《Smart Agricultural Technology》：A systematic assessment of remote sensing approaches for agricultural zonation and supporting precision agriculture
编辑推荐：
为解决遥感技术在农业分区应用中缺乏标准化处理流程的问题，本研究系统评估了植被指数(VI)、聚类算法和影像获取时机对分区结果质量与一致性的影响。研究基于Sentinel-2影像，结合地面观测数据，发现影像选择是关键，最佳分区效果出现在作物生长季及干燥条件下。该成果为利用RS支持精准农业管理提供了实用指导。
在当今追求高效与可持续的农业实践中，精准农业正成为核心解决方案。它旨在根据田间内部的差异，对水、肥、农药等资源进行按需分配，从而实现资源优化与环境保护。遥感（Remote Sensing， RS）技术，特别是提供高分辨率、多光谱影像的Sentinel-2等卫星，为大规模、快速获取农田时空信息提供了前所未有的机会。这些数据能揭示作物生长、水分胁迫和土壤条件的变化，为绘制田间均质分区图、即“农业管理分区”提供了可能。
然而，尽管遥感数据潜力巨大，其应用之路却并非一片坦途。一个显著的挑战在于，目前缺乏统一的、标准化的数据处理流程。研究者们在实践中面临着纷繁复杂的选择：使用哪种植被指数（Vegetation Index， VI）更合适？是经典的归一化植被指数（NDVI），还是能减少土壤背景影响的土壤调节植被指数（SAVI）或其改进版（MSAVI）？采用哪种聚类算法来将相似的像素归为一区？是简单高效的K均值（K-means），还是能处理复杂非线性关系的自组织映射（Self-Organizing Map， SOM）？此外，影像应该在作物生长的哪个阶段获取？是单一时相还是整合多个时相？这些关键决策如何影响最终分区结果的可靠性与一致性？在缺乏明确指导的情况下，不同研究的结果难以比较，也限制了遥感技术在农业生产一线的大规模、可复制应用。
发表在《Smart Agricultural Technology》上的这项研究，正是为了应对这些挑战而展开的。研究团队在意大利北部的两个实验点（邦代诺核桃园和伊莫拉葡萄园）开展了为期两年的系统性评估。他们的核心问题是：植被指数（VI）、聚类算法和影像获取时机这三个关键处理步骤，如何影响农业分区结果的质量和一致性？ 为了回答这个问题，他们首先通过区域土壤图、土壤质地分析和便携式时域反射仪（TDR）测量的土壤含水量（SWC）实地调查，建立了基于地面观测的“参考分区”，作为评估遥感方法的基准。
研究人员为开展此项研究，综合运用了多源数据获取、定量分析与云计算等关键技术方法。研究数据来源于意大利两个典型农业试验田（邦代诺核桃园和伊莫拉葡萄园）为期两年的地面观测与Sentinel-2卫星影像。技术方法主要包括：利用Python生态库（如geopandas, rasterio, numpy）进行数据处理与分析；在谷歌地球引擎（Google Earth Engine）平台上高效处理海量Sentinel-2影像并计算植被指数；应用多种聚类算法（K-means, GMM, SOM）进行农业分区；以及采用v-measure作为主要评估指标，定量比较不同数据处理流程所得分区与地面参考分区之间的一致性。
研究结果
3.1. 基于地面观测的参考分区
研究整合了植被信息、区域土壤图、土壤质地分析和土壤含水量（SWC）实地测量数据，为后续遥感方法评估确立了基准。
- •
在邦代诺（核桃园）站点，由于果园为新栽植（2019年），植被生长有限，观测到的空间差异不显著。土壤含水量测量证实了区域土壤图所示的变异性，土壤质地分析也确认了从北到南的梯度。因此，主要依据区域土壤图确定了参考分区。
- •
在伊莫拉（葡萄园）站点，两种葡萄品种的植被生长存在差异，且土壤质地分析捕捉到了区域土壤图未显示的变异性，这一点得到了土壤含水量测量的证实。因此，参考分区结合了两种不同的植物品种和土壤分析检测到的南北方向变异性来定义。
3.2. 基于植被指数的分区比较
研究人员使用v-measure指标来量化不同遥感分区方法之间的一致性（值越接近1表示一致性越高）。
- •
总体而言，不同处理流程得到的v-measure平均值较低（约0.2），表明分区结果存在普遍差异，但数值范围覆盖0到1，说明植被指数、聚类方法和获取时间的选择具有强烈影响。
- •
聚类方法的影响：高斯混合模型（GMM）与K均值（K-means）聚类结果之间的v-measure平均值高于0.8，表明两者高度一致。但与自组织映射（SOM）聚类结果比较时，v-measure值下降，虽仍高于0.6，但显示出该方法在分类上存在一些差异。
- •
植被指数的影响：土壤调节植被指数（SAVI）和改进的土壤调节植被指数（MSAVI）所得分区高度一致。但与归一化植被指数（NDVI）比较时，一致性下降到约0.6。
- •
影像获取时机的影响：这是导致分区差异的最主要因素。仅当影像获取时间间隔在一个月内时，分区才表现出相对较高的一致性（v-measure > 0.25）。超过一个月，一致性急剧下降（平均v-measure约0.1）。有趣的是，跨年度但同月份获取的影像，其分区结果一致性会回升，显示出明显的季节周期性。进一步分析发现，在邦代诺站点，只有在冬季（1月、2月）和晚秋（11月、12月）获取的影像，其分区结果才高度稳定（v-measure > 0.5），而在生长季则非常不稳定。在伊莫拉站点，这种季节性变化较弱，v-measure平均值较高（约0.5），仅在夏季（如6月）和10月有所下降。
3.3. 遥感分区方法的评估
研究人员进一步计算了遥感分区结果与地面参考分区之间的v-measure。
- •
在邦代诺站点，v-measure平均值较低（约0.2）。这主要是因为参考分区主要由土壤变异性驱动，而年轻的核桃树植被覆盖度低，遥感植被指数主要受土地管理（如覆盖作物）影响，未能有效捕捉土壤差异。
- •
在伊莫拉站点，v-measure平均值更高（约0.3）。这是因为参考分区由长期种植（超过20年）的两种不同葡萄品种及其生长差异驱动，且夏季修剪等农艺操作引入了额外的冠层结构变异性。在这些条件下，遥感植被指数能更好地捕捉田间的空间异质性。
- •
关键发现：通过将v-measure值与植被指数动态、月度水分平衡（降水P减潜在蒸散发ETP）比较，研究发现，最高的v-measure值（即遥感分区与参考分区最匹配）出现在植被活跃生长且水文条件相对干燥的时期。相反，在植被指数值较低或降水事件之后，v-measure值较低。例如，伊莫拉站点在2023年5月强降水事件后，v-measure值显著下降。
结论与意义
本研究系统性地揭示了不同数据处理流程对基于遥感的农业分区结果的影响。核心结论是：植被指数和聚类算法的选择对分区结果的影响相对有限且次要，而影像获取时机的选择则具有决定性作用。分区结果仅在短期内（一个月内）稳定，并表现出强烈的季节性依赖。跨不同生长阶段的影像组合可能产生误导性结果，因此不推荐使用。
最重要的是，研究明确了获取高质量分区图的最佳窗口期：作物生长季且环境相对干燥的条件。此时，活跃生长的植被更易受到土壤条件的影响，使得遥感植被指数能更好地捕捉土壤-植物系统的变异性。这一发现为农学家和从业人员提供了清晰的实践指南：在进行农业管理分区时，应优先选用生长季中后期、天气晴朗干燥时期获取的卫星影像。
这项研究的意义在于，它将遥感技术从“数据可用”推进到“方法可靠”和“应用可指导”的层面。在卫星数据日益丰富、分辨率不断提高的今天，该研究强调了标准化处理和明确操作指南的重要性。尽管结论可能因特定作物类型（如果园）而异，但其系统性的评估框架为未来在不同农业环境下开展类似比较研究、填补关键知识空白、最终制定普适性的精准农业遥感应用指南奠定了坚实基础。它提醒我们，技术的价值不仅在于其先进性，更在于其应用方法的科学性与可重复性。
