得分區與地面參考分區之間的一致性。
研究結果
3.1. 基于地面觀測的參考分區
研究整合了植被信息、區域土壤圖、土壤質地分析和土壤含水量（SWC）實地測量數據，為后續遙感方法評估確立了基準。
- •
在邦代諾（核桃園）站點，由于果園為新栽植（2019年），植被生長有限，觀測到的空間差異不顯著。土壤含水量測量證實了區域土壤圖所示的變異性，土壤質地分析也確認了從北到南的梯度。因此，主要依據區域土壤圖確定了參考分區。
- •
在伊莫拉（葡萄園）站點，兩種葡萄品種的植被生長存在差異，且土壤質地分析捕捉到了區域土壤圖未顯示的變異性，這一點得到了土壤含水量測量的證實。因此，參考分區結合了兩種不同的植物品種和土壤分析檢測到的南北方向變異性來定義。
3.2. 基于植被指數的分區比較
研究人員使用v-measure指標來量化不同遙感分區方法之間的一致性（值越接近1表示一致性越高）。
- •
總體而言，不同處理流程得到的v-measure平均值較低（約0.2），表明分區結果存在普遍差異，但數值范圍覆蓋0到1，說明植被指數、聚類方法和獲取時間的選擇具有強烈影響。
- •
聚類方法的影響：高斯混合模型（GMM）與K均值（K-means）聚類結果之間的v-measure平均值高于0.8，表明兩者高度一致。但與自組織映射（SOM）聚類結果比較時，v-measure值下降，雖仍高于0.6，但顯示出該方法在分類上存在一些差異。
- •
植被指數的影響：土壤調節植被指數（SAVI）和改進的土壤調節植被指數（MSAVI）所得分區高度一致。但與歸一化植被指數（NDVI）比較時，一致性下降到約0.6。
- •
影像獲取時機的影響：這是導致分區差異的最主要因素。僅當影像獲取時間間隔在一個月內時，分區才表現出相對較高的一致性（v-measure > 0.25）。超過一個月，一致性急劇下降（平均v-measure約0.1）。有趣的是，跨年度但同月份獲取的影像，其分區結果一致性會回升，顯示出明顯的季節周期性。進一步分析發現，在邦代諾站點，只有在冬季（1月、2月）和晚秋（11月、12月）獲取的影像，其分區結果才高度穩定（v-measure > 0.5），而在生長季則非常不穩定。在伊莫拉站點，這種季節性變化較弱，v-measure平均值較高（約0.5），僅在夏季（如6月）和10月有所下降。
3.3. 遙感分區方法的評估
研究人員進一步計算了遙感分區結果與地面參考分區之間的v-measure。
- •
在邦代諾站點，v-measure平均值較低（約0.2）。這主要是因為參考分區主要由土壤變異性驅動，而年輕的核桃樹植被覆蓋度低，遙感植被指數主要受土地管理（如覆蓋作物）影響，未能有效捕捉土壤差異。
- •
在伊莫拉站點，v-measure平均值更高（約0.3）。這是因為參考分區由長期種植（超過20年）的兩種不同葡萄品種及其生長差異驅動，且夏季修剪等農藝操作引入了額外的冠層結構變異性。在這些條件下，遙感植被指數能更好地捕捉田間的空間異質性。
- •
關鍵發現：通過將v-measure值與植被指數動態、月度水分平衡（降水P減潛在蒸散發ETP）比較，研究發現，最高的v-measure值（即遙感分區與參考分區最匹配）出現在植被活躍生長且水文條件相對干燥的時期。相反，在植被指數值較低或降水事件之后，v-measure值較低。例如，伊莫拉站點在2023年5月強降水事件后，v-measure值顯著下降。
結論與意義
本研究系統性地揭示了不同數據處理流程對基于遙感的農業分區結果的影響。核心結論是：植被指數和聚類算法的選擇對分區結果的影響相對有限且次要，而影像獲取時機的選擇則具有決定性作用。分區結果僅在短期內（一個月內）穩定，并表現出強烈的季節性依賴。跨不同生長階段的影像組合可能產生誤導性結果，因此不推薦使用。
最重要的是，研究明確了獲取高質量分區圖的最佳窗口期：作物生長季且環境相對干燥的條件。此時，活躍生長的植被更易受到土壤條件的影響，使得遙感植被指數能更好地捕捉土壤-植物系統的變異性。這一發現為農學家和從業人員提供了清晰的實踐指南：在進行農業管理分區時，應優先選用生長季中后期、天氣晴朗干燥時期獲取的衛星影像。
這項研究的意義在于，它將遙感技術從“數據可用”推進到“方法可靠”和“應用可指導”的層面。在衛星數據日益豐富、分辨率不斷提高的今天，該研究強調了標準化處理和明確操作指南的重要性。盡管結論可能因特定作物類型（如果園）而異，但其系統性的評估框架為未來在不同農業環境下開展類似比較研究、填補關鍵知識空白、最終制定普適性的精準農業遙感應用指南奠定了堅實基礎。它提醒我們，技術的價值不僅在于其先進性，更在于其應用方法的科學性與可重復性。
