用于量化沿海农业中作物特定盐害的时空卷积神经网络(CNN)框架
《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》:Spatiotemporal CNN framework for quantifying crop-specific salinity damage in coastal agriculture
【字体:
大
中
小
】
时间:2026年03月04日
来源:ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING 12.2
编辑推荐:
陈莉雪 | 奥罗拉·吉拉德利 | 陈建平 | 帕奥洛·塔罗利
中国航空航天地球物理调查与自然资源遥感中心,北京100083,中国
**摘要**
沿海三角洲农业系统正面临盐水入侵(SWI)的严重威胁,这进一步影响了全球粮食安全。然而,如何准确且及时地在区域尺度上评估沿
陈莉雪 | 奥罗拉·吉拉德利 | 陈建平 | 帕奥洛·塔罗利
中国航空航天地球物理调查与自然资源遥感中心,北京100083,中国
**摘要**
沿海三角洲农业系统正面临盐水入侵(SWI)的严重威胁,这进一步影响了全球粮食安全。然而,如何准确且及时地在区域尺度上评估沿海农业对SWI的脆弱性仍然具有挑战性。大多数现有方法依赖于手动设计的多指标系统或识别严重盐碱化的区域,导致高不确定性和更细粒度的作物尺度评估。同时,这些方法对于早期风险预警仍然不够充分,因为初始的作物冠层会掩盖对早期SWI检测至关重要的土壤光谱特征。关键的是,关于作物覆盖对SWI影响仍有两个未解决的问题:在作物覆盖条件下,如何客观量化早期SWI的影响,以及如何精确测量不同作物类型对SWI差异的响应。以意大利的波河三角洲为例——这是一个受SWI影响的著名热点地区,但其影响程度尚未得到量化——我们提出了一个完全由机器学习和卫星图像驱动的作物损害概率评估框架。基于作物分类,采用了卷积神经网络(CNN)来量化SWI影响的概率。此外,该方法能够在每次卫星 revisit 时生成作物损害概率图。本研究首次应用CNN生成了针对沿海农业的特定作物、每月更新的SWI影响地图,填补了早期和客观损害量化的关键空白。结果表明,基于CNN的算法能够实现按月尺度对咸水入侵造成的作物损害进行定量风险评估。在盐水入侵期间(5月至9月),基于CNN的模型在已知盐碱化事件的基础上,对受损农业区域的识别准确率达到82.4%至92.5%,并且作物损害定量风险图可用于揭示受盐水入侵威胁的农业热点区域。对特定作物损害概率的分析显示,6月和7月的风险最高,随后逐渐下降,其中波河三角洲的苜蓿遭受的风险最大。所提出的框架避免了主观判断,同时提供了作物尺度上潜在SWI影响的量化,作为早期识别脆弱区域的初步工具,并支持及时的管理和缓解策略。
**1. 引言**
盐水入侵是一种复杂的自然现象,主要发生在河口地区(Jiang等人,2024年)。其特征是咸水和淡水混合过程向上游迁移,并与一系列自然和人为因素密切相关,包括海平面上升、河流流量减少、地面下沉、潮汐变化以及过度抽取地下水(Ghirardelli等人,2025年;Sarupria等人,2025年)。咸水侵入上游河流渠道和含水层后,通过灌溉渠道扩散到农田,导致表土中盐分积累,引起土壤盐碱化(Gollo等人,2024年),并对土壤肥力和作物生长产生严重影响(Tarolli等人,2024年)。在夏季或旱季的极端干旱条件下,河流流量减少会加剧盐水入侵,进一步加剧本就稀缺的淡水资源的紧张状况。干旱和盐水入侵的联合效应严重损害了农业灌溉,导致作物产量下降,对粮食安全构成威胁(Tarolli等人,2023年)。例如,受SWI影响的沿海农业热点地区主要包括东南亚、渤海地区以及地中海地区(Ghirardelli等人,2025年)。此外,现有研究证实,由于气候变化的影响,未来欧洲近80%的河流夏季流量预计将减少10-60%,导致欧洲河口地区极端盐水入侵事件的风险增加五倍以上(Lee等人,2024年)。此外,全球近40%的人口目前居住在距离海岸线100公里以内,近8700万公顷的沿海农田极易受到盐水入侵的影响(Ghirardelli等人,2025年;Tarolli等人,2024年)。因此,监测盐水入侵的动态变化并准确量化其对沿海农业的损害风险对于保障全球粮食安全至关重要。
分析沿海农业区域盐水入侵的空间范围和严重程度是传统盐水入侵风险评估的主要任务。早期方法通常依赖于对农田土壤样本和相邻灌溉系统水样的电导率进行现场测量,然后将其转换为盐度水平来评估盐水入侵的范围(Thorslund和van Vliet,2020年)。虽然这种方法可以提供关于农业系统中盐度入侵的最准确数据,但它需要大量的人力和财力资源,难以支持大规模和动态评估。随着地球观测技术的快速发展,将机器学习方法与遥感图像和现场测量相结合,实现了大规模和动态的土壤及沿海水盐度估计(Das等人,2023年;Gao等人,2025年;Zhu等人,2024年)。然而,由于遥感图像测量的是地表反射率,植被覆盖可能会干扰或掩盖来自下层盐碱化土壤的卫星信号(Wang等人,2023年)。例如,一些研究人员特别识别出了完全被盐水入侵破坏的沿海农业区域,这些区域主要是盐分斑块,其光谱反射率完全来自裸露的土壤(Mondal等人,2023年)。虽然分析盐水入侵斑块或缓冲带内的作物状况有助于评估受影响农业区域的状况(Luo等人,2024年),但这些方法无法提供关于那些尚未完全退化的农业区域潜在分布的见解。然而,这些区域最需要及时识别和保护。为了解决这一限制,一些研究人员尝试通过将盐度指数与NDVI相关联来分析生长季节中土壤盐碱化对沿海农业的影响(Sarupria等人,2025年)。然而,尽管从遥感图像中得出的植被指数与土壤盐度水平之间的关系可以潜在地揭示作物对盐胁迫的响应,但由于表面作物覆盖和土壤性质的混合效应,这种关系并不稳健可靠(Ramos等人,2020年;Scudiero等人,2015年)。
为了评估生长季节中盐水入侵对沿海农业的潜在影响,提出了一种多指标加权方法来分析农田对SWI的敏感性,从而改进对风险农田的早期预警。例如,一些研究人员整合了各种盐水入侵条件——如与淡水/咸水的距离、海拔、土壤性质、地质背景和社会经济因素——构建了一个综合的脆弱性评估指数(Da Lio等人,2015年;Gatdula和Blanco,2024年;Tosi等人,2021年)。然而,这些方法中因素的选择及其权重的确定在很大程度上依赖于主观 expertise,使得这些方法难以泛化和广泛应用。此外,由于多源指标的精度限制,这样的评估结果只能揭示沿海农业区域对盐水入侵的宏观敏感性,缺乏与实际农田损害的直接关联。因此,这些泛化方法无法为农民等利益相关者提供及时准确的农业损害概率信息。
意大利的波河三角洲(PRD)是欧洲最重要的湿地之一,也是一个传统的排水-灌溉农业区。然而,由于气候变化导致的极端干旱、海平面上升等因素,该地区已成为全球海水入侵的热点区域之一(Tarolli等人,2023年;Xue等人,2024年)。近年来,几次极端夏季干旱期间的严重盐水入侵事件对当地农业系统构成了重大威胁,严重影响农业生产及农民生计。根据气候预测,未来极端干旱的频率和强度预计将分别增加50%和80%(Sofia等人,2024年),到本世纪末,盐水入侵的风险可能比目前水平高出五倍以上(Lee等人,2024年)。尽管评估SWI对当地农业系统的影响迫在眉睫,现有研究仍不足以回答以下问题:(1)在作物覆盖存在的情况下,如何客观量化SWI的早期影响?(2)不同作物类型对SWI的响应是否存在差异,这些差异如何精确测量?为了填补这一研究空白,本研究开发了一个完全由卫星图像和机器学习驱动的可转移框架,用于量化生长季节中SWI造成的作物损害概率。首先,通过将每月的特定作物物候特征与机器学习相结合,生成了准确的历史作物分布图。其次,将作物类型图、一系列与植被和土壤相关的盐度指数以及关于SWI引起的作物损害区域的调查数据输入CNN模型。该模型旨在通过在3×3像素的滑动局部窗口内逐像素处理数据来学习SWI影响的时空模式。最后,深度学习模型通过二值Sigmoid激活函数将SWI引起的作物损害可能性量化为0到1之间的概率。根据得出的结果,可以识别不同作物生长阶段的SWI影响热点区域,并量化各种作物类型的危险程度。此外,基于历史数据的模型可以为未来SWI事件期间的作物提供早期预警风险评估。本研究首次应用CNN生成了针对沿海农业的特定作物、每月更新的盐水入侵(SWI)影响地图。与传统主要关注土壤盐度估计的方法不同,我们的基于站点和作物类型的模型直接在每次卫星 revisit时量化了SWI引起的作物损害概率。
**2. 研究区域和数据集**
**2.1. 波河三角洲的农业**
波河三角洲位于意大利东北部的亚得里亚海岸沿线,是一个广阔的湿地和肥沃的冲积平原,形成于波河入海处(图1)。早在1604年,威尼斯共和国就在该地区建立了名为“Taglio di Porto Viro”的水利工程并开始土地开垦(Straffelini和Tarolli,2023年)。在此背景下,波河三角洲有着悠久的耕作历史,长期以来因其丰富的水资源和肥沃的土壤而被认为是意大利重要的农业区。受地中海气候的影响,波河三角洲具有湿润和温和的环境,适合种植水稻、玉米、小麦、甜菜和大豆等作物(Luo等人,2024年)。其中,小麦主要是冬季作物,通常在11月播种,次年晚春收获。相比之下,其他主要作物是春季作物,一般在水月至5月间播种,并在同年9月至10月收获(Azar等人,2016年)。
**图1. 意大利波河三角洲的位置,用红星(A)标出了2023年的主要夏季作物类型(B)(https://www.avepa.it/paesc)。下表展示了波河三角洲主要夏季作物的种植日程,其中E、M和L分别代表每个月的早期、中期和晚期阶段。**(有关此图例中颜色的解释,请参阅本文的网页版本。)
然而,由于自然环境因素(低地形)和人类活动的影响,近年来波河三角洲的农业系统日益受到盐水入侵的威胁。一方面,更极端的天气事件,如干旱和热浪,导致夏季河流流量减少。此外,由于全球气候变化引起的海平面上升,加上过度抽取地下水导致的地面下沉(Fabris等人,2022年),进一步加剧了海水入侵的风险。因此,现在波河三角洲(PRD)大约有40,000公顷的土地低于海平面。这些综合因素导致在夏季主要作物的生长期,海水入侵事件更加频繁,尤其是在极端干旱事件期间。例如,在2006年和2022年的极端干旱时期,来自波河口的海水入侵最远可向上游延伸至33公里和40公里,受影响水体的盐度水平超过了联合国粮农组织(FAO)为农业灌溉规定的2克/升的阈值,加剧了干旱期间的水资源短缺问题(Tarolli等人,2023年)。作为全球海水入侵的热点地区之一,波河三角洲正面临着土壤盐碱化的挑战(Nikoli?等人,2025年),这对其独特的农业生态系统造成了负面影响,并对当地农民的生计构成了威胁(Tarolli等人,2024年)。因此,量化海水入侵对农业的影响并确定高风险区域对于制定保护粮食安全和相关利益方的措施至关重要。
2.2. 数据与处理
2.2.1. 卫星图像和指数
在本研究中,使用了2013年至2024年期间Landsat-8卫星图像的时间序列大气校正表面反射率数据,覆盖了作物生长季节(4月至10月),以精细分类波河三角洲的主要夏季作物并绘制其动态变化图。具体来说,利用了Landsat图像中6个原始表面反射率波段,空间分辨率为30米,包括蓝光、绿光、红光、近红外(NIR)、短波红外1(SWIR1)和短波红外2(SWIR2)。首先,根据QA_PIXEL波段,从Google Earth Engine(GEE)的“LANDSAT/LC08/C02/T1_L2”集合中获取的所有可用大气校正表面反射率数据集进行了去云处理;其次,计算了所有年份作物生长季节上述波段的月度中值合成图像,并基于这些图像计算了NDVI波段,以更好地揭示不同作物的季节性变化。
此外,在严重的夏季海水入侵情况下,作物往往会生长受阻或完全失败,导致受损区域主要由裸露的土壤或稀疏的植被组成。因此,这些区域的反射率主要代表了裸露土壤和稀疏作物的混合体。此外,即使在存在稀疏植被的情况下,冠层反射率也被证明可以有效定量检测土壤盐碱化的程度(Scudiero等人,2015年)。基于对所有关于土壤或植被盐度指数研究的全面回顾,我们计算了表1中提到的所有指数,并额外计算了NDVI以反映植被健康状况。此外,由于不同植物对盐度的耐受性不同(Ghirardelli等人,2021年),所以还考虑了作物类型。所有这些指标将用于开发机器学习模型,以评估海水入侵对农业系统的潜在损害。
表1. 遥感指数总结。
| 类别 | 指数 | 公式 | 参考文献 |
|------|------|------|------|
| 盐度指数 | SI1 | B×R | Khan等人,2001年 |
| | SI2 | G×R | Douaoui等人,2006年 |
| | SI3 | NIR×R | Nguyen等人,2021年 |
| | SI4 | G2+R2 | Douaoui等人,2006年 |
| | SI5 | G2+R2+NIR2 | Douaoui等人,2006年 |
| | SI6 | BR | Abbas和Khan,2007年 |
| | SI7 | G×RB | Abbas和Khan,2007年 |
| | SI8 | B×RG | Abbas和Khan,2007年 |
| | SI9 | R×NIRG | Abbas和Khan,2007年 |
| | SI10 | B-RB+R | Abbas和Khan,2007年 |
| | SI11 | SWIR1-SWIR2 | Bannari等人,2008年 |
| | SI12 | SWIR1 | Bannari等人,2008年 |
| | SI13 | NIR-SWIR1 | NIR+SWIR1 | Bannari等人,2008年 |
| | SI14 | R-NIRG+NIR | Dehni和Lounis,2012年 |
| | SI15 | SWIR1-NIR | SWIR1+SWIR2 | Bannari等人,2016年 |
| | SI16 | 2×G-(R+NIR) | Barreto等人,2023年 |
| | NDSI | NIR-NIR | Khan等人,2005年 |
| | SASI | 100×B | Yahiaoui等人,2015年 |
| | VSSI | 2×G-5×(R+NIR) | Dehni和Lounis,2012年 |
| | CRSI | NIR×R-(G×B) | NIR×R+(G×B) | Scudiero等人,2016年 |
| | SSSI | SWIR1-SWIR2 | Bannari等人,2016年 |
| | SSSI2 | SWIR1×SWIR2-SWIR2 | Bannari等人,2016年 |
| | 其他指数 | BIR2+NIR2 | Khan等人,2005年 |
| | NDVI | NIR-R | NIR+R | Rouse等人,1973年 |
| | II1 | G+R2 | Douaoui等人,2006年 |
| | II2 | G+R+NIR2 | Douaoui等人,2006年 |
2.2.2. 河流盐度监测系统
由于波河三角洲的夏季作物主要依赖地表水灌溉,因此对关键夏季时期的河水盐度及其适合作物灌溉的特性进行了评估。波河三角洲土地回收联盟在三角洲内的波河网络上下游区域实施了连续盐度监测。监测站策略性地设置在用于农业灌溉的排水口附近的关键位置。从2005年5月到2017年9月,盐度监测网络从63个站点收集了总计47,721次手动记录的数据,这些数据体现了区域异质性和环境变异性,提供了关于海水入侵范围和程度的见解(Luo等人,2024年)。本研究将严重的海水入侵定义为波河流量低于450立方米/秒且灌溉水盐度超过2克/升的情况。根据这一标准及监测记录,本研究确定遭受显著海水入侵的年份为2015年、2017年和2022年。
2.2.3. 当前作物分布图
波河三角洲的实际作物分布数据由威尼托大区的可持续能源和气候行动计划(SECAP)项目提供。该数据集通过实地调查统计与农民申报的信息结合获得,以ESRI Shapefile矢量格式提供,数据截止时间为2022年和2023年(https://www.avepa.it/paesc)。由于波河三角洲的海水入侵主要发生在5月至9月的夏季,因此选择了大豆、玉米、水稻和用作牲畜饲料的苜蓿等夏季作物进行后续分析。
3. 方法论
在本研究中,首先基于机器学习和作物生长季节的月度时间序列Landsat图像开发了一个作物分类模型。随后,通过整合基于CNN的深度学习模型与植被盐度相关指数和作物类型,训练了一个量化评估作物因海水入侵而受损概率的模型,并进行了全面的统计分析。整个研究框架如下图2所示。
3.1. 使用时间序列图像和机器学习绘制作物动态图
作为重要的农业遗产景观,波河三角洲实行轮作制度。为了量化不同作物对海水入侵的响应和受损概率,首先需要准确绘制三角洲内主要夏季作物(大豆、玉米、水稻和苜蓿)的年际变化情况。本研究使用了2013年至2023年夏季作物生长季节(4月至10月)的所有可用Landsat-8图像,以及2022年和2023年的真实作物分布图来训练作物分类器。基于集成树的机器学习算法被证明在作物绘制方面非常有效,能够实现准确的时间和空间转移性(Wijesingha等人,2024年)。本研究采用了两种基于树的算法来评估模型的转移性。随机森林(RF)是一种基于装袋法的集成学习方法,其中使用随机样本子集和随机选择的特征训练多个决策树,最终通过多数投票得出分类结果(Breiman,2001年)。相比之下,极端梯度提升(XGBoost)是一种基于树的算法,它利用梯度提升框架进行回归或分类任务(Chen和Guestrin,2016年)。与RF不同,XGBoost构建了一个决策树集合,每棵树逐步纠正前一棵树所犯的错误。此外,它可以高效处理大型数据集,结合正则化技术(L1和L2)来减轻过拟合问题,支持并行计算,并能处理数值和分类数据。
作物绘制模型的输入包括来自Landsat月度合成图像(蓝光、绿光、红光、近红外、短波红外1、短波红外2、NDVI)的49个时间特征,时间范围为作物生长季节(4月至10月)。为了提高模型的时空转移性,使用了2022年和2023年的参考作物分布图作为生成每种作物类型及其他非目标类型500个随机采样点的依据,共计5000个样本。然后,提取所有样本点的所有时间遥感特征和相应的作物类型作为模型的输入。最后,使用Python中的sklearn库并通过网格搜索方法进行了模型训练。超参数调整(包括n_estimators、max_depth、学习率等参数)通过10折交叉验证进行了优化。
3.2. 量化农业中的SWI损害概率
为了定量评估选定年份(2015年、2017年和2022年)海水入侵对夏季作物的影响,通过整合与土壤、盐度、作物条件(表1)和作物类型相关的指数,以及现场调查和 manually 标记的盐碱化损害区域数据,开发了机器学习模型。由于夏季海水入侵的范围和严重程度动态变化,以及对不同生长阶段作物的影响程度不同,因此对海水入侵关键时期(5月至9月)的夏季作物损害进行了月度量化评估。具体来说,我们通过卫星图像进行了月度调查,以确定2015年、2017年和2022年海水入侵期间(5月至9月)波河三角洲受损作物的分布情况。这一过程包括现场验证和使用Landsat标准假彩色图像手动划定受损区域。现场调查显示,受海水入侵影响的作物在不同生长阶段的生长状况与健康作物有显著差异,这些健康状态的变化在图像中可以清晰区分。为了确保模型评估的稳健性,我们对每个月份(5月至9月)的作物受损样本进行了严格平衡处理。具体来说,从所有年份(2015年、2017年、2022年)相同月份中识别出作物受损区域作为目标样本,并确保每个月不同作物的样本数量平衡。根据海水入侵的动态进展,5月至9月的样本量分别为5370、5982、5947、5962和5610个,总计28,871个。总体而言,各月份样本量的变化相对较小,这确保了按月训练的模型能够提供一致的评价结果。同时,从受损区域两侧随机选择了相同数量的未受损区域样本(Sitanggang等人,2013年)。此外,还利用了反映生态过程的相关指数(包括土壤条件、盐度和作物状态)作为输入,以月度尺度训练机器学习模型,预测海水入侵对农业系统的影响。
为了准确评估海水入侵对农业的影响,本研究采用了多种传统的机器学习和深度学习模型来绘制作物损害概率图。具体而言,使用了主流的基于树的集成学习方法,包括随机森林(RF)、XGBoost(XGB)、CatBoost(CAT)、NGBoost(NGB)和LightGBM(LGB)进行性能比较。对于基于树的模型,数据被分为训练集和验证集,比例为7:3,然后通过scikit-learn中的10折交叉验证确定最佳超参数。模型预测的海水受损区域概率被用作海水入侵风险,模型的最终分类性能进行了比较;此外,还设计了一个基于AlexNet的CNN海水入侵风险映射模型,需要调整CNN模型的关键参数(如卷积层和滤波器的数量,以及全连接层的数量和神经元数量)以适应特定数据集(Belenguer-Plomer等人,2021年)。鉴于海水入侵受损区域在空间上具有异质性、分布不均匀且大小不一,输入图像大小设定为7×7像素以准确识别受损区域。通过对数据集进行多次试验,确定了最佳的CNN架构,包括三个卷积层和三个全连接层(表2)。在模型训练过程中,采用了Adam优化器,初始学习率为0.001,批量大小为16。使用StepLR调度器动态调整学习率,每10个训练周期将其乘以0.5。模型训练共进行了100个周期,保留了表现最好的检查点进行评估。最后,将最后一个全连接层的原始logit输出x通过Sigmoid函数S(x)=1/(1+e-x)转换为作物损害概率,从而预测每个像素的海水入侵影响可能性。与上述基于树的机器学习算法相比,卷积神经网络(CNN)还利用了一个以被评估像素为中心的7×7邻域,使模型能够学习盐水入侵对农田影响? 更复杂的空间特征。表2显示了用于盐水入侵损害概率映射的CNN模型的架构和参数。
3. 机器学习模型的评估
对于不同作物的映射结果,使用基于不同指标的独立测试数据集来评估分类性能,包括准确性、精确度、召回率和F1分数(Huang等人,2024年;Liu等人,2024年)。
(1) 准确性 = (TPi + TNi) / (TPi + FPi + FNi + TNi)
(2) 精确度 = TPi / (TPi + FPi)
(3) 召回率 = TPi / (TPi + FNi)
(4) F1分数 = 2 × 精确度 × 召回率 / (精确度 + 召回率)
(5) 宏F1分数 = ∑i=1n F1in
此外,还对比了多年间不同行政区域每种作物的种植面积与分类结果,并在地图上可视化了预测作物分布与当前数据之间的空间差异。由于农田损害的概率预测本质上是一个二元分类问题,因此也使用了基于混淆矩阵的准确性指标来进行评估(表3)。
4. 结果
4.1 作物分类的评估
使用独立验证数据评估了作物分类模型的映射性能,结果如表4所示。两种模型对所有四种作物的分类准确性都很高。然而,XGBoost表现出整体更优的性能,不同作物的F1分数范围为0.89到0.98,总体准确率为0.912。因此,它被选用于当前和历史情景下的作物分布映射。具体来说,该模型对水稻的分类性能最高,F1分数为0.980,准确率为0.990。相比之下,大豆的分类性能最低,F1分数为0.890,准确率为0.883。对于玉米和苜蓿,模型的分类性能强劲且相当,F1分数分别为0.920和0.926、0.917。
表4. 作物分类模型的性能
4.2 潮水入侵损害概率在鄱阳湖流域(PRD)的情况
不同基于树的机器学习模型和CNN模型在评估盐水入侵造成的损害方面的整体分类准确性见表5。结果显示,在盐水入侵期间(5月至9月),基于CNN的模型表现最佳。它在训练集和验证集上都优于传统的机器学习方法,并有效地区分了盐水入侵造成的受损区域和未受损区域。其在验证集上所有作物类型的整体准确率在82.4%到92.5%之间。此外,结果还显示从5月到9月,所有模型的分类准确性呈现出一致的趋势。模型性能从5月到7月逐渐下降,然后稳步提高,这可能与盐水入侵的程度和作物的物候变化有关。在干燥的夏季月份,盐水入侵通常加剧。7月是最干旱的时期,河流流量降至最低,导致农业受损区域的空间异质性最大。随着河流流量的增加,盐水入侵逐渐减少,空间分布模式变得简单。盐水入侵的严重程度直接影响受损农业区域的分布和结构复杂性。因此,本研究使用了在这几个月表现最佳的CNN模型来预测盐水入侵引发的农业损害风险,结果如图4所示。
4.3 盐水入侵对不同作物的影响
对过去盐水入侵事件中鄱阳湖流域不同作物的损害概率进行了统计分析(表6)。玉米的风险最低,为0.148,水稻为0.156,其次是大豆,为0.181。苜蓿面临的盐水入侵风险最高,为0.313。此外,随着盐水入侵的推进,作物的风险也显示出明显的时间演变趋势。具体来说,在过去的盐水入侵事件中,5月农业系统受损的平均风险为0.106,6月和7月这一风险分别增加到0.272和0.255。随后,盐水入侵对农业系统的影响开始减弱,8月为0.199,9月为0.165。其中,2022年的盐水入侵对鄱阳湖流域的农业系统影响最严重,损害概率最高,达到0.210。
5. 讨论
5.1 作物分类系统的性能
本研究评估了多样化输入特征对于使用XGBoost分类器进行作物分类的重要性。结果表明,时间光谱指数及其时间序列特征显著有助于作物区分,这与之前的研究结果一致(Wen等人,2022年)。如图7所示,7月至10月的输入特征在鄱阳湖流域农业系统的精确分类中发挥了关键作用,这可能与主要作物的物候阶段密切相关。特别是红色、绿色和蓝色(RGB)波段在这一时期显得尤为重要。此外,10月的NDVI成为鄱阳湖流域作物分类的关键因素。
表4显示,大豆的分类准确性相对较低,而水稻的准确性最高。这可能与研究区域内不同作物的物候重叠特征和种植结构有关。例如,作为研究区域内唯一的稻田种植作物,水稻显示出集中且紧凑的空间分布模式,而大豆和玉米的种植模式具有更大的空间异质性和更复杂的景观结构(图3)。这两种作物的分布特征往往是混合和交织的,这种异质且复杂的农业系统对分类性能构成了重大挑战(Huang等人,2024年)。此外,一些研究还发现,与其他作物相比,大豆具有独特的光谱特征,在SWIR波段的反射率较低,而在生长高峰期的NDVI较高(Chen等人,2023年)。因此,专门为大豆设计的光谱指数通常会更有效(Li等人,2023年;Zhang等人,2024年)。此外,本研究中用于作物分类的XGB分类器是基于2022年和2023年的真实数据训练的。尽管该模型对2022年和2023年的预测结果令人满意,但将其应用于预测2015年和2017年等早年的作物分布可能会引入一些不确定性。例如,由于不同年份的气象条件变化,机器学习模型在作物分类方面的时间可转移性可能会下降(Blickensd?rfer等人,2022年)。一方面,这可能与卫星传感器性能随时间的变化有关(Barriere等人,2024年);另一方面,即使在相同作物下,不同的气象生长条件下也可能表现出不同的光谱特征,机器学习模型可能无法捕捉到这些差异,从而导致模型性能下降(Wijesingha等人,2024年;Xu等人,2024年)。尽管由于时间序列光谱数据的一致性问题存在时空可转移性的挑战,但在相同传感器和代表性样本上训练的机器学习模型仍然可以提供有关作物时间分布的可靠和有价值的信息(Song等人,2021年)。
5.2 受SWI影响的热点农业区域
研究结果表明,利用各种与土壤-植被相关的光谱盐度指数和作物类型,并结合基于CNN的方法,可以有效评估盐水入侵确认事件对沿海农业系统造成的损害概率。在关键入侵月份(5月至9月),识别所有监测作物(大豆、玉米、水稻、苜蓿)中受到盐水入侵损害的农业区域的总体准确率在82.4%到92.5%之间(表5)。模型在不同月份的表现差异可能与作物的物候差异以及研究区域内盐水入侵程度的不同所导致的异质性景观结构有关。此外,不同的土壤质地也可能导致不同的盐碱化模式,这也可能是造成这种异质性的原因之一。此外,珠江三角洲地区的作物在5月份主要处于生长初期,而8月份之后开始进入衰老阶段,这导致这些时期的农业景观异质性较低。这种较低的空间复杂性为模型分类带来了较少?挑战;另一方面,盐水入侵显著改变了沿海农业系统,通过潮汐溪流和排水渠道逐渐侵入内陆地区,导致土壤盐碱化、作物受损以及农业景观变得更加复杂(Nguyen等人,2024年)。随着盐水入侵范围的扩大,波河三角洲受影响的区域已经扩散到整个区域。这个问题因各种作物的物候差异及其与未受影响作物的混合分布而变得更加复杂(图4)。这种高度复杂的模式可能对准确识别受损农业区域构成重大挑战。尽管如此,与传统的机器学习方法相比,即使在盐水入侵严重的6月至8月期间,卷积神经网络(CNN)仍然取得了较高的分类准确率(表5)。这是因为,在预测某个像素的受损概率时,CNN模型不仅利用了该像素的长期时间变化,还捕捉了2像素半径内所有相邻像素的光谱特征。通过整合时间和空间信息,CNN模型在盐水入侵造成的复杂景观条件下显著提高了识别受损农业区域的能力(表5)。如图8所示,它展示了CNN模型预测的波河三角洲在过去极端盐水入侵事件中对不同作物的平均受损概率。结果表明,在5月份,除了苜蓿外,所有作物受盐水入侵造成的损害概率都很低。波河三角洲的大豆、水稻和玉米通常在5月份播种,此时土壤大多裸露(Luo等人,2024年)。CNN模型成功地将这些区域与受盐水入侵损害的区域区分开来,与实际情况非常吻合。这种一致性进一步证明了该模型在检测盐水引起的农业损害方面的可靠性。
在过去的事件中,7月份之后主要作物的总体损害逐渐减少。然而,与其他作物相比,苜蓿的盐水损害概率一直较高,并且在8月和9月份仍然持续升高(图8)。这种现象可能是由于苜蓿频繁的收割周期及其在分析年份中主要分布在沿海地区所致。在波河三角洲,苜蓿的生长期从5月持续到9月,收割大约每两周进行一次。先前的研究表明,在生长期频繁收割会显著降低苜蓿的生产力、持久性和再生能力(Qi等人,2010年)。苜蓿在三角洲地区对盐水入侵的敏感性和长时间暴露于潜在损害可能是导致这种情况的原因。此外,图4显示了历史盐水入侵事件中三角洲内高风险的盐水引起的受损作物的月度分布热点。通过监测波河的流量,该模型可以在未来夏季流量低于预警阈值时预测高风险区域的潜在损害,从而 indicating 盐水入侵事件。此外,该模型还可以帮助识别那些不太明显的中等脆弱区域,使利益相关者能够及时采取措施防止进一步恶化。
5.3. 与传统方法的比较
本研究整合了多种机器学习算法和免费获取的卫星图像,实现了沿海三角洲高精度(91.2%)的作物制图。此外,它创新性地采用了基于CNN的方法来定量评估盐水入侵对农业系统造成的损害概率。这种方法克服了传统研究在准确量化盐水入侵对沿海农业损害概率时面临的挑战。它消除了对综合社会经济、水文地质等数据集的需求,这些数据集往往难以收集,同时实现了对作物损害概率的有效和直接定量评估。此外,它还识别了高风险的农业热点,为有针对性的缓解措施提供了宝贵的见解。相比之下,目前使用CNN进行作物盐胁迫评估的研究仍局限于单一物种的分析(例如叶片或植株水平)(Li等人,2024年;Yang等人,2025年),尚未有研究实现跨整个生长季节的区域范围内多种作物的动态监测(如本研究)。传统方法主要通过监测土壤盐碱化程度(Nguyen等人,2021年)或沿海农业区域中受盐害区域的分布和缓冲区评估(Mondal等人,2023年)来间接评估农业系统潜在的损害。然而,这些方法有几个局限性:首先,它们主要适用于已经被盐水入侵完全破坏的农业区域,而那些仍保持植被覆盖但受到盐胁迫的作物则无法被传统方法检测到。其次,虽然这些方法可以动态监测受盐害区域或土壤盐度水平的变化,但它们无法定量预测尚未完全受损的农业区域的风险。此外,一些研究人员通过结合区域社会经济、地形、气象和水文因素来评估沿海农业对盐水入侵的敏感性(Bui等人,2024年;Tosi等人,2021年)。然而,这种方法主要依赖于行政层面的主观多因素加权分析,仅提供宏观层面的区域盐水入侵风险评估。因此,结果与实际的盐水引起的农业损害区域并不直接相关。与现有的研究方法不同,本研究直接关注农田层面盐水损害概率的定量评估。通过利用免费获取的Landsat图像和深度学习模型,它实现了自动化的定量预测,并长期保持一致性,同时为农民提供了高风险、不健康农业区域的分布信息,以便及时干预。
5.4. 局限性和未来展望
在解释研究结果时,应考虑几个局限性。一个主要挑战,与大规模地理空间作物损害评估研究一致的是同时存在的压力因素的混淆效应(Su等人,2025年)。在研究区域内,作物损害可能不仅仅是由盐水入侵(SWI)引起的,还可能由干旱或虫害爆发等同时发生的压力因素共同造成的。尽管我们使用了河流盐度监测网络数据集来识别SWI事件,从而最小化了干旱的潜在混淆效应,并在模型中纳入了多个植被-土壤盐度指数,但用于训练的受损区域的手动划定仍然无法明确地将盐碱化的影响与其他因素区分开来。例如,干旱对SWI的影响发生在不同的时间尺度上:长期的水文干旱决定了入侵的整体强度,而短期的气象干旱则改变了其时间动态。这种多尺度性质给精确归因带来了挑战,并使得使用任何单一指标来隔离其影响变得复杂(Tomkratoke等人,2025年)。此外,虫害爆发往往从田边开始,形成与SWI类似的空间模式(Nguyen和Nansen,2018年)。同样,土壤压实、出苗不良或遮荫也会降低产量并导致类似盐碱化损害的边缘相关压力和生长抑制(Nguyen等人,2022年)。此外,我们CNN模型的性能需要在更广泛的文献背景下进行评估。虽然我们的模型展示了令人满意的准确率,但其隔离SWI对农业影响的性能可能受到训练标签的限制。这与在更受控制的环境中进行的研究或那些SWI损害得到仔细验证的研究相比有所不同,后者的准确率往往更高(Salinas等人,2023年)。因此,结果应被视为在现实的多压力农业背景下识别潜在的SWI相关作物损害,而不是提供SWI影响的明确隔离。
未来的研究可以基于这项工作,通过结合能够更清晰区分压力因素的数据来进行改进。监测极端干旱事件与同时发生的作物损害之间的关系有助于更好地隔离具体归因于SWI的影响。此外,随后进行实地调查,建立由盐水入侵引起的作物损害多边形的高质量时间序列数据集将非常有价值。这样的数据集将显著提高深度学习模型的预测性能和特异性。尽管如此,本研究的评估结果直接与农业损害概率相关,为保护受到高风险盐水入侵威胁的作物提供了更准确和及时的手段。
6. 结论
以盐水入侵最严重的区域之一——波河三角洲为例,本研究整合了免费获取的卫星图像和机器/深度学习算法,以定量评估盐水中入侵对沿海三角洲农业在像素尺度上的损害概率。据我们所知,这是首次应用CNN生成客观的、早期阶段的、特定作物的盐水入侵影响月度地图。与之前主要关注土壤盐度估计的方法不同,我们的模型直接量化了每次卫星访问时田间尺度上SWI引起的作物损害概率,填补了不同作物类型早期影响量化方面的关键空白。结果表明,CNN方法能够有效捕捉农业系统的时空光谱特征,并在受作物轮作制度影响的复杂农业景观中保持高且稳健的预测性能。研究结果强调了及时、准确识别面临盐水入侵风险的农业区域的重要性,为入侵事件期间高风险农田的保护和管理提供了直接的应用。此外,结果使得能够定量评估不同生长阶段不同作物受盐水入侵压力的程度,支持科学农业管理。所提出的沿海农业盐水入侵作物损害定量评估框架完全基于卫星图像和可移植的CNN模型。未来的研究可以专注于通过整合多源数据(如土壤湿度和气象干旱指数)来开发改进的压力因素分离机制,以更好地区分盐度和干旱等同时存在的压力因素的混淆效应。在此基础上,结合实地调查和高分辨率遥感数据将有助于构建更准确的盐害参考数据集,从而提高模型在复杂环境中的归因能力。
7. 数据可用性
作物受损多边形数据可在以下仓库获取:https://github.com/ptarolli/ISPRS.CRedi
作者贡献声明:
Xue Chen:撰写——原始草稿、软件、方法论、数据管理、概念化。
Aurora Ghirardelli:撰写——审阅与编辑、验证、概念化。
Jianping Chen:撰写——审阅与编辑、验证、监督。
Paolo Tarolli:撰写——审阅与编辑、验证、监督、项目管理。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号