利用Sentinel-2时间序列中的新型光谱指数，早期识别小麦保护性耕作方式

《Remote Sensing Applications: Society and Environment》：Early discrimination of conservation tillage practices in wheat using a novel spectral index from Sentinel-2 time series

卫星遥感监测印度小麦播种期保护性耕作方法研究。通过Sentinel-2 MSI时序数据（2020-2022）在旁遮普和哈里亚纳146块农田的实证分析，发现SWIR1波段（1613nm）对8-10% crop residue cover（CRC）变化敏感（R2=0.97），结合NIR和红边波段构建新型CPSI指数，实现传统耕作（CT）与保护性耕作（HS/SS）92%分类准确率。该方法为农业碳汇MRV体系提供早期监测工具。

　　

拉杰库马尔·达卡尔（Rajkumar Dhakar）|维纳伊·库马尔·塞格尔（Vinay Kumar Sehgal）|帕尔莫德·库马尔（Parmod Kumar）|尼维塔·贾恩（Niveta Jain）

印度农业研究学院（ICAR）农业物理系，新德里 – 110012，印度

摘要

在印度的水稻-小麦种植区，对再生农业实践（如保护性耕作）的监测、报告和验证（MRV）对于建立可靠的碳市场和可持续的食品系统至关重要。为了解决这一需求，我们开发了一种基于卫星的新方法，利用Sentinel-2 MSI时间序列数据（2020–2022年）来区分常规耕作（CT）和保护性耕作（包括Happy Seeder (HS) 和 Super Seeder (SS)）在季节早期（播种窗口期间）的种植方式。分析覆盖了旁遮普邦和哈里亚纳邦的146个农田，这些农田代表了不同的小农户种植条件。光谱分析显示，SWIR1（中心波长1613纳米）对作物残余物覆盖度（CRC）的微小变化非常敏感（CRC变化约8-10%），两者之间存在强烈的线性关系（R2 = 0.97，p < 0.01），而NIR/红边波段主要对较大的CRC变化（>20%）有响应。时间光谱剖面突显了SWIR1、NIR和红边波长与耕作强度和CRC水平之间的明显差异。通过对光谱指数的时间分析，我们开发了一个新的指数CPSI（保护性耕作光谱指数），该指数整合了对叶绿素、作物残余物和耕作方式的敏感性。利用播种窗口期间的CPSI最大值（CPSI_max）以及从训练数据中得出的单一阈值，该方法在独立验证数据上的总体分类准确率为92%，Kappa系数为0.81，有效区分了CT和HS/SS耕作方式。各地区的准确率在91%到98%之间，显示出强大的空间和时间稳健性。这项研究提供了一种高效、可扩展且高度准确的方法，用于早期检测保护性耕作，为农业碳信用项目的监测、报告和验证（MRV）以及促进再生农业实践提供了关键工具。

引言

全球对社会经济、农业和环境可持续性的关注日益增加，农业生产系统是实现社会可持续发展的关键组成部分，尤其是在农业国家（Islam, 2025）。在印度恒河平原的水稻-小麦（R-W）单一种植系统中，这一问题尤为突出，因为该系统对区域粮食安全至关重要。然而，由于集约化耕作和露天焚烧稻草残余物造成的环境污染，这一系统正受到日益严重的影响（Sehgal等人，2021；Korav等人，2024）。土壤扰动加剧和残余物焚烧的综合作用对R-W生产系统的长期可持续性构成了严重威胁。

再生农业实践被越来越多地视为应对这些挑战的可行解决方案，数字农业工具也被认为是客观监测、报告和验证（MRV）这些实践的重要工具（McLennon等人，2021）。

在这些方法中，保护性农业（CA）在资源利用效率、能源节约和系统韧性方面表现出明显优势（Jat等人，2020）。

在印度西北部的水稻-小麦种植系统中，常见的CA实践包括：(a) 使用Happy Seeder (HS)进行免耕播种；(b) 使用旋耕机混入残余物；(c) 使用Super Seeder (SS)进行播种（Shyamsundar等人，2019）。HS实践几乎不扰动土壤，同时保留了前茬水稻的表层残余物，而后两种实践则涉及部分残余物的混入。在所有情况下，小麦都在一次操作中完成播种。CA在改善土壤物理性质、循环土壤养分、丰富土壤生物群落以及提高不同轮作作物的产量方面的益处已有充分记录（Gupta等人，2007；Lohan等人，2018）。

据报道，多年来南亚采用CA实践的面积约为300万公顷（Jat等人，2020），其中仅印度就有约150万公顷（Jat等人，2021）。这仅占印度1.41亿公顷净播种面积的1%。尽管CA具有多重好处且政府政策给予支持，但其采用率仍然较低。尽管这些面积统计数据对政策制定有用，但它们缺乏详细的量化信息及其时空分布模式。最近，开展了“碳信用”项目（基于Verra Verified Carbon Standard计划），旨在激励农民采用再生农业实践，这些实践要求以最低成本在田间尺度上进行客观的监测、报告和验证（MRV）（https://verra.org/programs/verified-carbon-standard/）。因此，为了进一步优先考虑在田间尺度上实施CA的方案和政策措施，并支持“碳信用”市场，精确的高分辨率测绘变得越来越重要。

在印度，关于保护性耕作实践的范围和空间分布的可靠信息很少，系统的地面普查数据也几乎不存在。传统上，作物残余物覆盖度（CRC）和耕作强度是通过实地方法评估的，如线样带法（在田间拉一条带子并每隔一定距离计数残余物的覆盖情况）或天底视角摄影分析（Daughtry等人，2004；Regmi等人，2025）。尽管这些方法可以提供准确的田间估计，但它们劳动密集、主观性强，且不适用于涉及数千个小农户田地的大规模应用（Prabhakara等人，2015）。因此，遥感为在区域尺度上绘制保护性耕作的时空分布提供了有前景的替代方案，特别是在数据稀缺的农业系统中。

CRC是保护性耕作的关键组成部分，可以通过多种遥感方法进行估算。然而，由于土壤和作物残余物在400–1100纳米波段缺乏独特的光谱特征，因此制定用于评估CRC的光谱指数较为困难（Aase和Tanaka 1991；Daughtry等人，2005）。作物残余物在短波红外（SWIR）波段具有独特的光谱吸收特征，这使它们能够与土壤和植被区分开来。具体来说，残余物（主要由纤维素和木质素组成）在2100纳米和2300纳米附近表现出吸收特征，并且从1600纳米到2300纳米的反射率总体呈下降趋势，而土壤在该范围内的反射率相对恒定（Daughtry等人，2004）。

尽管这些窄吸收特征无法被宽带多光谱传感器（如Landsat或Sentinel-2，后者包含一个中心波长约为2200纳米的波段）完全捕捉到，但已经提出了许多多光谱指数来推断耕作强度和残余物覆盖度。这些指数包括归一化差异耕作指数（NDTI）（Van Deventer等人，1997）、死燃料指数（DFI）（Cao等人，2010）、归一化差异衰老植被指数（NDSVI）（Qi等人，2002）、归一化差异指数（NDI、NDI5和NDI7）（McNairn和Protz，1993）、短波近红外归一化差异残余物指数（SRNDI）（Jin等人，2015）、纤维素吸收指数（CAI）（Daughtry等人，1996）、短波近红外归一化差异残余物指数（SINDRI）（Serbin等人，2009）以及木质素纤维素吸收指数（Daughtry等人，2005）。通过对反射率或耕作指数的多时相分析，可以进一步获取用于绘制保护性耕作实践的地图（Azzari等人，2019；Zheng等人，2013）。由于CRC和耕作效应在季节初期（播种后不久，作物生长之前）最为明显，因此早期季节的图像数据对于通过遥感进行区分非常重要。随着季节的进展，残余物/耕作信号会被生长中的作物冠层掩盖。

Sentinel-2多光谱仪器（MSI）图像具有额外的红边光谱波段，可以利用这些波段在光谱指数中更好地检测耕作方式。然而，只有少数研究使用Sentinel-2数据来绘制作物残余物覆盖度（Ding等人，2020；Najafi等人，2021），以及最近使用机器学习来分类耕作方式（Liu等人，2022；Jain等人，2024；Zhou等人，2021；Deshpande等人，2024；Du等人，2025）。然而，数据驱动的分类器通常需要大量的标准化训练数据集，而在小农户背景下这些数据集较为稀缺（Jain等人，2024）。

考虑到R-W种植系统的强时空异质性、农场分散且规模较小，以及结合光谱指数的优势，本研究开发了一种早期区分小麦保护性耕作的方法。如果能在季节早期绘制出保护性耕作的地图，农业推广人员、资源规划者和政策制定者将能更好地理解其采用情况。这项研究可以为农业碳项目的新兴MRV系统和气候智能农业计划提供关键输入（Hively等人，2025；Jain等人，2024）。

本研究的目标是：(1) 评估Sentinel-2波段和常规光谱指数在不同耕作实践和残余物覆盖度水平下的光谱响应；(2) 开发一种新的光谱指数，以增强小麦中常规耕作与保护性耕作（Happy Seeder/Super Seeder）之间的区分；(3) 在多年和多个地区验证基于指数的区分方法，评估其整合到农业碳信用项目MRV框架中的潜力。

研究区域

研究区域

本研究在印度旁遮普邦和哈里亚纳邦的部分地区进行，这些地区被视为该国的“粮仓”。该地区耕作强度很高，以水稻-小麦轮作为主。水稻在夏季（5月至11月）种植，与西南季风期相吻合，而小麦则在干燥的冬季（11月至次年4月）种植。该地区的农民主要采用机械化

不同耕作方式下作物残余物覆盖度对Sentinel-2光谱的影响

我们研究了不同CRC水平如何影响不同耕作条件下的Sentinel-2反射光谱（图6）。结果表明，即使在HS耕作方式下CRC的变化相对较小（约8-10%），也会在SWIR1波长区域（1613纳米）导致明显的反射率差异，但在红边和NIR波长区域则没有明显差异。然而，在

讨论

大规模监测保护性耕作实践对于评估其对可持续农业管理的环境和社会经济影响至关重要。卫星遥感为从地方到全球范围提供可靠的保护性耕作实践估计铺平了道路。然而，在异质性小农户农场中评估和绘制耕作实践仍然具有挑战性（Zhou等人，2021）。在这项研究中，我们提出了一种稳健且简单的方法，用于早期

结论

本研究介绍了一种利用Sentinel-2时间序列在小型农户农场中早期检测保护性耕作实践的可靠方法。该方法利用了与作物残余物保留和土壤扰动相关的物理可解释的光谱响应。

通过使用旁遮普邦和哈里亚纳邦六个地区的146个农田在三个种植季节（2020–2022年）的实地观测数据，我们证明了

CRediT作者贡献声明

拉杰库马尔·达卡尔（Rajkumar Dhakar）：撰写 – 审稿与编辑、初稿撰写、验证、方法论、调查、正式分析、数据管理、概念化。尼维塔·贾恩（Niveta Jain）：撰写 – 审稿与编辑、调查、数据管理。帕尔莫德·库马尔（Parmod Kumar）：撰写 – 审稿与编辑、调查、数据管理。维纳伊·塞格尔（Vinay Sehgal）：撰写 – 审稿与编辑、监督、方法论、资金获取、正式分析、概念化

未引用参考文献

Gorelick等人，2017；Gupta和Seth，2007；Islam，2025。

伦理声明

作者声明，本研究完全符合最高的伦理和专业标准。研究仅依赖于遥感数据和公开可用的二手数据集，未涉及人类参与者、动物或个人可识别信息。所有使用的数据均来自不同来源，并已给予适当致谢。

当引用社区或田间层面的信息时，已将其纳入研究

资金支持

本研究得到了IARI与Grow Indigo Private Limited之间的合同研究项目支持，以及IARI内部项目[项目代码：CRSCIARISIL20210034319]的部分资金支持。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢

作者感谢印度农业研究学院农业物理系主任提供的研究设施。