Crop Type Mapping in Smallholder and Complex Agricultural Landscapes Using Multi-Temporal Sentinel-2 Imagery on the Google Earth Engine Platform

想象一下，你正试图整理一个巨大的、杂乱无章的乐高盒子，里面的每一块积木看起来几乎都一模一样，但其中一些应该是红色的汽车，而另一些应该是蓝色的卡车。现在，想象一下你不是用手在整理，而是从太空中俯瞰，看着一片由农场组成的拼布地毯，那些微小的田块像一团缠绕在一起的毛线绳一样交织在一起。这就是小农农业中“作物类型制图”所面临的挑战。科学家们使用卫星来拍摄地球的照片，但当农民在紧挨着的微小且不规则的土地上种植不同的作物时，植物的颜色（或“光谱特征”）往往会模糊在一起。这就像是试图仅仅通过一张一英里外拍摄的模糊照片，来分辨出草莓和树莓的区别。为了解决这个问题，研究人员需要聪明地选择拍照的“时间”。正如毛毛虫在成长过程中看起来与蝴蝶不同一样，作物也会随着季节的变化改变它们的“装束”（颜色和形状）。通过等待植物生命周期中的完美时刻，并利用强大的计算机来分析数据，科学家们可以解开这团乱麻，看清究竟什么东西生长在哪里。这至关重要，因为了解农民种植了什么，能帮助我们管理水资源、预测粮食供应并保护环境。

---

伟大的作物侦探故事：解开伊朗农场的谜题

在伊朗查哈尔马哈尔-瓦巴赫蒂里省的心脏地带，坐落着萨曼县，这里以杏仁和桃子闻名。但问题在于：这里的景观是一片混乱而美丽的杂乱。想象一下一个巨大的沙拉，果树园与小麦、水稻和大麦田混合在一起，全部挤在微小且不规则的土地上。对于俯瞰的卫星来说，这看起来就像是一团混乱的绿色模糊。树木和谷物作物看起来往往非常相似，以至于标准的卫星照片无法将它们区分开来。这就像是在人群中识别一个特定的人，而每个人都穿着同样的绿色连帽衫。

一支研究小组决定利用一个被称为 Google Earth Engine (GEE) 的超级强大的数字游乐场来破解这个密码。把 GEE 想象成一个巨大的、基于云端的图书馆，它保存了 Sentinel-2 卫星所拍摄的几乎所有的照片。研究人员没有将数个太字节（terabytes）的数据下载到单台计算机上，而是利用这个云端巨头瞬间筛选了多年的图像。

“何时”比“是什么”更重要

第一个重大障碍是时机。如果你在冬天给一棵桃树和一个小麦田拍照，它们看起来都是棕色且处于休眠状态。如果你在早春拍照，它们可能看起来都是普通的绿色色块。研究人员意识到，要将它们区分开来，必须在它们的“个性”发生分化的准确时刻捕捉它们。

他们把作物当作舞台上的演员，每个演员都有自己的日程表。有些作物，如樱桃和核桃，在夏季早期（5月至7月）达到高峰，然后随着收获开始消退。其他的作物，如桃树和杏树，则是“晚熟者”，在初夏保持安静，然后在8月和9月爆发式地长出绿色。葡萄则是稳健型的，整个季节都在缓慢而稳定地生长。

为了找到拍摄完美时机的时刻，团队使用了一个名为 转化差异 (Transformed Divergence, TD) 指数的数学工具。你可以把 TD 想象成一个“差异计”。它衡量两组作物彼此看起来有多么“不同”。如果仪表读数很低，说明作物看起来太相似了（不利于分类）。如果读数很高，则说明它们看起来很独特（有利于分类）。

通过对 2020 年至 2022 年的每月数据运行这个“差异计”，他们发现了一个黄金窗口期：5 月至 9 月。在这五个月里，作物处于最独特的时刻。这个“差异计”显示，作物正在清晰地将自己区分开来，使得能够以极高的置信度辨别出桃树和麦田。他们发现，他们不需要每一张可用的照片；只需五张精心挑选的每月快照就足以完成工作，在保持极高准确度的同时，将数据量减少了约 60%。

加入“地形”线索

但是，即使有了完美的时机，有些作物看起来仍然太像了。例如，杏仁和樱桃，或者核桃和苹果，从太空看可能非常相似。因此，研究人员加入了秘密武器：地形 (topography)。

想象一下，景观就像一个巨大的、凹凸不平的蛋糕。有些部分是平坦的，有些是陡峭的，有些面向阳光，而有些则躲在阴影中。研究人员意识到，不同的作物在蛋糕上有特定的“心仪位置”。

• 水稻只生长在低洼平坦的地方，那里有积水（就像一个注满水的浴缸）。
• 桃树喜欢阳光充足的南向坡地。
• 核桃偏好较凉爽的北向坡面以保持水分。
• 杏仁生命力顽强，栖息在海拔较高的炎热干燥的南坡。

通过向计算机输入地形高度（DEM）、坡度和坡向（aspect）的地图，研究人员赋予了算法一种“地理记忆”。它不再仅仅是根据颜色进行猜测，而是会说：“这片绿色区域位于一个陡峭的北向山坡上，所以它很可能是核桃，而不是苹果。”这一额外的层级信息帮助理清了那些看起来依然过于相似的作物。

神奇的算法：随机森林 (Random Forest)

在掌握了完美的时机和地形线索后，团队使用了一种名为 随机森林 (Random Forest, RF) 的机器学习算法。如果你把这想象成一片由决策者组成的森林，每个决策者都在问一个简单的问题，比如“现在是五月吗？”或者“坡度陡吗？”，那么随机森林就是数百个这样的决策者共同投票的过程。因为有这么多“树”在投票，最终的决定是非常聪明且不易出错的。

他们使用 1,500 个通过 GPS 设备实地考察的真实点位来训练这个数字森林。他们向计算机展示了 70% 的点位以学习模式，然后用剩下的 30% 进行测试，看看它在没有帮助的情况下能否正确猜测。

结果：95% 的成功率

结果是一个极其精确的整个县的地图。计算机正确识别作物类型的概率达到了 95%。对于这样一个杂乱、复杂的景观来说，这是一个巨大的成功。

• 杏仁是山丘之王，覆盖了超过 65% 的农田。
• 桃树和核 walnut 分列第二和第三。
• 水稻以及小麦/大麦等一年生作物则是规模最小的、零散分布的拼图碎片。

研究人员甚至对照政府官方记录（《农业统计年鉴》）检查了他们的工作。他们创建的地图与政府数据几乎完美匹配，相关性得分高达 0.96。这意味着该地图不仅仅是一张漂亮的图片，它还是一个可以被信赖用于准确统计作物的可靠工具。

为什么这很重要

这项研究证明，你不需要一个超级复杂、昂贵的系统来绘制小型、杂乱的农场地图。通过结合智能的时机（等待合适的季节）、了解土地的布局（地形）以及使用强大的云端计算机，你可以理清即使是最混乱的农业景观。

研究人员表明，通过屏蔽掉房屋和河流（它们看起来可能像作物并干扰计算机）并专注于作物看起来差异最大的特定月份，你可以获得清晰的画面。这有助于地方规划者更好地管理水资源、预测收成，并确保土地得到可持续利用。这提醒我们，有时，看清整片森林最好的方法是等待正确的季节，并从正确的角度观察这些树木。