利用Sentinel-2植被指数与机器学习技术检测地中海橄榄园的灌溉情况

《Remote Sensing Applications: Society and Environment》:Irrigation Detection in Mediterranean Olive Orchards Using Sentinel-2 Vegetation Indices and Machine Learning

【字体: 大 中 小 】 时间:2026年07月14日 来源:Remote Sensing Applications: Society and Environment 3.8

编辑推荐:

  纳萨雷特·克雷斯波-科特里纳|路易斯·帕杜阿|保拉·帕雷德斯|卡马尔·阿伯卡尼|路易斯·L·帕尼亚瓜|弗朗西斯科·J·莫拉尔|弗朗西斯科·J·雷博略|阿贝拉多·加西亚-马丁|马里奥斯·斯皮利奥托普洛斯|尼古拉斯·R·达莱齐奥斯|尼古拉斯·德卡斯|伊奥安尼斯·法拉斯利斯|塞尔吉·科

  纳萨雷特·克雷斯波-科特里纳|路易斯·帕杜阿|保拉·帕雷德斯|卡马尔·阿伯卡尼|路易斯·L·帕尼亚瓜|弗朗西斯科·J·莫拉尔|弗朗西斯科·J·雷博略|阿贝拉多·加西亚-马丁|马里奥斯·斯皮利奥托普洛斯|尼古拉斯·R·达莱齐奥斯|尼古拉斯·德卡斯|伊奥安尼斯·法拉斯利斯|塞尔吉·科斯塔弗雷达-阿梅德斯|若昂·A·桑托斯|埃尔德尔·弗拉加

葡萄牙特拉斯-奥斯-蒙蒂斯和阿尔托杜罗大学农业环境与生物科学研究技术中心(CITAB)、农业食品生产创新、能力建设与可持续性研究所(Inov4Agro),维拉雷亚尔5000-801,葡萄牙

摘要
地中海流域在夏季干旱期尤其面临水资源短缺的问题。在橄榄园中,这一状况导致了灌溉使用的增加。鉴于该地区的水资源匮乏,有必要对多年生作物进行灌溉检测,以支持政策制定和可持续的水资源管理。本研究评估了基于Sentinel-2数据的植被指数区分五个地中海国家(希腊、意大利、摩洛哥、葡萄牙和西班牙)的灌溉橄榄园与自然降雨橄榄园的能力。研究采用了机器学习方法,评估冬季(1月,基准期)和夏季水分胁迫期(8月)所计算的植被指数的区分能力。通过提取田间中位数值,并运用11种监督分类算法进行评估。基于集成方法的模型比线性方法和概率方法具有更高的分类性能。其中,极端随机树模型的全局F1得分最高,为0.843,其次是额外树模型和梯度提升模型,F1得分约为0.83。在单指数训练方法中,水分胁迫指数被证明是最具区分度的指数(使用AdaBoost时F1值为0.771)。归一化差分水分指数在支持向量机中的表现也很出色(F1值为0.772),这凸显了短波红外水分敏感指数在灌溉检测中的重要性。这些结果表明,地中海橄榄园的灌溉识别主要与冠层水分状况有关,而不仅仅与绿色度有关。所提出的方法结合了生理可解释性和计算可扩展性,可应用于不同农业气候条件下的大规模检测。

引言
地中海流域是气候变化最易受影响的地区之一,同时也是重要的农业生产中心,尤其是像橄榄树(Olea europaea L.)这样的多年生作物(?zdel等人,2025;Rodrigo-Comino等人,2021)。该地区夏季炎热干燥,冬季湿润温和,其农业生态系统传统上已适应季节性干旱条件(Deitch等人,2017)。然而,最近的气候趋势加剧了水文气候失衡,给农业的可持续性带来了风险(Michaelides等人,2018)。政府间气候变化专门委员会指出,干旱事件将更加频繁、持续时间更长且更为严重,往往还会伴随热浪,同时短时间强降水引发的洪水也会增多(Calvin等人,2023)。这些极端的水文气候状况导致水资源从短缺到过剩的急剧变化,给那些原本适应季节性干旱但无法应对反复出现的极端天气的多年生作物带来压力(Sofo等人,2008)。虽然橄榄树能够耐受适度干旱,但它们容易受到长期或反复干旱的影响(Martins等人,2024)。严重的水分不足会降低光合作用,限制气孔导度,影响果实发育,而连续多年的干旱则可能削弱树木的生长力,影响其长期生产力(Cordovilla等人,2025;Fraga等人,2020a)。

地中海盆地占据了全球橄榄产量的约95%。西班牙是最大的生产国,其产量约占全球总量的50%,每年橄榄产量超过800万吨,其次是希腊、意大利和葡萄牙。这些顶级生产国以及北非国家如摩洛哥、阿尔及利亚和突尼斯,共同构成了该地区的农业经济结构(FAOSTAT,2024)。近几十年来,许多地中海地区从传统的低密度自然降雨型果园转向集约化和超集约化的灌溉系统,旨在稳定产量,减少因气候多变和不稳定带来的不确定性。这一转变在主要生产国尤为明显。不过,随着灌溉在 already面临水资源短缺的地区进一步扩展,对有限水资源的压力也会随之增加(Fraga等人,2022)。缺乏可靠且具有空间精确度的灌溉信息可能会限制水资源管理、资源分配以及长期规划。政策制定者、水资源管理机构和农业相关方都希望有持续、客观且可扩展的监测手段,以便识别灌溉区域,评估在不断变化的气候条件下的灌溉发展情况,从而提高地中海橄榄种植系统的抵御能力和可持续性(Calvin等人,2023;Lionello和Scarascia,2018)。要自动验证被划分为灌溉区和自然降雨区的区域,就需要开发出能够最大限度减少实地调查等现场验证需求的稳健方法。

卫星遥感为监测不同景观类型中的植被响应提供了有效手段(Segarra等人,2020)。过去几十年里,诸如Landsat(Wulder等人,2022)以及提供免费开放数据的Copernicus Sentinel系列卫星任务,为地表动态提供了长期记录(Phiri等人,2020)。其中,Sentinel-2因其相对较高的空间分辨率(10至20米)、频繁的重复观测频率以及专为植被监测优化过的多光谱配置而脱颖而出(Phiri等人,2020;Vanino等人,2018)。这些特点使得它能够用于监测那些管理方式复杂且多样的地区,比如地中海地区的农业镶嵌景观(Antrop,2005;Plieninger等人,2016)。Sentinel-2的多光谱数据可以用来计算各种对冠层活力、叶绿素活性和含水量敏感的植被指数,包括归一化差异植被指数(NDVI)(Rouse等人,1974)、土壤调整植被指数(SAVI)(Huete,1988)以及归一化差异水分指数(NDMI)(Arab等人,2022),这些指数已被用于监测地中海地区的多年生作物(Leolini等人,2022;Nolè,2018)。

近年来,基于云的处理平台以及机器学习方法的进步,进一步提升了分析大型数据集的能力,实现了更高的计算效率(Gorelick等人,2017;Ramat等人,2023)。与传统线性回归不同,机器学习模型能够捕捉光谱指数与植物生理反应之间的复杂非线性关系,从而在不同的环境条件下提高分类精度。在遥感研究中,已经成功应用了多种监督式机器学习算法,包括随机森林(RF)、梯度提升(GB)和极端梯度提升(XGBoost)等基于集成的方法(Navrozidis等人,2023;Reyes Rojas等人,2021;?evik和Aydemir,2025)。尤其是这三种集成模型,由于能够降低方差并提升泛化能力,因此表现出强大的预测性能,而较简单的模型则能为研究提供有价值的参考和可解释性。即便光谱对比度较低或随时间变化,这些技术也有潜力检测到与灌溉相关的植被动态差异(Navrozidis等人,2022;Praticò等人,2021)。

尽管取得了这些进展,但目前大多数基于Sentinel-2影像和机器学习的灌溉制图研究都是在环境条件相对均匀的局部或区域范围内进行的(Chakhar等人,2024;Li等人,2023;Morchid等人,2026a;Yu等人,2024)。因此,这些方法在不同地中海农业气候区域的可适用性仍不明确(Carella等人,2024;Rabie等人,2025)。此外,以往的研究通常会使用多个光谱变量(Carella等人,2024;Yu等人,2024),这使得很难单独确定各个植被指数在灌溉检测中的作用。对于橄榄园而言,这一局限性尤为重要,因为不同地中海国家的气候、种植结构、灌溉方式和管理系统存在很大差异(Caruso等人,2022;Gutiérrez-Cabrera等人,2025)。这类差异可能会影响光谱响应,进而降低分类模型在应用环境与其开发环境不同时的泛化能力(Carella等人,2024;Rabie等人,2025)。

因此,目前存在一个研究缺口,即需要开发出可扩展且具有可移植性的方法,以便在地中海不同环境中区分灌溉橄榄园与自然降雨橄榄园。解决这一挑战对于在水资源管理、灌溉规划以及应对日益严峻的气候变化压力下的农业适应性调整方面具有重要意义(Baseca等人,2025;Morchid等人,2026b;Ramírez-Cuesta等人,2025)。此外,确定最具信息量的单个植被指数,有助于开发出更简单、计算效率更高且更具可移植性的灌溉监测框架,同时也能提升基于机器学习的分类模型的可解释性(Carella等人,2024;Yu等人,2024)。在此背景下,本研究的目的是评估基于Sentinel-2植被指数的单指数训练方法在分类地中海橄榄生产区的灌溉橄榄园与自然降雨橄榄园方面的潜力(Segarra等人,2020)。这些地区涵盖了多种不同的气候梯度、橄榄园结构以及灌溉普及程度。与以往仅针对单一地区或局部范围开展的研究不同,本研究旨在评估五个地中海国家(西班牙、葡萄牙、意大利、希腊和摩洛哥)的灌溉使用情况,这些国家具有不同的环境、气候和管理条件。研究探讨了单个植被指数是否具备足够的区分能力用于灌溉检测,并将其性能与多特征机器学习组合方案进行了比较。

本研究的具体贡献包括:(i)评估Sentinel-2植被指数在灌溉分类中的相对重要性;(ii)分析机器学习模型在地中海不同农业气候条件下的泛化能力;(iii)比较单指数与多特征分类策略的优劣;(iv)开发出一个可扩展的框架,用于支持地中海橄榄种植系统的大规模灌溉监测和可持续水资源管理。据我们所知,这项研究是首批尝试利用卫星指数和机器学习模型,系统地对多个地中海国家的灌溉橄榄园与非灌溉橄榄园进行分类的研究之一。

材料与方法
本研究采用的方法流程如图1所示。该图展示了从卫星数据获取到模型评估的全过程,说明了如何将遥感得到的灌溉指标与监督式机器学习方法相结合,用于分类灌溉橄榄园和自然降雨橄榄园。

数据集特征与相关性分析
图3展示了五个地中海国家在两个季节(1月和8月)中,自然降雨橄榄园与灌溉橄榄园的MSI和NDMI值分布情况。对于MSI指标(图3a和3b),在不同灌溉模式下可以观察到差异,尤其是在夏季。在8月(图3b),所有地区的自然降雨橄榄园的MSI中位数都更高,而灌溉橄榄园的MSI值通常较低。这种差异在……

灌溉检测的光谱驱动因素
本研究的结果表明,与水分相关的植被指数对地中海橄榄园的灌溉模式具有明显的敏感性。不同季节之间存在显著差异,其中自然降雨橄榄园与灌溉橄榄园之间的差异在8月最为明显(图3)。MSI和NDMI显示出一致但相反的响应趋势,这反映了它们对冠层含水量和植物水分状态的敏感性。这些规律进一步证明了基于短波红外的指数在……

结论
本研究评估了利用单特征方法,通过Sentinel-2植被指数对地中海地区灌溉橄榄园与自然降雨橄榄园进行分类的能力。研究结果表明,灌溉检测主要取决于与水分相关的光谱响应。MSI和NDMI作为单独的预测因子表现最佳,这再次证明了基于短波红外的信息在识别夏季冠层含水量变化方面的重要性。

CRediT作者贡献说明
尼古拉斯·R·达莱齐奥斯:写作——审阅与编辑、可视化、方法论、数据整理。尼古拉斯·德卡斯:写作——审阅与编辑、验证、方法论、数据整理。伊奥安尼斯·法拉斯利斯:写作——审阅与编辑、验证、方法论、数据整理。纳萨雷特·克雷斯波-科特里纳:写作——初稿撰写、可视化、软件应用、方法论、研究实施、正式分析、数据整理、概念构建。塞尔吉·科斯塔弗雷达-阿梅德斯:写作——审阅与编辑、验证、方法论。

未引用参考文献
Breiman等人,1984;国际海洋学委员会。

出版伦理声明
我代表所有合著者声明,我们提交的文章遵循了出版伦理原则。所有作者均同意:本研究准确描述了所开展的工作,所有数据均真实无误,且方法描述详尽,足以让他人重复实验。本手稿为完全原创作品;如果使用了他人的成果或文字,均已适当引用或标注出处,并获得了相应许可。

资金支持
本研究由葡萄牙科学技术基金会资助的水资源QB项目“旨在应对气候变化和变异的综合性网络平台用于灌溉管理”(2022.04553.PTDC,https://doi.org/10.54499/2022.04553.PTDC)提供支持。本研究得到了葡萄牙科学和技术基金会FCT的国家资金支持,项目编号为UID/04033/2025,该资金用于农业环境研究技术中心的建设。作者声明不存在任何可能影响本文所述研究的已知财务利益或个人关系。致谢:本研究由WaterQB项目资助,该项目是一个旨在应对气候变率和变化、为灌溉管理提供支持的集成网络平台(项目编号2022.04553.PTDC,网址:https://doi.org/10.54499/2022.04553.PTDC),该项目的资金也来自葡萄牙科学和技术基金会FCT。作者同时感谢FCT国家资金的支持,以及项目UID/04033/2025下的农业环境研究技术中心建设项目。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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